由于风电出力具有不确定性,在其大规模并网时给电网调度带来了许多新问题,比如,一部分常规机组在风电出力波动较大的情况下不得不频繁启停,从而增加了调度成本.此外,当有新的风电场并网时,一方面调度中心必须改变调度系统原有的拓扑结构；另一方面加大了调度人员的工作量.因此,研究风电场大规模并网后的新调度模式及新调度模模式下的经济调度是有必要的.现有的调度模式是通过常规发电机组提供足够的备用容量来弥补风力发电的不确定性,这种调度模式加大了常规发电机组的成本,难以实现电网的经济调度.刘德伟等[1]在短期经济调度模型中计及了由风电不确定性量化的风电成本.Lee[2]修正了上、下旋转备用约束以应对风功率预测误差对系统的影响,从而保证了系统经济可靠运行,模型简单、实用.王晓兰等[3]建立了考虑风电场并网的短期经济调度多目标优化模型.冯利民等[4]将风电纳入到日前开机计划和日内电力电量平衡中.白永祥等[5]探讨了基于风电功率预测的风电场自动发电控制(AGC)方案和自动电压控制(AVC)方案.以上研究均是在现有调度模式上进行优化,并未改变调度模式本身.

传统理念认为投、切是负荷操作的主要形式,负荷基本不参与电网的常规调节,将负荷作为可控对象纳入电力系统控制是近几年研究的热点.2003年,由美国牵头,世界多国针对负荷侧参与电网调度做了大量的研究工作,对部分高载能负荷进行了研究分析.Goemsa等[6]研究了面向长期和短期实时电价的高载能负荷响应模型.在国内,内蒙古乌海地区针对高载能负荷特性开展了研究,并提出了初步的应对策略[7].何桂雄等[8]从电解铝、碳化硅、铁合金3种高载能负荷调节特性出发,建立了高载能负荷参与风电调度的负荷模型.上述研究主要是研究了高载能负荷参与电网调度的调度模型及调度成本,少有文献建立高载能负荷参与风电并网系统经济调度的新调度模式.

本文在提出高载能负荷参与的风电并网系统经济调度新调度模式的同时建立了高载能负荷参与集群协调调度的成本函数.在新调度模式中将高载能负荷作为一种可调度资源纳入到风电并网系统中,并设置集群协调层对高载能负荷和风电场进行集群协调调度.最后建立了高载能负荷参与的集群风电场并网系统经济调度的二层优化数学模型,以使调度成本和集群协调层的收益到达协调最优点.

1 高载能负荷参与的集群风电场并网系统经济调度模式

针对我国现阶段风电场的风电出力得不到充分利用的同时风电场附近的高载能负荷却由于电价过高不能大量生产这一问题,本文设置集群协调层对风电场及其附近的高载能负荷进行协调调度.集群协调层优先安排内部的风电场满足自身的需求再将多余的风电并网,而在风电不能满足内部需求的情况下从电网购电.

1.1 集群协调层

1.1.1 风电集群调度

典型的风电集群接线图如图1所示[9].将地理位置相同或者相近,处于相同风力资源带,具有相似的风电出力特性且在同一点并网的风电场集合称为风电集群[10],集群内风电场出力变化相关性强、同时率高,具有独特的时空互补性[11].

  

图1 典型的风电集群接线图Fig.1 Wiring diagram of typical wind power farm cluster

1.1.2 集群协调层的建立

集群协调层是根据风电集群系统建立的,其中集群协调层内的高载能负荷可以为零(即协调层内只含有风电场).相对风电集群,本文所建立的集群协调层具有如下优点：1) 可以充分利用风能.由于高载能是集群协调层的内部需求,集群协调层首先会安排其消纳内部的风电出力.2) 可控性更高.整合高载能负荷和集群协调层的特性可以将整个集群协调层视为一个蓄电池,当电网向协调层购电时相当于蓄电池放电,当协调层向电网购电时相当于蓄电池充电.3) 高载能负荷的产量更优.对于由电价因素引起的停产,高载能企业可以根据新的电价安排生产.

