本發(fā)明屬于風(fēng)電
技術(shù)領(lǐng)域：
，特別涉及一種含風(fēng)電場(chǎng)的電力系統(tǒng)調(diào)度優(yōu)化方法。
背景技術(shù)：
：現(xiàn)有技術(shù)中，文獻(xiàn)[1]在求解含風(fēng)電場(chǎng)的電力系統(tǒng)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度問(wèn)題時(shí)，模型中引入了正負(fù)旋轉(zhuǎn)備用約束。文獻(xiàn)[2]提出了求解含風(fēng)電場(chǎng)的經(jīng)濟(jì)調(diào)度問(wèn)題模糊模型。文獻(xiàn)[3]提出了一種兩階段隨機(jī)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度模型，采用隨機(jī)分解算法對(duì)模型進(jìn)行求解，以便于實(shí)時(shí)應(yīng)用。另外對(duì)電力系統(tǒng)機(jī)組組合的研究，文獻(xiàn)[4]中模擬退火算法優(yōu)化遺傳算法解決發(fā)電機(jī)組啟停機(jī)優(yōu)化問(wèn)題，滿足了安全可靠的多約束條件下，較好得改善機(jī)組啟停計(jì)劃的經(jīng)濟(jì)性。文獻(xiàn)[5]采用了機(jī)會(huì)約束規(guī)劃建立考慮運(yùn)行風(fēng)險(xiǎn)的動(dòng)態(tài)經(jīng)濟(jì)調(diào)度，其中將功率預(yù)測(cè)以一種概率預(yù)測(cè)的方式展現(xiàn)出來(lái)。文獻(xiàn)[6]提出了計(jì)及電壓調(diào)節(jié)效應(yīng)考慮備用響應(yīng)機(jī)制，把發(fā)電和負(fù)荷間機(jī)功率平衡的實(shí)現(xiàn)為線索的模型，采用基于Benders分解思想來(lái)求解模型。文獻(xiàn)[7]搭建的含風(fēng)電場(chǎng)的電力系統(tǒng)動(dòng)態(tài)調(diào)度模型中包含了風(fēng)電出力盈余和不足成本，采用布谷鳥(niǎo)搜索算法對(duì)目標(biāo)函數(shù)進(jìn)行求解。文獻(xiàn)[1]中只考慮了常規(guī)機(jī)組的發(fā)電成本，模型不夠全面，文獻(xiàn)[2]模糊模型中使用的隸屬度函數(shù)較為簡(jiǎn)單，有很大的認(rèn)為因素，結(jié)果不能反映實(shí)際情況文獻(xiàn)[7]缺少了對(duì)含風(fēng)電場(chǎng)的電力系統(tǒng)中的備用需求的成本。本發(fā)明涉及的參考文獻(xiàn)有：[1]姜文，嚴(yán)正.基于一種改進(jìn)粒子群算法的含風(fēng)電場(chǎng)電力系統(tǒng)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度[J].電力系統(tǒng)保護(hù)與控制，2010,38(21)：173-178,183.[2]LeXie；MarijaD.Ilic.Modelpredictiveeconomicenvironmentaldispatchofpowersystemswithintermittentresources.[C]Power&EnergySocietyGeneralMeeting,PES.09.IEEE,2009:1-6.[3]YangLiu；Nirmal-KumarC.Nair.ATwo-StageStochasticDynamicEconomicDispatchModelConsideringWindUncertainty.