任立陽，付 昱，王寶財(cái)，宋田宇，趙芳琦

(1.東北電力大學(xué)電氣工程學(xué)院，吉林 吉林 132012；2.中國電力科學(xué)研究院，北京100000)

近年來，隨著生態(tài)環(huán)境的污染加劇和化石能源的越發(fā)枯竭，清潔能源受到世界各國的重視，而其中風(fēng)能作為一種極其重要的清潔能源，得到快速發(fā)展[1].然而，風(fēng)資源本身具有隨機(jī)性和強(qiáng)波動性，這導(dǎo)致風(fēng)電場的輸出功率具有較強(qiáng)的不穩(wěn)定性[2].這一特性對電力系統(tǒng)的穩(wěn)定運(yùn)行和正常調(diào)度產(chǎn)生了較大的負(fù)面影響[3]，同時也會降低風(fēng)電場和電力系統(tǒng)的經(jīng)濟(jì)性.因此建立一種提高經(jīng)濟(jì)效益的風(fēng)功率預(yù)測和電力系統(tǒng)調(diào)度模型尤為重要.

較為精準(zhǔn)的風(fēng)功率預(yù)測不僅是制定合理的調(diào)度計(jì)劃和檢修計(jì)劃的基礎(chǔ)，而且是提高風(fēng)能利用率和電網(wǎng)運(yùn)行的安全性、經(jīng)濟(jì)性和穩(wěn)定性的有力措施.國內(nèi)外學(xué)者對風(fēng)功率預(yù)測問題已有較多研究，取得了一些成果.文獻(xiàn)[4]中基于經(jīng)驗(yàn)小波變換和核極限學(xué)習(xí)機(jī)建立了短期風(fēng)功率預(yù)測模型.文獻(xiàn)[5]中采用時間序列法對原始風(fēng)功率序列進(jìn)行處理從而進(jìn)行預(yù)測，該文獻(xiàn)的結(jié)果說明不考慮氣象因素的預(yù)測模型的結(jié)果不夠理想.文獻(xiàn)[6]中基于訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)功率預(yù)測，同時對模型的權(quán)值和閥值使用遺傳算法進(jìn)行優(yōu)化.文獻(xiàn)[7]中提出了一種基于卡爾曼濾波的風(fēng)功率預(yù)測模型，該模型將風(fēng)電輸出功率預(yù)測與數(shù)值天氣預(yù)報數(shù)據(jù)結(jié)合以提高模型的預(yù)測精度.上述文獻(xiàn)中所提出的預(yù)測方法雖然在一定程度上都對傳統(tǒng)風(fēng)功率預(yù)測模型進(jìn)行了一定改進(jìn)，但是需要以龐大的數(shù)據(jù)庫作為支撐，同時這些方法并未以風(fēng)電場的經(jīng)濟(jì)效益為預(yù)測目的來構(gòu)建風(fēng)功率預(yù)測模型.

電力系統(tǒng)的調(diào)度的經(jīng)濟(jì)性也是研究者的關(guān)注點(diǎn)之一.文獻(xiàn)[8]針對不同的風(fēng)電滲透率分析了棄風(fēng)的原因，并以風(fēng)電并網(wǎng)的電量最大化和風(fēng)電經(jīng)濟(jì)性最高為目標(biāo)函數(shù)建立模型.文獻(xiàn)[9]提出了一種基于棄風(fēng)最小的綜合優(yōu)化配置方法，同時給出不同場景下的風(fēng)電和儲能的最優(yōu)經(jīng)濟(jì)調(diào)度策略.文獻(xiàn)[10]提出了一種調(diào)用儲能資源的電力系統(tǒng)優(yōu)化調(diào)度模型，并運(yùn)用兩階段動態(tài)規(guī)劃法求解.文獻(xiàn)[11]提出了一種利用大容量儲能電池來提升風(fēng)電調(diào)峰能力的充放電調(diào)度策略，通過儲能為降低棄風(fēng)，提高系統(tǒng)經(jīng)濟(jì)性提供較為效的解決措施.文獻(xiàn)[12]中提出一種綜合考慮儲能電站的造價成本和風(fēng)電接納的效益成本的儲能模型，對儲能資源容量進(jìn)行優(yōu)化配置.這些模型通過降低棄風(fēng)或采用風(fēng)電儲能運(yùn)行方式等來提高電力系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性，并未在風(fēng)功率預(yù)測之初就考慮風(fēng)電效益性.

