引言由于风能容易受到多种自然因素的影响，因此，与以往的能源发电相比，风力发电具有明显的间歇性和波动性。大规模风电功率并入电网以后，会在一定程度上影响到电网的稳定性。但是，考虑到风力资源的可再生性和清洁性，与通常的火力发电相比，风力发电可以给电力系统的运转带来更多、更长期的环境经济利益。因此，为了更大限度地使用风力发电，将风力发电稳定地纳入输电网，需要有效的调度手段。但是电力系统的经济调度是在满足系统的能源平衡和运转界限的制约的基础上，以经济性的最优化为目标的制约最优化问题［1］。针对风电场出力的预测水平方面的研究日益深化，但是由于风电场仍不能满足实际工程需求，如何在原调度模式下合理设计风力发电是包括大型风电场在内的电力系统经济调度研究过程中值得关注的问题。1大规模风电并网经济调度建模方法传统电力系统经济调度是指在满足该机组运行的基本制约条件，充分考虑系统负荷平衡，以发电成本最小为目标分配各机组的输出功率。但是当大规模风电接入系统时，为了应对风力发电的不确定性，需要有足够的备用容量以应对突发情况。所以在建立有关含大规模风电接入的系统的调度数学模型时，除要考虑如何分配常规机组的出力外，还要兼顾波动性较大的风电机组的出力［2］。1.1确定性建模方法在没有事先针对需要并网的风电的不确定特性给予统计分析的情况下，只能通过预留备用容量的方式以应对风电机组的临时停机或者负荷预测的误差等情况。在极端情况下，旋转储备容量的风力电量水平甚至用于保留100%旋转容量的方法，以确保系统操作的安全性。这种建模方法便是确定性建模方法。但是风电的功率不会长期保持在额定功率，因此，这种方法必定会导致预备容量的浪费，同时也会增加经济调度的发电成本。Chen［3］使用确定性建模方法建模，并且使用最优化算法，分析了运行成本和风力发电穿透功率水平的关系。确定性建模方法虽然能够充分保证电力系统的安全性，但是由于其经济性较差的缘故，在目前的经济调度研究中并不常用。1.2模糊建模方法现在，在研究包含大规模风力发电接入的电力系统的经济调度问题时，经常使用不确定性建模方法。不确定性建模方法又分为两种，其中包括模糊建模方法。袁铁江［4］等使用模糊模型法将经济调度问题模型化。为了描述系统安全水平与风力发电穿透功率或运行成本的关系，首先定义了一种隶属度函数，然后利用这种隶属度函数对调度解集合进行满意度评价，最后根据调度负责人已有的工作经验和主观意识，判断最终采用何种调度方案。模糊建模法的优点在于可以充分地权衡多个调度目标的优化结果，发挥调度人员的主观性，在综合评定后进行决策；其缺点也恰恰是太过于依赖调度人员的决策主观意愿，而难于保证决策的客观性。1.3概率建模方法另一种不确定性建模方法是考虑了风速及风电功率的随机分布后，计算所选择的随机密度函数的概率，然后将这种概率值计入目标函数中。吴栋梁［5］等利用韦伯分布函数拟合年平均风速和风电力的概率密度函数，将风电力预测的误差量转化为经济成本，计算在调度模型中。概率模型法的优点是定量地记述风电力的概率分布特性，在此基础上可以进行系统的经济调度，与模糊模型法相比更加客观。2大规模风电并网经济调度的求解方法2.1确定性求解方法当针对大规模风电并网经济调度问题而使用确定性建模方法时，虽然建模过程中或多或少地考虑了风力发电的随机性和间歇性，但建模将复杂的物理问题转化为确定性的数学模型。 因此，求解时采用的优化方法与传统电力系统的经济调度问题求解方法基本相同，依然可以分为传统优化算法和人工智能优化算法两种。目前在解决大规模风电并网经济调度问题时常用的传统优化算法主要有动态规划法［6］、拉格朗日松弛法［7］等。常用的人工智能优化算法包括进遗传算法［4，8］、进化规划法［9］、粒子群算法［10-11］、神经网络算法［7］等。下面就几种被广泛采用于解决含风电场经济调度问题的传统优化算法和人工智能算法进行详细阐述。（1）态规划法。关于动态规划法，是美国数学家R.E.Bellman等研究多阶段决策过程的最优化问题时设计的寻优算法。 基本的想法是合理地分解要解决的问题， 将复杂的问题转换成若干子问题，并解决这些子问题，从而得到原待求问题的解。邱威［6］等在将其建立的不确定性模型确定化后，使用了动态规划法去求解这个多目标、多阶段的数学模型的帕累托最优集。其将大规模风电并网经济调度问题分为优化阶段和决策阶段的分阶段求解，可解决帕累托最优集蕴藏信息量太大、运行人员难以决策的缺点。