劉永前，馬遠馳

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

基于場景預(yù)測的風(fēng)電場經(jīng)濟調(diào)度模型

劉永前，馬遠馳

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

風(fēng)電的波動性和風(fēng)電功率預(yù)測的不確定性給風(fēng)電場內(nèi)機組啟停和負荷分配帶來巨大挑戰(zhàn)。以場景預(yù)測描述風(fēng)電預(yù)測的不確定性，可提高調(diào)度決策的魯棒性。文章建立基于場景預(yù)測的風(fēng)電場經(jīng)濟調(diào)度方法，以風(fēng)電場運行成本最低為目標，優(yōu)化風(fēng)電場內(nèi)機組啟停和負荷分配計劃。采用改進的遺傳算法求解優(yōu)化調(diào)度模型。在此基礎(chǔ)上，分析了風(fēng)電場運行中的主要成本對總成本的變化趨勢，給出了提高風(fēng)電接納能力和降低風(fēng)電場運行成本的策略。算例仿真結(jié)果符合風(fēng)電場運行的實際情況，驗證了所提出的風(fēng)電場經(jīng)濟調(diào)度方法的有效性。

風(fēng)電場；場景預(yù)測；經(jīng)濟調(diào)度；遺傳算法；靈敏度分析

0 引言

隨著風(fēng)電的快速發(fā)展，風(fēng)電對電力系統(tǒng)經(jīng)濟穩(wěn)定運行變得越來越重要[1]。傳統(tǒng)電力系統(tǒng)的調(diào)度是通過對負荷側(cè)的準確預(yù)測和發(fā)電側(cè)的可靠控制，由調(diào)度員集中優(yōu)化來實現(xiàn)的。大量風(fēng)電接入可明顯增加電力系統(tǒng)的不確定性，因此，風(fēng)電場功率預(yù)測的準確度以及風(fēng)電場優(yōu)化調(diào)度對電力系統(tǒng)的調(diào)度運行至關(guān)重要。

風(fēng)電場優(yōu)化調(diào)度的主要目標是以最低的運行成本選擇最佳的風(fēng)電場內(nèi)機組啟停和負荷分配策略。風(fēng)電場優(yōu)化調(diào)度技術(shù)可以為風(fēng)電場優(yōu)化運行提供重要的參考依據(jù)，也為電力系統(tǒng)的經(jīng)濟和安全穩(wěn)定運行提供保證。因此，對風(fēng)電場內(nèi)的機組組合模型進行研究具有非常重要的意義。近年來國內(nèi)外研究人員針對含風(fēng)電的電力系統(tǒng)經(jīng)濟調(diào)度和機組組合開展了大量的研究。文獻[2]建立能夠靈活適應(yīng)多種風(fēng)電功率預(yù)測信息的含風(fēng)電的電力系統(tǒng)的機組組合模型。文獻[3-5]將隨機規(guī)劃技術(shù)應(yīng)用在機組組合模型中，建立含風(fēng)電的電力系統(tǒng)機組組合問題的隨機規(guī)劃數(shù)學(xué)模型。文獻[6]通過對不同載荷條件下葉片根部應(yīng)力和葉片壽命的定量分析，以減少葉片損壞和發(fā)電機損耗為目標，建立了風(fēng)電場優(yōu)化調(diào)度模型，仿真結(jié)果表明該模型可延長風(fēng)電場機組壽命。文獻[7-8]考慮功率預(yù)測不確定性建立機組組合模型。含風(fēng)電的電力系統(tǒng)的經(jīng)濟調(diào)度面臨的另一個問題是優(yōu)化模型的求解。目前的求解方法包括傳統(tǒng)的動態(tài)規(guī)劃法、拉格朗日松弛法等算法，遺傳算法、模擬退火算法、粒子群算法等[9-12]。

