0 引 言

随着全球日益严重的资源短缺和环境恶化，风能作为一种“取之不尽，用之不竭”的可再生能源，得到人们的重视和开发。风力发电除了必要的投资和成本维护之外不需要任何花费，对环境无污染，具有经济和环保两方面的优势。但由于风电的随机性和不确定性，导致含风电电网调度与传统调度方式有很大区别。含风电的电网调度由于风电机组的参与，调度中风电机组相对于预测发电不足或者过多造成的弃风现象时常发生，故需要考虑风险成本和旋转备用量等因素。

对于含风电机组的电网调度，国内外学者针对这一课题做了广泛研究，文献[1-3]将风电机组的预测功率作为实际发电量或预留固定百分比的旋转备用容量，称为确定性建模。但由于风电的不确定性，预测值通常有偏差，导致最终调度结果误差较大。除上述方法外，文献[4-5]采用模糊建模隶属函数的方法来解决电网调度问题，但此类方法太依靠于决策者的主观判断，容易偏离实际。由于风电的预测难度较大，许多学者通过风速或风电功率密度分布函数建立数学模型[6-10]。文献[6-7]认为风电概率符合Weibull分布。文献[8]假定风速概率符合Rayleigh分布，并采用对概率密度积分的方法建立含电动汽车和风电低估和高估风险的数学模型。文献[9]假设风电功率归一化处理之后服从Beta分布，引入正负旋转备用容量将概率机会约束随机调度转化为确定性模型。文献[10]对风电预测采用直接统计的方法，认为风电功率服从预测值为均值，预测误差为标准差的正态分布。然而这些方法将风电功率概率分布假设为一个固定的函数，而风电的功率输出受气象、安装位置、季节、设备等诸多因素的影响，采用固定函数拟合风电功率概率分布误差较大。

语文学习是一个长期训练、逐步积累的过程，很难做到一蹴而就。如果我们在教学中经常这样对学生进行词语积累运用训练，长期积累下来，就能让学生形成有效的语言积累。

由于风电的优化调度具有非线性、高维离散和多约束等特点，文献[11-12] 用智能优化算法来解决电网调度问题。文献[12]为减少弃风，提出了一种限制风电功率运行的调度方案，并用遗传算法来进行求解。为了解决复杂电网调度问题，文献[13]用GAMS软件平台调用CPLEX求解器求解。除智能算法和CPLEX软件之外，文献[14]提出了一种改进的拉格朗日松弛法，解决含风火储能装置的数学模型的经济成本问题。

通过分析风电机组的历史发电数据，建立动态的风电功率概率密度分布函数，然后将该概率分布以积分的形式引入到电网调度的目标函数中，建立了基于积分风险的调度模型，并提出了改进的骨干粒子群算法(I-BBPSO)，实现对调度模型的求解与分析。

“遵循自然规律种植蔬果，它们体内含有的矿物质与活性物质就多，吃起来就觉得香、觉得有味，对百姓的身体也有好处。”从种菜学中，肖健悟出了不少生活的道理。

加强对河道进行清淤疏浚是保证周围地区防汛安全，促进经济发展重要手段。当前河道的清淤疏浚工作还存在一些问题，比如河槽治理不当，河道易成险工段；河床抬高泄洪能力减弱；部分砂质土堤在水位高流量大时，易发生溃堤；临堤串沟威胁堤坝安全，洪水漫滩，堤坝面临溃决的危险。受上游土质疏松的地区影响，下游易出现淤积, 而河道淤积严重，泄洪不畅, 会危害当地的居民的生命财产安全。因此加强河道的清淤疏浚，减轻河道淤泥现象，不仅能提高堤坝的泄洪能力，而且也可以利用河道发展当地水利建设和农业经济。

1 风电机组发电功率概率分布

对于不同时间、地域、风电机组的功率概率密度分布函数也不同。图1是美国德州某风电机组在不同时间段的发电量概率分布[15]，其中柱状图表示实测风机机组的功率频率，根据风电数据拟合成风电功率概率密度分布函数如图1曲线所示。

