含大规模风电场的电力系统动态节能调度研究

含大规模风电场的电力系统动态节能调度研究摘要尽管可再生能源发电具有环境保护等优点，但其存在持续性和可靠性问题。风电作为发展最迅速的可再生能源发电技术之一，受到了广泛关注。含风电场的电力系统的研究大多集中在风电接入电网后给电网安全、稳定运行带来的影响，针对节能发电调度方面的研究还很少。为提高电力工业能源使用效率，节能减排，促进能源和电力结构调整，确保电力系统安全、高效运行，实现电力工业可持续发展，四部委联合制定了《节能发电调度办法（试行）》（以下简称《办法》）《办法》指出，节能发电调度必须在保障电力可靠供应的前提下，按照节能、经济的原则，优先调度可再生发电资源。而节能发电调度又是国家极力倡导的一项重要工作，因此，本文的研究工作意义重大。风电预测是本文研究工作的基础，其精确度将直接影响到含风电场的电力系统节能发电调度。因此，本文对风电场出力预测方法做了总结和比较，以期最大限度地消除风电随机性和间歇性对节能发电调度的影响。在电力系统调度层面上，传统的优化调度问题分为静态和动态两种。动态优化调度考虑了不同时间断面的耦合性，虽然计算过程比静态优化调度复杂，但计算结果更符合实际要求。因此，考虑到风速随时间的随机变化性质，本文采用动态分析方法对含风电场的电力系统节能发电调度进行建模。建立的动态模型有望较好地解决由于风电场输出功率难以准确预测而给节能发电调度带来的困难。同时，为适应新形势下节能发电调度的实施环境和要求，本文对兼顾经济、环境和网损的多目标优化调度决策算法进行了深入研究，提出了改进算法，算例结果证明改进后的算法能够适应新形势下的节能发电调度。最后，为了使算法实用化，本文初步研究开发了基于IDA-800平台的节能发电调度模块，实现了用户交互等功能，可以为节能发电调度的实施提供软件平台。本文在对考虑风电场接入电力系统经济优化调度国内外研究现状分析的基础上，以含风电优化调度为核心，分别研究了考虑机组组合的风火联合系统、风水火电力系统的动态环境经济调度，主要研究工作如下：针对风电场输出功率的随机性、波动性和反调峰性，本文基于机会约束规划，以火电出力作为控制变量，风电场全额上网，将火电机组燃煤费用最小、污染气体排放量最小同时作为目标函数，构建考虑机组组合的风火联合系统的双目标随机机会约束规划模型。在求解模型时，首先结合机组启停优先顺序，采用启发式搜索策略确定火电机组启停状态，以避免系统容量冗余，基于Pareto最优解集概念和模糊逻辑评价法决策机制，结合多目标粒子群优化算法进行既定机组间负荷经济分配，使用随机模拟技术对约束条件进行处理。以含风电场的10机系统为算例，运用MATLAB编程仿真验证了模型和算法的有效可行性，为考虑机组组合的风火联合系统的多目标随机优化调度方案提供了一种新的思路。在风火联合系统的优化调度模型基础上，引入梯级水电站，建立了含风电、梯级水电、火电的短期联合优化调度数学模型，该模型把火电出力和水电发电流量作为控制变量，在水电站弃水量最小的前提下，由水电优先调度补偿波动负荷，将火电与水电调度相结合，以补偿风电的不均匀性和随机性。最后，以10机系统算例在接入风电场和梯级水电站后的经济调度问题为例，运用MATLAB编程仿真实现了本文提出的算法，算例结果表明，由水、火电共同承担系统的旋转备用容量比仅用火电承担能大大降低火电厂出力的波动性，发挥了水电站调度的灵活性，优先安排风水清洁能源发电能够最大限度地减少能源消耗和污染物排放，提高电力系统的经济环保效益。关键词：大规模风电场；电力系统动态节能；调度

目录毕业论文（设计） 1含大规模风电场的电力系统动态节能调度研究 1摘要 2目录 41 序言 51.1 研究背景 51.2 文献综述 82 风电场出力预测方法 122.1 风电预测方法概述 122.2 三种经典方法的比较 143 含风电场的电力系统节能发电调度动态建模 163.1 含有不确定性因素的调度问题建模方法 163.2 兼顾经济、环境和网损的节能发电调度模型 174 适合节能发电调度模型的MOPSO算法 184.1 MOPSO算法基本原理 194.2 现有改进策略 194.3 适合节能发电调度模型的MOPSO算法 245 基于IDA-800的节能发电调度模型实现 265.1 IDA-800功能简介 265.2 节能发电调度模块 286 结论与展望 316.1 结论 316.2 展望 33致谢 34参考文献 35

序言研究背景由于风电具有很强的随机性，风电场接入电网后，在向电网提供清洁能源的同时，也会给电网的运行带来一些负面影响。风力发电会降低电网负荷预测精度，从而影响电网的调度和运行方式；影响电网的频率控制；影响电网的电压调整；影响电网的潮流分布；影响电网的电能质量；影响电网的故障水平和稳定性等。由于风力发电固有的间歇性和波动性，电网的可靠性可能降低，电网的运行成本也可能增加。随着风力发电的迅猛发展，风电场装机容量不断增加，以及风电装机在某个地区电网中所占比例相应增加，这些负面影响就可能成为风电并网的制约因素。对风速和风电场出力进行比较准确的预测，可以有效的减轻或避免风电场对电力系统的不利影响，同时提高风电场在电力市场中的竞争力。但是目前还不能对风速和风电场出力进行比较准确的预测，对包含风电场的电力系统节能发电调度的研究也不多，还不能有效地解决风电场并网运行后对电力系统节能发电调度带来的困难。正是从这一点出发，本文将对含有风电场的电力系统节能发电调度进行动态建模，并对其算法做深入研究，以期较好地解决由于风电场输出功率难以准确预测而给新形势下机组节能发电调度带来的困难。同时，依据节能发电调度的基本原则，对各类发电机组按能耗和污染物排放水平排序，在确保电力系统安全稳定运行和连续供电的前提下，兼顾经济、环境和网损等指标，实现电力系统调度的节能性、经济性和环保性。我国发展并网风力发电始于1990年，到2004年年底，全国的风力发电装机容量约有76.4万千瓦；2005年2月《可再生能源法》颁布之后，当年风力发电新增装机容量超过60%，总容量达到了126万千瓦；2006年当年新增装机容量超过100%,累计装机容量超过259.7万千瓦；2007年又新增装机容量340万千瓦，累计装机容量达到604万千瓦，超过丹麦，成为世界第五风电大国，当年装机仅次于美国和西班牙，超过德国和印度，成为世界上最主要的风电市场之一。