目前，含風(fēng)電的經(jīng)濟調(diào)度模型通常基于風(fēng)電功率預(yù)測信息。文獻[13]對比了RBF神經(jīng)網(wǎng)絡(luò)、遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)以及最小二乘支持向量機這3種常用的功率預(yù)測方法，結(jié)果表明在不同季節(jié)、不同地形條件下3種模型各具優(yōu)勢。文獻[14]基于統(tǒng)計模型和物理模型相結(jié)合的方法，提出一種基于流動相關(guān)性的風(fēng)電場功率預(yù)測模型。風(fēng)電功率不確定預(yù)測建立在概率論基礎(chǔ)上，能夠給出不用預(yù)測發(fā)生的概率，提供更多的預(yù)測信息[15]。文獻[16]應(yīng)用分位數(shù)回歸理論，建立不確定預(yù)測模型并提供在任意置信水平下，預(yù)測功率可能出現(xiàn)的波動范圍。文獻[17]通過假設(shè)風(fēng)電功率預(yù)測誤差服從特定的概率分布來考慮風(fēng)電的隨機性。

在本文中，考慮到風(fēng)電的波動性，采用場景預(yù)測方法描述風(fēng)電預(yù)測的不確定性，建立基于場景預(yù)測的風(fēng)電場經(jīng)濟調(diào)度模型，有效解決傳統(tǒng)的基于場景預(yù)測方法的優(yōu)化調(diào)度模型難以確定機組運行點的缺點，為風(fēng)電場優(yōu)化運行提供參考。

1 風(fēng)電功率場景預(yù)測的描述與構(gòu)建方法

1.1 馬爾科夫鏈風(fēng)速預(yù)測模型

為了構(gòu)建離散狀態(tài)馬爾科夫鏈風(fēng)速預(yù)測模型，首先需要把連續(xù)的風(fēng)速測量值劃分為n個離散狀態(tài)w1,w2,…，wn。若當前時刻的風(fēng)速狀態(tài)Xt為wi，則下一時刻風(fēng)速狀態(tài)Xt+1轉(zhuǎn)移到狀態(tài)wj的概率為P{Xt+1=wj|Xt=wi}=pij，其中i,j∈[1,2,…,n]。即下一時刻風(fēng)速狀態(tài)Xt+1只與當前狀態(tài)Xt有關(guān)，而與之前的風(fēng)速狀態(tài)無關(guān)。

用狀態(tài)轉(zhuǎn)移矩陣P=(pij)n×n來表示從一個狀態(tài)轉(zhuǎn)移到另外一個狀態(tài)的概率，其中元素pi,j即為狀態(tài)轉(zhuǎn)移概率。矩陣P中每行元素之和為1，即

(1)

pij可由歷史風(fēng)速數(shù)據(jù)估計得到：

(2)

式中nij為歷史風(fēng)速中由狀態(tài)wi轉(zhuǎn)到狀態(tài)wj的次數(shù)。

應(yīng)用離散狀態(tài)馬爾科夫鏈進行風(fēng)速建模時，將連續(xù)的風(fēng)速離散化是建模的關(guān)鍵。根據(jù)文獻[18-19]中的結(jié)論，隨著劃分間隔的縮小，模型的精度會相應(yīng)提高。綜合考慮模型精度和計算復(fù)雜度，以1m/s為間隔，將風(fēng)速劃分成15個狀態(tài)，即[0,1]、(1,2]、(2,3]、…(13,14],(14,+∞)。根據(jù)實測的歷史數(shù)據(jù)，由式(2)得到步長為1 h的一步狀態(tài)概率轉(zhuǎn)移矩陣P=(pij)n×n。

圖1所示是我國北方某風(fēng)電場實測風(fēng)速序列生成的狀態(tài)轉(zhuǎn)移矩陣。可以明顯看出狀態(tài)轉(zhuǎn)移矩陣中元素的概率集中分布于對角線附近，這說明了風(fēng)速狀態(tài)之間的轉(zhuǎn)移具有一定的慣性，即相似的狀態(tài)之間較易發(fā)生轉(zhuǎn)移。

圖1 狀態(tài)轉(zhuǎn)移概率分布圖Fig.1 State transition probability distribution

應(yīng)用隨機模擬技術(shù)和離散狀態(tài)馬爾科夫鏈風(fēng)速模型，產(chǎn)生風(fēng)速序列的一般流程如下：

(1) 由風(fēng)速邊緣概率分布隨機產(chǎn)生風(fēng)速的初始狀態(tài)wi，將其設(shè)為當前狀態(tài)。

(2) 隨機產(chǎn)生1個[0,1]之間的隨機數(shù)u。

(3) 利用P=(pij)n×n構(gòu)造累計狀態(tài)轉(zhuǎn)移矩陣

(3)