图1 某风电机组在不同年夏冬下午3时功率概率分布 Fig.1 PDF of wind power at 3 pm in summer and winter

式中Pc表示负荷需求功率。

为了获得风电功率概率分布动态模型，实时拟合当前的概率分布函数。图2为同一风电机组不同时刻的功率频率，将6,12,18和24时拟合成的功率分布函数分别为高斯函数、傅里叶函数、多项式函数和幂函数。

图2 某风电机组在某月份内不同时刻功率概率分布 Fig.2 PDF of wind power at different time in mouth

拟合风电功率概率分布函数，即：

pwi=f(wi)

以AES算法为例，在设计加解密算法硬件模块时以分组算法为基础。将明文按一定长度分组，明文组经过加密运算得到密文组，密文组经过解密运算（加密运算的逆运算）还原成明文组。分组算法分组可使用128、192或256位甚至更高位的密钥，可对应10、12等轮数[13]。分组算法的示意图如图9所示。

(1)

式中f(wi)为风电功率概率拟合曲线；wi为第i台风电机组的预测值定义域为[wimin,wimax],wimax和wimin为风电机组出力上下限；pwi为风电机组在发电功率等于wi时的概率值。当风电功率预测值wi大于(小于)实际功率时，pwi表示风电高估(低估)概率。将pwi引入到调度模型中，可求得风电机组的低估和高估风险。

2 含积分风险的数学模型

2.1 火电机组和风电机组成本

含风电机组的电网调度成本，如下：

城际铁路具有高效、快捷、舒适、大运量等特点，在加强区域内城市间有机联系和促进区域经济一体化的实现中扮演着越来越重要的角色。然而,城际铁路建设项目投资金额大、建设周期长、技术要求高，且具有明显的区域依赖性，依靠传统的融资模式进行大规模城际铁路建设难以为继。因此，积极拓宽城际铁路建设融资渠道，提高对社会资本的吸引强度，成为促进铁路可持续健康发展和城际交通网络加速形成的关键。

min f(t)=F(t)+E(t)+S(t)+R(t)

式中Wi,av为第i台风电机组的预测功率;Cui和Coi为第i台风电机组的低估和高估惩罚因子。引入惩罚因子可以将风电的不确定性体现在函数上，容易用数学的方法进行优化。积分风险是指将风电功率范围分为低估区间和高估区间，两个区间均有对应的惩罚系数。通过积分运算可以得到低估(高估)的加权平均功率，其中加权值为低估(高估)功率概率pwi。然后将预测功率Wi,av与低估(高估)加权值作差，得到低估(高估)功率差值和低估(高估)的惩罚成本。这种计算惩罚成本，可以降低预测偏差较大所带来的误差，使计算结果更符合真实情况。

(4)金属矿物、脉石矿物中也含有少量的Y，其原因是一部分含磷灰石矿物混入引起，一部分是分散状态存在于上述矿物中。

(2)

(3)

(4)

(5)

由于风电机组由于具有随机性，其约束条件主要由等式和不等式组成，其具体约束条件如下：

风电机组的风险惩罚成本包括风电功率预测低估(弃风)惩罚成本和高估(失负荷)惩罚成本。

(6)

总体来看，在全球开放获取运动中欧洲更为积极和激进。法国、英国和荷兰等十一个国家的基金会联手推出激进的开放获取计划，要求从2020年起，所有公共资金资助的研究成果即时进入开放获取模式，任何人都可以下载、翻译或再利用。根据该计划，研究成果必须立即而不是延迟开放［8］。 该计划被称为 Plan-S'计划，于 2018年9月对外发布，其创建者罗伯特·斯米茨（Robert-Jan Smits）要求学术出版社改变商业模式，其效果要达到像欧盟取消境内移动电话漫游费那样［9］，由各国政府将此作为一项公共惠民政策与商业机构联合推动。Plan-S'计划的具体内容体现在如下几个方面［5］：

2.2 模型的约束条件

式中f(t)表示电网调度总成本；F(t)和E(t)为第t时段火电机组的燃料成本和废气排放成本；S(t)和R(t)为第t时段的风电机组的运行维护成本和风险惩罚成本；N为系统火电机组的数目；Pi为火电机组第i台的发电功率；ai，bi和ci为给定费用系数；kp为废气排放处理价格系数；di和fi为阀点效应系数；αi，βi，γi，ξi 和λi分别为给定的废气排放系数；Cwi为第i台风电机组的运行维护成本系数；Wi为第i台风电机组的实际功率；M为风电机组的数目。