1.1.3 调度模式

数学来源于生活，数学知识是对生活内容的抽象.平方根、无理数等知识的引入既是数学内部发展的需要，同时也是现实生活情境带来的产物，如拼图、折纸等.因此在编写教材时，应考虑开发“生活情境”，关注数学知识与现实生活的密切联系，让学生在生活情境中感受知识学习的必要性，同时提高知识的现实应用性.

  

图2 高载能负荷参与的集群风电场并网系统经济调度模式

Fig.2 Economic dispatch mode of grid integration system clustered wind farms with high energy-bearing load

1.2 高载能负荷特性及调度模型

高载能负荷是指能源价值在产值中所占比例较大的负荷,例如:电解铝、铁合金、碳化硅等.因为高载能负荷在生产过程中一般采用多条互不影响的生产线进行生产,在负荷高峰时可以通过切除高载能负荷以降低电网的用电量,在负荷低谷时期投入高载能负荷以增加电网的用电量.在投切过程中是以组为单位进行的,每次可以投切一组也可以投切多组,其投切容量可以表示为

 

(1)

式中:Pj,t为集群协调层j在时段t内切除高载能负荷的容量；Mj表示集群协调层j内高载能负荷的个数；Nm表示高载能负荷m的可中断组数；Sjmk,t=1表示集群协调层j内的第m个高载能负荷的第k组在时段t切除;Sjmk,t=0表示集群协调层j内的第m个高载能负荷的第k组在时段t投入；Pjmk表示集群协调层j内的第m个高载能负荷的第k组的容量.

2 高载能负荷参与的集群风电场并网系统经济调度的数学模型

考虑到集群协调层在响应调度中心调度出力的同时也对群内的高载能负荷和风电场进行协调调度,本文建立了二层优化模型.

2.1 上层优化模型

2.1.1 目标函数

上层以实现电网调度系统的效益最大为目标,其数学表达式为

min F=FG-FXG

本区表层土壤Cd含量的变化范围为31～335 μg/kg，均值为78.07 μg/kg。统计结果显示，目前本区有97.06%的土壤Cd含量值低于农用地土壤污染风险筛选值(300 μg/kg)[4]，其土壤环境质量中单指标Cd处于清洁状态；有2.94%的土壤Cd含量高达335 μg/kg，略高于农用地土壤污染风险筛选值，土壤环境质量中单指标Cd为轻微污染。

(2)

FG=

UGi,t(1-UGi,t-1)[ψ0i+ψ1i(1-eτ/τi)]

(3)

 

(4)

式中:FG为常规发电机组的发电成本,由运行成本和启停成本组成；FXG表示集群协调层的总收益；CXGj表示集群协调层j的收益,同时也为下层优化模型的目标函数；J表示集群协调层的个数；T为调度周期；αi、βi、γi为常规发电机组的运行成本参数；UGi,t表示常规发电机组的启停状态,UGi,t=1表示开机,UGi,t=0表示关机；ψ0i、ψ1i、τi表示常规发电机组i的启停成本参数；τ表示常规机组的停机时间；NG表示常规发电机组的个数；PGi,t表示常规发电机组i在时段t的有功出力.

2.1.2 约束条件

1) 系统功率平衡约束:

每年都会有数不清的充气娃娃被塞进报废机，戴菲儿只是其一。工厂需要推陈出新，他们绝不允许任何一个充气娃娃活过十九年。新出厂的充气娃娃更加漂亮更加窈窕更加妩媚更加性感更加精通取悦男人之道，她们源源不断地走上大街，与购买她们的男人神奇地邂逅。而可怜的她们还认为，这就是爱情。

 

(5)

式中:PXGj,t表示集群协调层在时段t的有功出力,当其大于零时表示集群协调层卖电给电网,当其小于零时表示集群协调层从电网购电；PL,t表示t时段调度系统的常规负荷.

