本站原创
[摘要]：国内外对于传统的电力系统最优调度方案的研究大多致力于解决在诸多约束条件下（如电力平衡约束、备用容量约束、机组发电功率约束、机组爬坡率约束、机组启动、运行费用等）如何使系统的燃料耗量、能耗成本最低。但由于受随机因素（特别是风速）影响较强的风力发电机组的并网，使这一课题又有了新的发展。本文正是在努力寻找适合这一新的发展形势的电力系统最优调度方法。
在参考了国内外诸多文献的基础上，结合已有的电力系统调度方法，本论文决定采用一种被广泛使用的现代优化算法——遗传算法，来进行包含风电的电力系统调度优化研究。由于标准的遗传算法中交叉率和变异率和不同会极大影响到算法收敛的速度和陷入局部最优解的可能。所以，本文采用了改进的遗传算法，即具有自适应的交叉率和变异率的遗传算法。同时，为了避免遗传算法在单独使用时容易陷入局部最优解、收敛速度较慢等问题，本论文同时引入了模拟退火算法的思想，来控制种群的大小，从而使算法有一定概率接受差解，更能进化到全局最优解。
本文的研究提出了包含风电的电力系统调度问题的模型建立、算法选择、流程的建立。为考虑风力发电的电力系统最优调度问题提供了一个新的解决方法。
[关键词]：风力发电、遗传算法、模拟退火算法
加快开发绿色可再生能源是解决能源与环境问题的重要手段，其中风能是目前最具有开发利用前景和技术最为成熟的一种新型可再生能源。随着风电技术的不断成熟，目前风力发电已经成为世界上发展速度最快的能源类型。但是，由于风能具有随机性强等特点，因此风电机并网也对电力系统造成了一些影响。
风电功率和风速有直接的关系，风速有很强的随机性，导致风电机的出力随机波动性很大，同时，国家政策要求优先调度风电，即风力发电产生的电能，一般情况下电网应该全部吸收，因此风电的引入给系统带来了很大的影响，尤其是安排电网经济调度方案时，必须考虑风电的随机性，传统的调度方案也需要重新确定。如果系统中风电含量很少，则风电的波动性可以看作负荷的少量波动，对系统没有太大影响，而当风电比重较大时，有必要对系统的优化调度方案进行研究，以确定计及风力发电的电力系统优化调度方案。同时，由于风电的随机性很强，使得电网面临前所未有的风险，例如充裕性风险，即风电功率减少时系统备用功率是否满足用电需求的风险等。虽然风速预测和负荷预测会提供未来风电功率和负荷的合理数值，但是它们都是在概率意义上的预测值，仍有随机变化的可能，因此在对电力系统进行优化调度研究时，需要考虑风电不确定性和负荷不确定性带来的风险。
风电机的输出功率和风速有非常密切的关系。对于一个风电机来说，不同的风速对应于不同的发电功率，这种对应关系主要由该风机的风功曲线来描述，一般风电机生产厂家会提供风电机的风功曲线供用户参考。在实际研究中，全部使用风电机的风功曲线来计算风电输出功率存在一定困难，因此在大多数研究中进行了相应的简化，采用某种数学函数代替风功曲线。本文采用一种最常用的线性模型将风速转化为风电功率：
式中：
v ——风机轮毂高度处的风速；vci——切入风速；vco ——切出风速；vr ——额定风速；
Pr ——风机的额定输出功率。
其意义为：切入风速和切出风速分别为风电机正常工作的最小风速和最大风速，当风速小于切入风速或大于切出风速时，该风电机应关闭，其输出功率为零；当风速在切入风速和额定风速之间时，其发电功率应该是一特定的曲线，而当风速在额定风速和切出风速之间时，其风电功率为额定功率。
含风电场的电力系统在进行优化调度时和不含风电场的系统有明显的区别，由于电力系统要求优先调度风电，因此可供优化调度的出力为负荷减去风电机出力的部分；然而由于风电的波动性较强，使得经过优化计算得到的最优调度组合面临很大的风险，比如当风电出现大范围的波动时，常规机组的旋转备用可能出现缺额、机组的出力上升或下降速度可能跟不上风速的变化等等，因此需要重新研究优化调度的模型，控制系统的风险水平。
