第 1 章 绪 论
1.1 课题背景、目的及意义
随着化石燃料的日益枯竭和环境问题的日益增加，人类意识到必须大力发展新能源。在不久的将来，一次能源以可再生、清洁能源为主、终端能源以电力为主的格局将变成现实。近些年来，可再生能源特别是风能得到了飞速的发展，风力发电已经成为了一种趋势，并网容量在电网中所占的比重越来越大，但是考虑到风能资源自身的特点，间歇性和波动性，大规模风电并入电网会给电力系统的安全、稳定运行带来许多不利影响，其中很重要的一部分是对电力系统有功调度的影响。传统的有功调度是建立在电源的可靠性以及负荷的可预测性基础上的，以这两点为基础，发电计划的制定和实施有了可靠的保证。但是，如果电网系统内含有大量风电场，由于风电出力的随机性、不确定性以及波动性等特点，现阶段风电功率低预测水平，尽管众多学者致力于更精准预测方法的研究，但由于地理位置、天气预报等各种因素的影响，导致预测误差维持在 20%～30%[１-5]左右，使发电计划的制定变得困难起来。在研究含风电场的电力系统有功调度问题中，如果将风电场作为负的负荷加入到有功调度模型中，由于风电功率很难准确预测，造成模型求解不准确；如果把风电场看作发电电源，与火电场相比较，可靠性没有保证，为了使电力系统安全、稳定运行不得不通过增加旋转备用容量或额外成本等代价来应对风电预测误差，从而增加了电力系统运行的成本。风电功率波动的不确定性也给电力系统的调峰带来一些问题。由于我国电源结构主要以火电机组为主，在调峰的过程中可能不能快速响应风电功率的不确定波动，造成机组的频繁启停，使电力系统处于不经济的运行状态。综上所述，在现有的风电功率预测水平和电源结构的制约下如何合理制定发电计划实现最大化利用风能与调度成本经济性的统一成为亟待解决的问题。
1.2 国内外风电发展现状
1.2.1 国外风电发展现状
随着化石燃料的日益枯竭和环境问题日益突出，风电作为一种可再生清洁能源，其利用受到越来越多人的重视与关注。风电在全球范围的蕴藏量巨大，据全球风能协会(GWEC)数据统计可知，2011 年全球风电新增装机容量超过41GW，目前全球风电总装机容量已超过 238GW，这表明去年风电市场的年增长率达 6%，总量同比增长超过 21%。另一组统计数据指出，在全球已经有风电商业运营项目的 75 个国家中，超过 22 个国家装机容量已逾 1GW。其中，中国、美国、印度、德国、英国、加拿大、西班牙、意大利、法国、瑞典是 2011年新增风电装机前十的国家，他们的新增装机量占世界新增装机量的 87.5%。欧洲去年新增装机 9.6GW，总装机容量上升至 94GW，这一数字支撑着欧洲 6.3%的用电需求。英国欲在 2050 年减少 80%的碳排放量，英国 Boreas 风力发电集团公司强调，风力发电是既有环保价值又有商业价值的措施和手段。英国有 11450 公里的海岸线，年平均风速可以达到 8 米每秒。与相对成熟的欧美风电市场比，美国风电行业去年新增装机 6.8GW，形势有所回落。“过去几年我们使风电装机量在美国的新增装机里占到了三分之一，而且正在努力实现到2030 年使风电能提供美国 20%的用电量的目标。欧洲发达国家对风电并网制定相关导则[6]，极大地提高了风电的利用率，相关具体导则包括有功功率控制、频率调节、电压控制、保护配置及整定、风电建模及验证、低电压穿越能力等。由于并网技术的成熟，极大地推动了风电产业的发展。
第 2 章 风功率初始场景选取
2.1 引言
采用场景分析的方法对含风电的电力系统有功调度的研究中，通常需要在给定的置信区间内，对风功率进行场景小区间划分，每个小区间即一个场景代表风电可能的出力，该场景的划分文献中一般采用蒙特卡洛模拟的等间距划分，这样未考虑间距划分与系统调节性能之间的关系。实际上，运用场景分析法解决含风电的电力系统有功调度的研究中，难点在于对风电场景怎样去划分，在系统的实际运行中，风功率每个场景的选取是以点功率来代替出力区间，该区间与系统机组的当前运行状态和机组的爬坡能力有关系。风电可能出力出现在该区间最上限或最下限时，机组应该有相应的备用容量或爬坡速率来满足系统的调节要求。本章首先对风功率的概率分布特性进行分析，认为风功率在其预测值附近基本服从正态分布；再深入分析场景划分与系统调节性能之间的关系，给出了风功率场景选取的原则、步骤和模型；最后给出算例，验证了该场景划分的有效性与实用性。
2.2 风电功率输出特性分析
在进行含风电场的电力系统有功调度研究时，风电功率一般作为负的预测负荷引入到调度模型中，由于风电出力的不确定性、随机性和不可控性，现阶段风电功率预测水平比较低，使得风电并网可能给系统安全稳定运行和调度带来很大难度。因此，有必要对风电场的风电功率分布特性进行分析与研究。一般认为风速是满足 Weibull 分布[44、45]的，通过风速与风电输出功率的关系可以得到风电功率的分布特性，但大量的实测数据表明，风电功率的分布不满足常见的分布。由文献[30]、[46]、[47]可知，风电功率在预测值附近的相对误差服从正态分布。
2.3 场景分析法在电力系统中的应用
场景分析法(scenario analysis)是一种分析未来不确定事件的分析方法，其基本原理是在各种有效假设的基础上，通过详细、严密推理或描述未来出现的各种可能方案。该方法在已知数据的基础上对未来数据的推断，以概率为基础，每件可能发生的事件作为一个场景，其可能出现的概率，反应了该场景在最终方案中的重要程度。不同事件发生的概率不同，不同事件组合之后发生的概率亦不同，对最终方案的影响也不同。其中场景在所有场景中所占权重越大，对最终方案的影响也越大。场景分析法在电力系统中的应用也比较广泛，文献[29]建立了考虑安全约束机组组合随机优化模型，文中设定了多个场景，以负荷预测误差和系统故障为主要考虑因素，以体现模型对随机事件的适应性。文献[30]将场景法用于风力发电功率不确定性的描述，建立了考虑安全约束的风电并网系统的市场出清模型。文献[31]在建立以预测、误差场景为引入决策因素的目标函数基础上，要求在预测场景和误差场景下各机组出力方案之间的过渡需满足爬坡速率约束的要求，以确保调度方案的可操作性。而文献[32]进一步验证了场景法在解决随机安全约束机组组合问题中的优越性。