2) 集群协调层的出力约束.集群协调层作为一个整体参与电网调度可以表现出电源和负荷两种外特性,其调度出力范围是从负到正的一个可控区间,且不同时间段的调度出力的上下限是不相同的.其调度出力范围可表示为

2) 风电场出力约束为

翻转课堂式教学视频有很强的针对性，其教学内容针对一个特定事物、话题来进行讨论。视频播放时间也是在学生注意力较为有效的时间内控制，把握学生注意力集中的时间，符合人类身心发展特点，更提高了学生视频学习的效率。给学生学习讨论的主动性，有探寻问题、思考问题的空间，激发学生解惑的积极性，激发其自身的潜力，运用多方面学习来解决自己遇到的疑难问题，培养了学生分析能力和解决问题的能力，效果显著。如在设计《裸子植物和被子植物》这一节的学案时，提出：松的球果是不是果实？银杏的种子叫什么？银杏有没有果实？目的是让学生在答疑解惑中得到成长，真正学到知识。

(6)

式中:PXGj,t,min为t时段集群协调层j在保证风电消纳时预测出力的下限；PXGj,t,max为t时段集群协调层j预测出力的最上线.

集群协调层的出力上限表示如下：

 

(7)

式中:PXGj,tf为t时段集群协调层j内部所有风电场的预测出力；PXGjm,t,min表示t时段集群协调层j内部的高载能负荷m的最小用电量.

集群协调层的出力下限表示如下：

 

(8)

式中:PXGjm,t,max为t时段集群协调层j内部的高载能负荷m的最大用电量.

3) 常规发电机组的出力约束条件:

PGi,min≤PGi≤PGi,max

1) 帝国的形成

(9)

式中:PGi,max和PGi,min分别为常规发电机组i出力的上、下限.

4) 系统备用容量约束条件:

 

(10)

式中:RG,t,up和RG,t,down分别为在t时段应对负荷预测误差所需的正负旋转备用容量；RXG,t,up和RXG,t,down分别为在t时段应对集群协调层预测误差所需的正负旋转备用容量.

5) 常规机组的爬坡速率约束条件:

 

(11)

式中:PGi,down和PGi,up分别为常规机组i在单位时间内下限和上限的最大爬坡速率.

在二进制粒子群算法中,粒子位置向量中的分量取值为0或1,并由其相应的速度决定,其更新公式如下：

1) 集群协调层j功率平衡约束为

(12)

式中:Ton,i,t和Toff,i,t分别为常规机组i在时段t的运行和停运持续时间；Ton,i,min和Toff,i,min分别为常规机组i的最小运行和停运持续时间.

2.2 下层优化模型

在确定集群协调层的调度出力后,集群协调层再根据自身利益最大对群内的高载能负荷的投切量进行二次优化并安排群内风电场的调度出力.本文对集群协调层内的单个风电场的出力分配不做详细分析,只研究集群协调层的整体出力和高载能负荷在各时段的投切量.

2.2.1 目标函数

二次优化过程中,其目标函数的数学表达式为

max CXGj=

 

(13)

式中:PXGj0,t为t时段集群协调层j内部安排给高载能负荷的用电量；rj,t为t时段集群协调层j卖电给高载能负荷的价格；υj,t为t时段高载能企业用电量减少所得到的补偿与从集群协调层购电价格之和；λj,t为t时段集群协调j与电网进行电能买卖的价格,当PXGj,t大于0时λj,t为集群协调层卖电给电网的价格，当PXGj,t小于0时λj,t为集群协调层从电网买电的价格.

2.2.2 约束条件

Ton,i,t≥Ton,i,min, Toff,i,t≥Toff,i,min

 

(14)

式中:PXGjf,t表示集群协调层j在时段t的风电场有功出力.

PXGj,t,min≤PXGj,t≤PXGj,t,max

PXGjf,t≤PXGj,tf

(15)

3) 投切次数约束为

因为文献[10]将资源浪费作为首要优化条件，然后在不影响主目标的前提下尽量降低布线长度，所以本文采用同样的方式，选取w1=Resmax，w2=1，w3=1的参数配置，按照这样的目标函数进行优化，意味着在找到最少资源浪费的布局中挑选一个布线长度最短的作为最终布局结果.

