含風電電網(wǎng)關(guān)口外送電交易能力的多智能體粒子群分層優(yōu)化研究

方日升，江岳文，溫步瀛

（1．福建省電力有限公司，福建福州　350003；2．福州大學(xué)電氣工程與自動化學(xué)院，福建閩侯　350108）

含風電電網(wǎng)關(guān)口外送電交易能力的多智能體粒子群分層優(yōu)化研究

方日升1，江岳文2，溫步瀛2

（1．福建省電力有限公司，福建福州350003；2．福州大學(xué)電氣工程與自動化學(xué)院，福建閩侯350108）

隨著風電的大規(guī)模發(fā)展和跨省跨區(qū)交易量的不斷增加，研究風電并網(wǎng)對外送電交易能力的影響對保證資源優(yōu)化、交易雙方利益極大化有重要的意義。利用多目標隨機相關(guān)機會規(guī)劃理論建立關(guān)口交易能力的評估模型，采用分層優(yōu)化結(jié)合隨機模擬技術(shù)和多智能體粒子群算法求解。第一層以風電并網(wǎng)的電力系統(tǒng)經(jīng)濟運行為前提，第二層在極小化本系統(tǒng)購電成本的基礎(chǔ)上，求取關(guān)口最大外送電交易能力以及機組的外送電交易能力。通過IEEE30節(jié)點系統(tǒng)實驗和仿真計算，表明該方法能優(yōu)化本系統(tǒng)的運行、有效獲取關(guān)口和各機組外送電交易能力指標。

風電并網(wǎng)；關(guān)口交易能力；多目標機會約束規(guī)劃；分層優(yōu)化；多智能體粒子群

截止到2014年底，中國新增風電裝機臺數(shù)為13 121臺，新增容量為23 196 MW，約占世界風電新增裝機容量的45.1%；累計裝機容量達到近1.15億kW，累計風電機組臺數(shù)為76 241臺。預(yù)計到2020年，風電將超過核電成為三大主力發(fā)電電源，到2050年，由于近海的風能得到大力開發(fā)，風電將超過水電，成為第二大主力發(fā)電電源［1］。

風力發(fā)電一方面為電力系統(tǒng)節(jié)約了煤炭等非可再生能源，有利于環(huán)境保護和電力系統(tǒng)的可持續(xù)發(fā)展；另一方面，由于風電的隨機性，對電能質(zhì)量［2］、系統(tǒng)可靠性和輔助服務(wù)［3-4］、調(diào)度［5-6］、電力市場［7］等都產(chǎn)生了一系列的影響，相關(guān)文獻也進行了大量的研究，取得不少的研究成果。但是，對含風電影響電網(wǎng)外送電交易能力評估文獻研究甚少。我國地域廣袤，資源分布不平衡，為了從更大范圍內(nèi)節(jié)約資源，提高電力系統(tǒng)的可靠性，促進電力系統(tǒng)的可持續(xù)發(fā)展，外送交易電量近年來不斷增加［8］?？鐓^(qū)省外送電交易有利于解決電力資源的不平衡，可以進行區(qū)域間調(diào)峰容量的置換或緊急備用，能促進電力系統(tǒng)的競爭，促進電力市場的發(fā)展。隨著市場和交易制度的逐步構(gòu)建與完善，交易方面的大部分理論研究集中在交易的模式、交易方法及相關(guān)算法上［9-10］，而交易能力評估方面的文章目前基本空缺。

交易能力的評估對交易的充分實施與交易的順利開展是必不可少的。通過外送電交易能力的評估，可以為本區(qū)域電網(wǎng)爭取更多的外送電交易機會或者減少不必要的交易損失；可以進一步挖掘可用交易資源，減少省間或區(qū)域間的壁壘效應(yīng)；可以為省間或區(qū)域間聯(lián)絡(luò)線的規(guī)劃提供參考的依據(jù)；可以為電廠參與外送電交易競爭提供合理的評估依據(jù)；可以增加電力市場運作的透明度和公平性。因此，本文提出了這一研究目標。

本文考慮風電的隨機性，采用多目標機會約束規(guī)劃理論建模分析，利用多智能體粒子群（簡稱MIAS-PSO）算法分層求解該問題。以本省或本系統(tǒng)運行可靠和經(jīng)濟為前提，獲取關(guān)口最大外送電交易能力和各機組外送電交易能力，為系統(tǒng)和電廠交易電量的挖掘和資源的優(yōu)化配置提供參考與借鑒。