(4) 利用Pcum和wi產(chǎn)生下一時刻狀態(tài)wj，即滿足Pcum(i,j-1)

(5) 令i=j重復(fù)(2)(3)(4)，到設(shè)定的模擬時間。

1.2 場景生成

用樹形結(jié)構(gòu)來構(gòu)建場景，包含一系列節(jié)點和分支，每個分支代表1個場景，每支都被賦予一定的概率來表示其在未來發(fā)生的概率，不同的分支代表不同的隨機序列的實現(xiàn)。場景樹模型表現(xiàn)了隨機序列隨時間的變化過程。圖2所示為場景樹的示意圖。

圖2 場景樹模型示意圖Fig.2 Sketch map of scenario tree model

從t=0時刻這個狀態(tài)已知的根節(jié)點出發(fā)，利用馬爾科夫模型可以得到多個時段的風(fēng)速狀態(tài)及其發(fā)生概率。

利用離散狀態(tài)的馬爾科夫模型生成場景樹的一般流程：

(1) 由初始狀態(tài)(t=0)，按馬爾科夫鏈模型得出t=1時刻多個可能的風(fēng)速狀態(tài)。

(2) 根據(jù)狀態(tài)轉(zhuǎn)移矩陣，由t-1時刻得到的每個風(fēng)速狀態(tài)在生成t時刻的風(fēng)速狀態(tài)，并將其組成樹形結(jié)構(gòu)。

1.3 場景縮減

通常情況下，直接生成的場景數(shù)量非常巨大，這將使優(yōu)化模型的求解變得極其困難。在這些場景中存在大量相似場景。因此，在保證場景樹模型所描述的隨機過程的重要特征保持不變的前提下，盡量減少場景數(shù)量顯得非常重要。場景減少技術(shù)被證明可以達到上述的要求，并且已經(jīng)在電力系統(tǒng)領(lǐng)域得以成功的應(yīng)用[20-21]。

場景縮減技術(shù)的一般思路是使縮減前的描述隨機過程的場景集合和縮減之后的場景集合之間的概率距離最為接近。

本文采用文獻[22]采用的快速后向縮減法，對生成的場景進行縮減，具體過程本文不再贅述。

1.4 功率場景預(yù)測算例

利用本文所建立的場景預(yù)測方法生成未來6 h后的729個初始場景集合，應(yīng)用隨機模擬技術(shù)將風(fēng)速狀態(tài)場景轉(zhuǎn)化為實際風(fēng)速場景，然后應(yīng)用快速后向縮減方法，設(shè)定場景減少數(shù)量為709個，可得到每臺機組相應(yīng)的縮減后的20個場景，最后應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)方法將得到的風(fēng)速場景轉(zhuǎn)化為相應(yīng)的功率場景，部分功率場景預(yù)測結(jié)果如表1所示。

表1 部分功率場景預(yù)測結(jié)果Table 1 Partial scenario prediction

圖3反應(yīng)了單臺機組在不同時刻下的功率場景情況。從圖中可以看出不同的場景下機組出力情況差別較大，若直接考慮在各個場景下滿足約束，則約束條件過于苛刻，必然造成優(yōu)化結(jié)果過于保守。本文建立的機會約束規(guī)劃模型可以充分利用場景預(yù)測所包含的預(yù)測信息，使得約束條件在一定的概率條件下得到滿足，可以較好地解決這一問題。

圖3 單臺機組各時刻的功率場景(20場景)Fig.3 Power scenario at each time of single wind turbine

2 基于場景預(yù)測的風(fēng)電場內(nèi)機組組合模型

目前，國內(nèi)外針對風(fēng)電場內(nèi)機組組合的研究尚不多見。文獻[23]量化了葉片機械損傷，建立了以葉片機械損傷量最小為優(yōu)化目標的風(fēng)電場內(nèi)機組組合優(yōu)化調(diào)度模型。文獻[24]在限功率條件下研究風(fēng)電場內(nèi)有功功率優(yōu)化調(diào)度，建立了多目標優(yōu)化調(diào)度模型，但該模型未對風(fēng)電功率的不確定性加以考慮，并且多目標規(guī)劃模型存在著各目標權(quán)重難以確定的問題。在文獻[5]所建立的電力系統(tǒng)經(jīng)濟調(diào)度模型的基礎(chǔ)之上，結(jié)合文獻[6, 23]中建立的風(fēng)電場內(nèi)調(diào)度模型，考慮風(fēng)電功率預(yù)測的不確定性，建立風(fēng)電場內(nèi)的機組組合優(yōu)化模型。

