含小水电群的风-水-火地区电网旋转备用协调优化策略研究.pdf

第４３卷第ｌＯ期２０１５年５月１６日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶ＿０１．４３Ｎｏ．１０Ｍａｙ１６，２０１５含小水电群的风一水一火地区电网旋转备用协调优化策略研究刘志坚，梁宁，宋琪，陈莎，王明禹，王栋栋（昆明理工大学电力工程学院，云南昆明６５０５００）摘要：传统旋转备用计算模型已不再适用于含小水电群和风电接入的地区电网。以负荷损失较小、清洁能源利用率高、运行成本低为目标，基于最小火电燃料费用、最小期望停电成本、最小火电机组出力波动和最小主力水电弃水量函数模型，建立了考虑风．水．火协调运行的多目标旋转备用优化模型。采用引入粒子浓度认知的改进粒子群优化算法，通过仿真分析，验证了该模型的适用性和有效性。在不同策略下进行比较，该方法能在较低的失负荷概率情况下，得到较低的火电机组燃料费用；能随着小水电群和风电出力大小协调优化旋转备用容量。该模型及算法对存在相当规模小水电及风电的风．水．火地区电网制定旋转备用优化策略有参考价值。关键词：小水电群；风电；旋转备用；协调优化；改进粒子群算法Ｒｅｓｅａｒｃｈｏｆｓｐｉｎｎｉｎｇｒｅｓｅｒｖｅｃｏｏｒｄｉｎａｔｉｏｎｏｐｔｉｍｉｚａｔｉｏｎｓｔｒａｔｅｇｙｉｎｔｈｅｗｉｎｄ－－ｈｙｄｒｏ・－ｔｈｅｒｍａｌａｒｅａｐｏｗｅｒｇｒｉｄｃｏｎｔａｉｎｉｎｇｓｍａｌｌｈｙｄｒｏｐｏｗｅｒｇｒｏｕｐＬＩＵＺｈｉｊｉａｎ，ＬＩＡＮＧＮｉｎｇ，ＳＯＮＧＱｉ，ＣＨＥＮＳｈａ，ＷＡＮＧＭｉｎｇｙｕ，ＷＡＮＧＤｏｎｇｄｏｎｇ（ＦａｃｕｌｔｙｏｆＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＫｕｎｍｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｋｕｎｍｉｎｇ６５０５００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｃｏｎｖｅｎｔｉｏｎａｌｃａｌｃｕｌａｔｉｏｎｍｏｄｅｌｏｆｓｐｉｎｎｉｎｇｒｅｓｅｒｖｅｉｓｎｏｌｏｎｇｅｒａｐｐｌｉｃａｂｌｅｔｏｔｈｅｒｅｇｉｏｎａｌｐｏｗｅｒｇｒｉｄｇｒｏｕｐｗｈｉｃｈｃｏｎｔａｉｎｓｓｍａｌｌｈｙｄｒｏａｎｄｗｉｎｄｐｏｗｅｒａｃｃｅｓｓ．Ａｉｍｉｎｇａｔｌｏｗｅｒｌｏｓｓｏｆｌｏａｄ，ｈｉｇｈｅｒｕｔｉｌｉｔｙｏｆｃｌｅａｎｓｏｕｒｃｅａｎｄｌｅｓｓｃｏｓｔｏｆｏｐｅｒｍｉｏｎ，ｂａｓｅｄｏｎｔｈｅｆｕｎｃｔｉｏｎｍｏｄｅｌｓｏｆｔｈｅｌｏｗｅｓｔｔｈｅｒｍａｌｐｏｗｅｒｆｕｅｌｃｏｓｔ，ｔｈｅｍｉｎｉｍｕｍｅｘｐｅｃｔｅｄｏｕｔａｇｅｅｘｐｅｎｓｅ，ｔｈｅｌｅａｓｔｔｈｅｒｍａｌｐｏｗｅｒｏｕｔｐｕｔｆｌｕｃｔｕａｔｉｏｎａｎｄｔｈｅｌｅａｓｔａｂａｎｄｏｎｅｄｗａｔｅｒｏｆｍａｉｎｈｙｄｒｏｐｏｗｅｒｐｌａｎｔｓ，ａｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｍｏｄｅｌｉｓｂｕｉｌｔｃｏｎｓｉｄｅｒｉｎｇｔｈｅｗｉｎｄ－ｗａｔｅｒ－ｆｉｒｅｐｏｗｅｒｃｏｏｒｄｉｎａｔｅｄｏｐｅｒａｔｉｏｎ．Ｔｈｅｉｍｐｒｏｖｅｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｉｎｔｒｏｄｕｃｉｎｇｐａｒｔｉｃｌｅｃｏｎｃｅｎｔｒａｔｉｏｎｃｏｇｎｉｔｉｖｅｉｓｕｓｅｄ．Ｂｙｓｉｍｕｌａｔｉｎｇａｎｄａｎａｌｙｚｉｎｇ，ｔｈｅａｐｐｌｉｃａｂｉｌｉｔｙａｎｄｖａｌｉｄｉｔｙｉｓｖｅｒｉｆｉｅｄ．Ｔｏｃｏｍｐａｒｅｔｈｅｍｕｎｄｅｒｄｉｆｆｅｒｅｎｔｓｔｒａｔｅｇｉｅｓ，ｔｈｉｓｍｅｔｈｏｄｃａｎｇｅｔｌｅｓｓｆｕｅｌｅｘｐｅｎｓｅｓｏｆｔｈｅｒｍａｌｐｏｗｅｒｕｎｉｔｓｉｎｔｈｅｃａｓｅｏｆｌｏｗｅｒｌｏｓｓｏｆｌｏａｄｐｒｏｂａｂｉｌｉｔｙ（ＬＯＬＰ）；ｏｐｔｉｍｉｚｅｔｈｅｓｐｉｎｎｉｎｇｒｅｓｅｒｖｅｃａｐａｃｉｔｙｗｉｔｈｔｈｅｓｍａｌｌｈｙｄｒｏｐｏｗｅｒａｎｄｗｉｎｄｐｏｗｅｒｏｕｔｐｕｔｓｉｚｅ．Ｔｈｅｍｏｄｅｌａｎｄｔｈｅａｌｇｏｒｉｔｈｍａｒｅｈｅｌｐｆｕｌｆｏｒｄｒａｗｉｎｇｕｐｏｐｔｉｍｉｚａｔｉｏｎｓｔｒａｔｅｇｉｅｓｏｆｔｈｅｒｅｓｅｒｖｅｃａｐａｃｉｔｙｉｎｔｈｏｓｅｒｅｇｉｏｎｓｏｆｗｉｎｄ・・ｈｙｄｒｏ－－ｔｈｅｒｍａｌｇｒｉｄｉｎｗｈｉｃｈｌａｒｇｅｒｓｃａｌｅｓｍａｌｌｈｙｄｒｏｐｏｗｅｒａｎｄｗｉｎｄｐｏｗｅｒｅｘｉｓｔｓ．ＴｈｉｓｗｏｒｋｉｓｓｕｐｐｏｒｔｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．