為了降低風(fēng)功率預(yù)測誤差成本以及提高電力系統(tǒng)的經(jīng)濟(jì)性，本文構(gòu)建了基于成本導(dǎo)向函數(shù)的風(fēng)功率預(yù)測模型及實(shí)時電價控制策略下的儲能調(diào)度模型.首先采用基于成本導(dǎo)向的增強(qiáng)回歸樹模型進(jìn)行風(fēng)功率預(yù)測，在成本導(dǎo)向損失函數(shù)下，預(yù)測結(jié)果達(dá)到平均成本最小.其次，利用預(yù)測的風(fēng)功率，以日前調(diào)度計(jì)劃階段確定的儲能運(yùn)行狀態(tài)為基礎(chǔ)，在日內(nèi)調(diào)度計(jì)劃中使用基于成本導(dǎo)向的增強(qiáng)回歸樹模型所得的風(fēng)功率預(yù)測數(shù)據(jù)進(jìn)行調(diào)度建模.最后在兩個風(fēng)電場中驗(yàn)證本文所提方法的有效性和先進(jìn)性.

1 改進(jìn)的增強(qiáng)回歸樹

1.1 回歸樹基本原理

回歸樹是文獻(xiàn)[13]中提出的一種非參數(shù)學(xué)習(xí)技術(shù).與一般線性模型和支持向量機(jī)等參數(shù)學(xué)習(xí)算法不同，回歸樹在學(xué)習(xí)過程中未明確采用指定的參數(shù)功能形式.回歸樹使用自頂向下和分治法將觀測值遞歸地劃分為越來越小的非重疊區(qū)域.劃分過程是二進(jìn)制的，每個區(qū)域中的觀測值被分配為具有均質(zhì)響應(yīng).然后，將其與輸出在同一區(qū)域中的所有觀測值擬合為均值響應(yīng).回歸樹表示為

(1)

公式中：M為區(qū)域的數(shù)量；cm為每個區(qū)域中觀測值的平均響應(yīng)；Rm為每個區(qū)域的分區(qū)；I(x∈Rm)為一個指標(biāo)函數(shù)，如果x∈Rm則等于1，否則為0.

給定由N個觀測值(xi，yi)組成的訓(xùn)練數(shù)據(jù)，其中i=1，…，N，每個觀察都有p輸入和響應(yīng).

因此回歸樹的構(gòu)建步驟如下：

(1)從包含所有觀察結(jié)果的單個區(qū)域開始.然后搜索所有變量的二進(jìn)制分割，找到第j個分裂變量x(j)和分裂點(diǎn)s，這將盡可能地減少誤差.為了找到最佳的分裂變量和分裂點(diǎn)，采用下述公式

,

(2)

使搜索過程得以解決.

(2)在每個新區(qū)域中，重復(fù)(1)來拆分并創(chuàng)建兩個新區(qū)域.

(3)重復(fù)分割過程，直到達(dá)到停止標(biāo)準(zhǔn)為止，例如，當(dāng)達(dá)到每個區(qū)域的最小觀察次數(shù)時停止分割過程.

其原理流程圖，如圖1所示.

1.2 Boosting基本原理

Boosting是一種提高模型準(zhǔn)確性的方法，最初是針對分類問題[14]開發(fā)的，后來擴(kuò)展到回歸問題[15].Boosting源自計(jì)算學(xué)習(xí)理論，即弱學(xué)習(xí)和強(qiáng)學(xué)習(xí)問題相等[16].它通過適合許多基礎(chǔ)學(xué)習(xí)者(弱學(xué)習(xí))并將它們組合在一起以獲得更準(zhǔn)確的模型(強(qiáng)學(xué)習(xí))來提高模型性能.在提升過程中，基礎(chǔ)學(xué)習(xí)者在每次迭代時都被順序地應(yīng)用于訓(xùn)練數(shù)據(jù)，并且對訓(xùn)練數(shù)據(jù)進(jìn)行了修改以增加對現(xiàn)有基礎(chǔ)學(xué)習(xí)者建模效果較差的觀察結(jié)果的重視.依次將基礎(chǔ)學(xué)習(xí)者添加到模型中，而無需一次調(diào)整一個參數(shù)，直到所有參數(shù)都進(jìn)入模型為止[12].提升模型的公式為

(3)

公式中：M為基礎(chǔ)學(xué)習(xí)者的數(shù)量；h(x；am)為基礎(chǔ)學(xué)習(xí)者；am為基礎(chǔ)學(xué)習(xí)者的參數(shù).