(1)功率平衡条件

我国从美国进口的鲜、冷和冻猪牛肉产品多走高端市场，尤其是牛肉及其制品。加征关税后，美国高端猪肉和牛肉难以进入中国市场，无疑给我省高端生猪和肉牛养殖提供了机会。我省唐县的直隶黑猪肉50%销往京津市场，且颇受消费者欢迎，品牌效应突显。因此，我省可以充分利用京津市场的区位优势，适当发展高端生猪、肉牛和肉羊养殖。借鉴君乐宝乳业的成功经验，打造几个河北省猪、牛、羊肉知名品牌加工企业。还可以依托自然资源禀赋或者种质资源优势进行猪、牛、羊肉地理标志认证，生产中高端猪、牛、羊肉产品，以满足京津冀和雄安新区的中高端猪牛羊肉的需求。

Pc=Pf+Pw

(7)

通过图1发现，风电机组在夏季和冬季的功率概率分布差别较大，风电功率密度分布是一个不确定的动态函数，故在调度模型中采用固定概率分布会带来较大误差。因此，需要在调度过程中根据所选择的数据拟合成契合的风电功率密度分布函数。

人乳头瘤病毒(human papillomavirus， HPV)可导致宫颈癌、外阴癌和肛门癌等严重疾病，其中宫颈癌不仅是世界上女性高发的三大恶性肿瘤之一，也是死亡率仅次于乳腺癌的女性恶性肿瘤。据统计，发展中国家患宫颈癌的人口占全世界的2/3[1]，我国宫颈癌死亡率在所有癌症死亡率中排第四位。宫颈癌死亡率较高，高发于中年妇女，近年发现该病的发生有年轻化的趋势[2]。因此，HPV感染的预防与治疗研究对保障妇女身心健康具有十分重要的意义。本文概述HPV的结构、分类和染病机制，并介绍预防和治疗该病毒感染的疫苗研究现状。

式中Wi和WN表示风电机组的实际功率和额定功率。

(8)

式中 Pimax和Pimin表示火电机组的出力上下线。

(3)风电机组出力约束

打桩船（60m＊24m＊4m），自带D100型桩锤，打桩长度50米+水深，最大起重重量300T；Trive240LS 旋挖钻机1台，最大钻深60米，钻杆最大扭矩240KNm；50T履带吊2台、电焊机2台、混凝土输送泵、装载机1台(泥渣外运) 、导管等。

0≤Wi≤WN

(9)

Pimin≤Pi≤Pimax

(4)机组爬坡速率约束

-φdowni,t≤Pi,t-Pi,t-1≤φupi,t

(10)

式中φdowni,t和φupi,t在t时刻和机组出力的爬坡率。

(5)正负旋转备用容量约束

(11)

式中ui为火电机组的启停状况，0为停机1为开机；L%为负荷对正、负旋转备用的需求系数；sp%和sm%为风电预测功率对正负旋转备用的需求系数。

3 改进的骨干粒子群算法

提出的电网调度模型中含有动态积分量，风电功率概率密度曲线的动态调整也会带来模型的变化，因此对优化算法的计算速度要求更高。为此利用遗传算法中变异交，对骨干粒子群算法加以改进。用改进的算法(I-BBPSO)对模型加以求解和分析。

骨干粒子群算法(BBPSO)是利用利用高斯分布对每个粒子个体极值点和全局极值点的加权平均值，完成对微粒位置更新。根据文献[16]，有：

(2)火电机组出力约束

(12)

式中xi,j(k+1)表示第i个粒子在k+1代的位置；pi,j(t)和pg,j(t)表示第i个粒子在k代的个体极值和全局极值；N(·)表示高斯分布。式(14)有50%的机会改变下一代粒子的位置，但骨干粒子群仍有易于早熟收敛不足和陷入局部最优值等缺点。

为保证种群的多样性和不易收敛于局部最优解，对骨干粒子群算法加以改进，引入遗传算法，通过对骨干粒子群算法加以改进，引入遗传算法，通过对种群中部分个体进行变异选择操作，具体如图3所示。I-BBPSO不易收敛于局部最优解，在迭代数和精度上优于普通粒子群算法和骨干粒子群算法。