５１００７０３４）ａｎｄＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＹｕｎｎａｎＰｒｏｖｉｎｃｅ（Ｎｏ．２０１０ＣＤ０２３）．Ｋｅｙｗｏｒｄｓ：ｓｍａｌｌｈｙｄｒｏｐｏｗｅｒｇｒｏｕｐ；ｗｉｎｄｐｏｗｅｒ；ｓｐｉｎｎｉｎｇｒｅｓｅｒｖｅ；ｃｏｏｒｄｉｎａｔｉｏｎｏｐｔｉｍｉｚａｔｉｏｎ；ｉｍｐｒｏｖｅｄｐａｒｔｉｃｌｅｓｗａＦｌｎｏｐｔｉｍｉｚａｔｉｏｎ中图分类号：ＴＭ７１文献标识码：Ａ文章编号：１６７４．３４１５（２０１５）１０．００２１．０９０引言近年来，小水电及风电在我国一些地区增长迅速。作为重要清洁能源，在减少碳排放、降低环境污染的同时，较多小水电及风电入网也给电网的安全经济运行带来深刻影响。小水电和风电分布一般基金项目：国家自然科学基金项目（５１００７０３４）；云南省自然科学基金项目（２０１０ＣＤ０２３）相对分散，且可调性差、随机性及波动性较大【ｌ０］。而我国可再生能源法规定：电网企业应全额收购可再生能源发电Ｌ４Ｊ。因此，挖掘电网现有潜力，最大限度吸纳小水电、风电等清洁能源具有重要现实意义。充裕、经济的电网容量备用是提高小水电及风电等间歇性能源上网电量的必要条件。传统电网中，一般根据电网实际情况取最大负荷的固定百分比或最大单机容量作为系统备用。然而在小水电、风电等比较丰富的地区，由于这些能源具有间歇性、波．２２．电力系统保护与控制动性等特点，因此传统的旋转备用确定方法不再适用于这类地区电网。文献［５］通过火电平抑风电出力波动的方法，来实现大容量风电的远距离输送，但火电机组配合风电送出时，出力波动较大，使得煤耗增加。文献［６】针对电力市场环境下备用容量的确定和获取问题，以最小化旋转备用的购买成本为目标、以系统的安全性要求为机会约束的条件下，构造了确定系统所需的最优旋转备用容量的数学模型。文献［７．９］从含大规模风电的电网经济角度等出发，以旋转备用为约束条件，建立了含大规模风电场的电力系统调度模型。文献［１０］研究了当风电出力突然大幅度下降导致频率下降时，通过概率计算的方法减少旋转备用数量。文献ｆ１１１研究了风电入网对云南电网安全稳定运行等造成的影响。文献［１２］兼顾电网运行的安全性和经济性，采用聚类分析技术对风电功率预测数据进行筛选，建立了风电功率预测误差与备用需求变化问的关联模型。文献［１３］提出了一种基于风险的风电场备用需求决策方法，并提出一种充分利用发电机组控制性能的备用协调优化分配算法。文献［１４］综合大规模风电接入对电力系统生产、运行以及消费环节的影响，对传统的电力系统备用的概念进行了扩展。文献［１５］提出了含风电场的互联电力系统备用容量优化模型，以互联系统备用容量最小为目标，量化了系统共享备用的容量。上述文献有的只针对小水电接入对系统可靠性的影响，有的只考虑风电入网对系统安全和备用的影响，没有综合考虑较多小水电及风电入网对风．水一火地区电网备用容量优化确定的影响。为此，本文基于小水电、风电和负荷预测偏差等不确定因素，计及多种约束的前提下，建立以最小发电成本、最小主力水电弃水量、最小火电机组出力波动及最少电网停电损失成本为优化目标的多目标数学模型，并将小水电、风电及负荷预测偏差计入到机组停运容量的计算中。以西南某地区电网为例，采用引入粒子浓度认知的改进粒子群算法进行旋转备用优化计算，验证了所提模型的有效性及算法的准确性。１数学模型１．１目标函数旋转备用通过计算每个时段各类调用机组的出力后得到，其成本通过计算系统发电成本和期望停电造成的损失来综合衡量。小水电群和风电具有不可调节性，是绿色清洁能源，可以忽略运行成本，所以本文假设小水电群和风电全部入网消纳。由于主力水电发电成本可以忽略，所以目标函数不予考虑，但主力水电的弃水却造成了绿色能源的浪费，增加了火电机组的发电成本，此外火电机组的出力波动也会增加其发电成本。由此建立式（１）最小火电燃料费用、式（２）最小期望停电损失成本、式（３）最小火电机组出力波动和式（４）最小主力水电弃水量的多目标协调优化函数模型。其中，式（３）的作用是在优化过程中，使火电机组的出力波动最小，这样可以减少煤耗；式（４）的作用是在优化过程中，使主力水电厂的弃水量最小，最大限度提高水电利用率。在多目标函数中，主力水电机组在未满发时，式ｆ４）要满足最小弃水量条件；满发时，则不用考虑弃水情况。ｍｉｎＦ：，＝ｌｍｉｎＦ：＝１（１）ｆ２１∑∑ｍｉｎＡＰＧ＝ｌｅｏｆ（ｆ－ＰｏＪ（３）∑∑ｍｉｎＡＱ＝（Ｑｍａｘ厂）（４）其中‘：∑ｆｌｉｔ（ａｉｐｇ＋ｂｉＰｏ＋Ｃｉ）（５）＝Ｖｏ（６）式中：为日调度时段数，其值为２４；表示时段系统的发电成本，不计维护成本，即火电机组的燃料费用；表示ｔ时段电网期望停电损失成本；为火电机组数；Ｘｈ为主力水电机组总数；，为水库／当天的最大用水量；Ｑ为水电厂在时段的发电引用流量；表示火电机组在时段的开停机状态，停机为０，开机为１；ａ、ｂｉ、ｃ分别表示第ｉ个火电机组的燃煤费用系数；表示失负荷价值，可以通过对用户统计得到［】；电量不足期望Ｅ通过式（７）计算得到。