第 3 章 单时段风电并网系统有功调度........20
3.1 引言........ 20
3.2 单时段风电并网系统有功调度模型 ..... 21
3.3 风功率场景的动态调整 .... 24
3.4 风功率场景筛选的评价指标 .......... 24
3.5 求解方法....... 25
3.5.1 二次规划问题 ........ 25
3.5.2 求解步骤 ......... 25
3.6 算例分析....... 26
3.7 本章小结....... 31
第 4 章 风电并网系统动态有功调度.....33
4.1 引言........ 33
4.2 多时段风功率场景选取策略 .......... 3
3 4.3 风电并网系统的动态有功调度模型 ..... 34
4.3.1 目标函数 ......... 34
4.3.2 约束条件 ......... 35
4.4 算例分析....... 36
4.5 本章小结....... 41
结论
针对目前大规模风电并网条件下风电功率预测的不确定性，将场景分析法运用到风电功率场景选取中，分别对单时段和多时段风功率场景选取策略进行了深入研究，并建立了两种策略下风电并网系统的有功调度模型得到以下结论：
1. 针对风电功率的场景分析具有的特点：在已知风电功率误差概率分布函数的基础上，选取相等的功率区间进行场景划分；场景的选取与系统自身的功率调节能力基本无关；在模型的构建方面，风电功率的不同场景仅在所构建调度模型的约束条件中加以考虑，而未体现在目标函数中。将场景的选取与系统自身的调节能力结合起来，并将选取的各风电场景引入到模型中，给出了风功率初始场景选取原则和步骤，通过算例分析，该方法是有效的。
2. 根据单时段风电功率场景选取的特点，在风功率初始场景选取模型的基础上，引入了机组爬坡速率约束和火电机组输出功率约束，建立了单时段风电产并网系统有功调度模型，并给出了在风功率初始场景选取基础上场景选取的动态调整策略，并求出了三类调度策略下系统的条件期望再调度成本，作为对场景筛选的评价指标，得出第二类调度策略为最优场景选取策略。
3. 在单时段风电功率场景选取的基础上，结合电力系统实际运行特点，提出多时段风功率场景选取策略，由于将各时段场景集进行随机组合，将会产生爆炸性的趋势，对模型的求解是不利的，从而需要对出现概率小的场景树进行过滤，给出了最优场景树的选取标准，通过算例验证该方法的实用性。
本文所研究的风电功率场景选取方法和风电并网系统有功调度模型，均是以不含网络，单风电场接入系统为前提的，所研究的问题没有考虑网络，多风电场接入系统的情况，在以后的研究中需要进一步分析在上述情况下风电并网系统的有功调度方法。
参考文献
[1] 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
[2] 袁铁江，晁勤，李义岩，等.大规模风电并网电力系统经济调度中风电场出力的短期预测模型[J]. 中国电机工程学报，2010，30（13）：23～27
[3] 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）：1～6[4] 方江晓，周晖，黄梅，等.基于统计聚类分析的短期风电功率预测[J].电力系统保护与控制，2011，39（11）：67～73
[5] 洪翠，林维明，温步瀛.风电场风速及风电功率预测方法研究综述[J].电网与清洁能源，2011，27（1）：60～66
[6] 雷亚洲，Gordon Lightbody. 国外风力发电导则及动态模型简介[J].电网技术，2005，25（12）：27～32
[7] Lee F N. The application of commitment utilization http://sblunwen.com/dllww/ factor (CUF) to the thermalunit commitment [A]. IEEE Transactions On Power Systems，1991，6（2）：691～698
[8] Tomonobus Senjyu，Kai Shimabukuro. A fast technique for unit commitmentProblem by extended Priority list [A]. IEEE Transactions On Power Systems，2003，18（2）：882～888
[9] Yang Tingfang，Ting T O. Methodological priority list for unit commitmentProble-m [A]. International Conference on Computer Science and SoftwareEngineering，2008，18（2）:176～179
[10] Yu Z, Sparrow F T, Bowen B, et al. On convexity issues of short-termhydrothermal scheduling [J]. International Journal of Electrical Power andEnergy Systems，2000，22（6）：451～457