[C]TransactionsonSustainableEnergy,DOI:10.IEEE,2016:819-829.[4]溫步瀛.發(fā)電機(jī)組啟停機(jī)計(jì)劃的智能優(yōu)化研究[D].福建：福州大學(xué)，2005.9[5]劉德偉，郭劍波，黃越輝，王偉勝.基于風(fēng)電功率概率預(yù)測(cè)和運(yùn)行風(fēng)險(xiǎn)約束的含風(fēng)電場(chǎng)電力系統(tǒng)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度[J].中國(guó)電機(jī)工程學(xué)報(bào)，2013.6,33(16):9-15.[6]孫東磊，韓學(xué)山，楊金洪.計(jì)及電壓調(diào)節(jié)效應(yīng)的電力系統(tǒng)機(jī)組組合[J].電工技術(shù)學(xué)報(bào)，2016.3,31(5)：107-117.[7]萬(wàn)隆，高明亮，梁作放，巴奉麗，伊麗菊.基于布谷鳥(niǎo)搜索算法的含風(fēng)電場(chǎng)電力系統(tǒng)動(dòng)態(tài)調(diào)度[J].山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015.11，29(6)：1-4.[8]中華人民共和國(guó)可再生能源法http://baike.so.com/doc/6704954-6918929.html[2006-1-1][9]卓金武，李必文，魏永生，秦健.MATLAB在數(shù)學(xué)建模中的應(yīng)用.[M]北京：北京航空航天大學(xué)出版社，2014:156[10]王揚(yáng)，郭創(chuàng)新，曹一家.風(fēng)電短期預(yù)測(cè)及其并網(wǎng)調(diào)度方法研究.[D]浙江：浙江大學(xué)，2011.7[11]吳穎.風(fēng)電穿透功率及風(fēng)電入網(wǎng)后系統(tǒng)短期運(yùn)行研究[D].上海：上海交通大學(xué)，2009技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供一種含風(fēng)電場(chǎng)的電力系統(tǒng)調(diào)度優(yōu)化方法，將停電損失引入到目標(biāo)函數(shù)，通過(guò)最優(yōu)模型求解出最優(yōu)的機(jī)組組合及最小的成本，具體模型如下：F1=Σt=1TΣn=1N{an+bnPn,t+cnPn,t2+Qn,tun,t(1-un,t-1)+|ensin[fn(Pnmin-Pn,t)]|}+J1+J2---(7)]]>J1=q1(PtLL%+Pk,twwu%)]]>J2=q2(PtLL%+(Pw-Pk,tw)wd%)]]>上式中J1，J2分別表示正負(fù)備用容量的損失成本，q1,q2分別為正負(fù)備用容量損失成本系數(shù)，(7)式中F1為加入停運(yùn)損失后的總發(fā)電費(fèi)用，式中，T為時(shí)段數(shù)，t為時(shí)段，N為發(fā)電機(jī)臺(tái)數(shù)，an,bn,cn分別表示第n臺(tái)發(fā)電機(jī)組燃料成本系數(shù)，Pn,t為第n臺(tái)發(fā)電機(jī)組第t時(shí)段輸出的有功功率，Qn,t為機(jī)組n的啟停費(fèi)用，un,t為機(jī)組n在t時(shí)段的啟停狀態(tài)，0表示停機(jī)，1表示開(kāi)機(jī)，en,fn為閥點(diǎn)效應(yīng)系數(shù)，表示t時(shí)段機(jī)組n發(fā)電的最小出力，對(duì)于式(1)有如下約束條件：a)有功功率平衡約束。