劉吉臻，王海東，李明揚

(新能源電力系統(tǒng)國家重點實驗室(華北電力大學(xué))，北京市102206)

0 引 言

近年來，能源危機(jī)和環(huán)境問題愈來愈成為世界各國經(jīng)濟(jì)與社會可持續(xù)發(fā)展面臨的嚴(yán)峻問題，我國能源和環(huán)境問題更為嚴(yán)重，因此，調(diào)整能源結(jié)構(gòu)、積極發(fā)展清潔新能源已成為應(yīng)對能源環(huán)境問題最積極、有效的選擇。風(fēng)電作為一種取之不盡、用之不竭的清潔能源，在世界各國得到了迅速發(fā)展。然而，風(fēng)電呈現(xiàn)出了隨機(jī)性、間歇性的特點，目前風(fēng)電出力的預(yù)測水平還不能滿足電力系統(tǒng)實際運行的需要。以風(fēng)電為代表的新能源規(guī)模化開發(fā)、利用使電力系統(tǒng)的結(jié)構(gòu)形態(tài)、運行特性與控制方式產(chǎn)生了根本性變革，形成了新一代新能源電力系統(tǒng)［1］，這對電網(wǎng)的運行調(diào)度水平也提出了新的要求。

電力系統(tǒng)機(jī)組組合(unit commitment，UC)是指在滿足系統(tǒng)負(fù)荷需求、旋轉(zhuǎn)備用和發(fā)電機(jī)運行技術(shù)要求等約束條件的前提下，在1個調(diào)度周期內(nèi)(通常為24 h)合理安排各發(fā)電機(jī)組的啟停和各個時段中機(jī)組的出力，從而使整個系統(tǒng)的總發(fā)電費用最小。傳統(tǒng)的機(jī)組組合問題主要涉及常規(guī)火力發(fā)電機(jī)組。

隨著風(fēng)電的大規(guī)模接入電網(wǎng)，負(fù)荷波動和機(jī)組停運不再是影響電力系統(tǒng)穩(wěn)定的主要因素，傳統(tǒng)的機(jī)組組合方法已難以應(yīng)對風(fēng)電隨機(jī)性給電力系統(tǒng)帶來的影響。含風(fēng)電的機(jī)組組合問題是近年來隨風(fēng)電規(guī)?；⒕W(wǎng)而出現(xiàn)的新問題，主要針對含常規(guī)火力發(fā)電機(jī)組和風(fēng)電的電力系統(tǒng)。新能源電力系統(tǒng)的機(jī)組組合能夠在電力系統(tǒng)短期運行中實現(xiàn)各類發(fā)電資源的結(jié)構(gòu)性優(yōu)化，為實時調(diào)度預(yù)留足夠的優(yōu)化空間，以應(yīng)對新能源發(fā)電的隨機(jī)性和未來負(fù)荷的不確定性，滿足系統(tǒng)負(fù)荷需求和備用要求，同時，最大限度地平衡系統(tǒng)的經(jīng)濟(jì)性和節(jié)能性［2］。同時，研究含風(fēng)電電力系統(tǒng)機(jī)組組合方式對于今后大規(guī)模接納太陽能等其他新能源發(fā)電也具有重要借鑒意義。

本文分析風(fēng)電接入系統(tǒng)后對電網(wǎng)機(jī)組組合問題帶來的影響，分類闡述近年來在求解含風(fēng)電的機(jī)組組合問題時主要的建模方法和常用求解算法，總結(jié)當(dāng)前該問題的研究熱點，并對該領(lǐng)域未來的研究和發(fā)展進(jìn)行展望。

1 風(fēng)電不確定性對機(jī)組組合的影響

1.1 風(fēng)電的不確定性分析

風(fēng)功率預(yù)測是應(yīng)對風(fēng)電隨機(jī)性、波動性對電力系統(tǒng)穩(wěn)定性和經(jīng)濟(jì)性帶來影響的，技術(shù)手段之一，常見的風(fēng)電預(yù)測技術(shù)包括物理方法和統(tǒng)計方法［3］。風(fēng)電功率日前預(yù)測的準(zhǔn)確程度會對機(jī)組組合的優(yōu)化結(jié)果產(chǎn)生顯著影響，然而全球范圍內(nèi)實際投入商業(yè)運行的風(fēng)電預(yù)測軟件的平均絕對百分誤差(mean absolute percentage error，MAPE)約為14% ～20%［4］。因此，在現(xiàn)有技術(shù)條件下，單純依靠風(fēng)功率的預(yù)測無法解決風(fēng)電隨機(jī)性對機(jī)組組合帶來的影響。

傳統(tǒng)電力系統(tǒng)在進(jìn)行機(jī)組組合時，主要考慮負(fù)荷波動和事故停機(jī)帶來的波動，而現(xiàn)有的風(fēng)電功率預(yù)測精度使得風(fēng)電的隨機(jī)性成為了新能源電力系統(tǒng)機(jī)組組合要考慮的主要波動。

1.2 風(fēng)電并網(wǎng)對系統(tǒng)備用的影響

電網(wǎng)預(yù)留一定的發(fā)電備用容量，是電網(wǎng)安全、穩(wěn)定運行的基礎(chǔ)，能保證系統(tǒng)在受到一定范圍的擾動時，平穩(wěn)地過渡到新的穩(wěn)定運行狀態(tài)［5］。為保證風(fēng)電并網(wǎng)后電力系統(tǒng)運行的可靠性，增加額外的旋轉(zhuǎn)備用成為了應(yīng)對風(fēng)電隨機(jī)性、保證系統(tǒng)穩(wěn)定的解決辦法之一，但是這種方法本身犧牲了系統(tǒng)運行的經(jīng)濟(jì)性，而且，系統(tǒng)中火電機(jī)組可能沒有足夠的爬坡能力提供額外的備用容量，這就使得優(yōu)化結(jié)果脫離了實際。因此，如何準(zhǔn)確計算旋轉(zhuǎn)備用容量以應(yīng)對風(fēng)電出力和負(fù)荷波動、保證系統(tǒng)安全成為了涉及系統(tǒng)旋轉(zhuǎn)備用問題的主要研究難點，主要研究思路分為2 類:

(1)機(jī)組組合的滾動制定方法。風(fēng)電功率預(yù)測誤差具有隨著時間尺度的縮短而逐漸減小的特性，因此機(jī)組組合的滾動制定方法可以有效降低風(fēng)電功率預(yù)測誤差對機(jī)組組合結(jié)果的影響。文獻(xiàn)［6］將機(jī)組組合的周期從原來的24 h 縮短至1 ～24 h 某個值，通過滾動制定的方式不斷將最新的信息應(yīng)用到機(jī)組組合中，不斷降低系統(tǒng)旋轉(zhuǎn)備用需求，從而得到經(jīng)濟(jì)性更好的機(jī)組組合結(jié)果。文獻(xiàn)［7］的思路與此類似，同時在模型中將應(yīng)對風(fēng)電不確定性而增加的旋轉(zhuǎn)備用作為小概率備用需求，模型將系統(tǒng)運行的經(jīng)濟(jì)性和安全可靠性分散到不同時間尺度的機(jī)組組合中分別側(cè)重考慮，通過各級機(jī)組組合的協(xié)調(diào)優(yōu)化，降低了系統(tǒng)的發(fā)電成本。

(2)兼顧可靠性和經(jīng)濟(jì)性的方法。通過增加額外的旋轉(zhuǎn)備用應(yīng)對風(fēng)電隨機(jī)性的方法在提高系統(tǒng)可靠性的同時也降低了系統(tǒng)的經(jīng)濟(jì)性，尋找系統(tǒng)可靠性和經(jīng)濟(jì)性的平衡點是確定系統(tǒng)旋轉(zhuǎn)備用關(guān)鍵。文獻(xiàn)［5］建立了考慮風(fēng)電對系統(tǒng)經(jīng)濟(jì)性和環(huán)保性綜合影響以及風(fēng)電提供備用可能性的機(jī)組組合模型;文獻(xiàn)［8］基于成本效益分析方法，研究了綜合考慮系統(tǒng)可靠性和經(jīng)濟(jì)性及機(jī)組的強迫停運率、負(fù)荷和風(fēng)電出力預(yù)測偏差等不確定性因素時，系統(tǒng)最優(yōu)旋轉(zhuǎn)備用容量的確定方法;文獻(xiàn)［9］通過增加負(fù)荷跟蹤時間約束和快速旋轉(zhuǎn)備用約束，建立了兼顧系統(tǒng)運行效益和備用效益的機(jī)組組合模型。

1.3 風(fēng)電并網(wǎng)對電網(wǎng)安全的影響

強隨機(jī)性的風(fēng)電大規(guī)模接入電網(wǎng)在帶來環(huán)保效益的同時，也給電力系統(tǒng)的安全、穩(wěn)定運行帶來了新的挑戰(zhàn)?？紤]安全約束的機(jī)組組合(securityconstrained unit commitment，SCUC)作為常規(guī)機(jī)組組合問題的擴(kuò)展，主要在常規(guī)機(jī)組組合問題上考慮網(wǎng)絡(luò)安全約束，包括節(jié)點電壓約束和線路潮流約束［10］。對于含風(fēng)電的電力系統(tǒng)，考慮安全約束的機(jī)組組合顯得尤為重要。現(xiàn)有的相關(guān)研究主要分為2 類:

(1)大部分學(xué)者主要是在常規(guī)方法的基礎(chǔ)上引入了廣義網(wǎng)絡(luò)安全約束，從而降低風(fēng)電隨機(jī)性對電網(wǎng)安全帶來的影響。例如，文獻(xiàn)［11］提出的機(jī)組組合模型在通過場景法處理風(fēng)電隨機(jī)性的同時，考慮了廣義網(wǎng)絡(luò)安全約束和場景的網(wǎng)絡(luò)安全約束;文獻(xiàn)［12］在建立含風(fēng)電和空氣壓縮儲能系統(tǒng)的安全約束機(jī)組組合模型時，考慮了線路潮流限制和節(jié)電電壓限制;文獻(xiàn)［13］在求解含風(fēng)電場的安全約束機(jī)組組合模型時，通過引入發(fā)電機(jī)功率因子，簡化了線路容量約束的表達(dá)。

(2)也有部分學(xué)者考慮到風(fēng)電機(jī)組具有無功調(diào)節(jié)功能，文獻(xiàn)［14］提出的安全約束機(jī)組組合方法考慮了風(fēng)電機(jī)組無功特性，該方法將風(fēng)電出力作為1個區(qū)間放入傳統(tǒng)機(jī)組組合模型，用于處理風(fēng)電的波動性;采用交流潮流約束，也避免了大量異步風(fēng)電機(jī)組存在而導(dǎo)致的相關(guān)節(jié)點無功不足且電壓越限的問題。

1.4 風(fēng)電并網(wǎng)對電網(wǎng)結(jié)構(gòu)的影響

近年來，儲能技術(shù)得到了飛速發(fā)展，將儲能系統(tǒng)引入含風(fēng)電的電力系統(tǒng)，形成“傳統(tǒng)發(fā)電——新能源發(fā)電——儲能系統(tǒng)”一體化的新能源電力系統(tǒng)，儲能裝置的引入可以從一定程度上提高系統(tǒng)運行的靈活性，降低風(fēng)電隨機(jī)性對系統(tǒng)的不利影響［15］，這為解決含風(fēng)電的機(jī)組組合問題提供了新的方向。文獻(xiàn)［16］從儲能系統(tǒng)的有無變化、儲能系統(tǒng)不同容量變化等角度分析了儲能系統(tǒng)對機(jī)組組合問題的影響;文獻(xiàn)［12］建立了含風(fēng)電場和空氣壓縮儲能系統(tǒng)的安全約束機(jī)組組合模型;文獻(xiàn)［17］針對含儲能裝置的電力系統(tǒng)，建立了基于極限場景集的日期機(jī)組組合模型，并證明了儲能系統(tǒng)可以平抑風(fēng)電波動，使系統(tǒng)可以接納更多風(fēng)電。