2.1 優(yōu)化目標

在風(fēng)電功率場景預(yù)測中，以不同的場景來考慮風(fēng)電的不確定性，每個場景代表一種可能的出力情況?；趫鼍邦A(yù)測的風(fēng)電場內(nèi)機組組合模型通常需要考慮機組滿足一定約束條件下追求風(fēng)電場內(nèi)運行成本最小。因此，考慮以風(fēng)電場的運行成本最小為目標函數(shù)建立優(yōu)化模型。根據(jù)目前風(fēng)電場的實際情況，考慮以下運行成本：

(1) 風(fēng)力發(fā)電成本。

(2) 由于風(fēng)電波動所要承擔(dān)的功率備用費用。

(3) 高估及低估風(fēng)電產(chǎn)生的經(jīng)濟代價。

(4) 火電機組的碳排放及污染物排放帶來的環(huán)境成本。

(5) 風(fēng)電機組頻繁啟停機帶來的潛在運行成本。

目標函數(shù)為：

(4)

目標函數(shù)中各項的數(shù)學(xué)表達式如下：

2.2 約束條件

(1) 有功平衡約束：

(13)

式中Lt為t時刻的負荷。

(2) 風(fēng)電機組出力約束：

0≤wi,t≤wr,i

(14)

式中wr,i為機組額定功率。

(3) 單臺機組功率變化約束：

-rdiΔT≤wi,t-wi,t -1≤ru iΔT

(15)

式中：rdi和rui表示機組單位時間內(nèi)的最大功率變化速率；ΔT表示調(diào)度時間間隔。

(4) 風(fēng)電場最大功率變化率約束：

(16)

式中：Rdi和Rui表示單位時間內(nèi)風(fēng)電場運行的最大功率變化率。

2.3 求解策略

本文所建立的基于場景預(yù)測的風(fēng)電場內(nèi)機組組合模型是包含0-1變量和連續(xù)變量的非線性混合整數(shù)規(guī)劃問題，求解的過程較為困難。由于搜索空間不規(guī)則，為了避免在局部最優(yōu)解附加徘徊，要求所使用的算法具有高度的魯棒性，而遺傳算法的優(yōu)點恰好是擅長全局搜索。在過去幾十年的發(fā)展過程中，在解決復(fù)雜的全局優(yōu)化問題方面，遺傳算法已經(jīng)得到了成功的應(yīng)用。因此，針對本文所建立的模型，選擇遺傳算法作為基本的求解策略。

(17)

對于含約束的復(fù)雜優(yōu)化問題，關(guān)鍵的問題是如果處理約束條件。本文采用罰函數(shù)的方法將約束規(guī)劃轉(zhuǎn)化為無約束規(guī)劃問題，其最大的特點是初始點可以任意選擇，優(yōu)化結(jié)果保證了染色體處于可行域范圍內(nèi)，給計算帶來了很大方便。

本文的研究聚焦于基于場景預(yù)測的風(fēng)電場內(nèi)機組組合模型和其優(yōu)化結(jié)果，因此關(guān)于遺傳算法本文將不再贅述。

3 算例分析

3.1 數(shù)值算例

經(jīng)過3 000次迭代計算，目標函數(shù)值達到最佳，最優(yōu)運行成本為64 593元。圖4是遺傳算法的進化演進過程曲線，從圖中可以看出遺傳算法每代的最優(yōu)個體和群體的平均差別并不是很大，大約在2 500次左右的迭代后趨于穩(wěn)定，得到合理的優(yōu)化結(jié)果。