图3 改进的骨干粒子群(I-BBPSO)算法流程图 Fig.3 Flow chart of I-BBPSO algorithm

4 算例分析

4.1 基于数学模型的I-BBPSO算法分析

选取IEEE30节点中各参数如表1所示[17]。风电场发电机组的相关系数见文献[11]，如表2所示，其中风电机组和火电机组的出力单位是100 MW。

表1 火电机组发电的相关系数 Tab.1 Correlation coefficient of thermal power generation

G1G2G3G4G5G6a101020102010b20015018010010150c10012040604020α4.0912.54434.2585.4264.2586.131β-5.554-6.047-5.094-3.55-5.094-5.555γ6.495.6384.5863.384.5865.151ζ2.0E-045.0E-041.0E-062.0E-031.0E-061.0E-05λ2.8573.3338286.667Pmin(pu)0.050.050.050.050.050.05Pmax(pu)0.50.611.210.6kp202020202020

表2 风电机组发电的相关系数 Tab.2 Correlation coefficient of wind power generation

CWCUCOWN(pu)W12050500.3W220501500.3

I-BBPSO算法控制参数如下：种群规模为100，最大迭代数为1 000，独立循环10次。各时段负荷要求和风电机组的预测功率如表3所示。

表3 各时段负荷要求和风电机组的预测功率(pu) Tab.3 Load and wind forecast power in each time(pu)

时段/h负荷Wav1Wav212.80.110.2223.20.250.0633.70.250.244.20.240.254.90.30.365.20.260.2875.50.30.385.80.30.395.850.30.3105.60.30.2115.30.30.3124.70.280.3时段/h负荷Wav1Wav21340.30.3143.90.30.31540.30.3164.30.30.3174.60.220.3185.10.30.3195.350.30.3205.050.280.15214.50.30.32240.30.3233.60.30.112430.210.15

将文献[18]中传统调度模型带入到I-BBPSO和其他算法中进行了对比分析如表4所示，其中用I-BBPSO得到的风电功率如表5所示，各个机组发电情况如图4所示。

表4 在4时刻I-BBPSO和其他算法比较 Tab.4 Comparison of I-BBPSO and other algorithms

I-BBPSOPSODEGA最优解(MYM)517.498 3518.286 9527.684 4521.096 8迭代数25736439时间(s)5.37511.6557.1386.389

表5 I-BBPSO传统调度模型风电机组的输出功率(pu) Tab.5 Output power of traditional scheduling model of unit(pu)

时段/hW1W2成本MYM10.11000.2200357.220.25000.0600409.330.25000.2000465.340.24000.2000517.550.30000.3000589.760.26000.2800634.970.30000.3000672.180.30000.3000718.490.30000.3000722.5100.29000.2991732.8110.30000.3000649.2.120.28000.2991574.9时段/hW1W2成本MYM130.30000.3000492.5140.30000.3000479.2150.30000.3000491.7160.30000.2998528.1170.22000.3000565.6180.29030.3000623.9190.30000.2400652.4200.28000.3000610.3210.30000.3000556.3220.30000.3000490.6230.30000.1100440.9240.21000.1500386.4

通过图4和表4比较分析，发现对于求解电网调度模型时，I-BBPSO在求解结果要优于其他算法，可以将改进的算法对新提出的数学模型进行求解。

图4 I-BBPSO传统调度模型风电机组的输出功率(pu) Fig.4 Output power of traditional scheduling model of unit(pu)

4.2 含风电的经济调度分析

采用美国某两个风电场某周内发电功率数据作为研究对象。根据风电场各个时段的数据将其拟合成动态分布函数，拟合成函数如下：

县域电力通信网作为最末端的电力通信网，承载电网与用户的信息交互，是电网业务向服务化转型的最前沿。而现有的低压侧通信大都采用无线公网技术，尚不能承载如此庞杂的信息量，如何应对用户侧的信息交互是电力通信网研究中的一个难题，还需要考虑此类信息的储存问题。智能电网发展将为电力通信网带来新的挑战，也是电力通信网全面发展的契机。

