含风电场的电力系统经济调度研究综述.pdf

第39 卷 第24 期 电力系统保护与控制 Vol.39 No.24 2011年12月16日 Power System Protection and Control Dec.16,2011 含风电场的电力系统经济调度研究综述 周 玮1，孙 辉1，顾 宏2，陈晓东3（1.大连理工大学电气工程学院，辽宁 大连 116024；2.大连理工大学控制科学与工程学院，辽宁 大连 116024；3.辽宁省电力有限公司调通部调度处，辽宁 沈阳 110006）摘要：由于风电具有随机波动特性，大规模风电功率注入电网给电力系统调度运行带来了严峻的考验。分别从建模和求解两个方面阐述并分析了计及风电场的经济调度问题。根据对风速/风电功率不确定特性的不同处理方法，将含风电场的经济调度模型分为确定性建模、模糊建模以及概率建模方法进行论述，并进一步阐明了建模过程中风电引起的备用及风险调度管理问题。对应于优化模型的分类特点，相应地将优化模型的求解方法归结为确定性和不确定性求解方法两大类。最后指出了含有大规模并网风电场的电力系统经济调度问题需要进一步深入开展的工作。关键词：电力系统；风电场；经济调度；旋转备用；风险 A review on economic dispatch of power system including wind farms ZHOU Wei1,SUN Hui1,GU Hong2，CHEN Xiao-dong3（1.Department of Electrical and Electronics Engineering,Dalian University of Technology,Dalian 116024,China;2.School of Control Science and Engineering,Dalian University of Technology,Dalian 116024,China;3.Liaoning Electric Power Co.,Ltd,Shenyang 110006,China）Abstract:Large-scale integration of wind power generators into power grid brings severe challenges to power system economic dispatch due to its stochastic volatility.Economic dispatch including wind farm is elaborated and analyzed from the aspects of modeling and solving methods.According to different treatments of wind speed/wind power uncertainties,the economic dispatch models including wind farm are discussed through the deterministic modeling method,fuzzy modeling method and probabilistic modeling method.Furthermore,the issues on reserve and risk dispatch management in modeling resulted from wind power are introduced.Solving methods are divided into certainty and uncertainty methods corresponding to the classification characteristics of optimization model.Finally,some suggestions are given for further studies on the economic dispatch of power systems including large-scale grid-connected wind farm.Key words:power system；wind farm；economic dispatch；spinning reserve；risk 中图分类号：TM73 文献标识码：A 文章编号：1674-3415(2011)24-0148-070 引言 电力系统经济调度问题的本质是研究在满足系统能量平衡和运行极限约束前提下以经济性最优为目标的约束最优化问题。仅包含常规能源发电方式的传统经济调度是基于电源的可靠性和负荷预测的准确性进行的，可以保证电力系统获得较为可靠的调度计划方案。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。