●第1章 緒論 /1
1.1 電力繫統機組組合問題的起源 /2
1.2 電力繫統機組組合問題的基本內容 /3
1.3 電力繫統機組組合問題國內外研究現狀 /4
1.3.1 基於物理模型驅動的機組組合 /5
1.3.2 基於數據驅動的機組組合 /7
1.3.3 常規機組組合模型的求解方法 /8
1.4 本書的主要內容和架構 /11
本章參考文獻 /12
第2章 新能源出力的超短期預測技術 /17
2.1 引言 /18
2.2 單一超短期預測方法 /18
2.2.1 Elman神經網絡 /18
2.2.2 極限學習機 /20
2.2.3 支持向量機 /21
2.3 數據非平穩性處理方法 /24
2.3.1 小波分解 /25
2.3.2 經驗模態分解 /26
2.3.3 噪聲輔助信號分解 /28
2.4 組合超短期預測方法 /29
2.4.1 基於NACEMD-Elman神經網絡的組合預測方法 /29
2.4.2 基於EMD-ELM的組合預測方法 /30
2.4.3 基於EMD-SVM的組合預測方法 /31
2.5 典型算例 /31
2.5.1 基於EEMD-改進Elman方法的風電功率預測算例 /31
2.5.2 基於NACEMD-Elman方法的風電功率預測算例 /35
本章參考文獻 /39
第3章 電力繫統各的成本效益模型 /41
3.1 引言 /42
3.2 火電機組的成本模型 /42
3.2.1 火電機組的成本函數 /42
3.2.2 火電機組的運行約束條件 /43
3.3 水電機組的效益模型 /44
3.3.1 水電機組的效益函數 /44
3.3.2 水電機組的運行約束條件 /44
3.4 風電機組的成本模型 /45
3.4.1 風電機組的成本函數 /45
3.4.2 風電機組的運行約束條件 /46
3.5 其他的成本模型 /47
3.5.1 光伏的成本模型 /47
3.5.2 天然氣的成本模型 /47
本章參考文獻 /48
第4章 常規電力繫統的機組組合問題 /49
4.1 引言 /50
4.2 常規機組組合模型 /50
4.3 考慮安全約束的機組組合模型 /51
4.4 常規機組組合模型的求解方法 /52
4.4.1 拉格朗日松弛法 /52
4.4.2 Benders分解法 /55
4.4.3 序優化算法 /58
4.4.4 遺傳算法 /60
4.4.5 粒子群算法 /64
4.4.6 生物地理學算法 /65
4.5 典型算例 /69
4.5.1 常規機組組合算例 /69
4.5.2 考慮安全約束的機組組合算例 /70
本章參考文獻 /71
第5章 考慮多重目標的機組組合問題 /73
5.1 引言 /74
5.2 多目標機組組合問題的數學模型 /74
5.3 多目標機組組合問題的處理方法 /77
5.4 典型算例 /82
5.4.1 考慮繫統總發電成本和能源環境效益的多目標機組組合算例 /82
5.4.2 考慮繫統總發電成本、能源環境效益和繫統安全穩定的多目標機組組合算例 /85
本章參考文獻 /87
第6章 考慮不確定性的電力繫統機組組合問題 /89
6.1 引言 /90
6.2 間歇性電源出力的概率特性建模 /90
6.2.1 參數估計方法 /90
6.2.2 非參數估計方法 /92
6.2.3 間歇性電源出力的概率特性建模方法 /95
6.3 基於場景法的機組組合 /98
6.3.1 場景生成方法 /99
6.3.2 場景縮減技術 /102
6.4 基於機會約束的機組組合 /103
6.4.1 機會約束方法的基本原理 /104
6.4.2 基於機會約束的機組組合模型 /104
6.5 基於魯棒優化的機組組合 /105
6.5.1 基於魯棒優化的機組組合模型 /105
6.5.2 魯棒機組組合模型求解 /106
6.6 典型算例 /110
6.6.1 非參數估計方法建模算例 /110
6.6.2 基於機會約束方法的仿真算例 /114
本章參考文獻 /115
第7章 化約束條件和決策變量的機組組合問題 /117
7.1 引言 /118
7.2 考慮源荷互動的含風電SCUC問題 /118
7.2.1 負荷側控制機理及響應模型 /118
7.2.2 考慮源荷互動的含風電SCUC模型 /125
7.2.3 考慮源荷互動的含風電SCUC模型的求解算法 /127
7.3 考慮交流潮流安全約束的含風電SCUC問題 /131
7.3.1 模型目標函數及常規約束條件 /131
7.3.2 交流潮流安全約束及不確定性因素的描述 /132
7.3.3 考慮交流潮流安全約束的含風電SCUC模型的求解算法 /133
7.4 典型算例 /135
7.4.1 考慮源荷互動的含風電SCUC問題算例 /135
7.4.2 考慮交流潮流安全約束的含風電SCUC問題算例 /143
本章參考文獻 /146
第8章 關於機組組合問題研究的展望 /149
8.1 引言 /150
8.2 考慮多重不確定性因素及其相關性的機組組合問題研究 /150
8.2.1 考慮多重隨機因素的魯棒機組組合模型 /150
8.2.2 最壞場景求解 /152
8.2.3 模型求解算法 /154
8.3 基於數據驅動的機組組合問題研究 /156
8.3.1 大數據理論 /156
8.3.2 基於數據驅動的機組組合決策方法 /159
8.3.3 歷史數據的聚類預處理 /161
8.3.4 機組組合深度學習模型及其訓練算法 /163
8.4 典型算例 /166
8.4.1 考慮多重不確定性和相關性的機組組合算例 /166
8.4.2 基於數據驅動的機組組合算例 /170
本章參考文獻 /177
附表 /179