我走近一看，黑鸟长着长长的嘴，长长的腿，长长的爪，黑色的羽毛滑溜溜的，还泛着绿色的光，非常可爱。它用祈求的眼神看着我，但是又害怕我靠近它。

式中af,bf,ag,bg,cg和ap表示风电功率概率分布的参数。其中德州风电场功率概率在1,2,6,7,10,11,18,20,22时段服从傅里叶函数分布；在3,5,9,13,15,21,24时段服从高斯函数分布；在4,8,12,14,16,17,19,23时段服从多项式函数分布。

文中选取在1时段，3时段和4时段时德州风电场概率分布做代表性分析。时段1为傅里叶函数分布，其参数f=3,af=[1.1e+12,-1.6e+12,-2.28e+11,2.82e+10]， bf=[-9.82e+10,9.81e+10,-4.19e+10,6.96e+09],w=[0.003 8]；时段3为高斯函数分布，其参数如下：g=2,ag= [0.44,0.045,2.03e+13],bg=[-0.44,2.87,987.4],cg=[1.08,6.9,163.4]；时段4为多项式函数分布，其参数p=6,ap= [6.39e-08,-6.49e-06,0.000 26,-0.005 3,0.056,-0.29,0.62]。

将文中提出新的数学模型带入到I-BBPSO算法中得到火电厂和风电场发出的有功功率如表6所示。

在表6中可以看出，G5因为发电成本参数较低，所以在任何时段中几乎满载发电，同理G6也保持在0.6 pu左右。负荷要求最高的时段在7时～12时和17时～21时，在此时段的经济成本也最高。在这些时段为满足发电需求，G3和G4提供比其他时段更多的功率。而G1和G2由于发电成本较高，所以发电量以及发电变化量较小。W1由于惩罚因子较低所以在整个时段中发电量都很大，尤其在负荷要求较大时W1大多数时段实际值与预测值相近。风电机组相比于火电机组，发电量较低时风电机组发电成本较低更经济。当风机机组发电量较大时，风险成本增加，导致电网调度的成本也会增加。由于W2的惩罚因子较高，故W2有时在要求发电负荷增加时，会出现实际发电值小于预测值，甚至发电量反而减小的情况。

表6 含积分风险的调度模型中火电机组和风电机组的输出功率(pu) Tab.6 Output power of the thermal power unit and the wind power unit in the model with integrated risk(pu)

时段/hG1G2G3G4G5G6W1W2成本/$10.050 00.187 60.191 40.450 51.000 00.590 50.110 00.220 0357.120.050 00.248 70.365 20.630 11.000 00.600 00.250 00.056 0415.630.050 00.337 50.447 40.865 11.000 00.600 00.250 00.150 0470.240.185 70.356 20.576 31.041 81.000 00.600 00.240 00.200 0517.950.298 00.514 10.707 91.200 01.000 00.600 00.300 00.280 0593.560.325 90.602 30.981 71.200 00.960 10.600 00.250 00.280 0645.970.457 10.760 71.000 01.199 71.000 00.600 00.270 00.212 5680.380.578 60.890 41.000 01.200 01.000 00.600 00.275 00.256 0730.590.563 10.987 21.000 01.200 01.000 00.599 70.260 00.240 0748.6100.463 20.761 70.991 51.200 00.993 60.600 00.300 00.290 0760.7110.342 90.618 41.000 01.200 01.000 00.598 70.300 00.240 0665.4120.268 50.515 30.602 11.135 01.000 00.600 00.280 00.299 1591.8130.186 20.35790.446 50.834 50.995 90.596 60.285 00.297 4503.6140.165 00.356 30.432 70.859 41.000 00.580 60.256 00.250 0487.8150.185 60.360 40.448 70.869 60.995 80.599 90.280 00.260 0504.1160.188 10.397 60.559 51.000 01.000 00.600 00.255 00.299 8540.9170.251 10.523 40.618 71.105 60.989 20.592 00.220 00.300 0567.2180.305 70.502 80.981 21.200 01.000 00.600 00.290 30.220 0641.5190.360 10.649 91.000 01.200 01.000 00.600 00.300 00.240 0660.8200.301 50.520 11.000 01.200 01.000 00.598 40.280 00.150 0623.7210.195 10.459 80.601 21.075 80.972 50.595 60.300 00.300 0556.2220.186 00.349 10.481 20.841 20.981 50.591 00.270 00.300 0499.5230.050 00.310 50.548 60.759 60.931 20.590 10.300 00.110 0440.9240.050 00.210 80.219 40.580 70.990 60.598 50.210 00.140 0397.1