2 建模方法

2.1 概述

風(fēng)電并網(wǎng)對機(jī)組組合問題的影響主要在于如何處理隨機(jī)性的風(fēng)電出力，降低其不確定性對機(jī)組組合結(jié)果的影響。因此，現(xiàn)有學(xué)者在進(jìn)行相關(guān)建模時的研究點主要集中在風(fēng)電隨機(jī)性處理方法的差異上。按照對風(fēng)電隨機(jī)性處理思路的不同，含風(fēng)電機(jī)組組合問題的常見建模方法主要分為模糊建模、機(jī)會約束規(guī)劃建模、場景法建模。

2.2 模糊建模

模糊建模的基本思路是將不確定的風(fēng)電出力看作是模糊數(shù)，通過隸屬度函數(shù)來模糊處理風(fēng)電場出力，建立風(fēng)電場出力隸屬度函數(shù)μWS(k)，該值越大表明決策者對于風(fēng)電場出力的滿意度越高。同時，建立各目標(biāo)函數(shù)和約束條件的隸屬度函數(shù)，包括總費用隸屬度函數(shù)μTC(k)、負(fù)荷平衡隸屬度函數(shù)μLD(k)、旋轉(zhuǎn)備用隸屬度函數(shù)μSR(k)。然后根據(jù)模糊集理論的最大最小法則，定義全局隸屬度作為整個模型的模糊滿意度指標(biāo)

這樣，模型求解問題就轉(zhuǎn)化為了滿足約束條件的滿意度指標(biāo)μO(k)最大的問題。μO(k)的值反映了決策者對整個機(jī)組組合結(jié)果的全局滿意度，包括總發(fā)電費用、負(fù)荷平衡情況和旋轉(zhuǎn)備用情況。當(dāng)μO(k)取值接近或等于1 時，表明機(jī)組組合結(jié)果滿足決策者的要求。

不同學(xué)者在采用模糊理論處理風(fēng)電隨機(jī)性時的思路類似，主要區(qū)別在于所建立的局部隸屬度函數(shù)和全局隸屬度函數(shù)有所差異。

(1)一種思路是直接建立風(fēng)電出力大小的隸屬度函數(shù)，例如，文獻(xiàn)［18］和文獻(xiàn)［19］的建模方法類似，先建立了風(fēng)電場有功出力隸屬函數(shù)和總耗量成本隸屬度函數(shù)，然后取這2個隸屬度函數(shù)中對應(yīng)的最小值作為滿意度指標(biāo)，解決了含風(fēng)電場機(jī)組組合問題中風(fēng)電場輸出功率難以準(zhǔn)確預(yù)測帶來的不確定性。

(2)文獻(xiàn)［20－22］則沒有直接建立風(fēng)電出力大小的隸屬度函數(shù):文獻(xiàn)［20］建立了風(fēng)速誤差隸屬度函數(shù)，其本質(zhì)還是反映了風(fēng)電出力大小是否滿足決策者的預(yù)期值;文獻(xiàn)［21］則通過建立棄風(fēng)電量的隸屬度函數(shù)來反映決策者對風(fēng)電實際出力的滿意度;文獻(xiàn)［22］采用電量不足期望值來量化風(fēng)電不確定性帶來的影響。

模糊建模方法解決了風(fēng)電出力不確定性對電力系統(tǒng)機(jī)組組合帶來的問題，決策者對于風(fēng)電出力的意愿可以在機(jī)組組合結(jié)果中得到充分體現(xiàn);同時，該方法可以將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為了單目標(biāo)優(yōu)化問題，降低了問題求解難度，粒子群優(yōu)化算法［18，20］、遺傳算法［19］和混合整數(shù)規(guī)劃法［22］均可完成模型求解，模型思路清晰、簡易。但是，在這種建模方法中，隸屬度函數(shù)的確定直接影響到模糊建模結(jié)果的好壞。而隸屬度函數(shù)所涉及建模對象的理想值及函數(shù)形狀通常是根據(jù)試驗或者經(jīng)驗來確定，并沒有一套相對客觀、規(guī)范的確定方法，因此模型本身的精度無法驗證。

2.3 機(jī)會約束規(guī)劃建模

2.3.1 隨機(jī)機(jī)會約束規(guī)劃

在機(jī)組組合問題中，由于風(fēng)電的不確定性，將約束條件確定性處理后勢必會使得計算結(jié)果偏于保守。隨機(jī)機(jī)會約束規(guī)劃是隨機(jī)規(guī)劃的重要分支，主要針對約束條件中有隨機(jī)變量，且必須在觀測到隨機(jī)變量的實現(xiàn)之前做出決策的優(yōu)化問題［23］?？紤]到所作決策在不利的情況發(fā)生時可能不滿足約束條件，允許所作決策在一定程度上不滿足約束條件，但是，該決策應(yīng)該使約束條件成立的概率不小于某一置信水平。機(jī)會約束規(guī)劃的一般形式為式中:f(x)為目標(biāo)函數(shù);x 為決策向量;ξ 為參數(shù)向量;g(x，ξ)≤0 為約束事件;α 為置信水平;Pr{·}表示事件成立的概率。

該種建模方法的基本思路是將風(fēng)電出力看作服從某種概率分布的隨機(jī)變量，用機(jī)會約束規(guī)劃條件替代包含該隨機(jī)變量的約束條件。國內(nèi)外學(xué)者在采用機(jī)會約束規(guī)劃對含風(fēng)電機(jī)組組合問題建模時，所采用的通過機(jī)會約束處理風(fēng)電隨機(jī)性的方式有所不同，通?？梢苑譃? 種思路。

(1)通過將風(fēng)電的隨機(jī)性影響作為機(jī)會約束條件，在滿足隨機(jī)性影響的前提下最大限度地利用風(fēng)電，文獻(xiàn)［24－27］均采用了這種思路:文獻(xiàn)［24］分別從24 h 風(fēng)力發(fā)電總量、單位小時內(nèi)風(fēng)電的利用率和運行時單位小時內(nèi)風(fēng)電利用率提出了3 種機(jī)會約束條件，保證了每個時段內(nèi)絕大部分的風(fēng)力輸出都能得到有效利用;文獻(xiàn)［25］引入風(fēng)電可信度指標(biāo)來處理風(fēng)電的隨機(jī)性，模型在風(fēng)電可信度指標(biāo)下實現(xiàn)風(fēng)能的最大化利用;文獻(xiàn)［26］主要考慮了市場價格變動和風(fēng)電出力波動2個不確定因素，采用機(jī)會約束最大程度提高風(fēng)電利用率;文獻(xiàn)［27］引入了機(jī)會約束來限制電力不足期望值和棄風(fēng)量期望值。