十六大提出在2020年我国国内生产总值(GDP)要完成比在2000年翻两番的总目标，以多大的能源代价来实现这个总目标引起人们广泛关注。如果能源消耗也随之翻两番的话，到2020年我国能源消耗总量估计将达到每年近60亿吨标准煤,但是我国的常规能源可采总储量仅剩1500亿吨标准煤，仅够我国使用近25年。而火电厂的生命周期仅仅四五十年，如目前美国仅有60%的火电厂运行年限超过40年，其中2012年退役火电厂的平均运行年限达53年。由此可见，今后2050年的中国电力工业和能源工业格局将直接受到火电厂发展的影响。据美国地质局的估计，全世界最终可采的石油储量达3万亿桶。据此推算可知，2030年将会是世界石油产量的顶峰期。随着剩余储量的开采难度逐渐增大，石油产量随之会迅速下降。目前世界总的可采储煤炭量大约为8475亿吨。从长远来看，虽然世界煤炭的可采储量是相对稳定的，但还是会出现下降的趋势。根据目前的消费水平，可采储的煤炭量最多也就能维持大约200年的时间。而世界天然气的总储量估计有177万亿立方米。假如每年开采2.3万亿立方米天然气，即天然气将会在80年内枯竭。对于我国，化石类能源的探明储量等价于约7500亿吨标准煤，总量虽然较大，但是能源的人均拥有水平却远远落后于世界的平均水平。目前石油、煤炭、天然气的人均拥有的剩余可采储量，分别仅占世界平均拥有水平的7.69%、58.6%和7.05%。我国能源生产在近几年来一直持续着快速增长的趋势。在2006年，我国能源的生产总量就达到20.6亿吨标准煤。其中，煤炭所占的比例高达76.4%，原油所占的比例下降为12.6%，天然气比重仅占3.3%。虽然我国具有相对丰富的煤炭储量，但是从中长期来看，依然会受到诸如赋存环境、安全因素、运输条件、勘探技术水平等多方面因素所限制，能够被有效的开采利用的煤炭储量显然不足。国家电监委估计今后的电力缺口、供需矛盾将会比以往更加突出。化石能源的大量消耗，引起了温室气体的排放，大气中温室气体浓度随之升高，温室效应逐渐增强，导致了全球气候变暖。自从1860年以来，全球平均气温增加了0.4°C〜0.8°C。IPCC(政府间气候变化专门委员会）关于气候变化所做的预估报告认为：CO2是温室气体的主要组成部分，其中大约有90%以上的人觉得CO2排放是由化石能源消费活动所导致的。化石能源，尤其是煤炭的开采利用造成了二氧化硫和烟尘的大量排放，这是导致我国大气污染严重的主要因素。全球能源的危机随着化石能源储量的逐步降低而日益迫近。全球性的气候变暖在日益威胁着人类的生存,研究发现,2000-2050年,全球必须将所有温室气体的排放量控制在相当于400GtC的水平，才有75%的可能避免全球变暖幅度超过2°C。在全球生态环境日益恶化以及化石能源逐渐枯竭的双重压力下，对绿色能源的研究和利用已成为世界各国关注的焦点。发展非化石可再生能源对我国能源结构的调整具有重大意义。国务院常务会议在2009年11月决定，我国单位GDP的CO2排放量2020年要比2005年下降达40%〜45%;在《国民经济和社会发展第十二个五年规划纲要》中也明确提出了2015年的非化石能源占一次能源消费比重为11.4%的约束性指标。风能作为一种可再生的清洁能源，具有资源丰富、技术成熟、市场竞争力强的特点，发展的前景非常广阔，且除水力发电技术外，在新能源发电技术中风电是最成熟、最具大规模开发潜质和最具商业化发展前景的发电方式。预计到2020年，我国风电装机容量将会达到2亿千瓦。《风能世界》杂志发布，以每千瓦7000元的装机容量设备投资来计算，光是未来的风电设备市场就将高达1400亿元至2100亿元。由此可见，风力发电的市场广阔，前景一片大好。风力发电成本与传统能源差距也不大，目前其发电成本约为煤电的1.5倍左右，但是化石能源由于环境治理成本的增加，其成本会不断的增加，而随着风电利用技术的逐渐成熟和规模不断扩大，风电成本会持续地下降，按风电成本每5年下降5%来计算，到2020年，即使没有补贴，风电的成本也将会接近常规能源；并且相对于光伏发电来说，风电是成本较低的温室气体减排技术，即使在金融危机下，发展风电的经济代价也是可以承受的。中国电力企业联合会提供的统计数据显示，截至到2012年底，我国发电的总装机容量为114491万千瓦，比去年同期增长7.8%;其中，水电为24890万千瓦（包括抽水蓄能发电2031万千瓦），其占全部装机容量的比重为21.7%;火电为81917万千瓦（包含煤电75811万千瓦、气电3827万千瓦），比重为71.5%;并网风电为6083万千瓦，比重为5.3%;核电为1257万千瓦，太阳能并网发电为328万千瓦。从图1-1可以看出，风水火三种类型的电源机组在电力系统中占有比例达98.5%。由此可见，我国的电源结构现在逐渐以水火电为主转变为以风、水、火电为主。在电源的结构多元化发展过程中，亟需开展含风电、水电、火电等多种能源类型的联合优化调度，来提高清洁能源的发电能力，减少传统化石能源的消耗，从而减少大气污染物的排放。世界风电制造商和开发商均认为中国是世界上最具有发展前景的风电市场。其原因主要是，中国经济持续增长，能源需求特别是电力需求将持续增长丨欧洲是在其风电装机缓慢增加的情况下实现风电发展的，新增风电取代或替代了某些发电技术的发展，如核电、煤电和油电等。中国近期风电的发展不会对其他发电技术的发展和增长造成实质性的影响，更不会像欧洲一些国家，例如德国和西班牙引发煤电等其他电源的关闭，增长的速度应该更快一些，我国目前风电发展的水平与欧盟在1997年的情况相同，按照欧盟的经验，我国风电装机容量在2010和2020年分别达到2000万千瓦和8000万千瓦是完全有技术和市场保证的。如果政策落实，2020年完成超过1亿千瓦（比如1.2亿〜1.5亿千瓦）也是有希望的。风电作为一种零污染零排放的发电方式，一方面可以分担常规燃煤机组所承担的负荷，在节约能源消耗、减少运行成本方面发挥巨大的经济和环保效益；另一方面由于风电自身的随机性和间歇性，又会给电力系统的安全稳定运行带来极大风险。