Σn=1Nun,tPn,t+Σk=1NwPk,tw=PtL---(2)]]>式中為風(fēng)電場(chǎng)k在第t段時(shí)段的有功功率輸出，Nw為風(fēng)電場(chǎng)總數(shù)，PtL為第t時(shí)段的負(fù)荷總需求，負(fù)荷需求由常規(guī)機(jī)組出力和加上新能源風(fēng)電場(chǎng)的功率輸出，b)常規(guī)機(jī)組發(fā)電出力約束Pnmin≤Pn,t≤Pnmax---(3)]]>式中，分別為第n發(fā)電機(jī)組最小出力和最大出力,c)發(fā)電機(jī)爬坡率約束URn≤Pn,t-Pn,t-1≤DRn(4)式中URn、DRn分別為發(fā)電機(jī)下調(diào)和上調(diào)爬坡速率,d)系統(tǒng)正負(fù)旋轉(zhuǎn)備用容量約束Σn=1NPn,tmaxun,t≥PtL+PtLL%+Pk,twwu%---(5)]]>負(fù)備用容量約束條件：Σn=1NPn,tminun,t≤PtL-PtLL%-(Pw-Pk,tw)wd%---(6)]]>式(5)、(6)中分別表示t時(shí)段機(jī)組n發(fā)電的最大和最小出力，L％為系統(tǒng)總負(fù)荷對(duì)正負(fù)備用需求系數(shù)，wu％為風(fēng)電出力預(yù)測(cè)誤差對(duì)正備用容量的需求系數(shù)，wd％為風(fēng)電出力預(yù)測(cè)出力對(duì)負(fù)備用容量的需求系數(shù),Pw為風(fēng)電場(chǎng)的額定裝機(jī)容量總和,采用粒子群算法，假設(shè)在一個(gè)D維的目標(biāo)搜索空間中，有m個(gè)粒子組成一個(gè)群體，其中第i個(gè)粒子(i＝1,2,...,m)位置表示為即第i個(gè)粒子在D維搜索空間中的位置是Xi，也就是說(shuō)，每一個(gè)粒子的位置就是一個(gè)潛在解，將Xi代入目標(biāo)函數(shù)就可以計(jì)算出其適應(yīng)值，根據(jù)適應(yīng)值的大小衡量其優(yōu)劣，粒子個(gè)體經(jīng)歷過(guò)的最好位置記為整個(gè)群體所有粒子經(jīng)歷過(guò)的最好位置記為粒子i的速度記為粒子群算法采用下列公式對(duì)粒子所在的位置不斷更新：vid+1=wvid+δ1c1r1(pid-xid)+δ2c2r2(pgd-xid)+c3r3(hd-xid)---(10)]]>xid+1=xid+αvid+1---(11)]]>公式中hd為第d次迭代中的最優(yōu)解，δ1、δ2為影響因子，r3是[0,1]區(qū)間的隨機(jī)數(shù)，同時(shí)加速系數(shù)根據(jù)如下公式更新：c1=c1min+c1max-c1mindmaxd,c2=c2min+c2max-c2mindmaxd,c3=c1(1-exp(-c2d))]]>其中c1min＝c2min＝0.5,c1max＝c2max＝2，dmax為最大迭代次數(shù)，在搜索一開(kāi)始，選擇較大的c1和較小的c2，隨著迭代次數(shù)的增加，c1線性遞減，c2線性遞增，使得接下去c1變小，c2變大，從而提高了全局最優(yōu)值的收斂能力，其特征在于，含風(fēng)電場(chǎng)的電力系統(tǒng)調(diào)度優(yōu)化方法包括以下步驟：S101,種群初始化；S102,參數(shù)代入經(jīng)濟(jì)調(diào)度模型公式(7)；S103,計(jì)算每個(gè)粒子的適應(yīng)度值更新每個(gè)粒子的最佳適應(yīng)度值、全局最佳值和所有最佳值中的最優(yōu)值；S104,由公式(10)、公式(11)更新粒子位置坐標(biāo)和速度；S105,判斷是否達(dá)到最大迭代次數(shù)，如果是，則轉(zhuǎn)S104，如果否，則執(zhí)行下一步驟；S106,獲得最佳模型。