∑巨＝（尸（）一Ｐ（＋）（７）其中＝㈣式中：为机组的停运出力；Ｐ（Ｘ）为机组停运的累积概率，通过计算机组停运容量表得出，具体计算参考文献［１７１１为时段系统发电机组总的最刘志坚，等含小水电群的风一水一火地区电网旋转备用协调优化策略研究．２３．式中：ＲＭＳＥ为小水电群短期负荷预测偏差率；Ｋ为小水电厂个数：为第ｉ个小水电厂实际发电功率；ＨＰ为第ｉ个小水电厂预测发电功率。由式（９）可以得到小水电群预测偏差求解公式为‘｝￡Ｐ＝ＰｓｆＲＭＳＥ（１Ｏ）其中，预测偏差分为正预测偏差和负预测偏差，可认为两者对称分布，即概率分别占５０％，当小水电实际功率大于预测功率时，不会造成电量不足，所以把实际发电小于预测的偏差和对应的概率分别引入到机组停运容量和停运率中，再将其引入到式（７）和式（８）中计算，由此可以对目标函数式（２）进行优化求解。２）风电出力预测偏差＝＋ｔ（１１）式中：为ｔ时段的实际风电出力；为ｆ时段的预测风电出力；ｅｗ为，时段的预测偏差，该偏差服从均值为０、方差为的正态分布的随机变量［］。３）负荷预测偏差Ｅ＝＋（１２）式中：Ｅ为ｔ时段的实际负荷；为ｆ时段的预测负荷；ｔ为ｔ时段的负荷预测偏差，该偏差服从均值为０、方差为的正态分布的随机变量【６］。４）风电和负荷总偏差的处理风电和负荷预测的总偏差如式（１３）所示【Ｉ７Ｊ。＝Ｅ一＝一＋＝＋（１３）式中：表示ｔ时段实际的负荷减去风电出力的差值；表示ｔ时段负荷预测值减去风电出力预测值的差值；表示ｆ时段负荷预测值和风电出力预测值的总偏差，该偏差服从均值为０、标准差为的正态分布的随机变量，的计算公式为［】９］＝√（）＋（）（１４）其中、分别由式（１５）、式（１６）得到［２ｏ＿。＝ｔ／１００（１５）１１专＋（１６）、、Ｉｌ式中：ｋ一般取值为１；为风电总装机容量。风电和负荷预测的偏差对旋转备用具有很大的影响，若处理不当，可能大大增加用户停电损失和火电机组的煤耗量。图１为负荷和风电出力预测偏差概率分布图【ｌ，其为连续性函数，无法代入公式进行求解。本文将其分为５个区间，如图１所示，每个区间计算对应概率密度积分和误差大小引，取区问横坐标上某点作为误差大小，从而将风电和负荷预测偏差分别离散化处理。误差大小和概率分布分别对应机组停用容量和停运率，再将其引入到式（７）和式（８）中计算，由此可以对目标函数式（２）进行优化求解。预测偏差／ＭＷ图１误差概率分布图Ｆｉｇ．１Ｅｒｒｏｒｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎ１．３约束条件１）系统功率平衡约束Ｎｗｈ∑∑＋ＰＨ＋ＰＷ，，＿尸Ｌ，（１７）ｉ＝１ｉ＝１式中：尸Ｇ为第ｉ个火电机组ｆ时段出力；为第ｉ个主力水电机组ｆ时段出力；ｅｗ，为ｆ时段风电出力大小；为ｆ时段小水电出力大小；ＰＬ，为ｆ时段的负荷大小。２）机组出力约束≤∈Ⅳｉｎ尸Ｇ，ｆ≤≤０Ｐｗ，≤０ＰＨ（１８）（１９）（２０）≤０胁（２１）式中：…““、ｐｍｉ表示火电机组出力的上下限；“表示风电出力的上限；表示第ｉ个主力水电机组出力上限；表示小水电厂出力上限。３）机组爬坡约束一ｆＡｔ““≤１一ｒｕｆＡｔ（２２）式中：、川分别为第ｆ个机组在ｆ和Ｈ１时段出力大小；、。分别为机组ｆ减载、加载速度限值。４）水电转换关系ＰＨ＝，Ｈｉ，（２３）．２４．电力系统保护与控制式中：ＰＨ为第ｉ个水电机组在ｆ时刻的功率大小；为常数，一般取９．８１；叩为第ｉ个水电厂的利用率；为第ｉ个水电机组在ｆ时刻水流量大小；为第ｉ个水电厂水库的水落差。５主力水电日径流量积分约束式（４）中主力水电日流量积分的上下限值约束为≤Ｑｍｉｎｊｊ：１ＱｊｔｄｔＱ一（２４）式中，，、Ｑｍ分别为一天来水总量上下限。２求解算法２．１火电机组调度顺序确定含小水电群的风、水、火地区电网旋转备用优化是一个多变量、多约束的非线性规划问题，其求解非常困难。根据常规，本文将一天作为一个调度周期，并划分为２４个时段。火电机组按照最小比耗量由小到大的顺序对机组进行经济性排序，以启发式搜索方法确定每个时段需要调度的台数【２引。所依据的最小比耗量计算公式为，１Ｊａｍｉｆ＝ａ，ｅｏｆ＋＋｛｝（２５）厂ｎｆ式中＝，＜…＜一，√＞一，式中，尸Ｇ一、ＰＧ分别为机组ｉ的出力上下限。２．２目标函数和约束条件的处理本文采用统一目标法中的加权系数法，将目标函数分别加上不同的权重，从而将多目标问题转化为单目标问题；约束条件运用外点罚函数法【２，将约束条件加入到目标函数中，从而将有约束问题转化为无约束优化问题。最后采用改进粒子群算法进行求解。２．