1.3 以成本為導(dǎo)向的增強(qiáng)回歸樹

使用回歸樹作為基礎(chǔ)學(xué)習(xí)者并提高成本導(dǎo)向的損失函數(shù)，能夠?qū)⑴c可再生能源發(fā)電的預(yù)測誤差相關(guān)的實(shí)際成本納入模型構(gòu)建和預(yù)測過程.一般成本導(dǎo)向損失函數(shù)為

(4)

(1)Lco(0)=0.表示若預(yù)測誤差為零，則沒有成本；

(5)

因此，將公式(4)代入公式(5)，最優(yōu)預(yù)測為

(6)

給定成本導(dǎo)向的損失函數(shù)公式(4)，最優(yōu)預(yù)測便是公式(6).通過在函數(shù)空間中應(yīng)用優(yōu)化來求解公式(6).增強(qiáng)過程中將最適合公式(4)的負(fù)梯度向量的回歸樹添加到每個步驟的擴(kuò)展中.該方法的步驟如下：

(1)初始化F0(x)=0.

(2)對于m=1，…，M，執(zhí)行以下操作：

(a)計(jì)算當(dāng)前模型的負(fù)梯度

(7)

(c)更新當(dāng)前模型：

Fm(x)=Fm-1(x)+ρmT(x；Θm)

，

(8)

公式中：ρm為步長.

(3)在順序添加所有M個回歸樹時構(gòu)建模型.

(4)使用生成的模型對風(fēng)電場中的風(fēng)功率進(jìn)行預(yù)測.

為防止過度擬合，在(2)的(c)中使用收縮參數(shù)λ[18]，λ的典型值為0.01或0.001.

Fm(x)=Fm-1(x)+λρmT(x；Θm)

.

(9)

2 計(jì)及實(shí)時電價的儲能模型

2.1 實(shí)時電價

所謂實(shí)時電價即在一天之內(nèi)各時段所對應(yīng)的不同用電狀態(tài)所產(chǎn)生的具有實(shí)效性的費(fèi)用價格，該價格在滿足電力市場的供需關(guān)系基礎(chǔ)上，通常還受整體電力市場下生產(chǎn)方、銷售方及用戶等相互之間的競爭、制約及收益關(guān)系影響，通常實(shí)時電價的曲線隨時間的實(shí)時變化呈現(xiàn)波動趨勢，本文引入某時段的美國加州電價進(jìn)行分析[19]，同時結(jié)合我國實(shí)際市場狀況建立實(shí)時電價模型，如圖2所示.

2.2 基于電價運(yùn)行控制策略的儲能模型

隨著電力市場大環(huán)境中各方面的性能優(yōu)化不斷改進(jìn)，對于用戶而言，實(shí)時電價的提供也將變得越來越清晰智能，但電價信號作為能夠?qū)崟r反映電力需求的可靠參考指標(biāo)，若能夠有力地掌控當(dāng)前電價制度下儲能用戶的充放電規(guī)律，則對于通過電價調(diào)節(jié)手段實(shí)現(xiàn)儲能資源的有效調(diào)度起到重要作用.本文基于以上分析，將儲能系統(tǒng)的充放電規(guī)律與不同儲能用戶的行為習(xí)慣相結(jié)合，并在此基礎(chǔ)上構(gòu)造出與其相應(yīng)的電價因子，同時以此為依據(jù)模擬出電價控制策略下的儲能充放電負(fù)荷曲線，構(gòu)造電價影響因子為

ΔGPi=GPavg-GPi

，

(10)

(11)

(12)

公式中：GPj為電力市場一天內(nèi)的實(shí)時電價；GPavg為日平均電價；ΔGPj為日均電價與實(shí)時電價間的差價；j(j=1，2，…，96)是每日96個均勻時刻點(diǎn).

Pj=λjP

.