(2)將機(jī)組出力等條件作為機(jī)會約束條件，盡可能地降低風(fēng)電隨機(jī)性的影響，文獻(xiàn)［28］引入機(jī)會約束規(guī)劃來處理負(fù)荷波動、火電機(jī)組故障停運、能源價格變動和新能源發(fā)電出力波動等隨機(jī)因素，使機(jī)組總的出力滿足負(fù)荷需求的概率不小于某一置信水平，以保證電網(wǎng)負(fù)荷平衡。

機(jī)會約束規(guī)劃建模可以定量地描述風(fēng)電出力的概率分布特性，有效解決了風(fēng)電出力隨機(jī)性對電網(wǎng)機(jī)組組合帶來的問題;同時，機(jī)會約束的概念能描述系統(tǒng)的置信水平，決策方案能夠兼顧不確定環(huán)境下的風(fēng)險與成本。

在求解機(jī)會約束規(guī)劃時，傳統(tǒng)的思路是將機(jī)會約束轉(zhuǎn)化為其確定等價類，然后求解其等價的確定性模型即可。然而，這種方法僅僅限于一些特殊情況，在大部分情況是無法完成這一轉(zhuǎn)化的。因此，模型的求解成為了機(jī)會約束規(guī)劃的難點。文獻(xiàn)［24－28］在進(jìn)行模型求解時均借助了其他算法，例如抽樣平均逼近法、線性混合整數(shù)規(guī)劃法、粒子群算法等，但求解過程均偏繁瑣。

2.3.2 模糊機(jī)會約束規(guī)劃

模糊機(jī)會約束規(guī)劃主要針對機(jī)會約束規(guī)劃中決策環(huán)境存在模糊參數(shù)的情況［23］，模糊機(jī)會約束規(guī)劃的建模思想與隨機(jī)機(jī)會約束規(guī)劃類似，即允許所決策結(jié)果在一定程度上不滿足約束條件，但該結(jié)果使模糊約束條件成立的可能性不小于預(yù)先給定的置信水平［29］。

文獻(xiàn)［30］將風(fēng)電出力的模糊性轉(zhuǎn)化為預(yù)測誤差的模糊性，基于可信性理論推導(dǎo)了風(fēng)電預(yù)測誤差的可信性分布函數(shù)，并據(jù)此建立了旋轉(zhuǎn)備用的模糊機(jī)會約束條件，進(jìn)一步得到了機(jī)組組合的模糊機(jī)會約束模型;文獻(xiàn)［31］首先引入模糊理論，將間歇式電源出力和負(fù)荷用模糊參數(shù)表示，把傳統(tǒng)機(jī)組組合模型的確定性的系統(tǒng)約束改為模糊參數(shù)下的系統(tǒng)約束，并基于可信性理論形成了模糊機(jī)會約束，建立了含多模糊參數(shù)的模糊機(jī)會約束機(jī)組組合數(shù)學(xué)模型。

2.4 基于場景法的建模方法

2.4.1 隨機(jī)場景法建模

場景法是解決隨機(jī)過程問題的重要工具。圖1是一個典型的場景樹，其中每個結(jié)點代表隨機(jī)過程的1個決策點，每個樹的分支代表1個隨機(jī)決策結(jié)果。Heitsch H 和R?misch W 等在場景樹的證明和使用方法上做了較多的研究，他們在文獻(xiàn)［32］中詳細(xì)論述了場景樹法在多級隨機(jī)過程中的應(yīng)用;在文獻(xiàn)［33］中詳細(xì)論述了場景樹的生成、縮減和重構(gòu)方法。

圖1 典型場景樹Fig.1 A typical scenario tree

采用場景法解決含風(fēng)電機(jī)組組合問題的基本思路是根據(jù)風(fēng)電概率分布抽樣生成大量場景，對各個場景分別求解，最終將不同場景下的發(fā)電費用的加權(quán)平均值，即期望發(fā)電費用作為決策結(jié)果［34］。場景法主要分為3個步驟:場景產(chǎn)生、場景縮減和場景樹構(gòu)建。文獻(xiàn)［35］給出了一種生成有限場景的方法并證明了方法的正確性。

由于場景的數(shù)量會隨著時間段的增加呈指數(shù)形式增長，使計算難度大大增加;場景縮減雖然可以降低計算的難度，但同時也會影響了計算的精度。因此，如何在保證一定精度的前提下進(jìn)行場景縮減成為了使用場景法的關(guān)鍵。

(1)在進(jìn)行場景縮減時，比較傳統(tǒng)的方法是基于概率距離來進(jìn)行縮減。文獻(xiàn)［36］提出了采用概率距離進(jìn)行場景縮減的基本思路，即使得縮減后的場景集合與縮減前的場景集合之間的概率距離最小，從而將場景縮減對計算精度的影響降到最低程度;文獻(xiàn)［37］使用Kantorovich 距離來描述這一概率距離;文獻(xiàn)［38］將這一場景縮減方法應(yīng)用到了含風(fēng)電的機(jī)組組合問題中，模型中采用場景樹方式描述日前風(fēng)電場輸出功率的時間分布特性，在保證較高計算精度的前提下，利用場景縮減技術(shù)降低了模型復(fù)雜度;文獻(xiàn)［39］在使用場景法分析含風(fēng)電機(jī)組組合中旋轉(zhuǎn)備用的確定時采用了這一場景縮減方法;文獻(xiàn)［40］將場景法和機(jī)會約束規(guī)劃結(jié)合來建立含風(fēng)電場的機(jī)組組合模型，在借助場景法完成了對風(fēng)電不確定性的建模時采用了同樣的場景縮減方法。