３改进粒子群算法本文基于Ｍａｔ１ａｂ编程，并运用粒子群优化算法（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）进行优化。ＰＳＯ是１９９５年由美国学者提出的一种智能优化算法，与遗传算法相比，ＰＳＯ具有需要调整的参数少、结构简单、易于实现等优点。但其缺点是容易陷入局部最优。因此本文采用了引入粒子浓度认知的改进粒子群优化算法【２引。该方法在搜索过程中具有跳出局部最优解的能力，有效地避免了算法易于陷入局部最优的缺陷，提高了优化算法的准确性。改进ＰＳＯ的主要参数如下。１）惯性权重ｑ＝一—（一玫）一（２７），ｚｍ强式中，ｎｉ和分别为当前迭代次数和最大迭代次∞数。本文取：１，ｃ【ｉ＝０．２。２）浓度认知系数２（２８）式中，０＜＜１，此处取０．５。卢：等（２９）等＜＜２．４算法流程含小水电群的风一水．火地区电网旋转备用协调优化策略研究的算法流程如图２所示。Ｊ、水电群预测偏差对火电机组运ｊ＝ｆ＝』经济调度顺序进行调度粒ｒ的目标函数、值优１当前全局＼墨／土兰兰更新粒ｆ全局最优值及最优粒ｆ运用速度和位更新公式，更新种群巾粒ｒ的速度和位置Ｌ——蓝图２算法流程Ｆｉｇ．２Ａｌｇｏｒｉｔｈｍｐｒｏｃｅｓｓ具体步骤如下：１）将风电和负荷预测偏差离散化处理，引入到机组停运容量表中。料最出、电燃、组数水嚣盛小用火波小≠最费小力最刘志坚，等含小水电群的风一水一火地区电网旋转备用协调优化策略研究．２５．２）根据小水电群预测出力和预测偏差率，计算小水电预测偏差和概率，将其引入到机组停运容量表中。３）用机组停用容量表得到电量不足期望目标函数，并基于Ｍａｔｌａｂ上编程。４）建立最小火电燃料费用、最小期望停电成本、最小火电机组出力波动和最小主力水电弃水量的多目标协调优化函数模型。５）对火电机组运用经济性调度顺序进行排序，调度火电机组运用启发式搜索算法进行。６）将多目标协调优化函数模型采用统一目标法中的加权系数法，处理为单目标函数模型。７）运用引入粒子浓度认知的改进粒子群算法进行优化求解。８）根据求得的各个机组出力和负荷大小，计算得到旋转备用容量。３算例分析３．１算例参数本文以西南某地区２０１１年的数据为依据。为了突出问题的重点，对该地区实际的火电数据作了一定的修改，运用启发式搜索算法确定负荷峰值火电机组的调度台数是６，其经济性排序和机组参数如表１所示；小水电群数据选取了该地区电网中５个小水电厂的ｌ３台机组数据，其中机组数据如表２所示；取小水电群预测偏差率ＲＭＳＥ＝３０％，由该地区电网统计数据得到；风电出力数据选取了该地区风电场典型日出力预测值，２４时段出力如图３所示；除小水电群外，选取了该地区有代表性的４个主力水电厂的共５台机组数据，如表３所示，其中水电转换系数为０．８５；负荷２４时段数据选取了该地区电网某典型日负荷预测数据，如图４所示。表１运用启发式搜索算法确定的火电机组经济性排序表Ｔａｂｌｅ１Ｅｃｏｎｏｍｙｓｏｒｔｔａｂｌｅｏｆｔｈｅｔｈｅｒｍａｌｐｏｗｅｒａｐｐｌｙｉｎｇｈｅｕｒｉｓｔｉｃｓｅａｒｃｈａｌｇｏｒｉｔｈｍ表２小水电群机组数据Ｔａｂｌｅ２Ｄａｔａｏｆｓｍａｌｌｈｙｄｒｏｐｏｗｅｒｐｌａｎｔｓ编号１２３４５机组台数３２２３３机组容量／ＭＷ１４ｌ８ｌ５８３．５图３风电场典型日出力预测值Ｆｉｇ．３Ｔｙｐｉｃａｌｄａｉｌｙｐｏｗｅｒｏｕｔｐｕｔｐｒｅｄｉｃｔｅｄｖａｌｕｅｏｆｗｉｎｄｆａｒｍ表３主力水电厂机组数据Ｔａｂｌｅ３Ｄａｔａｏｆｍａｉｎｈｙｄｒｏｐｏｗｅｒｐｌａｎｔｓ１３５７９ｌ１１３ｌ５１７１９２１２３时段，ｈ图４典型日负荷预测值Ｆｉｇ．４Ｔｙｐｉｃａｌｄａｉｌｙｌｏａｄｐｒｅｄｉｃｔｅｄｖａｌｕｅ∞∞∞∞∞∞＂如．２６．电力系统保护与控制３．２丰水期典型日丰水期该地区来水量大，水电机组满发，无调峰能力。火电机组此时的主要作用是提供旋转备用、调峰及承担部分基荷，因此负荷的优化分配仅针对火电机组。该地区的４个主力水电厂满发出力１０００ＭＷ，５个小水电厂满发出力１４２．５Ｍｗ，假设ＶＯＬＬ＝１５００￥。２４时段火电调度台数和旋转备用优化结果如表４所示，由表可见，此时火电调度台数变化明显。２４时段小水电群、风电、主力水电和火电机组出力大小如图５所示，由图可见，丰水期水电满发无调节作用的情况下，由于风电出力及负荷波动较大而使得火电机组出力波动较大，达到其总额定功率的４８％。在此情况下，火电机组起主要功率调节作用。应用前述式（１）～式（３），计算得到火电机组燃料总费用为２８６０７０￥。表４丰水期备用供给和火电机组调度台数Ｔａｂｌｅ４Ｒｅｓｅｒｖｅｃａｐａｃｉｔｙａｎｄｔｈｅｎｕｍｂｅｒｏｆｔｈｅｒｍａｌｕｎｉｔｓｉｎｗｅｔｐｅｒｉｏｄ时旋转备火电调时旋转备火电调段用／ＭＷ度台数段用Ｗ度台数１３５２．８２１３５５６．３４２４３１．５２１４５６０．３４３４６１．８２１５６４１．