圖4 遺傳算法迭代演化過程圖Fig.4 Iterative evolution of genetic algorithm

表2和3是遺傳算法求解得到的最優(yōu)解。表2顯示各臺機組的啟停狀態(tài)，1代表啟動狀態(tài)，0代表停機狀態(tài)。表3顯示了各臺機組的出力情況，0表示該機組按照機組組合計劃處于停機狀態(tài)，不為0的表示按計劃處于運行狀態(tài)。

表2 各機組啟停狀態(tài)表Table 2 Start and stop state of each unit

表3 各臺機組出力表Table 3 Output of each unit

由表3即可得到各臺風(fēng)電機組在各個時段的最優(yōu)出力，同時也得到了火電出力在各個時段的出力。下面將通過改變模型參數(shù)來研究模型參數(shù)對機組組合模型優(yōu)化結(jié)果的影響。重點分析風(fēng)電價格、排放成本系數(shù)、電能浪費罰款以及單位備用容量價格對模型優(yōu)化結(jié)果的影響。

3.2 靈敏度分析

3.2.1 風(fēng)電價格的影響

固定其他參數(shù)不變，改變風(fēng)電價格di，讓其從400元/(MW·h)變化到700元/(MW·h)，風(fēng)電場運行成本的變化曲線如圖5(a)所示，風(fēng)電出力和常規(guī)能源出力的變化曲線如圖5(b)所示。圖中結(jié)果均是6 h的指標總和。

圖5 風(fēng)電成本對風(fēng)電場運行成本、風(fēng)電計劃出力和常規(guī)能源計劃出力的影響Fig.5 Effect of wind power cost on wind farm operating cost,wind power scheduled wind power and conventional energy output

圖5(a)顯示出隨著風(fēng)電成本的增加，風(fēng)電場的運行成本也相應(yīng)增加，兩者之間的關(guān)系近似呈線性關(guān)系。在本算例中，風(fēng)電成本每降低0.10元/(kW·h)，運行成本可降低約29.62元。圖5(b)顯示出隨著風(fēng)電成本的上升，風(fēng)電計劃出力會下降，常規(guī)能源計劃出力會相應(yīng)上升，關(guān)系也近似呈現(xiàn)線性趨勢。在本算例中，風(fēng)電成本每上升1.00元，風(fēng)電計劃出力大約下降2 689 kW·h，火電計劃出力大約上升2 689 kW·h。由此可見風(fēng)力發(fā)電成本對整個風(fēng)電場運行成本至關(guān)重要，在一定的范圍內(nèi)，降低風(fēng)力發(fā)電成本可有效降低運行成本，提高風(fēng)電計劃出力。

3.2.2 排放成本的影響

固定其他參數(shù)不變，改變排污費用e讓其從0元/t變化到2 000元/t，風(fēng)電場運行成本的變化曲線如圖6(a)所示，污染物排放量隨排放成本的變化曲線如圖6(b)所示。

圖6 排放費用對排放量，風(fēng)電場運行成本的影響Fig.6 Effect of emission cost on emission and wind farm operating cost

圖6(a)顯示出排放費用和風(fēng)電場運行成本之間有明顯的線性關(guān)系特征，排放費用每增加100元/t，風(fēng)電場運行成本增加22.74元。圖6(b)顯示出排放量隨排放費用的變化曲線。為了方便分析，圖中擬合出兩者的線性關(guān)系曲線，可以計算得出排放費用每增加1 000元/t，污染物排放量大約降低7.127 g。隨著排放費用增加，排放量下降幅度非常小。由此可見，在一定范圍內(nèi)，排放費用對運行成本和排放量總體影響不是很大。這是因為在風(fēng)電場中，風(fēng)電機組承擔(dān)主要的發(fā)電任務(wù)，而污染物排放量是由火電機組產(chǎn)生，因此隨著排放費用的增加對此降低成本和排放量的影響微乎其微，這也說明風(fēng)電場在運行過程中的排放量很小，比較符合風(fēng)電場的實際情況，從而說明了模型的合理性。

3.2.3 棄風(fēng)罰款的影響

固定其他參數(shù)不變，改變罰款的價格kp，使其從0元/(MW·h)變化到2 000元/(MW·h)，風(fēng)電場運行成本的變化曲線如圖7(a)所示，風(fēng)電出力和火電出力的變化曲線如圖7(b)所示。

