- 上一篇：无线传感器网络发展历程及研究现状
- 下一篇：QCM传感器的用途以及发展研究现状
近些年来，伴随着风力发电技术的不断进步以及风电规模的日益增加，国内外许多专家学者对风电并网的相关问题已经开展了大量深入的研究。根据本文所涉及的含风电的电力系统调度运行的相关研究，现对国内外关于含风电的机组组合问题的研究状况和最新进展进行一些归纳和分析。65569
1机组组合问题的相关算法
机组组合也称为开停机计划，其目的是针对在指定周期内，满足系统负荷、备用容量、机组最小运行时间和停机时间等限制，考虑机组启停费用和发电费用特性，确定机组的开停机计划，使周期内发电总费用最小。当考虑网络安全约束时，它又被称为安全约束下的机组组合问题。在解决机组组合问题的研究中，先后出现了很多种算法，下面一一简述：
（1）基于梯度方向的经典优化算法
经典优化算法是一类基于梯度信息的数学规划方法，具有迭代过程清晰，计算效率高等优点，但通常解得的都是局部最优解。当目标函数为光滑函数且为凸函数时，通常可以选择这一类算法进行优化计算。
（2）基于随机搜索的人工智能算法
图 1：解决机组组合问题相关的算法
人工智能类算法与经典优化算法的局部寻优特性相比，具备全局搜索能力。虽然搜索过程需要消耗较长的时间，但是由于其对优化问题的数学模型不敏感且适应性强，即可以用于包含各种函数形式的优化模型，从而使得其更具有工程实际应用价值。如上面图1中所示为五种人工智能类算法：
①模拟退火算法：该算法是由KirkPatrick等人提出来的一种模拟固体物理退火过程的热平衡问题的启发式随机搜索技术。其特点是算法本身与初值无关，最优解与初始解的状态即算法迭代的起点无关，并且具有渐近收敛及并行计算的特性，己经在理论上被证明是一种以概率收敛于全局最优解的全局优化算法。Panigrahi等人在建立综合考虑阀点效应、传输线损耗以及旋转备用约束的动态经济调度模型基础上，提出采用模拟退火技术对该模型进行寻优计算。
②遗传算法：该算法最初是由美国Michigan大学的J.Holland教授于1975年首次提出来的一种模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，通过模拟自然进化过程搜索最优解。作为一种全局搜索技术，它可以用于处理以非光滑或非凸函数作为目标函数的优化问题。近些年来，遗传算法已经被成功地用来寻找工程和科学领域中问题的满意解。在电力系统经济调度问题中也得到了广泛的应用。Li等人应用遗传算法来解决考虑输电线损耗的动态经济调度问题。w.Ongsakul和J.Tippayachai提出了一种基于优先顺序载入解的并行微观遗传算法用于求解约束动态调度模型。
③进化规划：该算法也是进化算法中最具代表性的方法之一。进化规划是L.J.Fogel于20世纪60年代在人工智能研究中提出来的一种有限状态机进化模型，此模型中机器的状态是基于均匀分布的规律来进行变异。从一组随机产生的个体开始进行搜索，通过变异、选择等操作使个体向着搜索空间中越来越靠近全局最优值的区域进化。
④差分进化算法：该算法是由Stom和Price提出来的一种基于群体智能理论的随机并行搜索技术。通过群体内部个体之间的协作与竞争产生的群体智能指导优化搜索。相比于进化算法，其保留了基于种群的全局搜索策略，采用实数编码，利用差分原理进行简单的变异操作，降低了遗传操作的复杂性。作为一种简单有效的新兴计算技术，在解决复杂优含风电场的电力系统动态经济调度问题研究化问题方面已经受到学术界和工程界的广泛关注，在电力系统运行优化研究方面也得到了很多成功的应用。论文网