虽然目前国内外学者们已经对风能预测 基金项目：中央高校基本科研业务费专项资金资助 做了大量的相关研究工作1-4，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。因此，如何在原有的调度模式中合理考虑并表示风电这一特殊电源是含有大规模风电场电力系统经济调度研究过程中需要关注的问题5-8。风电的特殊性主要体现为正反两个方面，其正面是风能资源的可再生和清洁特性，风力发电过程除了必要的投资和维护成本外并不需要任何燃料成本，与常规火电机组发电相比可以为电力系统的调度运行带来更多更长远的环境和经济上的收益；另一面则表现为风电本身的不确定性或者说预测误差的不确定性。在调度过程中造成风电功率的盈余或缺失是不可避免的，也相应地带来系统能量的浪费 周 玮，等 含风电场的电力系统经济调度研究综述 -149-（经济性）或风险的提升（可靠性）。为使得可靠性水平和经济性水平保持在系统要求的范围内，必须追加配置一定比例的旋转备用容量。基于以上认识，学者们从经济调度问题的建模和求解出发开展了大量的研究工作。在建模过程中，根据所考虑因素的不同，通常将含大规模风电场的经济调度问题划分为计及不同优化目标、计及不同约束函数的单目标或多目标优化问题。诸如，按照不同优化目标分，包括仅以常规发电机组发电成本或燃料成本为目标9-14、以计及风电成本的发电成本为目标15-18、以风险指标为目标19、以环境成本为目标20-22、以面向电力市场的购电成本为目标20的单目标模型，还有同时以上述指标组合为目标21,23的多目标模型；按照不同约束分，则可以概括为计及备用约束11,13-15,22、计及环境极限约束21、计及系统风险约束17,24的情况。然而，含大规模风电场的经济调度问题的重心主要在于如何应对大规模风电并网所带来的严重的不确定性问题。因此，区别于常规的建模分类方法，本文依据对风电功率不确定性处理方式的不同，将这一类问题归结为确定性建模方法、模糊建模方法以及基于概率的建模方法逐一进行阐述和分析，并在此基础上介绍相关的数学求解方法。本文针对这一课题对已有的相关调度模型和方法研究成果进行综述和总结，重点在于对建模时所涉及的问题的分析和思考，为今后进一步深入研究含有大规模风电并网的经济调度问题提供新思路。1 含大规模风电经济调度建模方法及分析 1.1 含风电电力系统经济调度问题的确定性建模方法 当风电场接入电网以后，电力系统调度人员所面对的问题不仅是如何分配常规机组的输出功率，同时还要兼顾安排风电机组的出力计划。为了保证系统能够安全可靠运行，必须预留足够的备用容量以弥补调度过程中可能发生的发电量盈余或不足。在文献9,11,15,25中，均采用一些有效的优化算法分析研究运行成本、旋转备用需求以及风电穿透功率水平的关系。在优化模型中考虑了由风电不确定性引起的附加旋转备用容量，并将风电总量的一定百分比作为所选附加备用需求的参考值。这种通过增加备用容量来应对风电随机变化特性的建模方法可以在一定程度上起到保障系统安全可靠运行的作用，但由于没有对风电的不确定特性给予统计分析，只有预留100%的风电容量水平的旋转备用才能够确保系统绝对安全。这种确定性的分析方法所获得的优化结果将过于保守，同时因为风电功率不能一直保持在额定功率值附近，这必将造成备用容量的浪费，进而间接地增加了经济调度的发电成本。1.2 含风电电力系统经济调度问题的模糊建模方法 在研究考虑风电的经济调度时，关键在于如何应对并处理未知的风电功率。目前在研究经济调度问题时通常采用两类方法对风电不确定性进行建模，其中之一就是基于模糊集理论的方法。在文献19-23所提出的模型中，定义了一种隶属度函数用来描述系统安全水平与风电穿透功率/运行成本之间的关系。文献19可以充分体现系统调度人员对于风险和成本考虑的主观意识，而文献23则提出了一种双目标经济调度模型，采用多目标粒子群算法计算得出风险和发电成本两个目标下的 Pareto 最优解。调度人员可以根据系统实际运行情况权衡两个优化目标得到最终的优化结果。在上述两个优化模型中虽然通过模糊化对风能进行建模，并将风险引入目标函数中求取最优分配方案，没有在约束中计及具体的备用需求。而陈海焱等人10则在应用模糊理论建立含风电场电力系统动态经济调度的模糊模型基础上，借助于隶属函数来表达决策者满意的程度，将原问题等价为求取满意度指标最大值问题，使调度结果更加能够表达决策者的意愿，从而更好地适应风机输出功率的随机性。针对该模型，提出利用下降搜索思想对传统粒子群算法进行改进，结果验证了方法的可行性。此外，Hong 和 Li 也在文献26中指出可将模糊集理论应用到含有不确定性风电的短期调度问题中。这类方法的优点是可以使得所建立的含风电场经济调度结果充分反映调度决策者的意识，但主观性过强，难以给出客观的调度决策方案。1.3 计及风速/风电功率随机分布的电力系统经济调度问题的概率建模方法 除了对不确定性风电功率进行模糊建模的方法外，还包括基于随机概率分布的仿真方法。当采用随机概率模型对风速或风电功率建模时，目前的相关研究工作所选择的概率密度函数也不尽相同。