从而使得含有风电场电力系统优化调度问题的研究变得更加复杂、求解难度相应增大，传统的调度数学模型和优化算法已不再适用。因此，有必要进一步研究和探讨考虑风电场接入电力系统的优化调度问题，以便提出改进的或者新的调度模型和求解算法来应对风电出力、负荷的波动性，在兼顾系统安全稳定运行的前提下，提高电力系统调度的经济环保效益。文献综述1风电场出力预测研究现状利用风能来发电，不仅能减少环境污染，还能减小电力系统的燃料成本，带来可观的经济效益。大型风电场并网发电已成为世界风能利用的主要形式[2]»但是风能具有一定的随机性与间歇性，风电机组的有功出力因风速的随机变化而具有不确定性，是一种不稳定的能源，因而大型风电场的并网发电给电力系统的运行带来了一些负面影响，如启停小型同步发电机时的稳态电压幅值和平衡的波动，风速波动造成输入频率的波动，从而引起电压闪变问题,注入谐波电流后引起公共节点电压发生波形畸变等。随着可再生能源发电的迅猛发展，在电力系统中不断涌现出大容量的新型风电场，这无疑对电力系统的节能发电调度提出了新的挑战。要研究大容量新型风电场对电力系统优化运行的影响，首先应开展风电场风力资源特性与风电场风速预测的研究。其中，风速统计模型的研究早在上世纪50年代就已开展，用于拟合风速概率分布的模型很多，有Weibull分布、Rayleigh分布、Chi-2分布、Lognormal分布等，其中两参数Weibull分布模型应用最为广泛。文献在风速概率分布统计模型基础上，用计算图表法估算风力发电机组在最优效率运行点附近运行时的风力发电量。文献用Weibull分布分析如东沿海地区风速数据，并计算风力发电量。风能具有随机性和不可调度性，风电场风速预测对于风电场的规划设计、运行调度都具有重要的意义。对风能以及风电场的风速预测研究也逐渐受到人们的重视，特别是欧美国家在这方面做了大量的研究。风电场风速预测有短期预测和中长期预测两大类。文献依据风力发电量主要受风速和风向的影响这一理论，采用神经网络技术直接预测风力发电量，并将其用于发电系统的管理和判断机组是否需要维修。文献]用一个站点短期测量风速数据，结合附近站点长期测量数据，用人工神经网络技术来预测这个站点的风力资源潜力，但其结果的准确性依赖于这两站点风速之间的相关性，这种方法的适用性不强。文献应用数值天气预报模型预测风速，进而估算出风电输出功率。到目前为止，预测风电场的发电出力还比较困难，虽然国外已经开展了如前所述的这方面的研究工作，但总的来说风电出力预测误差还较大。2节能发电调度研究现状针对我国能源消费增长快、能耗高、能效低等问题，为提高电力工业能源使用效率，节约能源，减少环境污染，促进能源和电力结构调整，确保电力系统安全、高效运行，实现电力工业的可持续发展，国务院特别颁布了《节能发电调度办法（试行)》,要求各发电机组按照发电煤耗、污染物排放等指标从小到大的顺序发电，以体现节能降耗。新形势下的节能调度涉及发电侧、辅助服务、网损及环保等多个方面，实质上已形成一个多目标优化调度问题。如何协调好各项目标的优化，对搞好节能和提高电力企业经济效益具有非常重要的意义。2007年8月2日，国务院办公厅以国办发（2007)53号文件印发《关于转发发展改革委等部门节能发电调度办法（试行）的通知》，指出改革现行发电调度方式，开展节能发电调度，对于减少能源消耗和污染物排放，推动国民经济又好又快发展，具有重要意义。发展改革委要会同有关部门认真组织试点，并做好与电力市场建设的衔接，积极推进电价改革，逐步建立销售电价与上网电价联动机制。试点省（区、市）人民政府及其有关部门要认真落实节能发电调度的各项措施，妥善解决小机组减发后的相关问题。未开展试点的地区，要全面推行差别电量计划，做好实施节能发电调度的准备工作。《节能发电调度办法（试行)》（以下简称《办法》）由国家发展改革委、环保总局、电监会、能源办依据《中华人民共和国电力法》、《电网调度管理条例》和《电力监管条例》联合制定，旨在提高电力工业能源使用效率，节约能源，减少环境污染，促进能源和电力结构调整，确保电力系统安全、高效运行，实现电力工业的可持续发展。该《办法》包括基本原则和适用范围，机组发电序位表的编制，机组发电组合方案的制订，机组负荷分配与安全校核，机组检修、调峰、调频及备用容量安排，信息公开与监管六方面内容。文献[结合中国国情，针对实施节能发电调度的5种主要手段(行政命令手段、以计划调控手段为主并兼顾部分市场手段、计划调控与市场相结合手段、以市场手段为主并兼顾部分计划调控手段、完全市场手段)，提出实施节能发电调度的7种主要模式，并对其进行比较研究，这7种模式依次逐渐增加了市场机制选择，逐步减少了行政命令手段；同时设计了节能发电调度在过渡期内的4种经济补偿机制及结算模式。文献详细分析了《办法》与电力市场的结合问题，论证了《办法》在我国当前电力市场环境下的可行性。但是，这里却出现了几个问题：①利用率低的机组的成本费用如何补偿。②按照《办法》中用排队和等微增率法进行调度的思路，发电机组上网电量排序的改变将加大电网企业的收购成本，这部分成本由谁来分摊。③目前的节能发电调度办法仍是计划给定电量和执行批复价格的方式，不利于市场价格信号的形成。从上述问题出发，研究如何将节能发电调度与电力市场机制相协调，发挥市场在电力工业长效节能机制中的作用显得尤为重要。文献正是针对上述问题提出了一种与市场机制相协调的节能调度的新方法，基于两部制电价将机组发电成本分为固定成本和变动成本，以机组上报的变动成本为依据确定调度侧的上网发电顺序，如果变动成本报价相同，则再以机组污染物排放为依据确定调度侧的上网发电顺序；采用事先签订容量合同以及在交易中心开展合同交易来给予高能耗机组回收成本，使低能耗机组获得更大利润。调度与交易分离，通过市场规则使发电商自主地实现节能减排，同时减少发电侧电价的波动.从节能发电调度自身的技术层面上来看，现目前的研究大多停滞于其静态的研究，而传统的电力系统优化调度问题分为静态和动态两种。静态优化调度只对电力系统某个时间断面求取目标最优，没有考虑不同时间断面之间的内在联系；而动态优化调度考虑了不同时间断面的耦合性，如发电机爬坡速率的限制，因而计算过程比静态优化调度复杂，但计算结果更符合实际要求。