３４４５５５．６２１６７０６．７４５５２３．７２１７７７９２４６４０４．６２１８７９０．９５７４０４．５３ｌ９７６６．７５８４１９．６４２０６００．９５９３２８．０４２１５５４．５６１０３００．５４２２６３３．３６１ｌ５５５．４５２３６３３．８５１２３８１．６４２４２５９．７２图５丰水期风水火电出力Ｆｉｇ．５Ｏｕｔｐｕｔｓｏｆｗｉｎｄ・ｈｙｄｒｏ－ｔｈｅｒｍａｌｐｏｗｅｒｉｎｈｉｇｈｆｌｏｗｐｅｒｉｏｄ３．３枯水期典型日枯水期该地区水库一般有一定的调配水量，而且主力水电厂的水库蓄水能力强，此时主力水电机组具有很强的调峰能力。与火电相比，水电机组调节速度快，启停成本可以忽略。因此为了避免火电机组的频繁启停和出力大幅波动，此时火电机组一般作为基荷存在。小水电群２４时段出力选取某典型日预测数据，如表５所示；４个主力水电厂的水文数据选取某典型日的预测数据，如表６所示；火电调度台数和旋转备用如表７所示，此时火电调度台数变化较小。２４时段小水电群、风电、主力水电和火电机组出力大小如图６所示，由图可见，此时主力水电机组调峰明显，承担了一定的小水电群、风电和负荷的波动，并提供一定的旋转备用，而火电表５枯水期小水电群出力预测值Ｔａｂｌｅ５Ｐｏｗｅｒｏｕｔｐｕｔｐｒｅｄｉｃｔｅｄｖａｌｕｅｏｆｓｍａｌｌｈｙｄｒｏｐｏｗｅｒｉｎｄｒｙｐｅｒｉｏｄ表６枯水期主力水电厂水文参数Ｔａｂｌｅ６Ｈｙｄｒｏｌｏｇｉｃａｌｐａｒａｍｅｔｅｒｓｏｆｔｈｅｍａｉｎｈｙｄｒｏｐｏｗｅｒｐｌａｎｔｓｉｎｄｒｙｐｅｒｉｏｄ刘志坚，等含小水电群的风一水一火地区电网旋转备用协调优化策略研究．２７一表７枯水期备用供给和火电机组调度台数Ｔａｂｌｅ７Ｒｅｓｅｒｖｅｃａｐａｃｉｔｙａｎｄｔｈｅｎｕｍｂｅｒｏｆｔｈｅｒｍａｌｕｎｉｔｓｉｎｄｒｙｐｅｒｉｏｄ时旋转备用／火电调时旋转备用／火电调段Ｍｗ度台数段Ｍｗ度台数ｌ４００４１３４００５２４００４１４４００５３４００４ｌ５４００５４４６１４１６４００５５４３０４ｌ７４００５６４００４１８４００５７５５０５ｌ９４００５８４００５２０４００５９４００５２１４００６１０４００５２２５４１６１ｌ４００５２３５５０５１２４００５２４４００４图６枯水期风水火电出力—Ｆｉｇ．６Ｏｕｔｐｕｔｏｆｗｉｎｄ－ｈｙｄｒｏｔｈｅｒｍａｌｐｏｗｅｒｉｎｄｒｙｐｅｒｉｏｄ机组出力波动较小，峰谷差约为其最大功率的２４％。最后经过优化，得到火电机组燃料总费用为５６４４５５￥。３．４不同策略下的比较以丰水期为例，分别计算不同策略下的结果，并做相应的比较，以此判断模型的有效性和准确性。计算传统ＰＳＯ和引入粒子浓度认知ＰＳＯ的火电机组燃料总费用，运算２０次，优化结果见表８。由表８可见，引入粒子浓度认知的ＰＳＯ算法比传统ＰＳＯ算法求得了更优的结果，而且在仿真计算中，其速度更快。图７是以下三种工况时２４时段系统的旋转备用容量计算结果：（１）小水电、风电接入电网，用本文模型时；（２）小水电、风电不接入电网，用本文模型计算时；（３）用传统方法，近最大负荷的１０％确定旋转备用容量。绝大部分时段，接入小水电群和风电的系统旋转备用容量较大。在小水电群和风电出力较大的１７，￣２２时段，系统旋转备用容量尤其偏大，而在小水电群和风电出力较小的７～１３时段，接入小水电群和风电的系统旋转备用容量相对于不接入时比较接近，甚至出现旋转备用容量小于不接入小水电群和风电的系统旋转备用容量。同时由图７可见，传统旋转备用不能随小水电群和风电出力的增大而有效地增大旋转备用。表８传统ＰＳＯ与改进ＰＳＯ优化结果比较Ｔａｂｌｅ８ＣｏｍｐａｒｉｓｏｎｏｆｔｒａｄｉｔｉｏｎａｌＰＳＯａｎｄｉｍｐｒｏｖｅｄＰＳＯ—Ｄ一接入小水电群年¨风电的系统旋转备用—古一不接入小水电群和风电的系统旋转备用图７不同情况下的旋转备用容量曲线Ｆｉｇ．７Ｓｐｉｎｎｉｎｇｒｅｓｅｒｖｅｃａｐａｃｉｔｙｃｕｒｖｅｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｃａｓｅｓ分别计算不同ＬＬ值下和仅优化火电机组燃料费用的单目标函数模型时，系统的失负荷概率ＬＯＬＰ［２５］和火电燃料总费用。拟定３个ＺＯＬＬ值分别为：１０００￥、１５００￥、２０００￥，优化结果见表９。当优化变量针对最小火电燃料费用的单目标函数时，旋转备用当作一个约束条件，依据系统最大负荷的１０％进行计算，其结果见图７，得到其平均Ｌ＝ｏ０．０７２０４６，火电机组燃料总费用为３１１３０２￥。与表９结果比较可见，应用本文提出的多目标优化模型，在平均三值比单目标模型取值低的情况下，仍能得到较低的机组燃料总费用。同时由图７可见，本文提出的多目标优化模型能根据小水电和风电出力的大小而调整旋转备用容量，这也是能大大降低平均的主要原因。