（2）拉格朗日松弛法。拉格朗日松弛法常用于有限制的优化问题。基本原理是将拉格朗日乘子项添加到目标函数中，从而将一个有约束的目标函数转化成无约束拉格朗日函数。采用这种求解方法不仅可以通过减少约束条件的形式降低求解难度，也同时保持了原目标函数与拉格朗日函数的解的一致性，使问题在保证准确性的同时更容易求解。张晓花［7］等使用此法将复杂的机组组合问题分解为一系列相互作用的子系统最佳化问题，通过调整拉格朗日乘子达成了子系统的最佳组合。（3）遗传算法。遗传算法是1975年美国的J.Holland教授首次提出的，其算法思想是从自然界的遗传选择机制中获得的灵感。将其与数学理论相结合，最终形成了一套全新的随机搜索智能算法。由于其对优化函数要求不高，以及便于解决离散变量的优化问题等特点，常用于工程和科学领域中求取最优解的问题，近些年也有相当多的国内外研究人员将其运用在解决电力系统经济调度问题中。袁铁江［4］等在考虑火力发电机组的爬坡率等制约条件的基础上，利用优化遗传算法求出目标函数，利用Matlab工具箱搭建IEEE30测试系统，对大规模风力发电接入电网的经济调整问题进行了计算例分析。任博强［8］等融合了免疫算法和遗传算法，使解决问题的目标函数与免疫算法中的抗原相对应，使问题的最终解与免疫算法中的抗体相对应，构筑了新的生物免疫系统的遗传免疫算法。 引入免疫算法测定抗体浓度以及与之相配套的抑制促进措施较好地弥补了传统遗传算法易于早熟的问题。（4）进化规划法。进化规划法与遗传算法的思想很类似，其不同点主要在于步骤不同。Lee［9］将粒子群算法引入进化规划算法之中，经组合优化的新型进化规划粒子群算法在解决非线性的经济调度问题时展现出了较快的计算速度优点，同时也得到了非常优质的解。（5）粒子群算法。粒子群优化算法是一种人工智能优化算法，来源于模拟在指定区域寻找食物的鸟类群的生物学行为。虽然其原理也是通过一组初始的随机解进行迭代寻优，但是因其没有过多需要调整的参数，相对于遗传算法会更加简单且易于实现。任博强［10］等和Wang［11］等分别使用了组合了免疫算法和粒子群算法的人工免疫系统混沌粒子群算法，以及经改进后的多目标粒子群优化算法解答了大规模风电并网经济调度问题。（6）神经网络算法。神经网络算法最早出现在20世纪40年代。它的算法的原理是利用符号来表示信息，并根据所述符号运算那么在逻辑上的理由根据串行模式和写入串行指令，然后用计算机计算。由于其具有简单自适应能力与自组织能力的特性，所以善于对复杂问题进行求解，所以在风电场风速和发电功率预测方面也得到了运用。张晓花［7］等在传统的BP神经网络算法的基础上改变了权值调整式，形成了新的L-M算法，有效地解决了传统的BP神经网络算法在计算时长方面的缺陷，同时也提升了对风速测量的精准度。2.2不确定性求解方法由于风力发电的不确定性和复杂性，在研究将大规模风力发电并入电网的经济调度问题模型化时，通常会计入风速、风电功率以及发电机爬坡速率等其他因素，所以常常采用不确定性建模方法。由于采用不确定性建模方法所建立的数学模型相对于确定性建模模型更为复杂，往往将其数学模型确定化后再进行求解。但是这样常常会造成计算结果偏离实际的情况，所以针对不确定性建模的求解方法的研究也逐渐成为研究热点。陈海焱［12］等构筑了包括风力发电站在内的电力系统的动态经济计划模糊模型后，使用粒子群优化算法求解。赵文猛［13］针对风电场的随机机组组合问题，将模型分为了主问题和子问题两种。其中，主要问题是预测场景下的机组组合和启停方案，子问题是意外场景下的机组组合和启停方案，这两个问题通过切割方法联系在一起。最后，采用多切割分解算法，为解决不同区域的随机动态经济调度问题提供了一种可行的方案。3结论与展望本文分别就大规模风电并网经济调度问题的优化模型建立和求解方法两个方面展开。模型建立主要分为确定性建模、模糊建模和概率建模等3种方法；求解方法分为确定性求解方法和不确定性求解方法两大类，分别进行了详细的描述和举例说明。针对目前关于大规模风电并网经济调度问题的研究进行初步的归纳分析后，作者认为今后究适大规模风电并网经济调度问题时，可从以下几点着手考虑：（1）目前风力发电平价上网趋势日益明显，所以在今后研究关于大规模风电并网经济调度问题时应将考虑实时的电价因素，以最大限度地降低发电成本。（2）在综合考虑系统功率约束和经济因素的同时，还应考虑系统的安全稳定运行程度。