由于风速是随机变化的，在时间层面上需要不同断面的耦合，所以含有风电场的电力系统节能发电调度更适合采用动态模型。目前，风电场发电出力的预测还比较困难，误差还较大。考虑到风电预测的研究的涉及面很广，本文无法将所有预测方法都研究透彻，只能就人工神经网络、自组织GMDH神经网络和嵌入维的支持向量回归等这三种方法进行深入分析。由于风电场数据的保密性，研究过程中很难获得第一手实际数据，只能根据风电出力的特性进行相应的仿真，比较各种算法的优缺点，然后确定较为有效的算法，以应用于本文的研究工作。根据《办法》的规定，机组必须按照一定的排序进行调度。实际调度过程中，往往要求同时达到节能、经济、环保、安全等目标。如果强制执行《办法》的规定，势必造成各个目标之间的冲突，无法满足所有目标。因此，找到一个既符合《办法》中的调度原则，又能满足所有目标的调度方法很难。它是个目标间如何权衡的问题，这类问题通常采用多目标优化的算法进行求解。而多目标优化问题又常被转化为单目标问题来求解，各目标的权重设置非常讲究，不同的设置会得到不同的结果，得到的是pareto解集，很难衡量哪个结果最优。另外，在目前的电力系统调度过程中，很少将多目标的优化考虑在内，特别是实施节能发电调度后，随即产生的各种矛盾对节能发电调度本身的实施产生制约影响的同时也限制了多目标优化调度的发展，多目标优化调度算法的实用性还有待进一步提高。风电场出力预测方法考虑机组组合的电力系统动态经济优化调度是一个高维、非凸、多约束的非线性混合整数优化问题，往往很难求出其数学模型的精确最优解，而风电场的并网，梯级水电站的接入更进一步增加了电力系统机组组合优化调度问题的难度，环境保护的压力使含风电场电力系统的动态经济调度问题变成一个多方博弈的不确定性优化调度问题。随着方案树、模糊优化、机会约束等不确定分析方法的引入，目前这些文献大都从优化模型和数学求解方法两方面展开。基于历史数据的风电场风速及功率预测方法有很多，例如：线性回归分析、时间序列分析、卡尔曼滤波分析、神经网络分析以及模糊专家系统等，这些分析方法大致可分为线性和非线性这两类。在国内外已有的相关文献中，基于BP人工神经网络、自组织GMDH网络和支持向量机回归这三种预测方法较为经典，得到的预测效果最好。因此，本章对其他方法进行简要概述之后，着重分析比较这三种预测方法，选取较好的一种进行风电预测，以用于含风电场的电力系统节能发电调度的研究。风电预测方法概述最简单的预测方法是持续预测方法，基于该方法可建立一种时间序列模型。该模型的预测误差较大，而且预测结果不稳定。改进的方法有卡尔曼滤波算法。采用时间序列方法可以对风速做时间序列分析，然后将其转换成风电场输出功率，也可直接对风电场输出功率做时间序列分析。目前常用的预测方法输入数据主要有：包括风速、风向、气温、气压等的SCADA实时数据，等高线、障碍物、粗糙度等数据，数值天气预报数据。考虑地形、粗糙度等信息的预测方法为物理方法，否则为统计方法，如神经网络方法、模糊逻辑方法等。对于超过6h的功率预测，目前的预测系统几乎都用到了数值天气预报的数据。基于数值气象预报模型的预测方法，预测时间可以达到24h、48h甚至72h或者更长，具体取决于数值气象预报的预测时间长度。数值气象预报由气象部门提供，一般分辨率都在数十平方公里(如60km2、30km2或20km2),不能满足直接计算风电机组功率的要求。而我国风力发电技术起步较晚，目前还没有专门的预报系统问世。因此，现有的针对基于数值气象预报模型预测方法的研究很少很少。本节仅对此方法做一介绍性工作。由于风速受温度、气压、地形、海拔、纬度等多因素影响，具有很强的随机性，成为最难预测的气象参数之一。目前风速预测主要有以下几种方法：该方法是短期风速预测最简单的一种，其风速预测值取为最近几个风速历史值的滑动平均值。通常，只是简单地把最近一点的风速观测值作为下一点的风速预测值。该模型的预测误差较大，且预测结果不稳定。该方法把风速作为状态变量建立状态空间模型，用卡尔曼滤波算法实现风速预测,这种算法的预测结果是在假定噪声的统计特性已知的情况下得出的，因此，估计噪声的统计特性是该方法应用的难点所在。随机时间序列法,该方法利用大量的历史数据来建模，经过模型识别、参数估计、模型检验来确定一个能够描述所研究时间序列的数学模型，进而推导出预测模型，以达到预报的目的。BoxJenkins在这方面工作的贡献最为突出。目前，该方法只需知道风电场的单一风速或功率时间序列即可建立预测模型，并且可以达到较好的预测效果。该方法使用最多的是累积式自回归一滑动平均模型。模糊逻辑法,该方法应用模糊逻辑和预报人员的专业知识将历史数据生成模糊规则库，然后选用一个线性模型逼近非线性动态变化的风速。但是，单纯的模糊方法对于风速预测，效果往往不佳，这主要是因为模糊预测学习能力较弱，模糊系统的辨识还未形成完善的理论，在预测系统中选择模糊系统的结构尚需作进一步的研究。通常，该方法要与其他方法配合使用，例如与遗传算法相结合进行短期风速预测。空间相关性法。该方法需要考虑风电场以及与之相近几个地点的多组风速数据，运用几个地点风速之间的空间相关性，进行风速预测。为了获得所需的几组风速数据，需要在风电场周边地区设置几个远程测速站。风电场本地以及各个远程测速站测得的实时风速数据经中心计算机处理，利用风电场与各个测速站处风速之间的空间相关性，对风电场的风速进行预测。该方法对原始数据收集量很大，但由于预测过程中考虑的因素增多，所以预测效果较好。目前，该方法的使用尚在完善中。基于模式识别的预测技术，模式识别技术在数据处理和特征提取等方面存在一定的优越性，并且应用较为广泛。模式识别系统在样本训练过程中，在特征空间内用统计方法把被识别对象归为某一类。基本做法是在样本训练集基础上确定某个判决规则，使按这种判决规则对被识别对象进行分类所造成的错误识别率最小或引起的损失最小。前述的对数据要求不高、预测成本低的时间序列预测法适合于风电企业运用，但在采用智能方法（ANFIS)对具有高度非线性的风速数据进行处理的过程中，训练样本集对预测模型外推结果影响比较大。