- 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
⑤粒子群算法：在众多人工智能优化算法中，粒子群优化算法是近几年发展起来的、最先由Kelmedy和Ebeth提出的一种新的模仿鸟类群体行为的智能优化算法，现已经成为进化算法的一个新的重要分支。对于大规模、高维数、非线性、非凸、多约束的各类电力系统运行与控制优化问题，粒子群及其改进算法不失为一类有效实用的计算工具。
上述许多方法已被开发用于解决机组组合问题。除了经典的优化方法如动态规划（Dynamic Programming,DP）和拉格朗日松弛法（Lagrangian Relaxation,LR），人工智能专家系统和神经网络方法也被用于搜索UC问题的最优或次优的解决方案。然而，在大型系统中大量机组的各种约束，这些方法需要巨大的工作去建立推理规则。因此，需要花费巨大的CPU计算时间和很大的内存空间。
近年来，全局优化技术，即所谓的遗传算法（Genetic Algorithms,GA）和模拟退火算法（Simulated Annealing Algorithm,SA），这两种形式的概率启发式算法，已被成功地用于解决许多复杂的UC问题。GA算法能够并行计算的获得高概率的最优解，是一个比SA方法更有效的方法。GA方法被改变以适于解决机组组合问题。在某些遗传算法的应用上，许多制约因素，包括机组出力的限制，爬坡速率限制，最小启停时间，启动和关闭机组时的成本等等均被考虑在该方法的实用性之中。虽然GA方法已成功地被用于解决复杂的优化问题，但最近的研究已经表明了遗传算法的性能中的一些不足之处。目标函数在参数的不断优化过程中由于交叉和变异操作后的基因退化作用的存在，不能保证后代是更好的，因为在种群中存在类似染色体的结构，他们的平均适应状态在进化过程接近结束时候才是最好的。此外，GA收敛较早，并降低了其搜索的能力。
在遗传算法的基础上，Kennedy和Eberhart于1995年，提出了一种新的进化计算算法，采用实数编码的粒子群优化算法（PSO, Particle Swarm Optimization）。这种方法通过模拟一个简化的社会发展系统，成为解决离散非线性优化问题的有力方法。PSO方法可以替换遗传方法解决同一类的许多问题，成为完美的解决方案，具有稳定、易收敛的特点，并且拥有简洁的算法。
2机组组合中对风电功率的处理方式
日前机组组合是电力系统运行调度的重要环节之一，其主要目标是在一定的负荷水平下确定次日可调机组的开停机计划。负荷预测是日前机组组合的基础，常用的日前机组组合模型是含备用约束的确定性机组组合模型，其采用确定的负荷预测曲线描述未来24h的负荷变化情况，并在机组备用容量约束条件下考虑负荷预测的不确定性。国内外的通常做法是取负荷的一定比例作为系统的旋转备用容量。但是，在含大规模风电的电力系统中，由于风电自身的特点，风电功率的预测精度较低，如果直接使用含较大误差的风电功率预测值进行机组组合不能获得优化的决策方案，从而影响系统运行的可靠性和经济性。论文网
因此，如何在日前机组组合中使用风电功率预测信息并考虑其不确定性的影响是含风电电力系统运行调度面临的一个问题。目前风电规律预测的研究已由风电功率点预测扩展到包含风电功率预测不确定性的区间预测、概率预测等，这些预测信息均可以用于机组组合的决策。
风电功率预测结果的3种常见表现形式如下所示：
（1）点预测，或称为确定性数值预测，是实际中应用最多的一类预测，对未来某个时期其预测结果是确定性数值，每个点的预测误差一般服从正太分布。
（2）区间预测，指预测结果是对应一定水平期望概率的区间。