(2)也有一些學(xué)者通過其他方法完成了場景縮減。文獻(xiàn)［13］通過引入發(fā)電機(jī)功率分布因子來取代場景縮減方法，使模型在計算時間和計算精度方面均得到了改善;文獻(xiàn)［41］采用正態(tài)分布描述風(fēng)電出力的預(yù)測誤差分布，通過離散化處理確定系統(tǒng)的各個場景;文獻(xiàn)［42］在求解同時含風(fēng)電、火電、核電和抽水蓄能電站的機(jī)組組合問題時，采用場景法處理來自負(fù)荷和風(fēng)電出力的波動性，提出了一種基于粒子群優(yōu)化算法的場景縮減方法并證明了方法的可行性。

場景樹法將含風(fēng)電機(jī)組組合問題求解過程中風(fēng)電的不確定性處理轉(zhuǎn)化為多個場景下的確定性計算，能夠在一定程度上適應(yīng)風(fēng)電的隨機(jī)性。然而，原始場景樹因場景規(guī)模過大無法求解，各種場景縮減方法雖然降低了計算量，但由于不能涵蓋所有場景，模型精度下降，決策結(jié)果的風(fēng)險無法量化。模型的計算效率和計算精度之間的矛盾是該模型關(guān)鍵問題所在。

2.4.2 魯棒機(jī)組組合

魯棒優(yōu)化是一種解決系統(tǒng)中出現(xiàn)不確定性擾動的數(shù)學(xué)規(guī)劃方法［43］，不確定性參數(shù)通常出現(xiàn)在約束條件中，也可出現(xiàn)在目標(biāo)函數(shù)。在含風(fēng)電的機(jī)組組合問題中，不確定性因素出現(xiàn)在約束條件?；趫鼍胺ㄟM(jìn)行的含風(fēng)電機(jī)組組合建模的另一種思路就是基于最壞場景集下的魯棒優(yōu)化，即保證不確定性環(huán)境下系統(tǒng)的安全、可靠運行，降低系統(tǒng)的運行風(fēng)險［44］。

含風(fēng)電的魯棒機(jī)組組合模型主要要求模型能在對未來目標(biāo)時段電力系統(tǒng)運行信息掌握不完全的情況下，對不確定性因素有一定免疫能力，能夠在一定擾動范圍內(nèi)保證電力系統(tǒng)安全、穩(wěn)定運行，并盡量實現(xiàn)機(jī)組組合的目標(biāo)［45］。單純的魯棒機(jī)組組合結(jié)果往往比較保守，一定程度上犧牲了經(jīng)濟(jì)性，因此，將抗風(fēng)險魯棒性和發(fā)電成本共同優(yōu)化更具有實際意義［46］。

文獻(xiàn)［47］提出了一種基于壞場景集的魯棒機(jī)組組合模型，通常將誤差最大情況下的場景定義為壞場景集，定義壞場景集魯棒性度量為

式中:u 表示機(jī)組組合狀態(tài);ωs為場景s 發(fā)生概率;f(u，s)表示場景s 下可行解u 對應(yīng)的發(fā)電成本;EC(u)為各場景集下成本的期望值;VC(u)表征的是可行解u 在總的壞場景集S 下的成本方差。

模型的目標(biāo)函數(shù)為

式中β∈［0，1］為平衡目標(biāo)函數(shù)中成本與方差權(quán)重的因子。這一模型在平抑風(fēng)電不確定性帶來的影響的同時，保證了系統(tǒng)的經(jīng)濟(jì)性。由于魯棒決策結(jié)果很大程度上取決于場景集的選擇，因此壞場景集的選擇直接影響到優(yōu)化結(jié)果。

3 求解算法

3.1 概述

傳統(tǒng)的機(jī)組組合問題已經(jīng)有很多成熟的求解算法，包括:經(jīng)典算法，如啟發(fā)式方法;數(shù)學(xué)優(yōu)化方法，如動態(tài)規(guī)劃法、混合整數(shù)規(guī)劃法、拉格朗日松弛法等;智能優(yōu)化算法，如粒子群優(yōu)化算法、遺傳算法等。風(fēng)電的隨機(jī)性使得這些傳統(tǒng)的方法不能直接用于含風(fēng)電機(jī)組組合問題的求解。近年來，國內(nèi)外學(xué)者在這些方法的基礎(chǔ)上進(jìn)行了不同程度的改進(jìn)，以適應(yīng)含風(fēng)電的機(jī)組組合問題的求解，本文主要介紹以下幾種常用算法。

3.2 常用算法介紹

3.2.1 混合整數(shù)規(guī)劃法

混合整數(shù)規(guī)劃(mixed integer programming，MIP)是變量中既包含整數(shù)又包含非整數(shù)的數(shù)學(xué)規(guī)劃問題，根據(jù)除整數(shù)變量以外的其他變量的函數(shù)類型，又可分為線性混合整數(shù)規(guī)劃和非線性混合整數(shù)規(guī)劃［48］。在傳統(tǒng)的機(jī)組組合問題中，混合整數(shù)規(guī)劃法已經(jīng)有了廣泛的應(yīng)用［49］。

然而，隨著大規(guī)模風(fēng)電接入電網(wǎng)，風(fēng)電的隨機(jī)性問題使得傳統(tǒng)的混合整數(shù)規(guī)劃法在求解含風(fēng)電場的機(jī)組組合時陷入了計算時間過長的問題。國內(nèi)、外學(xué)者在使用混合整數(shù)規(guī)劃時，均進(jìn)行了不同的改進(jìn)或與其他方法進(jìn)行結(jié)合。文獻(xiàn)［13］通過引入功率分布因子，降低了MIP 求解安全約束機(jī)組組合問題的求解時間;文獻(xiàn)［16］將含風(fēng)電和儲能系統(tǒng)的機(jī)組組合問題描述為混合整數(shù)凸規(guī)劃形式，并采用分支定界－內(nèi)點法進(jìn)行求解;文獻(xiàn)［30］在建立含風(fēng)電的機(jī)組組合模糊機(jī)會約束模型的基礎(chǔ)上，結(jié)合混合整數(shù)線性規(guī)劃完成了模型求解。