因此，采用模式识别技术解决这一问题无疑是个不错的选择，它不仅能够提高预测精度，还能减少训练样本，节省计算时间。三种经典方法的比较人工神经网络旨在模仿人脑结构及其功能，由大量简单处理元件以某种拓扑结构大规模连接而成。人工神经网络具有并行处理、分布式存储与容错性等特征，具有自学习、自组织和自适应能力，可以实现联想记忆、非线性映射、分类与识别、优化计算等功能，对复杂问题的求解十分有效，可用于短期风速预测。众多人工神经网络中，BP神经网络的网络权值调整规则采用后向传播(BP)学习算法，是一种多层前馈神经网络。BP学习算法在Rumelhart等于1986年提出之后获得了广泛的实际应用。据统计，80%~90%的神经网络模型采用了BP学习算法或者它的这种变化形式。BP网络是前向网络的核心部分，体现了神经网络中最精华、最完美的内容。BP神经网络的信号传送由正向传播与反向传播两部分组成。在正向传播阶段，学习样本送入输入层，经隐层逐层运算后，传至输出层，每一层神经元的状态只影响下一层神经元的状态，如果在输出层没有得到期望的输出结果，即网络的实际输出与期望输出之间存在误差，则计算输出层的误差变化值，然后进入误差反向传播阶段，这时误差信号沿着原来的连接从输出层返回至输入层，并逐层调整连接权值，以使误差达到最小。虽然BP神经网络己应用于多种预测过程，并取得了一定的效果，但它也存在缺陷和不足。训练时间过长。由于学习速率是固定的，网络的收敛速度非常慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能会非常长，这主要是由于学习速率太小造成的。易陷入局部最优。BP算法可以使权值收敛到某个值，但并不能保证其为误差平面的全局最优值，这是因为采用了梯度下降法。训练是从某一起点开始沿误差函数的斜面逐渐达到误差的最小值，故不同的起始点可能导致不同的极小值产生，即得到不同的最优解。网络结构的理论指导不足。网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，可操作性不是特别高，而且网络往往存在较大的冗余性，同时在一定程度上也增加了网络学习的负担。网络参数的记忆性不强。一旦增加学习样本，原先训练好的网络就必须从头开始重新训练，网络对以前的权值和阈值不具有记忆性。采用BP神经网络进行风速预测必须找到其最优结构参数（最优的层数，学习方法，转移函数等等)，以达到预测误差最小化的目标。实现步骤如下：先分别研究不同层数的BP网络，找到单层BP网络，双层BP网络，三层BP网络，以及3层以上BP网络的最佳网络结构；之后对不同层的最优BP网络进行比较，找出最优的网络层数以及在该层数下的最优结构参数；对BP人工神经网络预测方法进行仿真，使用的样本数据包含1450个点的风速时间序列数据，两点间的测量时间间隔是30分钟。样本数据分为两部分，前1100个点为训练数据，用于训练模型；后350个数据为验证数据，用于检验预测效果。GMDH网络也有不足之处，主要在于：第一，决定各层神经元数目的误差阈值是由人为确定的，它将直接影响到预测精度。所以实际运行中必须反复试验，直至找到合适的阈值，无法实现算法的自动选择；第二，基本算法中的部分多项式结构是事先给定的，这必然造成最终模型不是最简单的，并且到高层时随着中间变量间的相关性的增强，方程组病态问题趋于严重，计算将发生困难。因此，针对这些缺点，可做如下改进：第一，中间层的阈值取为第n小的相对均方差值，既保留了足够的信息，又不至使网络规模剧增，同时实现了自组织；第二，输入变量预选择。限定算法选择输入变量的范围，去掉那些明显不可能的点，再经过GMDH的建模可得到与最终预测神经元髙度相关的输入点，同时提高了算法的速度和精度；第三，模糊逻辑与神经网络相结合。GMDH神经网络善于对网络参数进行自适应学习，具有强大的并行处理和泛化能力，而模糊逻辑使人们易于将先验知识结合到模糊规则中，因此，将模糊逻辑与神经网络有机结合起来，可使网络既有模糊逻辑推理功能，又赋予网络权值以明确的模糊逻辑意义，有助于提高预测精度。同样地，对自组织GMDH网络预测方法进行仿真分析。预测均方误差为0.000260，能够较BP人工神经网络预测方法更为有效地进行半小时风速预测。目前用于风速风功率预测方面的方法大多是神经网络,尤其是在西方国家。SVM可以克服过学习、维数灾难、计算过程中出现局部极小值等问题的能力。把SVM应用于风速功率预测会有很多的优点1261。其最大特点是改变了传统的经验风险最小化原则，具有很好的泛化能力。支持向童机在处理非线性问题时,先将非线性问题转化为高维空间中的线性问题，再用一个核函数来代替高维空间中的内积运算，从而巧妙地解决了复杂计算问题，并且有效地克服了维数灾难以及局部极小问题。含风电场的电力系统节能发电调度动态建模优化调度问题通常分为静态优化和动态优化。由于动态优化考虑了不同时间断面的耦合性，如发电机爬坡速率的限制，因而计算过程比静态优化复杂，但计算结果更能符合实际要求，故本文采用动态优化方法对节能发电调度进行建模，也即动态建模。为贯彻《办法》的文件精神，在建模过程中，充分考虑了用以反映火电厂能耗情况的经济指标、反映电力系统运行状况的网损指标以及反映环境污染程度的排污指标，使得建立的模型能够很好的适应新形势下的节能发电调度要求。含有不确定性因素的调度问题建模方法在处理与风电场出力预测类的不确定性问题中，模糊理论取得了较好结果。文献将模糊理论引入所研究的问题中，采用梯形模糊数来表示每个优化时段的风电场出力,建立了包含风电场电力系统动态经济调度的模糊模型。基于模糊理论的方法考虑的不确定性因素主要是各时段风电场的有功出力，即把各时段风电场有功出力看作模糊数，常规发电机组出力也是模糊数，所以目标函数也是模糊数。模糊建模的关键在于确定模糊变量的隶属函数，隶属函数的确定目前还没有一套成熟有效的方法，基本上是根据试验或者经验来确定。梯形隶属函数与人们研究不确定性问题的思考方式相近，很多文献都采用这种类型的函数来考虑负荷的随机性。机会约束规划是一种用来解决包含不确定性因素问题的随机优化方法，近年来在电力系统相关领域有所应用。