第一章 绪论
1.1 课题研究的背景和意义
现代电力系统正朝着规模扩大化、发电集中化和多样化发展，传统的水电、火电，新型的核电、风电、太阳能发电等各种发电方式正在快速发展。由于气候、昼夜、温差和人们生活习惯的变化，当前电网的日负荷特性呈现单峰向双峰转变、峰谷差不断增大的趋势，仅靠实时的调节发电机组出力往往应付不了这种变化，所以当前的调度系统通常提前对第二天的负荷进行预测，并根据预测结果确定第二天机组的开关机状态和出力大小。 不同机组有着不同的成本特性和技术、运行约束，在一个调度周期内（一般是一天）确定一种最佳的机组组合和出力大小，满足机组本身技术约束和电力系统相关约束，并将成本（煤耗、水耗等）降到最低，这就是机组组合问题(Unit Commitment roblem, UCP)。机组组合通常包含两个子问题：机组组合(Unit Commitment, UC)和经济分配(Economic Dispatch, ED)。
1) 机组组合子问题就是所有机组在规定的调度周期内开关机状态的确定。不同的负荷大小应该有不同的机组开关机状态，而不同时刻间的机组状态转换、持续开关机时间也会影响运行成本，单一时段的运行最优并不能保证整个调度周期的成本最优，所以应该将整个调度周期作为一个整体进行优化。
2) 经济分配子问题就是所有机组在规定的调度周期内每个时刻出力大小的确定。不同机组有着不同的耗量特性，运行机组在不同出力下的经济性不同。确定每台机组的出力使得整个电力系统既能保证供电又可以达到耗量最低就是经济分配问题的主要关注点。机组组合问题是经济调度的重要组成部分，通过机组组合，极大的优化机组的开关机状态和出力情况，在保证供电可靠性的前提下降低发电成本，达到经济性最优。
由于发电成本占到供电成本的 35~50%，所以降低发电成本有助于显著提高电力企业的经济效益。所以电力科研人员一直在致力于求解大规模机组组合的优化算法。传统机组组合问题通常只考虑火电（水电）的发电计划。随着传统能源的日益枯竭和可再生能源的快速发展，可再生能源发电尤其是风力发展正占据越来越大的发电比重。由于大自然风速的随机性，大规模风电接入后往往给系统的安全运行带来危害。为了应对大规模风电的接入，调整机组组合、提高机组爬坡速率、接入储能技术等措施开始被考虑加入含风力发电的电力系统系统机组组合问题中。如何最大化以上措施的综合经济效益成为一个棘手的难题。在数学上，机组组合问题是一个高维、非凸、离散的混合整数非线性数学优化问题，是一个典型的 NP 难问题。目前的方法只能寻找到可以接受的次优解，对于最优解的计算无能为力。计算机技术发展带来的智能优化算法，如 GA，PSO 等，能够很好的处理针对各类问题的机组组合问题，而随着并行运算的日益成熟和 CPU、GPU的飞速发展，计算速度已经不再是机组组合最为关心的问题。随着可再生能源的加入，电力系统的安全要求变得举足轻重，如何得到满足安全要求的机组组合结果是当前机组组合的研究重点。
1.2 机组组合研究历史和现状
机组组合问题是一个与电力系统实际运行密切相关的问题，随着电力系统的发展，机组组合问题也不断的发展和完善以适应电力系统经济调度的需要。由于该问题尚没有完美的求解方法，所以一直是经济调度领域的热门课题之一。本节主要从机组组合的数学模型和求解方法两个方面回顾和总结机组组合的发展。
1.2.1 机组组合数学模型
机组组合的数学模型并不是一层不变的，根据系统发电结构、技术特性的不同可以建立不同的机组组合模型。随着人类社会的发展，机组组合问题的目标也开始变化，不再单一的关心发电成本的最优，还包括环境效益、辅助服务成本等等。机组组合的数学模型主要包括目标函数、系统约束和发电机组技术约束。
第二章 含风电和抽水蓄能电站的 UC 数学模型
UC 问题是一个复杂的最优化问题，要求在一定的系统和技术约束下调整机组的开关机状态和出力，使得选定的目标达到最优。求解 UC 问题的第一步就是要建立合适的 UC 数学模型，其形式根据不同的求解目的有所不同，越接近实际系统，考虑的约束越多，其模型就越复杂。由于我国风电受国家政策扶持得到大力发展，然而其随机性和间歇性又会给电力系统带来严重的安全运行问题。目前有很多针对解决风电入网风险问题的研究，其中受到研究人员普遍关注的是风电—储能联合系统运行。作为储能系统中应用最广泛的一种，抽水蓄能以其良好的性能和合理的造价占据了超过 99%的份额。风电和抽水蓄能电站的接入，会对电力系统的运行、调度等造成很大的影响。由于风电机组和抽水蓄能电站机组与火电机组在技术结构上的差异，所以在传统系统中加入风电和抽水蓄能电站后，其 UC 数学模型要发生很大的变化。本章建立了含风电和抽水蓄能电站的 UC 数学模型，对目标函数和约束条件进行了详细的描写，为第三、四章的算例分析提供了理论支持，也为第四章考虑风电随机性后 UC 问题的讨论打好了基础。本章设计的变量含义如表 2 所示。
2.1 目标函数
机组组合问题的首要任务就是建立一个符合机组技术约束和电力系统相关约束的数学模型。本章常规机组组合数学模型基础上建立了含风电和抽水蓄能的 UC 数学模型。常规机组的约束条件主要包括系统功率平衡约束、系统旋转备用约束、机组最小开关机时间约束、机组最大最小出力限制约束和爬坡速率约束，抽水蓄能站主要考虑了抽水和发电的相关约束，水库容量约束，并添加了调度始末的水位误差约束以确保抽水蓄能电站可以长期稳定运行，并对每一条约束进行了说明。考虑国内的风电扶持政策，电力系统必须全部接纳风电出力，所以风电出力由当前的风速唯一确定。本章建立的机组组合模型并没有考虑风电随机性，更详细的考虑风电随机性的机组组合建模将在第四章进行说明。
第三章 基于风电预测的确定性机组组合算法研究............25
3.1 BPSO 求解 UC 问题..........25
3.1.1 基本原理..........26