(13)

2.3 風(fēng)儲聯(lián)合系統(tǒng)的調(diào)度建模

2.3.1 目標(biāo)函數(shù)

風(fēng)儲聯(lián)合系統(tǒng)采用削峰填谷和計(jì)劃跟蹤多模式協(xié)調(diào)運(yùn)行方式[20].基于風(fēng)電的不確定性，本文將風(fēng)儲聯(lián)合系統(tǒng)的整體收益期望最大化為優(yōu)化方向.目標(biāo)函數(shù)為

(14)

2.3.2 約束條件

風(fēng)儲聯(lián)合系統(tǒng)協(xié)調(diào)優(yōu)化模型的約束條件包括對電量、充放電功率以及儲能循環(huán)費(fèi)用的限制，具體表示以下：

(1)電量約束

(15)

(2)充放電功率限制約束

(16)

(3)儲能循環(huán)費(fèi)用的可行域約束

(17)

3 考慮經(jīng)濟(jì)效益的風(fēng)功率預(yù)測及風(fēng)儲聯(lián)合系統(tǒng)調(diào)度建模

3.1 評估指標(biāo)

(1)與預(yù)測錯誤相關(guān)的總成本(TCFE).TCFE通過使用預(yù)測來衡量成本，是文獻(xiàn)[21，22]中提出的評估指標(biāo)的擴(kuò)展.

(18)

公式中：ei為第i個測試樣本的預(yù)測誤差；n為總測試樣本的數(shù)量.

(2)均方根誤差(RMSE).RMSE對預(yù)測結(jié)果的極值比較敏感.

(19)

(20)

(4)過度預(yù)測百分比(OF%)和預(yù)測不足百分比(UF%)比.OF%和UF%測量零附近的不對稱量.OF%表示測試集中過度預(yù)測樣本的百分比，UF%表示測試集中預(yù)測不足的百分比.

(21)

公式中：nof為過度預(yù)測樣本的數(shù)量；nuf為預(yù)測不足樣本的數(shù)量.

3.2 考慮經(jīng)濟(jì)效益的風(fēng)儲聯(lián)合系統(tǒng)的優(yōu)化調(diào)度

為降低棄風(fēng)電量，提高風(fēng)儲聯(lián)合系統(tǒng)的經(jīng)濟(jì)效益，從而提高電力系統(tǒng)的經(jīng)濟(jì)性，本文提出考慮經(jīng)濟(jì)效益的風(fēng)功率預(yù)測模型和風(fēng)儲聯(lián)合系統(tǒng)優(yōu)化調(diào)度模型.

3.2.1 考慮經(jīng)濟(jì)效益的風(fēng)功率概率預(yù)測模型

本節(jié)介紹考慮成本導(dǎo)向的增強(qiáng)回歸樹建立的風(fēng)功率預(yù)測模型.該模型以成本為導(dǎo)向優(yōu)化增強(qiáng)回歸樹的損失函數(shù)，提高風(fēng)功率預(yù)測精度的同時降低風(fēng)功率預(yù)測誤差成本，從而提高經(jīng)濟(jì)效益.基于成本導(dǎo)向的增強(qiáng)回歸樹的風(fēng)功率預(yù)測模型(COBRT)流程圖，如圖3所示.為了進(jìn)行比較，選擇常規(guī)增強(qiáng)回歸樹(BRT)和最小二乘增強(qiáng)回歸樹(LSBRT)作為對比實(shí)驗(yàn)，驗(yàn)證本文所提模型COBRT的先進(jìn)性.

3.2.2 風(fēng)儲聯(lián)合系統(tǒng)優(yōu)化調(diào)度建模

本節(jié)基于模型COBRT得到的風(fēng)功率預(yù)測值，建立風(fēng)儲聯(lián)合系統(tǒng)優(yōu)化調(diào)度模型.公式(14)至公式(17)構(gòu)成本文的協(xié)調(diào)優(yōu)化模型，通過求解該模型可得到風(fēng)儲聯(lián)合系統(tǒng)的日前發(fā)電計(jì)劃和各不確定性場景中儲能的充放電功率.采用PSO與GAMS軟件中CPLEX求解器相結(jié)合的混合策略對本文提出的雙層優(yōu)化配置模型進(jìn)行求解.具體步驟如下：

(1)使用模型COBRT進(jìn)行風(fēng)功率預(yù)測值，輸出96個風(fēng)功率預(yù)測值；

(2)將目標(biāo)函數(shù)設(shè)置為風(fēng)儲聯(lián)合系統(tǒng)整體收益最大；

(3)風(fēng)儲聯(lián)合系統(tǒng)協(xié)調(diào)優(yōu)化模型的約束條件考慮電量約束，充放電功率限制約束和儲能循環(huán)費(fèi)用的可行域約束，具體根據(jù)2.3.2；

(4)建立風(fēng)儲聯(lián)合系統(tǒng)協(xié)調(diào)優(yōu)化模型并使用CPLEX求解；

(5)輸出常規(guī)發(fā)電機(jī)組和風(fēng)電機(jī)組的出力情況；

(6)根據(jù)風(fēng)電機(jī)組計(jì)劃出力和實(shí)際出力的差值求得風(fēng)電機(jī)組的剩余出力；

(7)結(jié)合實(shí)時電價曲線和儲能電池的基本要求，得到風(fēng)電場實(shí)際儲能充放電功率曲線和存儲量；

(9)確定風(fēng)儲聯(lián)合系統(tǒng)的調(diào)度結(jié)果和最終的風(fēng)能存儲量結(jié)果，計(jì)算經(jīng)濟(jì)收益；

(10)對比分析本文所提模型的經(jīng)濟(jì)性.