特别的，针对梯级水电站短期优化调度方面，考虑到电力市场环境下的梯级水电站短期优化调度具有不确定性，在制定调度方案时很难获取确切的信息，因此在数学上，该问题可表示为目标函数和约束条件中含有随机变量，且必须在观测到随机变量的实现之前做出调度决策的机会约束规划问题。文献]针对这一问题，以一定时期内可能实现的目标利润最大为目标，并允许在一定的置信水平的前提下存在风险，构造了基于机会约束的梯级水电站短期优化调度的数学模型。从模型来看，通过构造带概率约束条件的机会约束优化问题，描述目标利润实现和各种约束条件的概率，能够更直观地反映方案的风险，帮助决策者制定最佳调度方案。与现有的梯级水电站短期优化调度的其他方法相比，采用机会约束规划方法能适当处理电力市场环境下的不确定性问题，为梯级水电站短期优化调度问题的解决提供了一条新思路，尤其在协调方案的利润与风险方面有一定优势。但由于问题的复杂性，模型的求解效率不高。兼顾经济、环境和网损的节能发电调度模型本文采用放松管制下的电力系统集中调度模型，在Doherty给出的负荷经济调度（ELD)基本模型中增加排污量和网损等目标项（短期内输电网成本作为固定成本，不受调度影响，因此不予考虑)。系统包含风电、火电和燃油机组。模型中的约束条件包括功率平衡、线路容量、机组出力上下限，以及爬坡速率和备用容量等。在分析含有不确定因素的调度问题的经典建模方法的基础上，本文对传统的负荷经济调度ELD基本模型进行了修正。在目标函数中，以经济指标衡量火电厂的能耗量，同时增加了反映电力系统运行状况的指标之 网损和反映火电厂对周边环境污染程度的排污量。在约束条件中，该模型同时考虑电力系统运行要求及调度员提出的满意度要求等多个约束，其中发电机爬坡速率约束反映了不同时间断面的耦合性。因此，该模型是动态模型，可以适应新形势下的兼顾经济、环境和网损的节能发电调度需求。适合节能发电调度模型的MOPSO算法求解节能发电调度模型的算法主要分为传统算法和启发式人工智能算法两种，后者中目前得到广泛研究的有遗传算法、进化规划算法和粒子群优化算法等。节能发电调度需兼顾经济、环境和网损等目标，其实质已成为一个多目标优化问题，而MOPSO在解决这一问题中得到了很好的应用，研究MOPSO的算法机理并提出改进后的算法，以适合节能发电调度动态模型的求解，就显得顺理成章了。MOPSO算法基本原理多目标粒子群优化算法同多目标遗传算法类似，也是基于群体迭代的，但是它比多目标遗传算法简单，更容易实现。MOPSO算法一般采用十进制数编码，每个粒子具有一个位置矢量和一个速度矢量，位置矢量即为问题的一组解。粒子在移动过程中，由速度和位置的两个公式更新其在搜索空间中的位置，直至找到满意的解。现有改进策略虽然MOPSO的搜索速度较多目标遗传等其他智能算法快，但其寻优过程中，粒子的移动方向受到个体最优和全局最优的引导，因此很容易陷入局部最优。为了使算法能有更好的全局搜索能力，在其陷入局部最优时必须采取一些措施，提高粒子位置的多样性，以使其跳出局部最优。MOPSO算法的早期搜索速度很快，但是在后期所有粒子都趋于粒子群历史最优位置，失去了多样性。针对基本MOPSO算法的这个缺点，有学者提出变异思想：即如果连续次迭代中的粒子群体最优结果不变，则按概率选取除最优个体外的其他粒子进行变异，让变异后的新粒子取代原粒子。通过这种变异处理，可以在后期重新获得粒子多样性。获取粒子的多样性是摆脱局部最优和保证算法快速收敛的必要条件。传统的优化算法中，一般要考虑迭代的方向和步长，其中迭代的方向选择对寻优过程尤为重要。MOPSO算法在迭代过程中，充分利用了“方向”的概念，个体极值和群体极值与粒子构成两个方向，粒子根据这两个方向信息来更新自己的速度，从而实现位置的更新。陈海焱等学者将下降搜索思想引入基本粒子群算法中，以提高收敛性能。具体办法是利用迭代过程中最劣个体对的信息，将最劣个体与其它个体相连接，构成第三个方向，并将其与前两个方向叠加。免疫算法由于具备独特的抗体促进及抑制机制和免疫记忆功能，把这种免疫信息处理机制（多样性、免疫自我调节等）引入到粒子群优化算法中，可以使算法在整个优化迭代过程中能够较好的保持抗体的多样性，从而提高算法的全局搜索能力。免疫算法（IA)是一种多目标全局概率搜索算法。该算法通过对生物免疫系统原理的模拟，利用免疫系统抗体的多样性和自我调节功能，来保持优化问题中解群体的多样性，从而能克服寻优迭代过程中的“早熟”问题，其记忆细胞的功能特点又能确保算法能快速收敛于全局最优解。算法问世以来，引起了众多领域学者的注意，已被广泛应用到配电网电容器配置、模式识别、计算机安全等领域。免疫系统是一个抵抗病菌和病毒入侵的免疫防卫系统。为有效的实现防御功能，免疫系统必须要有区分自身细胞与抗原的能力，并能产生相应的抗体消灭入侵的抗原，同时必须抑制抗体的过多产生，以维护体内环境的稳定。这就必然要求其具备良好的模式识别能力，并具有学习、记忆和自适应调节能力。免疫系统对外来抗原的识别过程是一个寻找能够与抗原产生最大亲和力的抗体的过程。根据免疫系统响应的基本原理，在文献中，Mori等人将抗原和抗体分别对应于优化问题的目标函数和搜索空间中的可能解，依据抗原和抗体的信息熵来定义抗原与抗体及抗体与抗体之间的亲和力，以此对解进行评价和选择，通过抗体的促进和抑制机制以保证解的多样性，并通过记忆细胞保留迭代过程中的局部最优解。抗体多样性是免疫系统的重要特性之一，在免疫调节中，那些与抗原亲和力大并且浓度较低的抗体将受到促进，而与抗原亲和力小或浓度较高的抗体将受到抑制，从而保证了抗体的多样性。将免疫信息处理机制引入粒子群算法中后，免疫粒子的浓度越小，则选择的概率越大，反之则越小。这样，新算法在保留高适应度个体的同时，进一步确保了免疫粒子的多样性，从而可提高算法的全局搜索能力，较好地避免“早熟”现象。混合粒子群(HPSO)优化算法是胡家声等人在解决多时段机组组合问题中提出的一种对粒子群算法的改进策略[61lHPSO算法做了如下改进：在迭代过程中对松弛后的0、1变量与机组有功出力变量进行并行优化，避免了由于决策变量过多而造成的维数灾现象的发生；引入变动阈值，解决了粒子值在寻优过程中出现振荡时可能会丢失机组部分有效启停状态的问题；引入启发式变异方法，有效地处理了机组启停时间的约束并提高了粒子群优化算法的全局收敛能力。