电力系统优化调度根据调度时间范围的长短，可以分为年度、月度、日前、滚动和实时发电调度。其中年度、月度优化调度是对未来一年、一个月内的机组出力进行优化安排，主要考虑气象环境、检修停运等影响，对机组进行较为粗略的统一协调安排，年度和月度优化调度不属于本文研究的范围。日前调度的目的是对未来一天的发电机组启停状态、机组有功出力进行优化组合；滚动优化调度是根据负荷、风速等的波动情况不断的对日前调度结果进行调整，从而减轻调频机组的负担；实时调度则是通过自动发电控制 AGC 以及各种调频措施对发电出力进行控制，以满足负荷、风速的实时变化。各种时间尺度的调度应相互配合，协调优化，从而在最经济的条件下保证系统的安全、可靠供电，本文主要研究日前优化调度。
本文拟用正交遗传模拟退火算法来解决上述优化调度问题。该算法应用遗传算法作为主要的优化工具，在算法中对交叉、变异率进行自适应调整以改善算法收敛性能；同时由于遗传算法单独应用时容易陷入局部最优解、收敛速度较慢、且不容易处理约束条件，因此在算法中引入模拟退火算法的思想，用温度的变化来控制种群的多样性和违反约束条件的惩罚力度，从而达到改善算法性能的目的。
算法的计算流程
（1）读取初始数据，包括机组数据、风电场历史风速和风速预测、负荷预测数据、风电机风功特性参数等；
（2）进行正交试验确定种群规模、退火降温率、惩罚因子的最优取值；
（3）对种群进行初始化，随机产生初始种群；
（4）对种群进行个体调整，使初始种群中每个染色体都满足功率平衡约束、机组出力约束和机组爬坡率约束；
（5）对种群进行风险评估，计算每个染色体对应的风险大小；
（6）计算适应度函数的值并排序，如果风险出现越限情况则在适应度函数中计入越限惩罚项；
（7）判断是否满足迭代终止条件，是则转向（14），
（8）根据适应度函数的值计算交叉、变异率，使之实现动态调整；
（9）按照交叉、变异率进行交叉、变异操作，产生子代新个体；
（10）对新个体进行个体调整，使之满足功率平衡约束、机组出力约束和机组爬坡率约束，方法同（4）；
（11）对新个体进行风险评估；
（12）计算当前温度下所有个体的适应度函数值并排序；
（13）进行选择操作，淘汰部分个体产生子代种群，转（7）；
（14）停止计算并输出结果。
程序流程图如下：
正交遗传模拟退火算法是在正交试验、遗传算法的基础上结合模拟退火思想实现正交试验是一种多因素多水平的试验方法，能够用有限的试验确定对结果有利的参数组合；遗传算法是模拟自然界中生物进化过程的一种智能优化算法，对于解决复杂、非线性问题具有很强的优化性能；模拟退火算法是模拟固体物质退火过程的一种智能优化算法，其思想可以应用到遗传算法中，从而改善其收敛性能。本文采用正交遗传模拟退火算法进行优化，编码方式采用二进制和实数的混合编码方式，即用二维二进制矩阵表示发电机的启停编码，用二维实数矩阵表示发电机的出力大小，从而能够很好的处理机组启停的离散性和机组出力大小的连续性；采用动态调整的交叉、变异率，以改善算法的收敛性能；程序外层采用正交试验的方法来确定算法参数的大小，以使设计的算法更适应特定的问题；在遗传算法中引入模拟退火的思想，有效的限制算法陷入早熟，并且处理越限惩罚项，提高算法的收敛速度。
本文采用正交遗传模拟退火算法对计及风力发电风险的电力系统优化调度问题进行了研究，提出了算法的程序流程图。希望通过今后进一步深入的研究，能为计及风力发电风险的电力系统优化调度问题的解决开拓思路。
参考文献：
周家启，赵霞．电力系统风险评估方法和应用实例研究．中国电力，2006，39(8)：77-81．