圖7 棄風(fēng)罰款價格對風(fēng)電場運行成本及風(fēng)電、火電計劃出力的影響Fig.7 Effect of penalty cost on operating cost of wind farm and the scheduled wind power and conventional energy output

從圖7可以得出：當棄風(fēng)罰款價格kp較低時，由于風(fēng)電是波動性能源，而且發(fā)電價格比較高，因此如果單從經(jīng)濟性方面來考慮，電力系統(tǒng)調(diào)度人員不會選擇接納風(fēng)電，風(fēng)電計劃出力必然非常低。當罰款取消時，調(diào)度員甚至完全不接納風(fēng)電，造成大量棄風(fēng)。反之，當罰款價格較高時，棄風(fēng)的成本變得很高，此時再棄掉大量風(fēng)電必然造成運行成本急劇增加，達不到最優(yōu)的運行目標，所以此時的最優(yōu)運行點一般處在風(fēng)電計劃出力水平較高的地方。高額的罰款實現(xiàn)了風(fēng)電的優(yōu)先利用，同時伴隨著風(fēng)電場運行成本的提高。同時應(yīng)該注意到，風(fēng)電場運行成本隨著罰款價格的增加呈現(xiàn)出增速逐漸放緩的趨勢，各臺風(fēng)電機組的計劃出力不會達到其額定值，而是穩(wěn)定在低于額定值的點上。這是因為風(fēng)電是波動性能源，風(fēng)功率場景預(yù)測是不確定預(yù)測，風(fēng)電的不確定性由場景預(yù)測給出，風(fēng)電計劃出力要按照功率預(yù)測結(jié)果來安排，罰款雖然對計劃出力有影響，但其影響應(yīng)該在一定范圍內(nèi)，不會因為高額的罰款價格得出高于預(yù)測結(jié)果很多的調(diào)度安排。結(jié)果比較合理。

3.2.4 備用容量價格的影響

固定其他參數(shù)不變，改變高估風(fēng)電的備用容量價格kr，使其從0元/(MW·h)變化到2 000元/(MW· h)，風(fēng)電場運行成本的變化曲線如圖8(a)所示，風(fēng)電出力和火電出力的變化曲線如圖8(b)所示。

圖8 備用容量價格對風(fēng)電場運行成本及風(fēng)電、火電計劃出力影響Fig.8 Effect of reserve cost onoperating cost of wind farm and the scheduled wind power and conventional energy output

從圖8可以得出，當備用容量價格增加時，風(fēng)電計劃出力逐漸偏向保守，調(diào)度指令越來越低，同時伴隨風(fēng)電場運行成本的上升。因此，適當降低風(fēng)電場備用容量價格，可以有效提高對風(fēng)電的接納能力，同時降低風(fēng)電場運行成本。

4 結(jié)論

(1) 基于場景預(yù)測的風(fēng)電場經(jīng)濟調(diào)度方法考慮風(fēng)電預(yù)測的不確定性和風(fēng)電場運行的經(jīng)濟性，能夠給出合理有效的啟停和負荷分配計劃。

(2) 在一定的范圍內(nèi)，適當降低風(fēng)電場備用容量價格、降低風(fēng)力發(fā)電成本以及適當提高棄風(fēng)罰款價格，可提高電力系統(tǒng)對風(fēng)電的接納能力，降低風(fēng)電場運行成本。

(3) 排放費用的增加在一定程度上可減少常規(guī)能源計劃出力，但其對降低風(fēng)電場的運行成本和排放量的作用并不大。

[1]Global Wind Energy Council. The global wind energy statistics 2015[R]. Global Wind Energy Council, 2016.

[2]王彩霞, 魯宗相. 風(fēng)電功率預(yù)測信息在日前機組組合中的應(yīng)用[J]. 電力系統(tǒng)自動化, 2011,35(7): 13-18. WANG Caixia, LU Zongxiang. Unit commitment based on wind power forecast[J]. Automation of Electric Power Systems, 2011, 35(7): 13-18.

[3]孫元章, 吳俊, 李國杰, 等. 基于風(fēng)速預(yù)測和隨機規(guī)劃的含風(fēng)電場電力系統(tǒng)動態(tài)經(jīng)濟調(diào)度[J]. 中國電機工程學(xué)報, 2009, 29(4): 41-47. SUN Yuanzhang, WU Jun, LI Guojie, et al. Dynamic economic dispatch considering wind power penetration based on wind speed forecasting and stochastic programming[J]. Proceedings of the CSEE, 2009, 29(4): 41-47.