1　含風電電網(wǎng)的關(guān)口外送電交易能力建模分析

在本電網(wǎng)參與外送電交易時，考慮的主要因素是本系統(tǒng)的經(jīng)濟安全運行以及外送電交易能力的最大化。因此，其目標函數(shù)包含兩部分：1）本系統(tǒng)的經(jīng)濟運行，即系統(tǒng)購電成本最??；2）外送電交易能力最大化。本系統(tǒng)的安全運行則受制于約束條件的設(shè)置，如備用的要求、線路輸送容量的約束、機組自身的約束等等。

1.1目標函數(shù)

1）目標1：本電網(wǎng)購電成本極小化。由于含有風電這個隨機變量，本電網(wǎng)購電成本最小不是一個確定的值，而是一個期望值。

式中：ρ（Pgi）為常規(guī)機組i的報價函數(shù)，本文用式（2）表示：

式中：ai，bi為發(fā)電機i的報價系數(shù)；E［·］為數(shù)學(xué)期望；Ng為參與優(yōu)化的常規(guī)機組數(shù)；Ii為常規(guī)機組i的運行狀態(tài)：0為停機；1為運行；Pgi為常規(guī)機組i的發(fā)電有功功率。

2）目標2：外送電交易能力的最大化。即電網(wǎng)所有能參與外送電交易機組能送到關(guān)口的潮流之和扣除關(guān)口上的本系統(tǒng)負荷，取期望最大值。此時不計聯(lián)絡(luò)線輸送容量的限制，通過關(guān)口交易能力的計算可以為聯(lián)絡(luò)線的建設(shè)提供必要的參考依據(jù)。關(guān)口則是指本省或本區(qū)外送電力的出口。

式中：Pgate為關(guān)口的交易能力。

設(shè)為了實現(xiàn)第一個目標函數(shù)，發(fā)電機組i的發(fā)電有功功率為PGi；為了實現(xiàn)第二個目標函數(shù)，通過上調(diào)關(guān)口的外送負荷大小，機組的i的發(fā)電有功功率上升為Pggi，則第i臺機組參與外送電交易的出力為（Pggi-PGi），第式（3）可以表示為：

式中：Ci為參與外送電機組的意愿；1為愿意參加；0為不參加。

1.2約束條件

1.2.1系統(tǒng)約束

式中：Nl為有接負荷的母線數(shù)；Plj為母線j的負荷有功需求量；Pr｛.·｝為｛.·｝中事件成立的概率；η1為事先給定的約束條件的置信水平，以下類推；為常規(guī)機組i發(fā)電功率限制的上限和下限；PU、PD為系統(tǒng)正、負旋轉(zhuǎn)備用有功功率；為常規(guī)機組i每分鐘有功功率變化允許最大上爬坡和下爬坡速率，一般表示為額定容量的百分比；δk為每分鐘風電機組k可能的最大出力變化情況，一般表示為風電額定容量的百分比；Xit為輸電線i的有功潮流，利用直流潮流法求取；Xmaxi為輸電線i的輸送極限；Nw為并網(wǎng)的風電機組數(shù)；Pwk為隨機變量，即風電機組k的有功出力，根據(jù)風電出力與風速的關(guān)系，其出力可以用式（6）獲得：

假設(shè)風速服從正態(tài)分布［11］，則其概率滿足：

式（6）～（7）中：v、Vr、Vci、Vco及Pr分別為風機的實際風速、額定風速、切入風速、切出風速以及風機額定功率；μ為平均風速；σ為標準差。

1.2.2機組出力約束

式中：PGi為第i臺常規(guī)機組在負荷經(jīng)濟分配中的出力水平；Pggi為第i臺常規(guī)機組在求取關(guān)口最大交易能力時的出力水平。

1.2.3節(jié)點負荷水平的約束

2　解算方法研究

2.1數(shù)學(xué)模型的處理

上述模型中即有多個目標又含有隨機變量，其解必須在隨機變量實現(xiàn)前得出，為了使系統(tǒng)的解不至過于保守設(shè)置了概率形式的約束條件。因此，上述模型為多目標機會約束規(guī)劃模型，求機會約束規(guī)劃模型的方法較多，如基于隨機模擬的粒子群算法［12］、基于隨機模擬的序二次規(guī)劃法［13］等等。