表９不同失负荷价值下的计算结果Ｔａｂｌｅ９Ｒｅｓｕｌｔｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｖａｌｕｅｏｆｌｏｓｔｌｏａｄ４结论针对传统确定旋转备用的方法已经不再适用于．２８．电力系统保护与控制较多小水电群及风电接入地区电网的问题，本文提出将小水电群、风电及负荷预测偏差计入到机组停运容量的计算中，在满足多种约束条件的前提下，结合西南某地区电网实际，充分考虑最大限度的吸纳小水电群及风电等清洁能源的条件下，建立多目标函数旋转备用优化模型，基于Ｍａｔ１ａｂ编程，并应用改进粒子群优化算法进行优化计算，仿真结果表明：ｌ１本文提出的优化模型能更好地适应小水电群和风电的波动性特点，在发电成本较小的情况下，求得优化旋转备用。２）枯水期该模型能最大限度发挥主力水电的调峰作用，优化火电机组出力，最大限度减少火电出力波动和煤耗，减少碳排放；丰水期主力水电满发，火电主要参与调峰，提供旋转备用。丰枯两种情况下，均能平抑负荷波动，这有利于丰水期小水电群及枯水期风电的吸纳，提高清洁能源利用率。３）模型综合考虑火电燃料费用、停电成本、火电出力波动和弃水量等因素，采用了引入粒子浓度认知的改进粒子群优化算法，与传统的ＰＳＯ相比，进一步提高了算法的寻优结果和寻优速度。参考文献［１］李智，张新松，郭晓丽．大规模风电接入火电系统的最优旋转备用容量研究［Ｊ１．电力系统保护与控制，２０１２，４０（１３）：１１０－１１４．ＬＩＺｈｉ，ＺＨＡＮＧＸｉｎｓｏｎｇ，ＧＵＯＸｉａｏｌｉ．Ｓｔｕｄｙｏｎｔｈｅｏｐｔｉｍａｌｓｐｉｎｎｉｎｇｒｅｓｅｒｖｅｉｎｔｈｅｒｍａｌｐｏｗｅｒｓｙｓｔｅｍｗｉｔｈｓｉｇｎｉｆｉｃａｎｔｗｉｎｄｐｏｗｅｒｐｅｎｅｔｒａｔｉｏｎ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１２，４０（１３）：１１０－１１４．［２］王宁，叶林，陈盛，等．支持向量机向量维数对短期风电功率预测精度的影响［Ｊ］．电力系统保护与控制，２０１２，４０（１５）：６３－６９．ＷＡＮＧＮｉｎｇ，ＹＥＬｉｎ，ＣＨＥＮＳｈｅｎｇ，ｅｔａ１．Ｉｎｆｌｕｅｎｃｅｏｆｔｈｅｖｅｃｔｏｒ－ｄｉｍｅｎｓｉｏｎｏｆＳＶＭｏｎｓｈｏｒｔ－ｔｅｒｍｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１２，４０（１５）：６３－６９．［３］李树山，廖胜利，李刚，等．大规模小水电群一体化发电计划编制方法【Ｊ】．中国电机工程学报，２０１２，３２（１３）：２９．３５．ＬＩＳｈｕｓｈａｎ，ＬＩＡＯＳｈｅｎｇｌｉ，ＬＩＧａｎｇ，ｅｔａ１．Ｉｎｔｅｇｒａｔｅｄｐｏｗｅｒｇｅｎｅｒａｔｉｏｎｓｃｈｅｄｕｌｉｎｇｃｏｍｐｉｌａｔｉｏｎｍｅｔｈｏｄｓｆｏｒｌａｒｇｅ－ｓｃａｌｓｍａｌｌｈｙｄｒｏｐｏｗｅｒｓｔ￣ｉｏｎｇｒｏｕｐ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１２，３２（１３）：２９－３５．［４］庄幸．《可再生能源法》推动可再生能源电力发展【Ｊ］＿—中国电力，２００７，４０（２）：８５８８．ＺＨＵＡＮＧＸｉｎｇ．Ｃｈｉｎａｒｅｎｅｗａｂｌｅｅｎｅｒｇｙｌａｗｐｒｏｍｏｔｉｎｇｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｒｅｎｅｗａｂｌｅｅｎｅｒｇｙｐｏｗｅｒ—ｇｅｎｅｒａｔｉｏｎ［Ｊ］．ＥｌｅｃｔｒｉｃＰｏｗｅｒ，２００７，４０（２）：８５８８．［５］华文，徐政．风电火电打捆送出时的输电容量优化方法【Ｊ】．电力系统保护与控制，２０１２，４０（８）：１２１．１２５．ＨＵＡＷｅｎ，ＸＵＺｈｅｎｇ．Ａｍｅｔｈｏｄｔｏｏｐｔｉｍｉｚｅｔｒａｎｓｍｉｓｓｉｏｎｃａｐａｃｉｔｙｏｆｗｉｎｄｐｏｗｅｒｉｎｃｏｍｂｉｎａｔｉｏｎｗｉｔｈｔｈｅｒｍａｌｐｏｗｅｒ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１２，４０（８）：１２１－１２５．［６］王乐，余志伟，文福栓．基于机会约束的最优旋转备用容量确定［Ｊ］．电网技术，２００６，３０（２０）：１４．１９．ＷＡＮＧＬｅ，ＹＵＺｈｉｗｅｉ，ＷＥＮＦｕｓｈｕａｎ．Ａ—ｃｈａｎｃｅｃｏｎｔｒａｉｎｅｄｐｒｏｇｒａｍｍｉｎｇａｐｐｒｏａｃｈｔｏｄｅｔｅｒｍｉｎｅｒｅｑｕｉｒｅｍｅｎｔｏｆｏｐｔｉｍａｌｓｐｉｎｎｉｎｇｒｅｓｅｒｖｅｃａｐａｃｉｔｙ【Ｊ］．—ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２００６，３０（２０）：１４１９．［７］杨宏，苑津莎，吴立增．基于风电功率预测的电网静态调峰能力极限研究［Ｊ】．电工技术学报，２０１４，２９（４）：２６６．２７３．