本發(fā)明在風(fēng)電功率預(yù)測(cè)的基礎(chǔ)上，考慮風(fēng)電功率預(yù)測(cè)誤差對(duì)系統(tǒng)帶來(lái)的影響，同時(shí)在計(jì)算整個(gè)調(diào)度成本時(shí)把機(jī)組停運(yùn)造成的損失考慮進(jìn)去，得到最優(yōu)的機(jī)組組合并建立了含風(fēng)電場(chǎng)的電力系統(tǒng)經(jīng)濟(jì)調(diào)度模型。通過(guò)改進(jìn)算法更快地對(duì)模型求解，提高風(fēng)能在電力系統(tǒng)風(fēng)電中的利用率，減少費(fèi)用，提高經(jīng)濟(jì)性。本發(fā)明的效果在經(jīng)濟(jì)上有明顯的突出，本發(fā)明對(duì)含風(fēng)電場(chǎng)的電力系統(tǒng)經(jīng)濟(jì)調(diào)度優(yōu)化進(jìn)行了研究，考慮了閥點(diǎn)效應(yīng)成本，最主要加入了因風(fēng)電功率預(yù)測(cè)誤差造成的影響而產(chǎn)生的損失和機(jī)組停運(yùn)造成的損失，完善了成本目標(biāo)函數(shù)。采用粒子群算法對(duì)模型優(yōu)化求解，并對(duì)粒子群算法的參數(shù)進(jìn)行改進(jìn)，證明了本文的改進(jìn)后的PSO函數(shù)收斂。最后10機(jī)實(shí)驗(yàn)系統(tǒng)結(jié)果表明本文所建立的含風(fēng)電場(chǎng)的電力系統(tǒng)經(jīng)濟(jì)調(diào)度模型合理，所采用的求解方法使得目標(biāo)函數(shù)成本降低，為解決電力系統(tǒng)經(jīng)濟(jì)調(diào)度問(wèn)題提供了新的途徑。附圖說(shuō)明圖1本發(fā)明的粒子群算法流程圖。圖2本發(fā)明實(shí)施例中風(fēng)電預(yù)測(cè)出力計(jì)劃示意圖。具體實(shí)施方式1建立含風(fēng)電場(chǎng)的電力系統(tǒng)經(jīng)濟(jì)調(diào)度模型1.1目標(biāo)函數(shù)根據(jù)《可再生能源法》說(shuō)明[8]，國(guó)家電網(wǎng)企業(yè)對(duì)上網(wǎng)風(fēng)電必須全額收購(gòu)，因此在不考慮風(fēng)電的費(fèi)用前提下，含風(fēng)電場(chǎng)的電力系統(tǒng)經(jīng)濟(jì)調(diào)度的目標(biāo)是使常規(guī)機(jī)組運(yùn)行所產(chǎn)生的費(fèi)用最少。考慮到常規(guī)機(jī)組閥點(diǎn)效應(yīng)的系統(tǒng)地發(fā)電成本表達(dá)式為：F=Σt=1TΣn=1N{an+bnPn,t+cnPn,t2+Qn,tun,t(1-un,t-1)+|ensin[fn(Pnmin-Pn,t)]|}---(1)]]>式中F為整體調(diào)度產(chǎn)生的發(fā)電費(fèi)用，T為時(shí)段數(shù)(取24h)t為時(shí)段，N為發(fā)電機(jī)臺(tái)數(shù)，an,bn,cn分別表示第n臺(tái)發(fā)電機(jī)組燃料成本系數(shù)，Pn,t為第n臺(tái)發(fā)電機(jī)組第t時(shí)段輸出的有功功率，Qn,t為機(jī)組n的啟停費(fèi)用，un,t為機(jī)組n在t時(shí)段的啟停狀態(tài)，0表示停機(jī)，1表示開(kāi)機(jī)，en,fn為閥點(diǎn)效應(yīng)系數(shù)。