3.2.2 拉格朗日松弛法

拉格朗日松弛法(Lagrangian relaxation，LR)的基本原理是利用松弛因子把各種約束條件寫入目標(biāo)函數(shù)從而消去約束條件，將約束規(guī)劃變?yōu)闊o約束規(guī)劃。拉格朗日松弛法屬于傳統(tǒng)機(jī)組組合問題的經(jīng)典求解算法之一，文獻(xiàn)［50］總結(jié)了拉格朗日松弛法在傳統(tǒng)機(jī)組組合問題中的應(yīng)用，文獻(xiàn)［51］提出了一種求解機(jī)組組合問題的改進(jìn)拉格朗日松弛算法。

拉格朗日松弛法同樣適用于含風(fēng)電的機(jī)組組合問題求解。文獻(xiàn)［52］采用改進(jìn)拉格朗日松弛法對機(jī)組組合模型進(jìn)行求解，分析比較了不同備用配置方案的可靠性。

3.2.3 粒子群優(yōu)化算法

粒子群優(yōu)化算法(particle swarm optimization，PSO)起源于對鳥群捕食行為的研究［53］，屬于進(jìn)化算法的一種，其基本思路是從隨機(jī)解出發(fā)，選擇合適的適應(yīng)度來評價解的品質(zhì)，通過迭代尋找最優(yōu)解。這種算法以其實現(xiàn)容易、精度高、收斂快等優(yōu)點，近年來在含風(fēng)電的機(jī)組組合問題求解中得到了廣泛應(yīng)用。

國內(nèi)外學(xué)者在使用PSO 算法求解含風(fēng)電的機(jī)組組合問題時通常進(jìn)行了不同程度的改進(jìn)。熊虎等在文獻(xiàn)［31］中提出了一種改進(jìn)的二進(jìn)制粒子群優(yōu)化算法，完成了模糊機(jī)會約束機(jī)組組合模型的求解;文獻(xiàn)［40］采用離散粒子群算法求解基于場景樹和機(jī)會約束規(guī)劃的含風(fēng)電的機(jī)組組合模型;文獻(xiàn)［54］提出了一種基于隨機(jī)模擬的粒子群優(yōu)化算法，完成了含風(fēng)電場的機(jī)組組合問題求解。

也有學(xué)者將PSO 算法和其他算法結(jié)合起來求解含風(fēng)電的機(jī)組組合問題。文獻(xiàn)［21］利用粒子群算法和模糊多目標(biāo)方法完成了含風(fēng)電的機(jī)組組合問題求解;文獻(xiàn)［55］將遺傳算法和改進(jìn)的粒子群算法相結(jié)合，用于求解同時包含風(fēng)電、火電以及太陽能發(fā)電的機(jī)組組合問題。

3.2.4 遺傳算法

遺傳算法起源于對生物系統(tǒng)所進(jìn)行的計算機(jī)模擬研究，是一種借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)搜索算法，在函數(shù)優(yōu)化、組合優(yōu)化、生產(chǎn)調(diào)度問題、自動控制等領(lǐng)域發(fā)揮著重要作用。遺傳算法在執(zhí)行過程中通常包括個體編碼、初始群體產(chǎn)生、適應(yīng)度計算、選擇復(fù)制、交叉運算、變異運算幾個步驟。傳統(tǒng)的機(jī)組組合問題中，遺傳算法已經(jīng)得到了廣泛應(yīng)用。文獻(xiàn)［56］提出了一種浮點數(shù)編碼的遺傳算法用于求解機(jī)組組合問題，文獻(xiàn)［57］提出了基于矩陣實數(shù)編碼的遺傳算法來求解大規(guī)模機(jī)組組合問題，文獻(xiàn)［58］采用遺傳算法完成了安全約束的機(jī)組組合問題求解。在含風(fēng)電的機(jī)組組合問題中，遺傳算法通常與其他建模方法結(jié)合起來使用，文獻(xiàn)［19］在模糊建模的基礎(chǔ)上采用遺傳算法完成了模型求解。

4 總結(jié)與展望

含風(fēng)電的機(jī)組組合問題是近年來隨風(fēng)電規(guī)模化利用出現(xiàn)的新問題，雖然國內(nèi)、外學(xué)者為解決這一問題已經(jīng)從不同角度進(jìn)行了一系列的研究，但目前還未形成一套相對完整的理論體系和工程方法;而機(jī)組組合是消納大規(guī)模并網(wǎng)風(fēng)電必須解決的重要問題之一，因此，該問題在今后依然是研究熱點。本文從并網(wǎng)風(fēng)電對機(jī)組組合的影響、常見建模方法、典型求解算法幾個方面總結(jié)了該問題現(xiàn)有的研究成果。在今后，需要從以下幾個方面入手探究解決該問題的方法:

(1)提高風(fēng)功率預(yù)測的精度。現(xiàn)有的風(fēng)功率預(yù)測的誤差太大是含風(fēng)電機(jī)組組合問題難以解決的根源，因此提高風(fēng)功率預(yù)測的精度將是解決這一問題的重要途徑之一。

(2)建模方法的優(yōu)化。從近年來已有成果來看，針對該問題的建模方法主要圍繞在模糊建模、機(jī)會約束規(guī)劃建模和場景法建模，這些建模方法或者在能否準(zhǔn)確描述問題本身上有待商榷，或者求解過程繁瑣。建模是該問題的核心環(huán)節(jié)，今后應(yīng)在建模方法上作進(jìn)一步研究，使該方法既能很好地適應(yīng)風(fēng)電隨機(jī)性的特征、又能平衡好所建模型的精度和計算難度。

(3)研究源－網(wǎng)－荷一體化機(jī)組組合模式。規(guī)?；蔑L(fēng)電的關(guān)鍵是在隨機(jī)波動的負(fù)荷需求和隨機(jī)波動的電源之間實現(xiàn)電能的供需平衡，傳統(tǒng)的機(jī)組組合模式主要通過電網(wǎng)調(diào)節(jié)電源的出力，從而適應(yīng)負(fù)荷的變化需求。隨著智能電網(wǎng)建設(shè)的不斷深入，負(fù)荷需求側(cè)有序參與電網(wǎng)互動運行，協(xié)同消納波動的新能源發(fā)電，形成源－網(wǎng)－荷一體化機(jī)組組合模式，可以實現(xiàn)能源資源綜合利用，為實時調(diào)度預(yù)留足夠的優(yōu)化空間，以應(yīng)對新能源發(fā)電的隨機(jī)性和未來負(fù)荷的不確定性，最大限度提升新能源電力系統(tǒng)的運行品質(zhì)。

［1］劉吉臻.大規(guī)模新能源電力安全高效利用基礎(chǔ)問題［J］.中國電機(jī)工程學(xué)報，2013，33(16):1－8.