ＹＡＮＧＨｏｎｇ，ＹＵＡＮＪｉｎｓｈａ，ＷＵＬｉｚｅｎｇ．ＲｅｓｅａｒｃｈｏｆｓｔａｔｉｃｒｅｇｕｌａｔｉｏｎｃａｐａｃｉｔｙｌｉｍｉｔｂａｓｅｄＯ１＂１ｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１４，２９（４）：２６６－２７３．［８］胡国伟，别朝红，王锡凡．考虑运行可靠性的含风电电力系统优化调度［Ｊ］．电工技术学报，２０１３，２８（５）：５８－６５．ＨＵＧｕｏｗｅｉ，ＢＩＥＺｈａｏｈｏｎｇ，ＷＡＮＧＸｉｆａｎ．Ｏｐｔｉｍａｌｄｉｓｐａｔｃｈｉｎｗｉｎｄｉｎｔｅｇｒａｔｅｄｓｙｓｔｅｍｃｏｎｓｉｄｅｒｉｎｇｏｐｅｒａｔｉｏｎｒｅｌｉａｂｉｌｉｔｙ【Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌ—Ｓｏｃｉｅｔｙ，２０１３，２８（５）：５８６５．［９］杨楠，王波，刘涤尘，等．考虑柔性负荷调峰的大规模风电随机优化调度方法［Ｊ］．电工技术学报，２０１３，２８（１ｌ、：２３１－２３８．—ＹＡＮＧＮａｎ，ＷＡＮＧＢｏ，ＬＩＵＤｉｃｈｅｎ，ｅｔａ１．Ｌａｒｇｅｓｃａｌｅｗｉｎｄｐｏｗｅｒｓｔｏｃｈａｓｔｉｃｏｐｔｉｍｉｚａｔｉｏｎｓｃｈｅｄｕｌｉｎｇｍｅｔｈｏｄｃｏｎｓｉｄｅｒｉｎｇｆｌｅｘｉｂｌｅｌｏａｄｐｅａｋｉｎｇ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１３，２８（１１）：２３１－２３８．［１Ｏ］郭为民，魏强，唐耀华．一种可在特高压或风电大量接入后减少旋转备用的新方法【Ｊ］．电力系统保护与控制，２０１４，４２（７）：１－７．ＧＵＯＷｅｉｍｉｎ，ＷＥＩＱｉａｎｇ，ＴＡＮＧＹａｏｈｕａ．ＡｎｅｗａｐｐｒｏａｃｈｔｏｄｅｃｒｅａｓｅｒｅｓｅｗｅｄｅｍａｎｄｗｈｅｎｂｕｌｋｙｗｉｎｄｐｏｗｅｒｏｒＵＨＶｉｓｃｏｎｎｅｃｔｅｄ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１４，４２（７）：１－７．［１１］张少泉，仇英辉，刘超，等．风电并网对云南电网潮流分布与电网调峰的影响［Ｊ］．南方电网技术，２０１２，６（５）：—３６３８．ＺＨＡＮＧＳｈａｏｑｕａｎ，ＱＩＵＹｉｎｇｈｕｉ，ＬＩＵＣｈａｏ，ｅｔａ１．ＥｆｆｅｃｔｏｆｗｉｎｄｐｏｗｅｒｉｎｔｅｇｒａｔｉｎｇｉｎｔｏＹｕｎｎａｎｇｒｉｄｏｎｔｈｅｆｌｏｗｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｐｏｗｅｒｌｏａｄｐｅａｋｉｎｇｒｅｇｕｌａｔｉｏｎ［Ｊ］．ＳｏｕｔｈｅｒｎＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇ—ｙ，２０１２，６（５）：３６３８．刘志坚，等含小水电群的风一水一火地区电网旋转备用协调优化策略研究．２９．［１２］王丹平，陈之栩，涂孟夫，等．考虑大规模风电接入的备用容量计算［Ｊ］．电力系统自动化，２０１２，３６（２１）：２４．２８．ＷＡＮＧＤａｎｐｉｎｇ，ＣＨＥＮＺｈｉｘｕ，ＴＵＭｅｎｇｆｕ，ｅｔａ１．Ｒｅｓｅｒｖｅｃａｐａｃｉｔｙｃａｌｃｕｌａｔｉｏｎｃｏｎｓｉｄｅｒｉｎｇｌａｒｇｅ－ｓｃａｌｅｗｉｎｄｐｏｗｅｒｉｎｔｅｇｒａｔｉｏｎ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１２，３６（２１）：２４－２８．［１３］张国强，吴文传，张伯明．考虑风电接入的有功运行备用协调优化【Ｊ】．电力系统自动化，２０１１，３５（１２）：ｌ５．１９．ＺＨＡＮＧＧｕｏｑｉａｎｇ，ＷＵＷｅｎｃｈｕａｎ，ＺＨＡＮＧＢｏｍｉｎｇ．Ｏｐｔｉｍｉｚａｔｉｏｎｏｆｏｐｅｒａｔｉｏｎｒｅｓｅｒｖｅｃｏｏｒｄｉｎａｔｉｏｎｃｏｎｓｉｄｅｒｉｎｇｗｉｎｄｐｏｗｅｒｉｎｔｅｇｒａｔｉｏｎ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１１，３５（１２）：１５－１９．［１４］薛志英，周明，李庚银．大规模风电接入电力系统备用决策评述【Ｊ］＿电力系统保护与控制，２０１３，４１（４）：１４８．１５５．ＸＵＥＺｈｉｙｉｎｇ，ＺＨＯＵＭｉｎｇ，ＬＩＧｅｎｇｙｉｎ．Ｓｕｒｖｅｙｏｎｒｅｓｅｒｖｅｄｅｃｉｓｉｏｎｏｆｐｏｗｅｒｓｙｓｔｅｍｓｗｉｔｈｌａｒｇｅｓｃａｌｅｗｉｎｄｐｏｗｅｒｉｎｔｅｇｒａｔｉｏｎ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄ—Ｃｏｎｔｒｏｌ，２０１３，４１（４）：１４８１５５．［１５］盛四清，檀晓林，李欢，等．含风电场的互联电力系统—备用容量优化［Ｊ］．电网技术，２０１３，３７（１１）：３０６７３０７２．