假设某机组的最小运行与持续停机时间均为2h，变异算子先找出经过阈值处理后的机组启停机状态中的0、1组合或1、0组合进行变异，然后根据一定的概率Ji将其变异为0、0或1、1组合，经过机组启停排序后，机组的启停状态可满足机组最小运行与停机持续时间约束。HPSO算法在标准的PSO算法中引入启发式变异过程，并在算法迭代过程中对松弛后的机组启停状态变量与机组有功出力变量进行并行优化，将双层优化问题转化为单层优化问题，降低了时间复杂度，并且有效地提高了算法的全局最优解搜索能力和处理机组组合问题的收敛效率。EberhartR等人的研究表明，粒子速度更新公式中的惯性因子w对算法的优化性能有很大的影响。较大的w值有利于提高算法的收敛速度，而从较小时则有利于提高算法的收敛精度。根据这一特点，唐剑东等人提出了一种按下面公式对w进行自适应调整的策略，即随着迭代的进行，逐步地减小w值。适合节能发电调度模型的MOPSO算法第三章的研究表明，新形势下的节能调度涉及发电侧、辅助服务、网损及环保等多个方面，实质上是一个多目标优化调度问题。而多目标优化问题通常采用交互式多目标决策方法来解决。早期的一些交互式多目标决策方法存在多目标向单目标转化过程中各单项目标权重确定的任意性，不便于实际操作。文献[73]提出了一种基于进化规划的交互式满意度法，避免了目标权重选取的人为随意性，但优化结果严重依赖于目标隶属度函数的选取。文献提出的方法通过对各单项目标满意度和目标协调度的不断调整来体现决策者的主观愿望，同样能避免人为选取目标权重的任意性，但无法避免人为给定目标理想值的不确定性。将多目标优化问题转化为单目标的经典方法有目标加权法、距离函数法和最小最大法等。本文引入模糊理论，并借助目标加权法的思想并结合距离函数法，将多目标优化问题转化为单目标。任何一个子目标没有达到满意度要求都会造成5值相对较大地减小。因此，采用MOPSO算法向J最大值寻优的过程中，约束式会自然而然得到满足，从而保证了解的可行性。当然，算法会对最终结果进行校核，若有满意度未达到要求，则给出无解的信息。位置更新后的粒子可能不满足部分约束条件，进行相应的修正才能使其成为可行解。问题的转化改变了目标函数，所以约束式已不存在。对调度方案进行纵向修正使其满足约束式，针对每一时段，若不满足,则按优先级由高到低增加机组出力；对调度方案进行横向修正使其满足约束式，针对每一机组，若某时段出力不满足，则超过最大出力的以最大出力修正，低于最小出力的以最小出力修正；若该时段出力相对于前一时段不满足,则按最大上下坡速率修正该时段出力；舍弃不满足约束式的粒子。上述处理过程中，对一个约束进行修正之后可能导致粒子无法满足其它约束。因此，本文采用循环校验的办法，遇到不满足的约束则进行处理，然后继续检查，直到所有约束都满足。有限次检查及修正后仍无法满足所有约束，则舍弃该粒子。算法在所有约束条件下对子目标进行单目标优化，得到和k=\..X,供满意度和协调度计算所用。每次优化前，随机产生所有粒子的位置和速度矩阵，并且按上述约束处理办法进行修正，使其成为可行解。探讨适合此模型的MOPSO算法，在对现有改进策略的研究分析的基础上，提出改进算法。改进后的MOPSO算法将单项目标最优值作为目标理想值，有效避免了现有算法中人为给定该值的不确定性及其造成的满意度和协调度定义的不合理性。改进算法将满意度约束合理融入协调度，实现模型转化，有效解决了满意度约束处理问题另外，与其他算法的比较，证明改进算法除了具备上述优点外，还能够提高最优决策方案的搜索速度。基于IDA-800的节能发电调度模型实现IDA-800是由郭创新教授领衔指导的电力信息与控制实验室的新一代多功能电力系统高级应用产品，旨在为电力调度通信部门提供更智能、更方便和更高效的服务，目前已具备节能发电调度、故障诊断和电网智能报警等多个高级应用。节能发电调度作为新形势下颇受关注的热点话题己在广、川、贵、豫、苏等五个试点省份取得了不错的成果，但与此同时也出现了诸多问题，如小火电机组关停的经济补偿、火电机组污染排放、网损无法有效降低等。IDA-800的节能发电调度模块能够为调度员提供兼顾能耗、网损和排污的多目标调度方案，在遵循四部委联合制定的《节能发电调度办法（试行)》（以下简称《办法》)的前提下实现能耗、网损和排污的最小化，为建立节能型、经济型和环境友好型的坚强低碳电网提供强有力的技术支撑。IDA-800功能简介节能发电调度模块以节能、经济、环保三大原则为目标，给出多目标优化调度模型，用多目标粒子群优化算法对模型进行求解。避免人为设定目标满意度和协调度定义中的理想值，摒弃传统算法中仅以协调度为目标进行问题转化的思路，将满意度约束合理融入协调度，实现模型转化。算法能够提高决策方案的可行性，有效减轻调度员负担，适用于多目标优化调度。电网故障诊断模块采用多信息源进行故障诊断，包括：遗传算法、神经网络算法、Petri网络法、小波分析（可扩展）算法等等。可选择任意一种进行诊断，另外对于同一故障，可选择多种算法进行诊断，通过各算法诊断结果的对比，可得出更为准确可信的故障区域。电网智能报警模块以开关变位警报为触发，以开关变位时刻的电网节点电压为事件推理依据，采用支持向量机的分类方法挖掘电网节点电压与事件的关系，通过离线训练样本生成事件的推理模型。方法规避了模拟量警报处理的固有缺陷，并具有一定的学习能力，能迅速准确地发出综合报警信息。节能发电调度模块其可定制性可满足不同用户和场合的要求，异构性也正好符合IDA-800平台数据库集中属性类型不一的特点。类JTable提供了极为丰富的二维表格操作方法，如设置编辑状态、显示方式、选择行列等，在此不一一赞述。使用类JTable显示数据之前，必须根据情况生成定制模型、单元绘制器或单元编辑器。类用来定制数据模型。TableCellRenderer和TableCellEditor着两个接口分别用来定制单元绘制器和单元编辑器，这两个接口主要用于颜色对象的处理上，在IDA-800节能发电调度模块的设计中没有用到，不做过多说明。概念设计为交互界面的设计起一个指导性的作用。