文献16针对长期模式下的经济调度采用了基于 Weibull 分布规律的风速模型，通过风速功率曲线转换得到相应的风电功率随机分布函数，同时在所提调度模型里引入了备用成本和惩罚成本分别对风电功率过估计和低估的风险在优化问题的目标函数中加以考虑。但该文同样也没有在模型中计及备用约束。另外，由于 Weibull 分布通常用于描述年平均风速的概率分布情况，所以此类分布并不适合用于安排短期发电调度问题。与长期模式下的调-150-电力系统保护与控制 度问题不同，短期调度环境下则需要利用风速/风电预测技术估计出未来具体时刻风电出力的参考值。由于风能本身的随机性和间歇性，使得风电预测较负荷预测更为困难，难以获得负荷预测那样较为准确的结果。因此，有必要对风速/风电功率预测误差进行分析。为突出预测的不确定性，通常的做法是对预测误差建立概率分布模型。文献27是在文献16模型的基础上建立了考虑风速随机分布的优化潮流模型，模型中计及了风速预测结果并分别利用几种不同的随机分布函数来描述风速预测误差，通过比较分析阐述了不同概率密度函数对优化结果的影响。接下来的文献则均采用正态分布来描述预测误差随机变量。文献5采用直接统计的方法对某地区风电场风能的预测误差进行归类统计分析，在等间隔划分基础上统计出各个区间内预测误差的离散概率分布，最终通过检验，证明了风能预测误差服从正态分布规律。在文献28-30中，直接预测的对象也是风电功率，并假设风电功率服从正态分布，均值取为预测值，其标准差即为预测误差这一随机变量的标准差值。文献29同时也指出，风速在某一特定位置的统计模型为正态分布，根据风电功率关于风速的非线性关系可知，风电出力则不会再服从正态分布规律。这一结论同时也在文献31中得以验证。然而，文献29解释：类似于系统中的负荷需求水平，由于大量风力发电机所处地理位置差异性的存在，可以根据中心极限定理认为其出力总和的预测误差符合正态分布的假设成立。当然，对于风机相对集中的情况，这种假设不再成立，必须对风电功率预测误差的概率分布函数进行相应的调整。若首先对风速建立统计模型，然后经过风速风电功率曲线的转换，再进一步推导出风电功率的概率分布，则可以避免上述问题。文献32-35均按照这一思路，在对风速进行预测的基础上采用服从正态分布密度函数来描述风速预测误差，从而使得风电概率模型更加接近实际调度情况。为有效解决含有随机变量的优化问题，随机规划方法作为一种用于含有随机变量优化问题的建模方法，近年来已经在解决输电系统规划、风电穿透功率极限计算等电力系统优化问题方面取得了良好的效果。该方法也同样适合于考虑风电功率随机分布的经济调度问题。机会约束规划作为随机规划的重要分支，可以解决给定置信水平下具有不确定性因素的优化问题。文献13建立了基于机会约束规划的含风电场的电力系统经济调度数学模型，以概率的形式描述相关约束条件，较好地处理了在经济调度问题中如何考虑风电随机性的问题。类似地，孙元章等人14针对风电场出力的随机性，在风速预测的基础上，也应用随机规划理论中的机会约束规划模型处理考虑机组组合的含风电场电力系统动态经济调度问题。笔者认为，上述三类方法中确定性建模方法过于保守，经济性差。计及风速/风电功率不确定性的概率建模方法可以定量地描述风电功率的概率分布特性，较模糊建模方法能够更加准确客观地处理风电不确定性引起的问题。1.4 建模过程中涉及的备用问题及经济调度风险管理研究 就短期经济调度而言，由于风力预测技术还未趋于成熟，即使在得到预测结果以后，风电功率预测误差的不确定性仍然会对系统造成不可避免的风险。备用容量的相应增加是控制系统风险的必备且有效的手段。但仅仅根据实验经验来确定增加因风电而引起的备用附加量，仍然无法确保系统风险满足运行要求。因此，必须对系统进行风险分析并采用相应的手段进行风险管理，使得系统的风险值能够控制在规定的范围内，从而保证系统能够安全可靠运行。依据风险指标的限定值来确定系统最终所需的备用容量是一种有效之举。文献30就根据这一思想在对风电功率建立随机统计模型的基础上以系统失负荷概率作为风险指标，提出了确定系统备用需求容量的概率方法。目前含风电系统经济调度问题研究中所涉及的风险，并没有统一的衡量标准，大致可以归纳为以下几种定义：（1）以失负荷概率可靠性指标作为系统风险评价标准5,30；如文献5将风能预测误差的概率分布与发电机组停运概率分布相结合，确定风电接入后满足系统一定可靠性水平下的备用容量。（2）以关于风电穿透功率的隶属度函数的倒数为风险评价指标19,23；即应用模糊理论中的隶属度函数，将风电引起的风险引入到目标函数中去，从而达到降低系统风险的目的。（3）其他评价标准。如文献17综合考虑了风险价值、条件风险价值理论以及风电预测曲线的波动性，将包括风电预测结果标准差值的惩罚项加入到目标函数中去，同时对风险率添加风险限度约束，从而降低风电不确定性因素产生的风险成本。需要指出的是该文所涉及的风险价值和风险率的概念均针对发电机组实际运行成本大于预期目标的风险而言，最终优化解的获取与风险价值的设置密切相关，仅在一定程度上表征了系统的风险趋势，并没有量化系统的运行风险。