3.1.2 约束处理..........28
3.1.3 求解流程..........30
3.2 算例分析 ..........32
3.2.1 算例参数..........32
3.3 本章小结 ..........42
第四章 基于 Benders 分解的随机性机组组合研究........44
4.1 风电随机性分析 ........44
4.2 相关理论研究 ........46
4.2.1 蒙特卡罗法........46
4.2.2 场景缩减技术........46
4.2.3 Benders 分解法........47
4.3 Benders 分解法求解随机 UC 问题........49
4.3.1 基于 Benders 分解的随机 UC 模型........49
4.3.2 Benders 分解法求解随机性........51
4.4 算例分析 ........52
4.4.1 风电场景生成结果........52
4.4.2 不含抽水蓄能的风电随机 UC 问题........53
4.4.3 含抽水蓄能的风电随机 UC 问题........55
4.5 本章小结 ........62
第五章 结论与展望........63
5.1 论文主要结论 ........63
5.2 未来工作展望 ........63
结论
本文建立了含风电和抽水蓄能的确定性和随机性机组组合数学模型，使用 BPSO算法对确定性机组组合问题进行了求解。对于随机性机组组合问题，通过蒙特卡罗抽样和场景缩减技术将随机性问题转化为确定性问题进行求解，利用 Benders 分解将随机机组组合问题转化为一个确定性机组组合问题和若干个风电场景的确定性机组组合问题，并进行求解。对算例结果进行数值分析，具体结论如下：
1. 建立了含风电和抽水蓄能电站的随机性机组组合数学模型。本文在传统机组组合基础上进行修改和添加，建立了含风电和抽水蓄能的确定性和随机性 UC 问题数学模型。根据数学模型的特点利用 BPSO 算法和 Benders 分解算法进行求解，算例结果证明了所用算法的可行性和适用性。
2. 评估了抽水蓄能电站在基于风电预测的确定性 UC 问题中的作用。不考虑风电随机性时，为了对比抽水蓄能的作用，本文考虑了无抽水蓄能、含固定调度策略的抽水蓄能和含随机调度策略的抽水蓄能三种情况的确定性机组组合，结果表明，抽水蓄能能有效的提高系统的经济性，起到调峰的作用。固定策略和随机策略的比较显示，固定策略比随机策略在计算上要简化很多，但是经济性提升效果上不如随机调度策略。
3. 在第三章的结果基础上，评估了抽水蓄能电站在考虑风电预测误差的随机性UC 问题中的作用。考虑风电随机性时，风电随机性的强弱（预测误差大小）会对系统运行安全域度的大小。加入抽水蓄能后的结果显示，抽水蓄能可以有效提高含随机风电系统的机组组合安全域度，同时可以改善因风电随机性造成的经济性损失。不同情况下的机组组合结果显示，场景数目、风电出力预测误差、抽水蓄能库容、初始水位等均会对最终的安全性和经济性计算结果造成影响，风电渗透率可以用来解释抽水蓄能对系统安全性的改善。
参考文献
[1] 袁晓辉，王乘，袁艳斌，张勇传．一种求解机组组合问题的新型改进粒子群方法[J]．电力系统自动化，2005，29(1)：35－38．
[2] 韦化，吴阿琴，白晓清．一种求解机组组合问题的内点半定规划方法[J]．中国电机工程学报，2008，28(1)：35－40.
[3] 温步瀛，陈冲，程浩忠．市场竞争条件下的发电机组启停机计划优化[J] ．电网技术，2006，30(6)：6－72．
[4] 张晓花，赵晋泉，陈星莺．节能减排多目标机组组合问题的模糊建模及优化[J]．中国电机工程学报，2010，30(22)：71－76．
[5] 张晓花，赵晋泉，陈星莺．节能减排下含风电场多目标机组组合建模及优化[J]．电力系统保护与控制，2011，39(17)：33－39．
[6] Anupam Trivedi，Deepak Sharma，Dipti http://sblunwen.com/dlxtlw/ Srinivasan．Multi-objectivization of short-term unitcommitment under uncertainty using evolutionary algorithm[A] ． In ： 2012 IEEE Congress onEvolutionary Computation[C]，Washington：IEEE Computer Society，2012：1－8．
[7] D. Yamashita，T. Niimura，R. Yokoyama．Trade-off analysis of CO2 versus cost bymulti-objective unit commitment[A]．In：2010 IEEE Power and Energy Society General Meeting[C]，Piscataway：IEEE Computer Society，2010：1－6．
[8] 胡家声，郭创新，曹一家．一种适合于电力系统机组组合问题的混合粒子群优化算法[J]．中国电机工程学报，2004，24(4)：24－28．
[9] 李树山，李刚，程春田，等．动态机组组合与等微增率法相结合的火电机组节能负荷分配方法[J]．中国电机工程学报，2011，31(7)：41－47．
[10] Ming Yang，Feng-lu Cheng，Xue-shan Han，et al．A fast heuristic algorithm for maximumLOLP constrained unit commitment[A]．In：2012 IEEE PES ISGT[C]，2010：1－6．