表示t時(shí)段機(jī)組n發(fā)電的最小出力。1.2約束條件a)有功功率平衡約束。Σn=1Nun,tPn,t+Σk=1NwPk,tw=PtL---(2)]]>式中為風(fēng)電場(chǎng)k在第t段時(shí)段的有功功率輸出，Nw為風(fēng)電場(chǎng)總數(shù)。PtL為第t時(shí)段的負(fù)荷總需求。模型中負(fù)荷需求由常規(guī)機(jī)組出力和加上新能源風(fēng)電場(chǎng)的功率輸出。(2)常規(guī)機(jī)組發(fā)電出力約束Pnmin≤Pn,t≤Pnmax---(3)]]>上式分別為第n發(fā)電機(jī)組最小出力和最大出力。(3)發(fā)電機(jī)爬坡率約束URn≤Pn,t-Pn,t-1≤DRn(4)式中URn、DRn分別為發(fā)電機(jī)下調(diào)和上調(diào)爬坡速率。(4)系統(tǒng)正負(fù)旋轉(zhuǎn)備用容量約束由于風(fēng)電并網(wǎng)及負(fù)荷預(yù)測(cè)的不穩(wěn)定性，加上發(fā)電機(jī)組強(qiáng)迫停運(yùn)的存在，需要系統(tǒng)利用正負(fù)備用容量來(lái)應(yīng)對(duì)負(fù)荷波動(dòng)和機(jī)組停運(yùn)帶來(lái)的影響，同時(shí)風(fēng)電的加入，由于誤差的存在，也需要系統(tǒng)正負(fù)備用容量來(lái)消除其影響。正備用容量約束條件：Σn=1NPn,tmaxun,t≥PtL+PtLL%+Pk,twwu%---(5)]]>負(fù)備用容量約束條件：Σn=1NPn,tminun,t≤PtL-PtLL%-(Pw-Pk,tw)wd%---(6)]]>式(5)、(6)中分別表示t時(shí)段機(jī)組n發(fā)電的最大和最小出力，L％為系統(tǒng)總負(fù)荷對(duì)正負(fù)備用需求系數(shù)，wu％為風(fēng)電出力預(yù)測(cè)誤差對(duì)正備用容量的需求系數(shù)，wd％為風(fēng)電出力預(yù)測(cè)出力對(duì)負(fù)備用容量的需求系數(shù)。Pw為風(fēng)電場(chǎng)的額定裝機(jī)容量總和。由于發(fā)電機(jī)組強(qiáng)迫停運(yùn)也會(huì)造成相應(yīng)的損失，這項(xiàng)停電損失本文引入到目標(biāo)函數(shù)中去。通過(guò)最優(yōu)模型求解出最優(yōu)的機(jī)組組合及最小的成本。具體模型如下：F1=Σt=1TΣn=1N{an+bnPn,t+cnPn,t2+Qn,tun,t(1-un,t-1)+|ensin[fn(Pnmin-Pn,t)]|}+J1+J2---(7)]]>J1=q1(PtLL%+Pk,twwu%)]]>J2=q2(PtLL%+(Pw-Pk,tw)wd%)]]>上式中J1，J2分別表示正負(fù)備用容量的損失成本，q1,q2分別為正負(fù)備用容量損失成本系數(shù)。(7)式中F1為加入停運(yùn)損失后的總發(fā)電費(fèi)用。2改進(jìn)的粒子群算法2.1基本的粒子群算法粒子群算法(ParticleSwarmOptimization)最早是由美國(guó)電氣工程師Eberhart和社會(huì)心理學(xué)家Kennedy在1995年給予群鳥(niǎo)覓食提出來(lái)的[9]。在群鳥(niǎo)覓食模型中，每個(gè)個(gè)體都可以被看成一個(gè)粒子，則鳥(niǎo)群可以被看成一個(gè)粒子群。假設(shè)在一個(gè)D維的目標(biāo)搜索空間中，有m個(gè)粒子組成一個(gè)群體，其中第i個(gè)粒子(i＝1,2,...,m)位置表示為即第i個(gè)粒子在D維搜索空間中的位置是Xi。