表7中可以看出，在7～9，14～15时段风电的预测功率为额定功率。以W1为例，积分模型在7～9，14～15时刻的发电量是0.212 5，0.256 0，0.240 0，0.250 0和0.260 0，而传统模型按额定功率输出。积分模型下W1和W2实际发电量未达到预测发电量的次数比传统多很多，故其发电成本比传统模型要高。但由于本文建立的模型中考虑了风电输出概率，以7时为例，而W1功率概率分布如图5所示，在功率满发概率很低，而在功率为0.2时概率较大，故积分风险模型中W1在此时刻的功率为0.212 5，虽然在计算中增加了成本，但避免了风电在低概率发电量下对电网带来的风险。

表7 在含积分风险和传统调度模型中风电机组实际输出功率与预测功率的比值 Tab.7 Ratio of the output power and the predictive power in the integrated risk and the traditional model

时段/h积分W1/(%)积分W2/(%)传统W1/(%)传统W2/(%)1100.00100.00100.00100.002100.0093.33100.00100.003100.0075.00100.00100.004100.00100.00100.00100.005100.0093.33100.00100.00696.15100.00100.00100.00790.0070.83100.00100.00891.6785.33100.00100.00986.6780.00100.00100.0010100.0096.6796.6799.7011100.0080.00100.00100.0012100.0099.70100.0099.70时段/h积分W1/(%)积分W2/(%)传统W1/(%)传统W2/(%)1395.0099.13100.00100.001485.3383.33100.00100.001593.3386.67100.00100.001685.0099.93100.0099.9317100.00100.00100.00100.001896.7773.3395.00100.0019100.0080.00100.0080.0020100.0050.00100.00100.0021100.00100.00100.00100.002290.00100.00100.00100.0023100.00100.00100.00100.0024100.0093.33100.00100.00

图5 7时段W1风电功率概率分布曲线 Fig.5 7 periods wind power probability curve of W1

5 结束语

通过分析风电机组的发电功率概率拟合了风电机组功率概率曲线，得到了不同情况下动态的风电功率密度函数，积分计算了基于概率分布动态函数的风险成本。然后建立了基于积分风险的电网经济调度模型。同时提出了利用遗传算法改进的骨干粒子群算法(I-BBPSO)。通过验证证明了改进的骨干粒子群算法(I-BBPSO)提高了粒子的收敛速度和计算精度。最后采用IEEE30节点的火电机组和美国某两个风电场对所提出的基于风险的模型进行计算与分析，分析结果表明该模型能够兼顾风电的发电成本和发电概率，降低风电在低概率发电输出工况时对电网运行的冲击。

参 考 文 献

[1] 孙元章,吴俊,李国杰,等.基于风速预测和随机规划的含风电场电力系统动态经济调度[J].中国电机工程学报,2009,29(4): 41-47.

Sun Yyuanzhang,Wu Jun,Li Guojie,et al.Dynamic Economic Dispatch Considering Wind Power Penetration Based on Wind Speed Forecasting and Stochastic Programming[J].Proceedings of the Csee,2009,29(4): 41-47.

[2] Farhat I A,El-Hawary M E.Dynamic adaptive bacterial foraging algorithm for optimum economic dispatch with valve-point effects and wind power[J].Iet Generation Transmission & Distribution,2010,4(9): 989-999.

[3] 周玮,彭昱,孙辉,等.含风电场的电力系统动态经济调度[J].中国电机工程学报,2009,29(25): 13-18.

Zhou Wei,Peng Yu,Sui Hui,et al.Dynamic Economic Dispatch in Wind Power Integrated System[J].Proceedings of the Csee,2009,29(25): 13-18.

