- 上一篇：RED算法无线传感器网络拥塞控制算法分析及其仿真实验
- 下一篇：Libsvm+MACD指标时空序列量化交易算法研究
1.2 研究意义[4][5]
传统的调度问题是基于准确的负荷预测进行的。而风能受到气候、海拔、地形以及温度等多种自然因素的影响具有间歇性和随机波动性，风速及风功率预测的难度较负荷预测要大得多。这些特点决定了风电功率不具备火电输出稳定、可调度的能力。当风电并入电网以后，其功率曲线常常与用电负荷增长的趋势相反，即在负荷高峰时段风能少，而在负荷低谷时段却风能充沛。风电的这种反调峰特性将导致电力系统峰谷差的进一步扩大，加大了电网调度的难度。
虽然目前国内外学者们己经对风能预测做了大量的相关研究工作，但是风电场出力的预测水平在很大程度上仍然无法满足工程实际的要求，这给电力系统的调度工作带来了相当大的困难。因此，当风电占地区总装机达到一定比例以后，采用传统的调度方法已经无法满足系统安全运行的要求。研究适用于含有风电功率的电力系统调度优化问题的模型和方法势在必行。随着电力系统中风电接入比例的增加，风电的随机波动性和预测不准确性对系统有功功率平衡的影响日益增加，因此解决风电运行调度问题日益迫切。
从时间尺度上可以将电力系统调度分为:日前机组组合(Unit Commitment,UC)（三次调频）、AGC（二次调频）、一次调频，其中日前机组组合是电力系统运行调度的重要环节，因此本课题解决如何在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，保证电网的安全经济运行。
本课题旨在对电力系统实际运行调度方式进行了解，并对含风电的日前机组组合进行研究，在此基础上对所建机组组合模型进行测试。
1.3 研究现状[4][5][6][7][8]
1.3.1机组组合问题的相关算法
1.3.2机组组合中对风电功率的处理方式
1.3.3本文的研究方法
本文在充分研究一些经典的解决方案之后，决定采用等耗量微增率-迭代法结合离散二进制粒子群优化算法（BPSO）用于解决机组组合问题。BPSO算法中所提出的方法，用于解决机组启停问题，等耗量微增率-迭代法用于解决负荷分配（经济调度）问题。
图 2：机组组合问题解决的示意图
当大规模风电功率并入电网以后，风能受到多种自然因素的影响具有强烈的间歇性和随机波动性，风速及风功率预测的难度较负荷预测要大得多。
为此，本文将采用风功率点预测方法，并在考虑预测误差的概率密度函数基础上，引入置信区间的概念，建立能够灵活适应各类预测信息且满足实际运行要求的确定型机组组合模型，最后，结合算例验证提出模型的正确性。文献综述
1.4 本文内容安排
本文研究了含有大规模风电的机组组合问题的模型的建立及其求解方法，下面列出具体章节的安排：
第一章为引言部分，本章简略阐述了风电的行业背景、发展状况以及本文研究的内容与方法。本章对于机组组合问题作了一个简单的介绍，并且阐述了风电功率预测的研究及处理方法，从而进一步引出本文所要重点研究的问题，并对后文的布置作了简单的介绍。
第二章主要讨论机组组合问题模型的建立，其中重点介绍了对风功率的预测误差的处理方法。
第三章研究如何利用等耗量微增率-迭代法结合离散二进制粒子群优化算法（BPSO）解决机组组合问题。
第四章为实验仿真环节，对于所建立的模型我们采用10机组和26机组实验分别进行了仿真验证，时间周期取1 天，分成24个时段。相应的具体测试数据见第四章中。