鉴于本文对计及风速/风电功率随机分布的概率优化模型的肯定，作者更加倾向于采用第一种以 周 玮，等 含风电场的电力系统经济调度研究综述 -151-具体的概率分布函数为基础的风险评价标准，并提出了基于风险约束的含风电电力系统经济调度优化模型24，利用失负荷风险评价指标确定系统的旋转备用容量，合理地协调了系统风险与成本之间的关系，实现了满足系统可靠性要求下的系统经济性最优的目标。1.5 其他相关调度模型 目前国内外学者已经在传统经济调度模型的基础上开展了考虑风电接入后调度问题的研究工作，从关注问题的各个不同侧重点出发，提出了一些新的适应于风电并网条件下的经济调度模型和求解方法。除此之外，随着风电并网技术的发展，环境问题越来越受到人们的关注。最主要的环境问题来源于一次能源在转化为电能过程中所造成的环境生态污染。因此，在研究含风电调度问题时有必要考虑风电的环境效益对调度的影响。同时，在解除管制的市场环境下，需要研究与风电并网相适应的配套调度机制以满足系统运行的要求。在此电力背景下，许多学者结合了电力市场及环境影响等因素对计及风电场的经济调度问题进行了深入的研究和探讨。Kennedy 在文献36中提出了一种新的方法和评估模型用于评估大规模风电并网为调度带来的环境效益。文献20则在电力市场机制下全面地考虑了各个机组和各种能源的环境成本，建立了面向电力市场的含风电电力系统环境经济调度优化模型。通过 IEEE30 节点系统的仿真结果分析，说明了考虑环境因素和风电备用成本能够使电力市场环境下含风电的经济调度结果更趋合理和经济，具有更高的可信度。文献21不仅在目标函数中将环境成本作为其一优化目标提出了一种含风电机组的多目标环境经济调度模型，而且在不等式约束条件中对影响环境质量的几种重点有害气体排量加以限制，从而可获得以系统经济成本和环境成本最小为目标，满足系统运行约束和环境要求约束的最优调度方案。2 含风电场的经济调度问题求解方法 针对所建立的含有大规模风电功率的经济调度问题数学模型的特点，可将求解方法分为确定性和不确定性两大类。2.1 确定性求解方法 以上含风电场经济调度问题在建模过程中都直接或者间接地考虑了风电功率的不确定性，最终需要解决的优化问题都是确定性的数学模型，因此，所采用的优化方法无异于风电并网前的电力系统经济调度问题，主要分为传统算法和启发式算法。目前应用于含风电场经济调度问题的优化算法主要为直接搜索算法15、遗传算法17,20,22、进化规划算法25、模拟退火算法12、粒子群算法10,18,23等启发式算法及其改进形式。这一类人工智能算法与经典优化算法的局部寻优特性相比，具备全局搜索能力。虽然搜索过程需要消耗较长的时间，但是由于其对优化问题的数学模型不敏感且适应性强，即可以用于包含各种函数形式的优化模型，从而使得其更具有工程实际应用价值。下面就几种广泛采用的基于随机搜索的人工智能算法进行详细阐述。（1）遗传算法 遗传算法最初是由美国 Michigan 大学的 J.Holland 教授于 1975 年首次提出来的一种模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，通过模拟自然进化过程搜索最优解。作为一种全局搜索技术，它可以用于处理以非光滑或非凸函数作为目标函数的优化问题。近些年来，遗传算法已经被成功地用来寻找工程和科学领域中问题的满意解。在电力系统经济调度问题中也得到了广泛的应用37-39。文献20基于遗传算法计算思想运用 Matlab 工具箱对所提出的面向电力市场的含风电电力系统环境经济调度优化问题进行优化仿真。文献17针对传统遗传算法过早收敛的缺点，将自适应理论和免疫算法融汇其中，提高了算法的运算效率。文献22采用一种量子遗传算法解决考虑阀点效应的含风电场电力系统经济调度问题。量子遗传算法是一种基于量子计算思想的进化算法，同时应用来源于遗传算法的交叉算子和来源于量子计算过程的更新策略有效地改进了算法的全局搜索能力。（2）进化规划算法 除了遗传算法外，进化规划也是进化算法中最具代表性的方法之一。进化规划是 L.J.Fogel 于 20世纪 60 年代在人工智能研究中提出来的一种有限状态机进化模型，此模型中机器的状态是基于均匀分布的规律来进行变异40-41。从一组随机产生的个体开始进行搜索，通过变异、选择等操作使个体向着搜索空间中越来越靠近全局最优值的区域进化。从文献42-43的研究内容可以看出，进化规划算法能够用于求解含有各种函数形式目标函数（包括光滑和非光滑的函数形式）的经济调度问题。文献25将粒子群优化嵌入进化规划过程，进而提出了一种进化规划粒子群算法用于解决非线性优化调度问题。利用这一算法可以以较高的计算效率获得较高质量的最优解。（3）模拟退火算法-152-电力系统保护与控制 模拟退火算法是由Kirkpatrick等人44提出来的一种模拟固体物理退火过程的热平衡问题的启发式随机搜索技术。其特点是算法本身与初值无关，最优解与初始解的状态即算法迭代的起点无关，并且具有渐近收敛及并行计算的特性，已经在理论上被证明是一种以概率收敛于全局最优解的全局优化算法。在文献12对风热联合调度问题进行求解过程中，通过引入约束满足技术的改进模拟退火算法大大地提高了算法寻优的速度。