[4]張昭遂, 孫元章, 李國杰, 等. 計及風(fēng)電功率不確定性的經(jīng)濟調(diào)度問題求解方法[J]. 電力系統(tǒng)自動化, 2012, 35(22): 125-130. ZHANG Zhaosui, SUN Yuanzhang, LI Guojie, et al. A solution of economic dispatch problem considering wind power uncertainty[J]. Automation of Electric Power Systems, 2012, 35(22): 125-130.

[5]ZHANG Z S, SUN Y Z, GAO D W, et al. A versatile probability distribution model for wind power forecast errors and its application in economic dispatch[J]. IEEE Transactions on Power Systems, 2013, 28(3): 3114-3125.

[6]張晉華, 林媛媛, 劉永前, 等. 基于降低風(fēng)電機組葉片損傷的風(fēng)電機組組合優(yōu)化[J]. 電力系統(tǒng)保護與控制, 2013, 41(20): 80-86. ZHANG Jinhua, LIN Yuanyuan, LIU Yongqian, et al. Wind turbine unit commitment optimization based on the reduced blade damage[J]. Power System Protection and Control, 2013, 41(20): 80-86.

[8]YAN Jie, ZHANG Jinhua, LIU Yongqian, et al. Unit commitment in wind farms based on a glowworm metaphor algorithm[J]. Electric Power Systems Research, 2015, 129(12): 94-104.

[9]JIN Lin, CHENG Lin, CHANG Yao, et al. Reliability based power systems planning and operation with wind power integration: A review to models, algorithms and applications[J]. Renewable and Sustainable Energy Reviews, 2014, 31(1): 921-934.

[10]JI Bin, YUAN Xiaohui, CHEN Zhihuan, et al. Improved gravitational search algorithm for unit commitment considering uncertainty of wind power[J]. Energy, 2014, 67(2): 52-62.

[11]AHMADI H, SEIFI H. Probabilistic tuning of power system stabilizers considering the wind farm generation uncertainty[J]. International Journal of Electrical Power & Energy Systems, 2014, 63: 565-576.

[12]MAHARI A, ZARE K. A solution to the generation scheduling problem in power systems with large-scale wind farms using MICA[J]. International Journal of Electrical Power & Energy Systems, 2014, 54(1): 1-9.

[13]張慧玲, 高小力, 劉永前, 等. 三種主流風(fēng)電場功率預(yù)測算法適應(yīng)性對比研究[J]. 現(xiàn)代電力, 2015， 32(6): 7-13. ZHANG Huiling, GAO Xiaoli, LIU Yongqian, et al. Adaptability comparison of three mainstream short-term wind power prediction methods[J]. Modern Electric Power, 2015，32(6): 7-13.

[14]閻潔, 劉永前, 韓爽, 等. 考慮流動相關(guān)性的風(fēng)電場機組分組功率預(yù)測方法[J]. 現(xiàn)代電力, 2015，32(1): 25-30. YAN Jie, LIU Yongqian, HAN Shuang, et al. Power prediction method for grouping wind turbine generations by considering flow correlation[J]. Modern Electric Power, 2015， 32(1): 25-30.

[15]閻潔. 風(fēng)電場功率預(yù)測不確定性分析方法及其應(yīng)用研究[D]. 北京：華北電力大學(xué), 2012. YAN Jie. Research on uncertainty analysis method for wind power prediction and its application[D]. Beijing: North China Electric Power University, 2012.

[16]閻潔, 劉永前, 韓爽, 等. 分位數(shù)回歸在風(fēng)電功率預(yù)測不確定性分析中的應(yīng)用[J]. 太陽能學(xué)報, 2013, 34(12): 2101-2107. YAN Jie, LIU Yongqian, HAN Shuang, et al. Quantile regression in uncertainty analysis of wind power forecasting[J]. Acta Energiae Solaris Sinica, 2013, 34(12): 2101-2107.