李丽，温秀峰．电力系统风险评估综述．科学之友，2008，(2)：19-21．
注：文章内所有公式及图表请以PDF形式查看。
在参考了国内外诸多文献的基础上，结合已有的电力系统调度方法，本论文决定采用一种被广泛使用的现代优化算法——遗传算法，来进行包含风电的电力系统调度优化研究。由于标准的遗传算法中交叉率和变异率和不同会极大影响到算法收敛的速度和陷入局部最优解的可能。所以，本文采用了改进的遗传算法，即具有自适应的交叉率和变异率的遗传算法。同时，为了避免遗传算法在单独使用时容易陷入局部最优解、收敛速度较慢等问题，本论文同时引入了模拟退火算法的思想，来控制种群的大小，从而使算法有一定概率接受差解，更能进化到全局最优解。
本文的研究提出了包含风电的电力系统调度问题的模型建立、算法选择、流程的建立。为考虑风力发电的电力系统最优调度问题提供了一个新的解决方法。
[关键词]：风力发电、遗传算法、模拟退火算法
加快开发绿色可再生能源是解决能源与环境问题的重要手段，其中风能是目前最具有开发利用前景和技术最为成熟的一种新型可再生能源。随着风电技术的不断成熟，目前风力发电已经成为世界上发展速度最快的能源类型。但是，由于风能具有随机性强等特点，因此风电机并网也对电力系统造成了一些影响。
风电功率和风速有直接的关系，风速有很强的随机性，导致风电机的出力随机波动性很大，同时，国家政策要求优先调度风电，即风力发电产生的电能，一般情况下电网应该全部吸收，因此风电的引入给系统带来了很大的影响，尤其是安排电网经济调度方案时，必须考虑风电的随机性，传统的调度方案也需要重新确定。如果系统中风电含量很少，则风电的波动性可以看作负荷的少量波动，对系统没有太大影响，而当风电比重较大时，有必要对系统的优化调度方案进行研究，以确定计及风力发电的电力系统优化调度方案。同时，由于风电的随机性很强，使得电网面临前所未有的风险，例如充裕性风险，即风电功率减少时系统备用功率是否满足用电需求的风险等。虽然风速预测和负荷预测会提供未来风电功率和负荷的合理数值，但是它们都是在概率意义上的预测值，仍有随机变化的可能，因此在对电力系统进行优化调度研究时，需要考虑风电不确定性和负荷不确定性带来的风险。
风电机的输出功率和风速有非常密切的关系。对于一个风电机来说，不同的风速对应于不同的发电功率，这种对应关系主要由该风机的风功曲线来描述，一般风电机生产厂家会提供风电机的风功曲线供用户参考。在实际研究中，全部使用风电机的风功曲线来计算风电输出功率存在一定困难，因此在大多数研究中进行了相应的简化，采用某种数学函数代替风功曲线。本文采用一种最常用的线性模型将风速转化为风电功率：
式中：
v ——风机轮毂高度处的风速；vci——切入风速；vco ——切出风速；vr ——额定风速；
Pr ——风机的额定输出功率。
其意义为：切入风速和切出风速分别为风电机正常工作的最小风速和最大风速，当风速小于切入风速或大于切出风速时，该风电机应关闭，其输出功率为零；当风速在切入风速和额定风速之间时，其发电功率应该是一特定的曲线，而当风速在额定风速和切出风速之间时，其风电功率为额定功率。
含风电场的电力系统在进行优化调度时和不含风电场的系统有明显的区别，由于电力系统要求优先调度风电，因此可供优化调度的出力为负荷减去风电机出力的部分；然而由于风电的波动性较强，使得经过优化计算得到的最优调度组合面临很大的风险，比如当风电出现大范围的波动时，常规机组的旋转备用可能出现缺额、机组的出力上升或下降速度可能跟不上风速的变化等等，因此需要重新研究优化调度的模型，控制系统的风险水平。