ＳＨＥＮＧＳｉｑｉｎｇ，ＴＡＮＸｉａｏｌｉｎ，ＬＩＨｕａｎ，ｅｔａ１．Ｒｅｓｅｒｖｅｃａｐａｃｉｔｙｏｐｔｉｍｉｚａｔｉｏｎｏｆｉｎｔｅｒｃｏｎｎｅｃｔｅｄｐｏｗｅｒｇｒｉｄｃｏｎｔａｉｎｉｎｇｗｉｎｄｆａｒｍｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１３，３７（１１）：３０６７－３０７２．［１６］万官全，任震，郭小龙，等．考虑馈线自动化的用户停电损失计算［Ｊ］．电网技术，２００５，２９（１）：２４－２９．ＷＡＮＧｕａｎｑｕａｎ，ＲＥＮＺｈｅｎ，ＧＵＯＸｉａｏｌｏｎｇ，ｅｔａ１．Ｃａｌｃｕｌａ’ｔｉｏｎｏｆｃｕｓｔｏｍｅｒＳｏｕｔａｇｅｃｏｓｔｃｏｎｓｉｄｅｒｉｎｇｆｅｅｄｅｒａｕｔｏｍａｔｉｏｎ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２００５，２９（１）：２４．２９．［１７］苏鹏，刘天琪，李兴源．含风电的系统最优旋转备用的确定［Ｊ］．电网技术，２０１０，３４（１２）：１５８．１６２．ＳＵＰｅｎｇ，ＬＩＵＴｉａｎｑｉ，ＬＩＸｉｎｇｙｕａｎ．Ｄｅｔｅｒｍｉｎａｔｉｏｎｏｆｏｐｔｉｍａｌｓｐｉｎｎｉｎｇｒｅｓｅｒｖｅｏｆｐｏｗｅｒｇｒｉｄｃｏｎｔａｉｎｉｎｇ—ｗｉｎｄ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１０，３２（１２）：１５８１６２．［１８］全戈．多小水电地区发电短期负荷预测研究［Ｄ］．杭州：浙江大学，２０１１．１１９ＪＲＯＮＡＮＤ，ＭＡＲＫＯ．Ａｎｅｗａｐｐｒｏａｃｈｔｏｑｕａｎｔｉｆｙｒｅｓｅｒｖｅｄｅｍａｎｄｉｎｓｙｓｔｅｍｓｗｉｔｈｓｉｇｎｉｆｉｃａｎｔｉｎｓｔａｌｌｅｄｗｉｎｄｃａｐａｃｉｔｙ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒＳｙｓｔｅｍｓ，２００５，２２（２）：５８７－５９４．１２０３ＢＵＮＮＤＷＦｏｒｅｃａｓｔｉｎｇｌｏａｄａｎｄｐｒｉｃｅｓｉｎｃｏｍｐｅｔｉｔｉｖｅｐｏｗｅｒｍａｒｋｅｔｓ［Ｊ］．ＰｒｏｃＩＥＥＥ，２０００，８８（２）：１６３－１６９．［２１］谭伦农，张保会．市场环境下的事故备用容量［Ｊ］．中国电机工程学报，２００２，２２（１１）：５４．５８．ＴＡＮＬｕｎｎｏｎｇ，ＺＨＡＮＧＢａｏｈｕｉ．Ｒｅｓｅｒｖｅｃａｐａｃｉｔｙｆｏｒａｃｃｉｄｅｎｔｉｎｐｏｗｅｒｍａｒｋｅｔｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓｏｆ—ｔｈｅＣＳＥＥ，２００２，２２（１１）：５４５８．［２２３ＢＯＵＦＦＡＲＤＦ．ＧＡＬＩＡＮＡＦＤ．Ｓｔｏｃｈａｓｔｉｃｓｅｃｕｒｉｔｙｆｏｒｏｐｅｒａｔｉｏｎｓｐｌａｎｎｉｎｇｗｉｔｈｓｉｇｎｉｆｉｃａｎｔｗｉｎｄｐｏｗｅｒｇｅｎｅｒａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒＳｙｓｔｅｍｓ，—２００８，２３（２）：３０６３１６．［２３］王开艳，罗先觉，吴玲，等．清洁能源优先的风．水．火电力系统联合优化调度［Ｊ］．中国电机工程学报，２０１３，３３（１３）：２７－３５．ＷＡＮＧＫａｉｙａｎ，ＬＵＯＸｉａｎｊｕｅ，ｗＵＬｉｎｇ，ｅｔａ１．Ｏｐｔｉｍａｌ—ｄｉｓｐａｔｃｈｏｆｗｉｎｄ－ｈｙｄｒｏ．．ｔｈｅｒｍａｌｐｏｗｅｒｓｙｓｔｅｍｗｉｔｈｐｒｉｏｒｉｔｙｇｉｖｅｎｔｏｃｌｅａｎｅｎｅｒｇｙ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１３，３３（１３）：２７・３５．［２４］李明．详解ＭＡＴＬＡＢ在最优化计算中的应用［Ｍ】．北京：电子工业出版社，２０１１：２２６．２３１．［２５］钟浩，唐民富．风电场发电可靠性及容量可信度评估［Ｊ］．电力系统保护与控制，２０１２，４０（１８）：７５．８０．ＺＨＯＮＧＨａｏ，ＴＡＮＧＭｉｎｆｕ．Ａｓｓｅｓｓｍｅｎｔｏｎｔｈｅｒｅｌｉａｂｉｌｉｔｙａｎｄｃａｐａｃｉｔｙｃｒｅｄｉｂｉｌｉｔｙｏｆｗｉｎｄｆａｒｍｓ［Ｊ］．ＰｏｗｅｒＳｙｓｍｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１２．４０（１８１：７５．８０．收稿日期：２０１４－０９－２６；—修回日期：２０１４－１１２４作者简介：刘志坚（１９７５一），男，博士，副教授，研究方向为电力系统稳定运行与控制、电力系统优化等方面；梁宁（１９８５一），男，硕士研究生，研究方向为新能源接入的电力系统运行与优化；Ｅ－ｍａｉｌ：ｌｉａｎｇｎｉｎｇ２６８８＠１６３．ｃｏｍ宋琪（１９７９一），女，硕士，讲师，研究方向为电力系统稳定运行与控制。（编辑周金梅）