[4] Liu Y,Jiang C,Xue G,et al.Risk Reserve Constrained Economic Dispatch of Wind Power Penetrated Power System Based on UPSMC and SAGA Algorithms[J].Research Journal of Applied Sciences Engineering & Technology,2013,5(3): 1067-1074.

[5] 艾欣,刘晓.基于可信性理论的含风电场电力系统动态经济调度[J].中国电机工程学报,2011,31(S1): 12-18.

Ai Xin,Liu Xiao.Dynamic Economic Dispatch for Wind Farms Integrated Power System Based on Credibility Theory[J].Proceedings of the Csee,2011,31(S1): 12-18.

[6] 翁振星,石立宝,徐政,等.计及风电成本的电力系统动态经济调度[J].中国电机工程学报,2014,34(4): 514-523.

Weng Zhenxing,Shi Libao,Xu Zheng,et al.Power system dynamic economic dispatch incorporating wind power cost[J].Proceedings of the CSEE,2014,34(4): 514-523.

[7] 董晓天,严正,冯冬涵,等.计及风电出力惩罚成本的电力系统经济调度[J].电网技术,2012,36(8): 76-80.

Dong Xiaotian,Yan Zheng,Feng Donghan,et al.Power system economic dispatch considering penalty cost of wind farm output[J].Power System Technology,2012,36(8): 76-80.

[8] 赵俊华,文福拴,薛禹胜,等.计及电动汽车和风电出力不确定性的随机经济调度[J].电力系统自动化,2010,34(20): 22-29.

Zhao Junhua,Wen Fushuan,Xue Yusheng,et al.Power system stochastic economic dispatch considering uncertain outputs from plug-in electric vehicles and wind generators[J].Automation of Electric Power Systems,2010,34(20): 22-29.

[9] 张海峰,高峰,吴江,等.含风电的电力系统动态经济调度模型[J].电网技术,2013,37(5): 1298-1303.

Zhang Hsifeng,Gao Feng,Wu Jiang,et al.A Dynamic Economic Dispatching Model for Power Grid Containing Wind Power Generation System[J].Power System Technology,2013,37(5): 1298-1303.

[10]Wang J,Shahidehpour M,Li Z.Security-Constrained Unit Commitment With Volatile Wind Power Generation[J].IEEE Transactions on Power Systems,2008,23(3): 1319-1327.

[11]Li H,Romero C E,Zheng Y.Economic dispatch optimization algorithm based on particle diffusion[J].Energy Conversion & Management,2015,105: 1251-1260.

[12]肖运启,贺贯举.大型风电机组限功率运行特性分析及其优化调度[J].电力系统自动化,2014,38(20): 18-25.

Xiao Yunqi,He Guanju.Methods and simplified formulas for calculating surge currents from loop closing in distribution networks[J].Automation of Electric Power Systems,2014,38(20): 18-25.

[13]周明,夏澍,李琰,等.含风电的电力系统月度机组组合和检修计划联合优化调度[J].中国电机工程学报,2015,35(7): 1586-1595.

Zhou Ming,Xia Shu,Li Yan,et al.A joint optimization approach on monthly unit commitment and maintenance scheduling for wind power integrated power systems[J].Proceedings of the CSEE,2015,35(7): 1586-1595.

[14]郎劲,唐立新.考虑风力发电批特征的电力机组调度问题[J].自动化学报,2015,41(7): 1295-1305.

Lang Jin,Tang Lixin.Unit commitment problem for wind turbines power generation with batching characteristics consideration[J].Acta Automatica Sinica,2015,41(7): 1295-1305.

[15]NREL,http://www.nrel.gov/gis/re_econ_potential.html

[16]Zhang Y,Gong D W,Ding Z.A bare-bones multi-objective particle swarm optimization algorithm for environmental/economic dispatch[J].Information Sciences,2012,192(6): 213-227.

[17]Wang J,Shahidehpour M,Li Z.Security-Constrained Unit Commitment With Volatile Wind Power Generation[J].IEEE Transactions on Power Systems,2008,23(3): 1319-1327.

[18]Roy R,Jadhav H T.Optimal power flow solution of power system incorporating stochastic wind power using Gbest guided artificial bee colony algorithm[J].International Journal of Electrical Power & Energy Systems,2015,(64): 562-578.