2014年1—12月共收集急诊血液检验标本289例，患者平均年龄44岁，最小年龄1岁，最大年龄86岁；其中1～12岁58人，13～60岁134人，60岁以上97人。

(16)

4) 常规机组启停时间约束为

 

(17)

式中:Ton，j,mt和Toff，j,mt分别为集群协调层j内的高载能负荷m在时段t的投入和切除持续时间；Ton，j,m，min和Toff，j,m，min分别为集群协调层j内的高载能负荷m的最小投入和切除持续时间.

3 优化算法

本文采用二层优化模型建立高载能负荷参与的集群风电场并网系统经济调度的数学模型,在求解过程中分为对上层模型和下层模型的求解.

3.1 上层模型的求解

杨楠等[12]采用帝国竞争算法进行求解,但是他们没有考虑建立集群协调层以优化风电的整体出力.同时文献只是对基本步骤做了简单的介绍,没有详细介绍求解过程中用到所建数学模型的公式.

师：“丁香姑娘”是贯穿全诗的一个极其重要的意象，那么作者描绘这么一个不可或缺的形象又是出于什么目的呢？我们知道，丁香是为了衬托女子，衬托姑娘，那又为什么不能用玫瑰、牡丹这些意象来衬托姑娘呢？

在本文建立的经济调度模型中,上层优化模型的已知量包括集群协调层的预测出力、常规负荷的预测曲线和常规发电机组的运行参数,待求量为常规发电机组的启停状态及出力大小和集群协调层的出力大小.结合文献[13]对ICA(imperialist competitive algorithm )的介绍,其利用在本文的上层优化模型求解过程中包括帝国的形成、吸收殖民地、帝国的竞争、帝国的灭亡4个主要环节.

数字人文研究是一种新的文献打开、查询、呈现方式。数字人文最受人文学者青睐之处在于数字技术与人文领域的紧密融合。数字技术应用到史学，最典型的是将实体文献扫描为数字化，最直接的体现是数据库建设和史料数字化。并通过数据库来集中揭示,可以让你了解数字技术对人文学科或你的特定项目能起到什么作用，具有重要的理论和实践价值。

由D维变量组成国家country=[X1,X2,…,XD].在本文的数学模型下每个国家的维数为常规发电机组的个数与集群协调层的个数之和,其表达式如下：

Xd=[PG1,t,PG2,t,…,PGNG,t;PXG1,t,

对照组为开腹阑尾切除术,掌握患者基本资料,依据实际情况,为患者制定开腹阑尾切除术计划,确定病灶位置、大小,术前麻醉,生效后,病灶边缘切口,逐层分离,直到腹腔,充分暴露病灶,阻断通向病灶区域的血管,直接切除病灶,冲洗腹腔,吸净残留液,缝合切口,抗感染处理,做好记录。

PXG2,t,…,PXGJ,t]

(18)

前面部分为常规机组的调度出力,当其对应值为0时,常规机组处于停止状态；当其对应的值大于0时,常规机组处于运行状态.后面部分为集群协调层的调度出力,当其值大于0时,表示电网向集群协调层购电；当其值小于0时,表示电网向集群协调层售电.

在计算第d个国家的权利表达式时,首先要计算其函数值fd.fd的计算步骤如下：

首先将初始形成的第d个帝国的集群调度出力反馈给下层模型,下层模型根据计算结果结合式(13)计算出式(4)的值；其次,上层模型根据第d个帝国的常规发电机组出力计算出式(3)的值；最后,根据式(3,4)计算出式(2)的值,即第d个国家的函数值fd.第d个国家的权利表达式为

 

(19)

根据权力的大小将权力大的国家作为帝国,其余国家作为殖民地并从中随机选择相应的个数分配给对应的帝国.

2) 吸收殖民地

帝国吸收周边的殖民地,c为殖民地移动的距离,其表达式为c～U(0,δ×s),δ为大于0的常数,s为殖民地与帝国之间的距离.θ为殖民地的移动方向,其表达式为θ～U(-ψ,ψ),ψ为移动方向夹角参数.在整个吸收殖民地过程中,再根据步骤1的方式计算帝国和殖民地的权利,如出现帝国的权利小于殖民地的权利,则殖民地与帝国互换.