（4）粒子群算法 在众多人工智能优化算法中，粒子群优化算法是近几年发展起来的、最先由Kennedy和Eberhart45提出的一种新的模仿鸟类群体行为的智能优化算法，现已经成为进化算法的一个新的重要分支。对于大规模、高维数、非线性、非凸、多约束的各类电力系统运行与控制优化问题，粒子群及其改进算法不失为一类有效实用的计算工具46-48。文献10提出了一种改进粒子群算法求解含风电场电力系统动态经济调度的模糊模型。该算法在基本粒子群算法基础上引入下降搜索算子，提高了迭代过程中粒子的收敛速度和计算精度。文献18则建立了一种基于人工免疫系统的混沌粒子群算法，该算法依据混沌理论，将免疫算法和粒子群算法相结合，克服了粒子群算法容易陷入局部最优解的不足。文献23采用一种改进的多目标粒子群优化算法给出可以权衡系统运行成本和风险水平两个优化目标的 Pareto 最优解。2.2 不确定性求解方法 对于计及风速/风电功率随机分布的概率优化模型，通常采取两种方式进行求解：如文献28-29为应对涉及正态分布随机模型的调度问题，采用基于多场景的调度方式，即首先根据概率分布对风速或风能样本进行抽样形成多个离散的运行场景，再单个场景进行寻优，那么从原则上讲整个优化过程仍然是对确定性优化模型的计算。另外一种方式是对应于随机规划模型，如文献13利用基于随机模拟的粒子群算法求解基于机会约束规划的含风电场的电力系统经济调度问题。文献14在求解机会约束规划模型时采用了综合随机模拟、神经元网络和遗传算法的混合智能算法，提高了算法的收敛速度和计算性能。3 结论 在研究含有大规模并网风电场的电力系统经济调度问题时，需要分别就其优化模型和数学求解方法两个方面展开。本文依据对风电随机性和间歇性的不同处理方法，将计及风电不确定性的经济调度模型主要按照确定性建模、模糊建模、基于概率分布的建模方法进行分类。并进一步强调大量风能资源并入电网后所带来的备用和系统风险管理问题。除此之外，根据所选优化目标的不同，本文还介绍了考虑市场因素以及环境因素的含风电调度问题优化模型。在问题的求解方面，同样区分确定性和不确定性求解方法进行了较为详细的阐述。关于含风电场的电力系统经济调度问题研究工作在逐步深入开展过程中，并且已经取得了一定成果。本文经过对当前研究进行归纳分析，提出在研究适合于风速及风功率特性的调度问题时，需要从以下两个方面进一步着手考虑：（1）在建立含大规模风电功率电力系统经济调度模型时，将环境效益合理计入风电成本中用以在当前高风电电价的形势下提升风电在各类发电方式中的竞争力。（2）在综合考虑系统成本、风险与环境因素的基础上，将电力系统安全约束引入含有大规模风电场的经济调度问题中，从而使得含风电场的经济调度问题更加符合实际调度运行的要求。参考文献 1 Potter C W,Negnevitsky M.Very short-term wind forecasting for tasmanian power generationJ.IEEE Transactions on Power Systems,2006,21(2):965-972.2 杨秀媛,肖洋,陈树勇.风电场风速和发电功率预测研究J.中国电机工程学报,2005,25(11):1-5.YANG Xiu-yuan,XIAO Yang,CHEN Shu-yong.Wind speed and generated power forecasting in wind farmJ.Proceedings of the CSEE,2005,25(11):1-5.3 肖永山,王维庆,霍晓萍.基于神经网络的风电场风速时间序列预测研究J.节能技术,2007,25(142):106-108,175.XIAO Yong-shan,WANG Wei-qing,HUO Xiao-ping.Study on the time-series wind speed forecasting of the wind farm based on neural networksJ.Energy Conservation Technology,2007,25(142):106-108,175.4 Alexiadis M C,Dokopoulos P S,Sahsamanoglou H S.Wind speed and power forecasting based on spatial correlation modelsJ.IEEE Transactions on Energy Conversion,1999,14(3):836-842.5 孟祥星,王宏.大规模风电并网条件下的电力系统调度J.东北电力大学学报,2009,29(1):1-7.MENG Xiang-xing,WANG Hong.Electric system scheduling in the condition of synchronization of large-scale wind powerJ.Journal of Northeast Dianli University,2009,29(1):1-7.6 雷亚洲.