本文的模型包含本系統(tǒng)購電成本費用較小化以及關(guān)口外送電交易能力最大2個目標函數(shù)。一般情況下，多目標優(yōu)化問題的各個子目標之間是矛盾的，一個子目標的改善有可能會引起另一個或者另幾個子目標的性能降低［14］。因此，使得每個子目標都達到最優(yōu)的解是不可能的，只能求取妥協(xié)解，使每個目標盡可能朝最優(yōu)解靠近。本文采用分層優(yōu)化的思想求取多目標問題的解，第一層考慮本系統(tǒng)經(jīng)濟運行和安全約束，對式（1）求取最優(yōu)解集R1，第二層以（3）作為優(yōu)化目標，機組的出力下限取自R1，求取最優(yōu)解。

由于上述模型難以進行確定性的轉(zhuǎn)化，需要借助于隨機模擬技術(shù)，雖然隨機模擬技術(shù)只是一個統(tǒng)計算法，而且使得程序計算時間延長，但對于沒有解析解的問題，目前這種方法可能是唯一有效的解決手段。以約束條件（5）為例說明隨機模擬算法：1）在時段t內(nèi)，設(shè)m=0；2）根據(jù)式（7）生成隨機風速v，根據(jù)式（6）求得風電機組的出力，如果滿足則m=m+1；3）重復(fù)2）步驟n次，如果n足夠大，使得m/n≥η1，則式（5）成立。

2.2算法研究

2.2.1粒子群優(yōu)化算法

粒子群優(yōu)化算法（PSO）是一種基于種群搜索策略的自適應(yīng)隨機優(yōu)化算法，該方法求解效率較高，簡單易懂，對所求解問題沒有特殊的要求，可實現(xiàn)性強，但易陷入局部最優(yōu)［15-16］。因此，本文引入Muti-Intelligent-Agent System（MIAS）與PSO結(jié)合，利用MIAS中單個Agent與領(lǐng)域Agent之間的相互學(xué)習、競爭和協(xié)作改進粒子群中每個粒子的位置，提高算法求解的速度、擴大求解的范圍，避免收斂于局部最優(yōu)解。

2.2.2Muti-Intelligent-Agent System

多智能體系統(tǒng)（Muti-Intelligent-Agent System）能對環(huán)境的變化具有適應(yīng)力和相應(yīng)的自我調(diào)整能力，能與其他智能Agent進行協(xié)作、交互，共同朝一個既定的目標發(fā)展，能解決一個復(fù)雜問題的求解。系統(tǒng)中Agent可以是一個具體的實體，也可以是一個抽象名詞，它具有自主性、獨立性，并能根據(jù)領(lǐng)域Agent的狀況進行學(xué)習、推理和交互。該方法已在電力系統(tǒng)保護［17］、故障診斷［18］中廣泛應(yīng)用。

2.2.3基于MIAS的粒子群優(yōu)化算法

在本文中，每一個Agent為αi，假設(shè)本文種群規(guī)模為m×Ng，則Agent的總數(shù)也為m×Ng。每個Agent包含2個信息，一個是粒子的位置，一個是粒子的速度。為了充分發(fā)揮單個Agent與鄰域之間的協(xié)作與學(xué)習，為各Agent配置一定的鄰居。在種群剛開始迭代時，由于各個粒子適應(yīng)度值差別較大，可以隨機為每個Agent配置鄰居，數(shù)目可根據(jù)實際需要加以設(shè)置，本文第一層優(yōu)化需要得到的是一個購電成本極小化的解集，因此每個Agent的鄰居數(shù)可以適當減少，本文最大值取10，即剛開始迭代時每個Agent可以隨機擁有10個鄰居，隨著迭代次數(shù)的增加，粒子趨近于穩(wěn)定，每個Agent的配置的鄰居數(shù)目可以適當減少，因為此時鄰里已經(jīng)趨近于一致或達成共識，協(xié)作與相互之間的學(xué)習的必要性降低。本文根據(jù)式（10）d的大小判斷種群收斂的情況，根據(jù)式（11）適當減少鄰里數(shù)目。

式中：m為粒子群規(guī)模；fi為第i個粒子的適應(yīng)度；fgbest為粒子群目前的全局最優(yōu)個體的適應(yīng)度；為剛開始迭代每個Agent配置的鄰居數(shù)目；為第k次迭代的鄰居數(shù)目；d1為式（10）第一次的計算值；int為取整。