4 算例分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

表1 數(shù)據(jù)集劃分

以我國兩個風(fēng)電場為預(yù)測對象，驗(yàn)證模型COBPR的性能.A風(fēng)場的總裝機(jī)容量為300 MW，并網(wǎng)機(jī)組臺數(shù)200臺.B風(fēng)場的總裝機(jī)容量為400.5 MW，并網(wǎng)風(fēng)機(jī)臺數(shù)為267臺.取A風(fēng)場2018年1月1日到12月31日的風(fēng)電功率數(shù)據(jù)(采樣間隔是15 min)，B風(fēng)場2018年1月1日到12月23日的風(fēng)電功率數(shù)據(jù)(采樣間隔是15 min)分別構(gòu)建與驗(yàn)證預(yù)測模型.數(shù)據(jù)集的劃分,如表1所示.

為消除數(shù)據(jù)量綱對模型性能的不良影響，防止數(shù)值小的表征被數(shù)量級大的表征數(shù)據(jù)淹沒，需要對數(shù)據(jù)率先進(jìn)行歸一化處理.計(jì)算公式為

(22)

數(shù)據(jù)預(yù)處理完成后，使用訓(xùn)練集確定增強(qiáng)回歸樹模型的網(wǎng)絡(luò)參數(shù)，建立基于成本導(dǎo)向的增強(qiáng)回歸樹預(yù)測模型.

4.2 風(fēng)功率預(yù)測結(jié)果分析

如3.2選擇模型BRT和模型LSBRT作為對比實(shí)驗(yàn)，將這兩種模型和模型COBRT的風(fēng)功率預(yù)測結(jié)果對比分析，驗(yàn)證本文所提模型COBRT的性能.

圖4 風(fēng)電場A的預(yù)測結(jié)果圖5 風(fēng)電場B的預(yù)測結(jié)果

風(fēng)電場A和風(fēng)電場B中，采用模型COBRT、模型LSBRT、模型BRT進(jìn)行的為期一天的風(fēng)功率預(yù)測，如圖4、圖5所示.分析圖4、圖5發(fā)現(xiàn)：模型LSBRT的預(yù)測結(jié)果與原始風(fēng)功率的變化趨勢較為相近，模型COBRT次之；當(dāng)原始風(fēng)功率序列變化較大時，模型LSBRT也可以得到最符合原始風(fēng)功率序列的預(yù)測結(jié)果.表明本文所提模型LSBRT的預(yù)測值更接近原始真實(shí)的風(fēng)功率.這是因?yàn)長SBRT損失函數(shù)的目的就是為了達(dá)到預(yù)測誤差的最小化，而模型COBRT的損失函數(shù)是基于成本導(dǎo)向的，是為了達(dá)到經(jīng)濟(jì)效益最大化.這也反映出該方法在預(yù)測過程中產(chǎn)生的誤差越小，那么該方法的所達(dá)到的經(jīng)濟(jì)收益就越高.

表2 風(fēng)電場A的5種評估指標(biāo)

表3 風(fēng)電場B的5種評估指標(biāo)

為更全面詳細(xì)的說明模型COBRT的性能，列舉了風(fēng)電場A和風(fēng)電場B的3種模型的5個指標(biāo)結(jié)果如表2、表3所示.分析表2、表3可以發(fā)現(xiàn)：

(1)模型LSBRT的RMSE，MAE和MAPE值總是比使用COBRT方法的小，也就是說，LSBRT可以得到更準(zhǔn)確的預(yù)測值.這是因?yàn)榻⒘薒SBRT是為了最小化RMSE，MAE和MAPE.

(2)風(fēng)電場A中，模型COBRT的TCFE值比模型BRT和模型LSBRT的TCFE值分別小105.7和41.1.風(fēng)電場B中，模型COBRT的TCFE值比模型BRT和模型LSBRT的TCFE值分別小123.5和40.8.