［2］夏清，鐘海旺，康重慶.安全約束機(jī)組組合理論與應(yīng)用的發(fā)展和展望［J］.中國電機(jī)工程學(xué)報，2013，33(16):94－103.

［3］丁華杰，宋永華，胡澤春，等. 基于風(fēng)電場功率特性的日前風(fēng)電預(yù)測誤差概率分布研究［J］. 中國電機(jī)工程學(xué)報，2013，33(34):136－144.

［4］Monteiro C，Bessa R，Miranda V，et al. Wind power forecasting:State－of－the－art 2009 ［R］. Argonne National Laboratory(ANL)，2009.

［5］王彩霞，喬穎，魯宗相.考慮風(fēng)電效益的風(fēng)火互濟(jì)系統(tǒng)旋轉(zhuǎn)備用確定方式［J］.電力系統(tǒng)自動化，2012，36(4):16－21.

［6］Tuohy A，Denny E，O'Malley M. Rolling unit commitment for systems with significant installed wind capacity［C］//Power Tech，2007 IEEE Lausanne. Lausanne，Switzerland:IEEE，2007:1380－1385.

［7］張娜，呂泉，張顯，等.含風(fēng)電系統(tǒng)的多級機(jī)組組合協(xié)調(diào)制定策略［J］.電力系統(tǒng)自動化，2013，37(11):39－45.

［8］蘇鵬，劉天琪，李興源.含風(fēng)電的系統(tǒng)最優(yōu)旋轉(zhuǎn)備用的確定［J］.電網(wǎng)技術(shù)，2010，34(12):158－162.

［9］李茜，劉天琪，王福軍，等.機(jī)組組合在含風(fēng)電系統(tǒng)的備用協(xié)調(diào)優(yōu)化［J］.華東電力，2013，41(7):1481－1484.

［10］謝胤喆.引入風(fēng)電機(jī)組的安全約束機(jī)組組合方法［D］. 杭州:浙江大學(xué)，2013.

［11］Wang J，Shahidehpour M，Li Z. Security－constrained unit commitment with volatile wind power generation［J］. IEEE Transactions on Power Systems，2008，23(3):1319－1327.

［12］Daneshi H，Srivastava A K. Security－constrained unit commitment with wind generation and compressed air energy storage［J］. IET Generation，Transmission ＆Distribution，2012，6(2):167－175.

［13］葉榮，陳皓勇，王鋼，等.多風(fēng)電場并網(wǎng)時安全約束機(jī)組組合的混合整數(shù)規(guī)劃解法［J］.電力系統(tǒng)自動化，2010，34(5):29－33.

［14］謝胤喆，郭瑞鵬.考慮風(fēng)電機(jī)組無功特性的安全約束機(jī)組組合方法［J］.電力系統(tǒng)自動化，2012，36(14):113－118.

［15］于芃，周瑋，孫輝，等.用于風(fēng)電功率平抑的混合儲能系統(tǒng)及其控制系統(tǒng)設(shè)計［J］.中國電機(jī)工程學(xué)報，2011(17):127－133.

［16］謝毓廣，江曉東. 儲能系統(tǒng)對含風(fēng)電的機(jī)組組合問題影響分析［J］.電力系統(tǒng)自動化，2011，35(5):19－24.

［17］高紅均，劉俊勇，魏震波，等.基于極限場景集的風(fēng)電機(jī)組安全調(diào)度決策模型［J］.電網(wǎng)技術(shù)，2013，37(6):1590－1595.

［18］陳海焱，陳金富，段獻(xiàn)忠. 含風(fēng)電場電力系統(tǒng)經(jīng)濟(jì)調(diào)度的模糊建模及優(yōu)化算法［J］.電力系統(tǒng)自動化，2006，30(2):22－26.

［19］張曉花，趙晉泉，陳星鶯. 含風(fēng)電場機(jī)組組合的模糊建模和優(yōu)化［J］.科技導(dǎo)報，2009(20):102－105.

［20］Chakraborty S，Senjyu T，Saber A Y，et al.A fuzzy binary clustered particle swarm optimization strategy for thermal unit commitment problem with wind power integration［J］. IEEE Transactions on Electrical and Electronic Engineering，2012，7(5):478－486.

［21］萬振東，程浩忠，張建平，等.考慮風(fēng)電消納能力單目標(biāo)及多目標(biāo)模糊機(jī)組組合模型及應(yīng)用［J］. 水電能源科學(xué)，2012，30(7):214－218.

［22］Venkatesh B，Yu P，Gooi H B，et al.Fuzzy MILP unit commitment incorporating wind generators［J］. IEEE Transactions on Power Systems，2008，23(4):1738－1746.

［23］劉寶碇，趙瑞清.隨機(jī)規(guī)劃與模糊規(guī)劃［M］.北京:清華大學(xué)出版社，1998:74－94.

［24］Wang Q，Guan Y，Wang J. A chance－constrained two－stage stochastic program for unit commitment with uncertain wind power output［J］. IEEE Transactions on Power Systems. 2012，27(1):206－215.

［25］張寧宇，高山，趙欣.一種考慮風(fēng)電隨機(jī)性的機(jī)組組合模型及其算法［J］.電工技術(shù)學(xué)報，2013，28(5):22－29.

［26］Wang Q，Wang J，Guan Y.Price－based unit commitment with wind power utilization constraints［J］. IEEE Transactions on Power Systems，2013，28(3):2718－2726.

［27］Pozo D，Contreras J.A chance－constrained unit commitment with an n－Ksecurity criterion and significant wind generation［J］. IEEE Transactions on Power Systems，2013，28(3):2842－2851.

［28］Ding X，Lee W J，Jianxue W，et al. Studies on stochastic unit commitment formulation with flexible generating units［J］. Electric Power Systems Research，2010，80(1):130－141.