[17]HETZER J, YU D C, Bhattarai K. An economic dispatch model incorporating wind power[J]. IEEE Transactions on Energy Conversion, 2008, 23(2): 603-611.

[18]SHAMSHAD A, BAWADI M A, HUSSIN W M A W, et al. First and second order Markov chain models for synthetic generation of wind speed time series[J]. Energy, 2005, 30(5): 693-708.

[19]HOCAOGLU F O, GEREK O N, KURBAN M. The effect of markov chain state size for synthetic wind speed generation[C]//International Conference on Probabilistic Methods Applied to Power Systems. 2008: 1-4.

[20]張步涵,邵劍, 吳小珊, 等. 基于場景樹和機會約束規(guī)劃的含風(fēng)電場電力系統(tǒng)機組組合[J]. 電力系統(tǒng)保護與控制, 2013， 41(1): 127-135. ZHANG Buhan, SHAO Jian, WU Xiaoshan, et al. Unit commitment with wind farms using scenario tree and chance-constrained programming[J]. Power System Protection and Control, 2013，41(1): 127-135.

[21]吳小珊, 張步涵, 袁小明, 等. 求解含風(fēng)電場的電力系統(tǒng)機組組合問題的改進量子離散粒子群優(yōu)化方法[J]. 中國電機工程學(xué)報, 2013, 33(4): 45-52. WU Xiaoshan, ZHANG Buhan, YUAN Xiaoming, et al. Slutions to unit commitment problems in power systems with wind farms using advanced quantum inspired binary PSO[J]. Proceedings of the CSEE, 2013, 33(4): 45-52.

[22]DUPACOVA J, GROWE-KUSKA N, ROMISCH W. Scenario reduction in stochastic programming: An approach using probability metrics[J]. Mathematical Programming, 2003, 95(3): 493-511.

[23]張晉華. 風(fēng)電場內(nèi)機組優(yōu)化調(diào)度研究[D]. 北京：華北電力大學(xué), 2014. ZHANG Jinhua. Research on unit optimal dispatch in wind farm[D]. Beijing：North China Electric Power University, 2014.

[24]肖運啟, 賀貫舉. 大型風(fēng)電機組限功率運行特性分析及其優(yōu)化調(diào)度[J]. 電力系統(tǒng)自動化, 2014， 38(20): 18-25. XIAO Yunqi, HE Guanju. Power-limited operation chracteristic analysis and optimal scheduling for large scale wind turbines[J]. Automation of Electric Power Systems, 2014， 38(20): 18-25.

Economic Dispatch Model in Wind Farm Based on Wind Power Scenario Prediction

LIU Yongqian, MA Yuanchi

(State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources(North China Electric Power University), Changping District, Beijing 102206, China)

The volatility of wind power and the uncertainties in the wind power forecasting pose serious challenges to unit start-up and shutdown and the load distribution in the wind farm. The practice of utilizing scenario prediction to describe the uncertainties in the wind power forecasting can enhance the robustness of the scheduling decision. The economic dispatch method for wind farm based on scenario prediction, with the goal of the minimum operating cost, can optimize the unit start-up and shutdown and the load distribution planning. We adopt the improved genetic algorithm to compute the optimized dispatch models. On this basis, we have analyzed the influence of the major costs on the total costs in the operation of wind farm and proposed strategies of improving the grid’s adopt capacity for wind power and lowering the operating costs in wind farm. The example simulation result is consistent with the actual operational situation in wind farm and shows that the economic dispatch method is valid in wind farm.

wind farm; scenario prediction; economic dispatch; genetic algorithm; sensitivity analysis

劉永前

TK02;TM732

A

2096-2185(2016)01-0014-08

國家自然科學(xué)基金項目(51376062)

2016-05-04

劉永前(1965—)，男，教授、博士生導(dǎo)師，研究方向為風(fēng)電場優(yōu)化調(diào)度，風(fēng)電功率預(yù)測，風(fēng)電機組狀態(tài)監(jiān)測與故障診斷，風(fēng)電場尾流效應(yīng)研究，yqliu@ncepu.edu.cn；

馬遠馳(1992—)，男，博士研究生，研究方向為風(fēng)電場優(yōu)化調(diào)度等，yuanchima@yeah.net。

Project supported by National Natural Science Foundation of China(51376062 )