由于本文的研究目的是為了讓經(jīng)濟(jì)效益最大化，因此與模型LSBRT和模型BRT相比，使用模型COBRT減少了風(fēng)電場的總負(fù)荷，可以使風(fēng)電場獲得最大的經(jīng)濟(jì)性收益.

4.3 儲能的實(shí)驗(yàn)結(jié)果分析

基于本文構(gòu)建的風(fēng)儲聯(lián)合系統(tǒng)的調(diào)度結(jié)果如圖6、圖7所示.風(fēng)電場計(jì)劃出力與實(shí)際出力的差值，便是該風(fēng)電場可以用來存儲的功率值.但是這些風(fēng)電是賣出還是進(jìn)行儲能，需要根據(jù)實(shí)時電價確定.分析圖6、圖7可知：0點(diǎn)～9點(diǎn)和14小時～16小時這兩個階段是負(fù)荷低谷期，剩余風(fēng)電量比較多，而此時的電價較低，因此這兩個時段將棄風(fēng)進(jìn)行存儲，儲能電站處于充能狀態(tài).10點(diǎn)～13點(diǎn)和15點(diǎn)～24點(diǎn)這兩個時段是負(fù)荷高峰期，此時電價有明顯漲幅.為了達(dá)到經(jīng)濟(jì)效益最大化，儲能電站處于放電狀態(tài)，將上段時刻存儲的風(fēng)電賣出.通過該協(xié)調(diào)策略可使系統(tǒng)的經(jīng)濟(jì)性最佳.

圖6 A風(fēng)電場儲能真實(shí)功率變化及存儲量圖7 B風(fēng)電場儲能真實(shí)功率變化及存儲量

表4 風(fēng)儲聯(lián)合系統(tǒng)的經(jīng)濟(jì)收益情況

表5 儲能模型收益對比情況

為更直觀說明本文所建模型的有效性，表4分別列出了風(fēng)儲聯(lián)合系統(tǒng)A和B的各經(jīng)濟(jì)指標(biāo).表5列出了普通風(fēng)電場、傳統(tǒng)儲能電站及所提模型的經(jīng)濟(jì)效益對比.可以看出本文所提模型相對比于傳統(tǒng)的儲能系統(tǒng)可使風(fēng)儲聯(lián)合系統(tǒng)獲得更大的經(jīng)濟(jì)效益，風(fēng)電機(jī)組的計(jì)劃出力與實(shí)際出力的差值勢必存在較大差值.實(shí)時電價控制策略下的風(fēng)儲聯(lián)合系統(tǒng)在最大程度利用風(fēng)電的基礎(chǔ)上，將剩余的風(fēng)電在電價較低時存儲起來，電價較高時售出，可以大大提高風(fēng)電的利用率，并且還能兼顧電力系統(tǒng)經(jīng)濟(jì)效益.

5 結(jié) 論

考慮經(jīng)濟(jì)效益的風(fēng)功率預(yù)測和風(fēng)儲聯(lián)合系統(tǒng)優(yōu)化調(diào)度不僅可以更大程度的利用風(fēng)電，提高風(fēng)電場運(yùn)行中經(jīng)濟(jì)效益，而且可以更好的為電力系統(tǒng)決策人員提供有利參考.本文采用的考慮經(jīng)濟(jì)效益的風(fēng)電功率預(yù)測和風(fēng)儲聯(lián)合系統(tǒng)的優(yōu)化調(diào)度方法有以下優(yōu)點(diǎn)：

(1)使用增強(qiáng)回歸樹進(jìn)行風(fēng)功率預(yù)測，并基于成本導(dǎo)向函數(shù)優(yōu)化增強(qiáng)回歸樹，在得到較高精度的風(fēng)功率預(yù)測結(jié)果的同時，降低風(fēng)功率在預(yù)測過程中產(chǎn)生的誤差成本，提高風(fēng)電場的經(jīng)濟(jì)效益；

(2)基于高精度和高經(jīng)濟(jì)性的風(fēng)功率概率預(yù)測，建立電力系統(tǒng)經(jīng)濟(jì)調(diào)度模型，該模型可以得到更好的調(diào)度結(jié)果；

(3)結(jié)合實(shí)時電價曲線，儲能電站在負(fù)荷低谷期存儲剩余的風(fēng)電，在負(fù)荷高峰期賣出，達(dá)到經(jīng)濟(jì)效益最大化.