界面设计必须按照概念设计的指导思想进行，IDA-800节能发电调度模块涉及系统功能参数的设定、所选系统参数的查看、风电及负荷的预测和调度方案的获取与展示等。子功能模块主要由“系统参数设定”、“目标设定、“约束设定”和“方案获取”等组成，其触发按钮分布于主窗口的下沿。主窗口界面与各子功能操作界面效果，用户设定完所有参数后，系统将给出参数一览表。结论与展望结论随着能源需求的不断增长和化石燃料资源的逐渐枯竭，以及环境问题的日益突出，风力发电作为可再生能源中最具经济发展前景的发电方式之一越来越受到人们的青睐和重视。与传统发电不同，风电输出功率具有间歇性和随机性，这给电力系统的调度带来了新的要求和挑战，因此，对接有风电场的电力系统调度问题进行研究具有重要的理论意义和实用价值。本文在对电力系统经济调度研究现状的分析基础上，研究含风电、梯级水电、火电的动态经济调度和节能调度问题，主要研究工作如下：①电力系统动态经济调度需计及系统中各种电源在不同时间断面的耦合性，具有随机性的风电接入电力系统后使该问题更为复杂。本文在含风电和火电的电力系统动态经济调度的基础上计及系统中的梯级水电站的影响，建立含风/水/火电的电力系统动态经济调度的单目标模型。该模型把火电出力和水电发电流量作为控制变量，以发电成本最小或购电成本最小为目标，约束条件包括火电机组出力约束和爬坡约束、水电机组出力约束及发电流量约束，计及各梯级水电站在时间上的耦合性的水量平衡约束等。运用粒子群算法求解该模型。计算中由火电机组和梯级水电站共同承担风电功率预测误差对系统旋转备用容量的需求；由火电机组的爬坡约束动态处理每个时段机组的出力范围，使粒子在可行域内搜索以提高寻优能力。②随着节能减排政策的实施，电力系统在运行调度时除要考虑经济性因素外，还应该考虑尽量减少煤耗量和污染物排放量。本文以火电购电成本最小、煤耗量最小和污染气体排放量最小为目标函数，建立含风/水/火电的电力系统动态节能调度的多目标模型。为避免采用加权方法将多个优化目标归并为单个目标时存在的量纲统一和权重设置困难的问题，本文基于快速非支配排序遗传算法求解该模型。优化过程中通过计算所有约束条件的总越限值确定个体间的支配关系，以实现种群中个体的快速非支配排序和计算拥挤度，从而得到Pareto最优解集。运用模糊逻辑评价法从该解集中选取最优非劣解作为最终调度方案。③基于MATLAB编程环境实现上述算法，对标准算例和实际电力系统进行仿真计算。计算结果表明风电接入电网后，由水、火电共同承担系统的旋转备用容量比仅由火电承担能大大降低增加的额外成本；优先安排风、水清洁能源发电，能最大限度地减少能源消耗和污染物排放，实现资源的优化配置。本文共分五个章节，第一章为绪论，简要介绍了研究工作的背景，包括课题的意义、课题的研究现状、目前存在的难点和主要问题，然后简明扼要地总结了本文的主要工作。第二章在总结了风电场出力预测的常规方法之后，重点分析比较了基于BP人工神经网络、自组织GMDH网络和支持向量机回归的三种预测方法，用同一数据样本对其仿真比较，结果表明基于支持向量机回归的预测方法的精度最高。第三章对含风电场的电力系统的节能发电调度进行了动态建模。在分析含有不确定性因素的调度问题的经典建模方法的基础上，对传统的负荷经济调度ELD基本模型进行修正，提出了节能发电调度的动态模型。在模型的目标函数中，以经济指标衡量火电厂的能耗值，同时增加了网损和排污量，以分别反映电力系统的运行状况和火电厂对周边环境的污染情况。在模型的约束条件中，同时考虑电力系统运行要求以及调度员提出的满意度要求等多个约束，其中发电机爬坡速率约束反映了不同时间断面的耦合性，这也是“动态建模”一词的由来。研究表明，新的动态模型可以适应新形势下的兼顾经济、环境和网损的节能发电调度需求。第四章结合第三章建立的节能发电调度动态模型，探讨适合此模型的MOPSO算法，在对现有改进策略的研究分析基础上，提出了改进算法。改进后的MOPSO算法先将优化问题的多项目标单独进行优化，以得到的单项目标最优值作为目标理想值。这种处理方法，有效地避免了现有算法中人为给定目标理想值的不确定性及其造成的满意度和协调度定义的不合理性。另外，改进后的算法将满意度约束合理融入协调度，实现模型转化，有效地解决了满意度约束处理问题。与其他算法的比较，证明改进后的算法除了具备上述优点外，还能够提高最优决策方案的搜索速度。第五章初步研究开发基于IDA-800平台的节能发电调度模块。用户可以在IDA-800平台中任意选取系统参数，可以对各个目标进行满意度要求的设定、对约束进行选择，从而得到最优的调度方案。此项工作使前面所研究的算法得以实现，大大提高了含风电场的电力系统节能发电调度动态模型的实用性。展望以上是本文对含风电场的电力系统节能发电调度动态建模与智能算法所做的研究工作。当然，此项工作还有不少值得进一步深入研究的地方，下面提出几点展望：考虑到风电预测是含风电场的电力系统节能发电调度研究工作的基础，新的能够大幅度提高预测精确度的风电预测方法研究工作迫在眉睫；从整个电力系统来看，含风电场的电力系统节能发电调度的动态建模方法可以与含有其他甚至不含可再生能源发电的电力系统建模方法进行比较和结合，从整体上考虑区域互联大电网的节能发电调度问题；求解含风电场的电力系统节能发电调度动态模型的智能算法还有很多，包括遗传算法、进化规划等等。如何使这些算法更加适合节能发电调度的动态模型也是值得进一步研究的；基于IDA-800的节能发电调度模块的研发工作尚处于起步阶段，模块的许多功能有待进一步扩展和完善。另外，研究如何在电力市场环境下有效实施节能发电调度也是一个很有意义的课题。

致谢从论文选题到搜集资料，从提纲的完成到正文的反复修改，我经历了喜悦、聒噪、痛苦和彷徨，在写作论文的过程中，心情是如此复杂。如今，伴随着这篇毕业论文的最终成稿，复杂的心情烟消云散，自己甚至还有一点成就感。我要感谢我的导师※※※老师。他为人随和热情，治学严谨细心。从选题、定题、撰写提纲，到论文的反复修改、润色直至定稿，老师始终认真负责地给予我深刻而细致地指导。正是有了老师的无私帮助与热忱鼓励，我的毕业论文才得以顺利完成。我还要感谢我在大学中给我们授课的