也就是說(shuō)，每一個(gè)粒子的位置就是一個(gè)潛在解，將Xi代入目標(biāo)函數(shù)就可以計(jì)算出其適應(yīng)值，根據(jù)適應(yīng)值的大小衡量其優(yōu)劣。粒子個(gè)體經(jīng)歷過(guò)的最好位置記為整個(gè)群體所有粒子經(jīng)歷過(guò)的最好位置記為粒子i的速度記為粒子群算法采用下列公式對(duì)粒子所在的位置不斷更新：vid+1=wvid+c1r1(pid-xid)+c2r2(pgd-xid)---(8)]]>xid+1=xid+αvid+1---(9)]]>其中，i＝1,2,..,m；d＝1,2...,D；w是非負(fù)數(shù)，成為慣性因子；加速常數(shù)c1和c2是非負(fù)常數(shù)；r1和r2是[0,1]范圍內(nèi)變換的隨機(jī)數(shù)；α稱為約束因子，目的是控制速度的權(quán)重。2.2改進(jìn)的粒子群算法及其收斂性分析PSO算法收斂速度快，需要調(diào)整的參數(shù)少，原理簡(jiǎn)單，容易實(shí)現(xiàn)，協(xié)同搜索，同時(shí)利用個(gè)體局部信息和群體全局信息指導(dǎo)搜索，更容易飛躍局部最優(yōu)信息。但PSO算法的缺點(diǎn)也是顯而易見(jiàn)的，算法局部搜索能力較差，搜索精度不夠高，不能絕對(duì)保證搜索到全局最優(yōu)解。為了提高算法的性能，對(duì)速度迭代更新公式中加入新的迭代量，更新公式如下:vid+1=wvid+δ1c1r1(pid-xid)+δ2c2r2(pgd-xid)+c3r3(hd-xid)---(10)]]>xid+1=xid+αvid+1---(11)]]>公式中hd為第d次迭代中的最優(yōu)解，δ1、δ2為影響因子，r3是[0,1]區(qū)間的隨機(jī)數(shù)。引入了新的迭代量，解決了粒子群優(yōu)化算法容易陷入局部最優(yōu)的問(wèn)題，避免算法出現(xiàn)“早熟”現(xiàn)象。同時(shí)加速系數(shù)根據(jù)如下公式更新：c1=c1min+c1max-c1mindmaxd,c2=c2min+c2max-c2mindmaxd,c3=c1(1-exp(-c2d))]]>其中c1min＝c2min＝0.5,c1max＝c2max＝2，dmax為最大迭代次數(shù)。在搜索一開(kāi)始，選擇較大的c1和較小的c2，隨著迭代次數(shù)的增加，c1線性遞減，c2線性遞增，使得接下去c1變小，c2變大，從而提高了全局最優(yōu)值的收斂能力。圖1為pso求解經(jīng)濟(jì)調(diào)度模型的算法流程圖。同時(shí)對(duì)于算法的收斂性證明如下。證明：對(duì)公式(10)，(11)變形得到vid+1=wvid+δ1c1r1pid+δ2c2r2pgd+c3r3hd-(δ1c1r1+δ2c2r2+c3r3)xid---(12)]]>xid+1=αwvid+αδ1c1r1pid+αδ2c2r2pgd+αc3r3hd+(1-αδ1c1r1-αδ2c2r2-α3r3)xid---(13)]]>在粒子群算法中存在如下定理1：第i個(gè)粒子經(jīng)歷過(guò)的最好粒子pid和整個(gè)群體所有粒子經(jīng)歷過(guò)的最好位置pgd，G1＝δ1c1r1,G2＝δ2c2r2,G3＝c3r3,所有最佳粒子hd固定不變，則G＝G1+G2+G3為參數(shù)，此定理成立則可以找到一組合適的參數(shù)是PSO算法收斂。