［29］劉寶碇，趙瑞清，王綱.不確定規(guī)劃及應(yīng)用［M］. 北京:清華大學(xué)出版社，2003:178－198.

［30］艾欣，劉曉，孫翠英. 含風(fēng)電場電力系統(tǒng)機(jī)組組合的模糊機(jī)會約束決策模型［J］.電網(wǎng)技術(shù)，2011，35(12):202－207.

［31］熊虎，向鐵元，陳紅坤，等.含大規(guī)模間歇式電源的模糊機(jī)會約束機(jī)組組合研究［J］.中國電機(jī)工程學(xué)報，2013，33(13):36－44.

［32］Heitsch H，R?misch W. Scenario tree modeling for multistage stochastic programs［J］. Mathematical Programming，2009，118(2):371－406.

［33］R?misch W，Dupa ová J，Gr?we－Kuska N，et al.Approximations of stochastic programs.Scenario tree reduction and construction［C］//GAMS Workshop. Heidelberg. Berlin，Germany:DFG Research Center，2003:1 －3.

［34］Wang J，Botterud A，Bessa R，et al. Wind power forecasting uncertainty and unit commitment［J］. Applied Energy，2011，88(11):4014－4023.

［35］H?yland K，Wallace S W. Generating scenario trees for multistage decision problems［J］. Management Science，2001，47 (2):295－307.

［36］Heitsch H，R?misch W. Scenario reduction algorithms in stochastic programming［J］. Computational optimization and applications，2003，24(2－3):187－206.

［37］Growe－Kuska N，Heitsch H，Romisch W. Scenario reduction and scenario tree construction for power management problems［C］//Power Tech Conference Proceedings，2003 IEEE Bologna.Bologna，Italy:IEEE，2003:3－7.

［38］雷宇，楊明，韓學(xué)山. 基于場景分析的含風(fēng)電系統(tǒng)機(jī)組組合的兩階段隨機(jī)優(yōu)化［J］.電力系統(tǒng)保護(hù)與控制，2012，40(23):58－67.

［39］Botterud A，Zhou Z，Wang J，et al.Unit commitment and operating reserves with probabilistic wind power forecasts［C］//2011 IEEE Trondheim PowerTech.Trondheim，Norway:IEEE，2011:1－7.

［40］張步涵，邵劍，吳小珊，等.基于場景樹和機(jī)會約束規(guī)劃的含風(fēng)電場電力系統(tǒng)機(jī)組組合［J］. 電力系統(tǒng)保護(hù)與控制，2013，41(1):127－135.

［41］向萌，張紫凡，焦茜茜. 多場景概率機(jī)組組合在含風(fēng)電系統(tǒng)中的備用協(xié)調(diào)優(yōu)化［J］.電網(wǎng)與清潔能源，2012，28(5):61－69.

［42］Pappala V S，Erlich I，Singh S N. Unit commitment under wind power and demand uncertainties［C］//Power System Technology and IEEE Power India Conference.New Delhi，India:IEEE，2008:1－6.

［43］蔣凌，潘志，成天樂. 含風(fēng)電電力系統(tǒng)旋轉(zhuǎn)備用的魯棒優(yōu)化方法研究［J］.電力科學(xué)與工程，2013，29(04):1－6.

［44］魏韡，劉鋒，梅生偉.電力系統(tǒng)魯棒經(jīng)濟(jì)調(diào)度(二)應(yīng)用實例［J］.電力系統(tǒng)自動化.2013(18):60－67.

［45］楊明，韓學(xué)山，王士柏，等.不確定運行條件下電力系統(tǒng)魯棒調(diào)度的基礎(chǔ)研究［J］.中國電機(jī)工程學(xué)報，2011，31(S):100－107.

［46］王冰，羊曉飛，李巧云. 基于壞場景集的抗風(fēng)險魯棒調(diào)度模型［J］.自動化學(xué)報，2012，28(02):270－278.

［47］高紅均，劉俊勇，劉繼春，等.基于壞場景集的含風(fēng)電機(jī)組組合模型［J］.電力系統(tǒng)保護(hù)與控制，2013，41(10):27－32.

［48］陳皓勇，王錫凡.機(jī)組組合問題的優(yōu)化方法綜述(1)［J］. 電力系統(tǒng)自動化，1999，23(4):51－56.

［49］耿建，徐帆，姚建國，等.求解安全約束機(jī)組組合問題的混合整數(shù)規(guī)劃算法性能分析［J］.電力系統(tǒng)自動化，2009，33(21):24 －27.［50］陳皓勇，王錫凡.機(jī)組組合問題的優(yōu)化方法綜述(2)［J］. 電力系統(tǒng)自動化，1999，23(5):51－56.

［51］何小宇，張粒子，謝國輝. 改進(jìn)的拉格朗日松弛法求解機(jī)組組合問題［J］.電力系統(tǒng)保護(hù)與控制，2010，38(17):16－21.

［52］王燕濤，王大亮.計及風(fēng)電的系統(tǒng)旋轉(zhuǎn)備用容量的確定［J］.電測與儀表，2012，49(12):22－27.

［53］雷秀娟.群智能優(yōu)化算法及其應(yīng)用［M］. 北京:科學(xué)出版社，2012:87－89.

［54］江岳文，陳沖，溫步瀛.含風(fēng)電場的電力系統(tǒng)機(jī)組組合問題隨機(jī)模擬粒子群算法［J］.電工技術(shù)學(xué)報，2009，24(6):129－137.

［55］Chakraborty S，Senjyu T，Saber A Y，et al. Optimal thermal unit commitment integrated with renewable energy sources using advanced particle swarm optimization［J］. IEEE Transactions on Electrical and Electronic Engineering，2009，4(5):609－617.

［56］Dang C，Li M. A floating－point genetic algorithm for solving the unit commitment problem［J］. European Journal of Operational Research，2007，181(3):1370－1395.

［57］Sun L，Zhang Y，Jiang C.A matrix real－coded genetic algorithm to the unit commitment problem ［J］. Electric Power Systems Research，2006，76(9－10):716－728.

［58］Senthil Kumar V，Mohan M R.Solution to security constrained unit commitment problem using genetic algorithm［J］. International Journal of electrical Power ＆ Energy Systems，2010，32 (2):117－125.