3) 帝国的竞争

帝国d的总权利表达式如下：

pd=|(fd+σ×fda)-

max(fz+σ×fd1,…,fz+σ×fdb)|

聚焦新目标，让党员良好形象更加根深蒂固。雨花军休所的党员们遵循习近平总书记对老同志提出的“忠诚一辈子，奉献一辈子”的期望，以此激励全体党员发挥先锋模范作用。如组织老党员对家庭矛盾、邻里纠纷开展调解工作；先后成立了新潮流书画院、新境界艺术团、新气象影像社、新风格创作室等组织，为离退休干部职工搭建优质文化平台；开展文化扶贫惠老和“银发携手红领巾”等活动。三年来，共组织文化扶贫惠老活动16次，服务对象4000余人；举办青少年思想道德教育等专题讲座100余场，把扶贫惠老和关心下一代工作由基层党支部推向社会，充分发挥老党员引领示范作用。

(20)

式中:pd为第d个帝国的总权利;σ为权重参数.从总权利最小的帝国中随机选择若干个弱小的殖民地,按一定的比例分配给其他帝国.

4) 帝国的灭亡

根据洪河国家级自然保护区土地利用情况，选择5个典型样地进行调查，分别是森林（Forest）、湿地（Wetland）、农田（Farmland）、退耕林地（Forest returned from farmland）、 退 耕 湿 地 （Wetland returned from farmland）。

本文设置集群协调层对高载能负荷和风电场进行集群协调调度,其高载能负荷参与的集群风电场并网系统经济调度模式如图2所示.本调度模式下调度中心不用再面向单个风电场和高载能负荷,只是面向集群协调层,这使得调度中心的调度对象大大减少了,从而提高了调度效率.

帝国之间通过竞争后,权力小的帝国的殖民地被权力大的帝国所吸收,当一个帝国所有的殖民地都被其他帝国所吸收后,帝国灭亡.当只剩下一个帝国时算法停止,输出结果.否则,返回步骤2.

3.2 下层模型的求解

在下层模型优化过程中的已知量有常规发电机组的调度出力、集群协调层的调度出力、集群协调层的内部参数,待求量为集群协调层内的高载能负荷的投、切情况,是一个只包含0～1的离散化模型.为了提高求解速度,采用参数设置少、收缩速度快的二进制粒子群算法.

Microsoft Entity Framework是一个对象关系映射(ORM)工具，它能将关系型数据转换成.net数据对象，也可以将.net数据对象转换成关系型数据。采用Entity Framework开发技术，可分为三种不同的开发模式，分别是数据库优先开发模式(data⁃base first)、模型优先开发模式(model first)、代码优先开发模式(code first)[2]，而该文采用的正是其中的model first模式进行数据库操作，并且ORM是仅仅修改配置就能切换数据库的，非常简单方便。

6) 常规机组启停时间约束:

 

(21)

 

(22)

式中：ζ为迭代次数；v为收缩速度；e1和e2分别为个体和整体学习因子；r1和r2为[0,1]的随机常数；为个体最优极值；为全局最优极值；l为约束因子.

在利用粒子群优化算法对下层模型求解时,结合式(1)可得在时段t时高载能负荷投、切情况的编码公式：

PS=[S111…S11N1,…,S1M11…S1M1NM1;…;

Sj11…Sjmk,…,SjMj1…SjMjNMj;…;

SJ11…SJ1NMJ,…,SJMJ1…SJMJNMJ]

(23)

式中:PS为电网系统内高载能负荷的投入情况；Sjmk为集群协调j层内的第m个高载能负荷的第k组,其中集群协调j层一共有Mj个高载能负荷,第Mj个高载能负荷共有NMj组.

在整个优化过程中常规机组的优化调度出力是以集群协调层的预测出力为前提,而集群协调层对内部风电场和高载能负荷的优化则是在常规机组和集群协调层的调度出力确定后进行,所以在计算过程中需要多次迭代才能得到全局最优解.