則(12)、(13)可以變?yōu)関id+1=wvid+G1pid+G2pgd+G3hd-Gxid---(14)]]>xid+1=αwvid+αG1pid+αG2pgd+αG3hd+(1-αG)xid---(15)]]>將(14)、(15)轉(zhuǎn)化如下向量表達(dá)：vid+1xid+1=w-Gaw1-aGvidxid+G1G2G3aG1aG2aG3pidpgdhd]]>令所以要讓算法收斂，X的模λ＜1,即要小于1，又有定理2：pid為第i個(gè)粒子經(jīng)歷過(guò)的最好粒子和pgd整個(gè)群體所有粒子經(jīng)歷過(guò)的最好位置，全局所有最佳粒子hd，且定理1成立，若算法收斂，則最后收斂在pi、pg、hd這三點(diǎn)線段上。由(11)得并代入(14)得在PSO收斂下，當(dāng)d→+∞時(shí)則結(jié)論成立。3.算例分析本發(fā)明為驗(yàn)證上述改進(jìn)算法，采用了某裝機(jī)容量20MW的風(fēng)電場(chǎng)和10機(jī)機(jī)組實(shí)驗(yàn)系統(tǒng)進(jìn)行含風(fēng)電場(chǎng)的經(jīng)濟(jì)調(diào)度分析。相應(yīng)的常規(guī)發(fā)電機(jī)機(jī)組參數(shù)參照文獻(xiàn)[10][11]。本實(shí)施例中的調(diào)度周期以24h為時(shí)段進(jìn)行分析，由于風(fēng)的波動(dòng)性導(dǎo)致風(fēng)電功率的輸出的不穩(wěn)定，對(duì)后面10機(jī)機(jī)組的經(jīng)濟(jì)調(diào)度產(chǎn)生不可忽視的影響。對(duì)風(fēng)功率數(shù)據(jù)的處理與預(yù)測(cè)就顯得相當(dāng)?shù)闹匾?。圖2為風(fēng)電預(yù)測(cè)出力計(jì)劃。在該算法中，迭代次數(shù)為40，群體規(guī)模為10，c1min＝c2min＝0.5,c1max＝c2max＝2，w＝1,考慮到停電損失的存在，設(shè)置系統(tǒng)總負(fù)荷對(duì)正負(fù)備用需求系數(shù)L％為7％，風(fēng)電出力預(yù)測(cè)誤差對(duì)正備用容量的需求系數(shù)wu％為15％，風(fēng)電出力預(yù)測(cè)出力對(duì)負(fù)備用容量的需求系數(shù)wd％為20％。采用改進(jìn)粒子群算法前后相應(yīng)機(jī)組優(yōu)化組合如下表1，描述的是10機(jī)機(jī)組在改進(jìn)粒子群算法優(yōu)化過(guò)后的機(jī)組組合和停電損失與未改進(jìn)時(shí)的結(jié)果的對(duì)比：表1改進(jìn)粒子群算法和基本粒子群算法計(jì)算結(jié)果對(duì)比表210機(jī)機(jī)組最優(yōu)出力Pn,t/MW表3經(jīng)濟(jì)調(diào)度優(yōu)化前后結(jié)果對(duì)比由表1得到在含風(fēng)電場(chǎng)的電力系統(tǒng)經(jīng)濟(jì)調(diào)度中，本發(fā)明采取改進(jìn)后的粒子群算法機(jī)組組合有了一定的變化，同時(shí)實(shí)現(xiàn)了經(jīng)濟(jì)成本的下降。表2為各個(gè)時(shí)段的各臺(tái)機(jī)組出力情況，表3中在采用優(yōu)化算法優(yōu)化過(guò)后明顯比未采用算法優(yōu)化的模型成本降低了很多，而后在改進(jìn)粒子群算法和基本粒子群算法的對(duì)比中，本發(fā)明所用的改進(jìn)粒子群算法使發(fā)電總成本F1從569500$到566980$，省了2520$，相應(yīng)優(yōu)化后的機(jī)組組合使發(fā)電機(jī)組的停電損失從3144.5934$到2923.8697$，省了220.7237$，發(fā)電總成本一共省了2740.7237$。當(dāng)前第1頁(yè)1 2 3