与风电并网相关的研究课题J.电力系统自 周 玮，等 含风电场的电力系统经济调度研究综述 -153-动化,2003,27(8):84-89.LEI Ya-zhou.Studies on wind farm integration into power systemJ.Automation of Electric Power Systems,2003,27(8):84-89.7 戴慧珠,王伟胜,迟永宁.风电场接入电力系统研究的新进展J.电网技术,2007,31(20):16-23.DAI Hui-zhu,WANG Wei-sheng,CHI Yong-ning.Recent wind power integration study in ChinaJ.Power System Technology,2007,31(20):16-23.8 Ummels B C,Gibescu M,Pelgrum E,et al.Impacts of wind power on thermal generation unit commitment and dispatchJ.IEEE Transactions on Energy Conversion,2007,22(1):44-51.9 Chen C L.Optimal wind-thermal generating unit commitmentJ.IEEE Transactions on Energy Conversion,2008,23(1):273-280.10 陈海焱,陈金富,段献忠.含风电场电力系统经济调度的模糊建模及优化算法J.电力系统自动化,2006,30(2):22-26.CHEN Hai-yan,CHEN Jin-fu,DUAN Xian-zhong.Fuzzy modeling and optimization algorithm on dynamic economic dispatch in wind power integrated systemJ.Automation of Electric Power Systems,2006,30(2):22-26.11 周玮,彭昱,孙辉,等.含风电场的电力系统动态经济调度J.中国电机工程学报,2009,29(25)：13-18.ZHOU Wei,PENG Yu,SUN Hui,et al.Dynamic economic dispatch in wind power integrated system J.Proceedings of the CSEE,2009，29(25)：13-18.12 Chen C L.Simulated annealing-based optimal wind-thermal coordination schedulingJ.The Institution of Engineering and Technology,2007,1(3):447-455.13 江岳文,陈冲,温步瀛.基于随机模拟粒子群算法的含风电场电力系统经济调度J.电工电能新技术,2007,26(3):37-41.JIANG Yue-wen,CHEN Chong,WEN Bu-ying.Economic dispatch based on particle swarm optimization of stochastic simulation in wind power integrated systemJ.Advanced Technology of Electrical Engineering and Energy,2007,26(3):37-41.14 孙元章,吴俊,李国杰,等.基于风速预测和随机规划的含风电场电力系统动态经济调度J.中国电机工程学报,2009,29(4):41-47.SUN Yuan-zhang,WU Jun,LI Guo-jie,et al.Dynamic economic dispatch considering wind power penetration based on wind speed forecasting and stochastic programmingJ.Proceedings of the CSEE,2009,29(4):41-47.15 Chen C L,Lee T Y,Jan R M.Optimal wind-thermal coordination dispatch in isolated power systems with large integration of wind capacityJ.Energy Conversion and Management,2006,47(18):3456-3472.16 Hetzer J,Yu D C.An economic dispatch model incorporating wind powerJ.IEEE Transactions on Energy Conversion,2008,23(2):603-611.17 任博强,蒋传文,彭鸣鸿,等.