3.3 算法流程图

采用帝国竞争算法和粒子群算法中的二进制算法相混合的混合智能算法对本文提出的二层优化数学模型进行求解,其具体流程如图3所示.

  

图3 源荷协调二层优化模型的求解流程

Fig.3 Flow-chart of solution with bilayer source-loadcoordination optimal model

4 算例分析

本文算例中一共有10台常规发电机组(具体参数如表1所示)和2个集群协调层,其中集群协调层1内包含高载能负荷,高载能负荷的调节参数如下:所在位置为1,投切组数为4,每组容量为30 MW,最大投切容量为120 MW,最小投切容量为0,补偿价格为1 000元/(组·h-1),最小运行时间为3 h,最小停运时间为2 h,最大投切次数为5.集群协调层2没有高载能负荷.同时规定常规发电机组unit1、unit3和unit4具有爬坡速率并且三台机组的上升和下降爬坡速率均为40 MW/h.系统常规负荷预测曲线和风电集群有功输出预测曲线分别如图4和图5所示,在算例中PXGj0,t取为高载能负荷的最大值.在参数设置中,ICA的参数为：国家为150,帝国为10,δ=1.75,σ=0.2,ψ=π/2.粒子群优化算法的参数为:e1=e2=2,w=0.65,ζ=50,l=1.

4.1.2判定规则相关检验合格，判定该产品合格。检验识别中有一项指标不合格，将对该批产品进行复检，复检结果再有一项指标不符合标准，将判定该批产品为不合格产品。

 

表1 常规电源调节参数

 

Tab.1 Adjustment parameters of conventional power supply

  

unitPmaxPminαi/10-3βiγiψ0iψ1iTon，i，minToff，i，minτi14551500．4816．1910009000450088424551500．3117．269701000045008843130202．0016．6070011005505524130202．1116．5068012005605525162253．9819．704501800900662680207．1222．26370340170332785250．7927．74480520260222850104．1325．926606030111950102．2227．2766560301111050101．7327．976706030111

  

图4 系统常规负荷预测曲线Fig.4 Prediction curve of system conventional load

  

图5 集群协调层内的出力预测曲线Fig.5 Output prediction curve of cluster coordination layer

4.1 常规发电机组调度出力

在分析常规机组调度出力时是通过将传统调度模式与本文所提调度模式的调度结果进行对比,其对应的调度出力如图6和图7所示.

  

图6 传统调度模式下的常规发电机组出力Fig.6 Output of conventional power generation units with traditional dispatch mode

  

图7 本文调度模式下的常规发电机组调度出力Fig.7 Dispatched output of conventional power generation unit with dispatch mode presented in this paper

对图6分析可知,在现有调度模式下常规发电机组unit7、unit8、unit9和unit10只有在负荷高峰时段才具有调度出力,其调度出力是不连续的且出力时间段少,比如:机组unit7、unit8、unit9和unit10中出力时间最长的机组unit8也只有5个时间段.当设置集群协调层对高载能负荷和风电场进行集群协调调度后常规发电机组unit7、unit8、unit9和unit10在调度的24个时段调度出力都为零.这是因为在高载能负荷不参与调度时调度中心只能以常规发电机组的装机容量作为调度系统的备用容量,因此在负荷高峰时段调度中心只能启动相应机组以满足负荷用电量的需求,这使得一部分常规发电机组不得不频繁启停.设置集群协调层后在负荷高峰时段调度中心可以根据集群协调层的出力约束条件调度集群协调层的出力以减少常规发电机组的出力,集群协调层在风电不能满足调度出力的情况下可以通过切除高载能负荷以减少高载能负荷的用电量,从而增加了协调层输出的有功功率或者减少了协调层从系统的购电量.

4.2 高载能负荷投切情况

高载能负荷的用电量如图8所示.从图8中可以看出一共在5个时段切除了高载能负荷,其中在时段12切除了2组高载能负荷.结合负荷预测曲线和常规机组的调度出力可知,在现有调度模式下的负荷高峰时段调度中心只有启动新的机组以满足负荷的增加,当设置集群协调层对高载能负荷和风电场进行集群协调调度后在负荷高峰时段调度中心可以多调度集群协调层的出力以促使集群协调层切除内部的一部分高载能负荷,从而减少整个调度系统的用电量.

