文献综述
- 研究背景
风能是一种可以用来发电的可再生能源，由于它用之不尽、取之不竭，所以近十几年来，风能发电已在世界许多国家得到迅速发展，并且成为全世界增长最快的能源，倍受人们的青睐。但风能具有高度的随机性和波动性，它不像常规发电机组那样保持恒定的功率输出。而功率的波动将会影响电力系统的电压和频率等电气量，从而使电力系统的稳定性变差，给系统的安全、经济运行带来显著的影响。所以，从某种意义上来说，风电场实际上是电力系统的一个很大的干扰源。随着大规模并网型风电场的开发，风电在系统中所占比例越来越大，大规模风电接入电网后会改变系统潮流分布[1-4]、出现电网电压水平下降[5-6]、 系统短路容量增加、系统暂态稳定性改变等一系列问题[7]。因此，需要对风电场接入系统的最优容量进行研究，以便既保证系统安全与可靠运行，同时又能充分利用风能资源。
-
国内外研究现状
- 风电厂接入系统容量的仿真法和约束法简介
目前，分析风电厂接入系统容量的方法主要有：时域仿真法、稳态潮流仿真法、静态安全约束法、稳态频率约束法等方法[8]。
仿真法指通过对几种典型的系统运行方式进行数字仿真，校验在某一风电并网规模下系统能否满足安全性和稳定性。通过多次修正风电规模进行校验，来确定系统的风电穿透功率极限。此类方法属于验证性方法，计算量大，不能考虑所有工况[9]。
考虑运行约束的优化方法是将风电穿透功率极限计算问题转化为一个最优化模型，以最大化风电场并网容量为优化目标，以满足系统运行安全要求为约束条件。通过数学规划计算得到风电穿透功率极限[10]。风电并网运行时，其出力的不确定性使系统暂态稳定裕度降低，因此暂态稳定约束是风电穿透功率极限的关键约束条件[11]；
-
- 风电穿透极限功率的优化计算
文献[16]考虑风电和负荷的随机性，建模时采用了两个假设：风电场的风速服从 Weibull分布[12]；系统各节点负荷服从正态分布，并且相互独立。由于风电场 的输出功率是一个随机变量，不宜作为决策变量，而风电场的装机容量是一个确定量，因此选取风电场的装机容量和常规机组的出力作为优化变量，并以风电场的装机容量最大化作为优化目标约束条件，主要是输电线路的功率传输极限、常规机组的出力约束及系统所要求的旋转备用水平。
优化方法主要包括单纯形法、内点法、二次规划法、动态规划法和灵敏度法，这些方法大都把离散变量当成连续变量处理，容易陷入局部最优解，用于大规模的优化计算时还容易产生“维数灾”[13]。近年来遗传算法在电力系统运行优化方面应用广泛，遗传算法具有很强的离散变量处理能力和鲁棒性[13]，故本文采用遗传算法求解风电场最优接入容量问题。
-
- 遗传算法及其改进的方向
遗传算法是建立在自然选择和群体遗传学基础上的搜索方法，是一种模拟生物进化过程的随机方法。它从代表问题可能潜在的解集的一个种群开始，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度大小挑选个体，并借助自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样， 后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解[14]。
电网规划在数学上属于一个复杂的多决策变量、多约束条件优化问题，具有整数性、非线性、多目标性、动态性、不确定性等特点。而遗传算法是一种全局搜索算法，可以考虑多种目标函数和约束条件，特别适合于整型变量优化的求解，并且不受维数限制，没有可微性要求，可见用遗传算法求解电网规划优化这一复杂非线性优化问题是一种非常有效的手段。