电力系统优化调度根据调度时间范围的长短，可以分为年度、月度、日前、滚动和实时发电调度。其中年度、月度优化调度是对未来一年、一个月内的机组出力进行优化安排，主要考虑气象环境、检修停运等影响，对机组进行较为粗略的统一协调安排，年度和月度优化调度不属于本文研究的范围。日前调度的目的是对未来一天的发电机组启停状态、机组有功出力进行优化组合；滚动优化调度是根据负荷、风速等的波动情况不断的对日前调度结果进行调整，从而减轻调频机组的负担；实时调度则是通过自动发电控制 AGC 以及各种调频措施对发电出力进行控制，以满足负荷、风速的实时变化。各种时间尺度的调度应相互配合，协调优化，从而在最经济的条件下保证系统的安全、可靠供电，本文主要研究日前优化调度。
本文拟用正交遗传模拟退火算法来解决上述优化调度问题。该算法应用遗传算法作为主要的优化工具，在算法中对交叉、变异率进行自适应调整以改善算法收敛性能；同时由于遗传算法单独应用时容易陷入局部最优解、收敛速度较慢、且不容易处理约束条件，因此在算法中引入模拟退火算法的思想，用温度的变化来控制种群的多样性和违反约束条件的惩罚力度，从而达到改善算法性能的目的。
算法的计算流程
（1）读取初始数据，包括机组数据、风电场历史风速和风速预测、负荷预测数据、风电机风功特性参数等；
（2）进行正交试验确定种群规模、退火降温率、惩罚因子的最优取值；
（3）对种群进行初始化，随机产生初始种群；
（4）对种群进行个体调整，使初始种群中每个染色体都满足功率平衡约束、机组出力约束和机组爬坡率约束；
（5）对种群进行风险评估，计算每个染色体对应的风险大小；
（6）计算适应度函数的值并排序，如果风险出现越限情况则在适应度函数中计入越限惩罚项；
（7）判断是否满足迭代终止条件，是则转向（14），
摘自：毕业论文翻译www.udooo.com
否则转向下一步；（8）根据适应度函数的值计算交叉、变异率，使之实现动态调整；
（9）按照交叉、变异率进行交叉、变异操作，产生子代新个体；
（10）对新个体进行个体调整，使之满足功率平衡约束、机组出力约束和机组爬坡率约束，方法同（4）；
（11）对新个体进行风险评估；
（12）计算当前温度下所有个体的适应度函数值并排序；
（13）进行选择操作，淘汰部分个体产生子代种群，转（7）；
（14）停止计算并输出结果。
程序流程图如下：
正交遗传模拟退火算法是在正交试验、遗传算法的基础上结合模拟退火思想实现正交试验是一种多因素多水平的试验方法，能够用有限的试验确定对结果有利的参数组合；遗传算法是模拟自然界中生物进化过程的一种智能优化算法，对于解决复杂、非线性问题具有很强的优化性能；模拟退火算法是模拟固体物质退火过程的一种智能优化算法，其思想可以应用到遗传算法中，从而改善其收敛性能。本文采用正交遗传模拟退火算法进行优化，编码方式采用二进制和实数的混合编码方式，即用二维二进制矩阵表示发电机的启停编码，用二维实数矩阵表示发电机的出力大小，从而能够很好的处理机组启停的离散性和机组出力大小的连续性；采用动态调整的交叉、变异率，以改善算法的收敛性能；程序外层采用正交试验的方法来确定算法参数的大小，以使设计的算法更适应特定的问题；在遗传算法中引入模拟退火的思想，有效的限制算法陷入早熟，并且处理越限惩罚项，提高算法的收敛速度。
本文采用正交遗传模拟退火算法对计及风力发电风险的电力系统优化调度问题进行了研究，提出了算法的程序流程图。希望通过今后进一步深入的研究，能为计及风力发电风险的电力系统优化调度问题的解决开拓思路。
参考文献：
周家启，赵霞．电力系统风险评估方法和应用实例研究．中国电力，2006，39(8)：77-81．
李丽，温秀峰．电力系统风险评估综述．科学之友，2008，(2)：19-21．
注：文章内所有公式及图表请以PDF形式查看。