  

图8 高载能负荷投切情况

 

Fig.8 Putting-cutting condition of high energy-bearing load

4.3 成本分析

系统调度成本如表2所示,对表2分析可知采用本调度模式时切除高载能负荷所产生的成本为5 000元,但总的调度成本减少了8 227元,其原因是高载能负荷发挥了其可调度效益,使常规发电机组运行在更经济的出力水平之下.总而言之,设置集群协调层对高载能负荷和风电集群进行集群调度后,以增加高载能负荷的补偿成本为代价,换取常规机组运行在更经济的出力水平下,最终降低整个调度系统的调度成本.

 

表2 系统调度成本

 

Tab.2 System scheduling cost

  

调度模式常规机组发电成本/元高载能负荷补偿成本/元总成本/元常规5162920516292本文5030655000508065

5 结论

1) 本文所建调度模式充分考虑了风电的不确定性和高载能负荷的可控性,通过设置集群协调层对高载能负荷和风电场进行集群协调调度,建立高载能负荷参与的集群风电场并网系统经济调度模式,新的调度模式充分体现了高载能负荷参与电网调度的经济性,使电网调度获得了较大经济效益.

2) 新的调度模式使得电网调度的拓扑结构变得简单明了.当有新的风电场并网和高载能负荷建立时将其并入相应的集群协调层内,调度中心也不用变更调度的拓扑结构及更新操作系统,这是因为虽然有新的风电场和高载能负荷并网,但并没有改变系统的结构只是改变了集群协调层的内部结构.

3) 集群协调层的设置大大减少了调度人员的工作量.调度人员只需将调度信息通知相应的集群协调层,而不用像现有调度模式这样通知每个风电场和高载能负荷.

参考文献：

[1] 刘德伟,郭剑波,黄越辉,等.基于风电功率概率预测和运行风险约束的含风电场电力系统经济调度 [J].中国电机工程学报,2013,33(6):9-15.

[2] LEE T Y.Optimal spinning reserve for a wind-thermal power system using PSO [J].IEEE Transactions on Power Systems,2007,22(4):1612-1621.

[3] 王晓兰,解 骞,智 勇.考虑风电场并网的电力系统短期多目标经济调度 [J].兰州理工大学学报,2012,38(5):82-86.

[4] 冯利民,范国英,郑太一,等.吉林电网风电调度自动化系统设计 [J].电力系统自动化,2011,35(11):39-43.

[5] 白永祥,房大中,朱长胜,等.内蒙古电网风电场调度管理技术支持系统设计与应用 [J].电力系统自动化,2011,35(7):86-90.

[6] GOMESA,ANTUNES C H,MARTINS A G. A multiple objective decision support model for the selection of remote load control strategies [J].IEEE Transactions on Power Systems,2000,15(2):865-872．

[7] 董志平,关 勇,王树一.乌海地区高耗能负荷特性的分析及其抑制对策 [J].内蒙古电力技术,2004(2):33-34.

[8] 何桂雄,曹年林,蒋利明,等.风电富裕地区高载能负荷参与电网调峰研究 [J].可再生能源,2015,33(4):491-496.

[9] 林 俐,朱晨宸,郑太一,等.风电集群有功功率控制及其策略 [J].电力系统自动化,2014,38(14):9-16.

[10] 行 舟,李雪明,陈振寰,等.甘肃酒泉大型集群风电有功智能控制系统的开发 [J].电力科学与技术学报,201126(1):48-52.

[11] 肖创英,汪宁渤,陟 晶,等.甘肃酒泉风电出力特性分析 [J].电力系统自动化,2010,34(17):64-67.

[12] 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(11):231-238.

[13] MOGHIMI H M.VAHIDI B.A solution to the unit commitment problem using imperialistic competition algorithm [J].IEEE Transactions on Power System,2012,27(1):117-124.