基于改进遗传算法的含风电场的电力系统短期经济调度及其风险管理J.现代电力,2010,27(1):76-80.REN Bo-qiang,JIANG Chuan-wen,PENG Ming-hong,et al.Short-term economic scheduling model including wind park based on improved genetic algorithm and risk managementJ.Modern Electric Power,2010,27(1):76-80.18 任博强,彭鸣鸿,蒋传文,等.计及风电成本的电力系统短期经济调度建模J.电力系统保护与控制,2010,38(14):67-72.REN Bo-qiang,PENG Ming-hong,JIANG Chuan-wen,et al.Short-term economic dispatch of power system modeling considering the cost of wind powerJ.Power System Protection and Control,2010,38(14):67-72.19 Miranda V,Hang P S.Economic dispatch model with fuzzy wind constraints and attitudes of dispatchersJ.IEEE Transactions on Power Systems,2005,20(4):2143-2145.20 袁铁江,晁勤,吐尔逊.伊不拉音,等.面向电力市场的含风电电力系统的环境经济调度优化J.电网技术,2009,33(20):131-135.YUAN Tie-jiang,CHAO Qin,TUERXUN Yibulayin,et al.Electricity market-oriented optimization of environmental economic dispatching for power grid containing wind powerJ.Power System Technology,2009,33(20):131-135.21 Piperaqkas G S,Anastasiadis A G,Hatziarqyriou N D.Stochastic PSO-based heat and power dispatch under environmental constraints incorporating CHP and wind power unitsJ.Electric Power Systems Research,2011,81(1):209-218.22 Lee J C,Lin W M,Liao G C,et al.Quantum genetic algorithm for dynamic economic dispatch with valve-point effects and including wind power system J.Electrical Power and Energy Systems,2011,33(2):189-197.23 Wang L F,Singh C.Tradeoff between risk and cost in economic dispatch including wind power penetration using particle swarm optimizationC/International Conference on Power System Technology,Chongqing,China,2006:1-7.24 Zhou W,Peng Y,Sun H.Optimal wind-thermal coordination dispatch based on risk reserve constraints J.European Transactions on Electrical Power,2011,21(1):740-756.25 Lee T Y.Optimal spinning reserve for a wind-thermal power system using EIPSOJ.IEEE Transactions on Power Systems,2007,22(4):1612-1621.26 Hong Y Y,Li C T.Short-term real-power scheduling considering fuzzy factors in an autonomous system using-154-电力系统保护与控制 genetic algorithmsJ.The Institution of Engineering and Technology,2006,153(6):684-692.27 Jabr R A,Pal B C.Intermitten