本文第二層優(yōu)化是基于第一層優(yōu)化的基礎(chǔ)之上進行優(yōu)化，為了種群的多樣性，每個Agent隨機配置的鄰居數(shù)起始值為15，并同樣根據(jù)式（11）的變化逐步減少鄰里數(shù)目。

圖1　算法流程圖Fig.1　Program flow chart

假設(shè)αi與其鄰里之間通過各自適應(yīng)值的比較，發(fā)現(xiàn)f（αi）≤f（β）（f（β）為αi鄰里之間適應(yīng)值最?。ǖ谝粚觾?yōu)化））或f（αi）≥f（β）最大（f（β）為αi鄰里之間適應(yīng)值最大（第二層優(yōu)化）），則αi為一優(yōu)質(zhì)粒子，可以繼續(xù)在解空間中保持不變；否則為一劣質(zhì)粒子，需要向其它粒子學(xué)習，式（12）則充分反映了MIAS中各Agent的協(xié)作與相互學(xué)習的過程。

根據(jù)式（12）對劣質(zhì)αi進行更新，其新的位置必須滿足約束條件（第一層優(yōu)化）或約束條件（第二層優(yōu)化）。

當每個Agent進行上述協(xié)作與學(xué)習后，結(jié)合PSO算法，與粒子群中最優(yōu)粒子進行信息交換。PSO算法的引入克服了單個Agent與鄰里局部學(xué)習和協(xié)作的限制性，提升了其尋優(yōu)的速度，而Agent結(jié)合PSO則使得其解具有多樣性，防止局部收斂，2種優(yōu)化方法共同完成對本問題的求解，提高了最優(yōu)解獲取的效率與質(zhì)量。

2.2.4求解方法流程

根據(jù)上述采用MIAS-PSO進行分層優(yōu)化的思路，該問題的求解方法用流程圖表示如圖1所示。

3　算例分析

以IEEE-30節(jié)點標準測試系統(tǒng)為例，假設(shè)風電在16節(jié)點接入系統(tǒng)，以單機容量為2 MW的變漿距直驅(qū)式風力發(fā)電機組為例，共有18臺；風機切入風速、切出風速、額定風速分別為3、25、14 m/s。各節(jié)點上的機組可以在允許出力的范圍內(nèi)自動調(diào)整，都參與外送電交易。系統(tǒng)總的有功負荷為2.834 pu，，基準容量為100 MV·A。其中正、負旋轉(zhuǎn)備用水平按照系統(tǒng)負荷的10%取值，風電機組出力的最大變化按照其額度容量的20%考慮。發(fā)電機的相關(guān)參數(shù)見表1。

表1　發(fā)電機組的報價系數(shù)及相關(guān)參數(shù)Tab.1　The price coefficients and related parameters of generators

對上述算例分別從以下角度探討風電并網(wǎng)對關(guān)口外送電交易能力的影響：1）關(guān)口位置對外送電交易能力的影響：假設(shè)17節(jié)點和30節(jié)點分別為關(guān)口外送電節(jié)點，置信水平均取0.97，目前17節(jié)點上的負荷為9+j5.8（MV·A），30節(jié)點上的負荷為10.6+j1.9（MV·A）；2）置信水平由0.97變?yōu)?.9對外送電交易的影響。

上述情況計算結(jié)果見表2、圖2及圖3所示。從表2可以看出當風電出力增加時，關(guān)口外送電交易將減少，關(guān)口位置離風電場接入點更遠，外送電交易能力也將更少。30節(jié)點上的外送電交易能力減少到0是因為6節(jié)點至28節(jié)點支路越限比較嚴重，限制了30節(jié)點外送電力的增長。置信水平下降使得常規(guī)機組的購電成本有所下降，但17節(jié)點外送電交易能力反而減少了，因為常規(guī)機組的出力分配發(fā)生變化，使得16節(jié)點至17節(jié)點支路上的潮流增加，限制了17節(jié)點外送負荷的增加。

由于機組的負荷出力分配與關(guān)口位置無關(guān)，僅受風電場出力大小和置信水平的影響，故圖2僅列出三種情況下購電成本極小化時各機組的出力大小。關(guān)口外送電交易能力不僅受到風電出力和關(guān)口位置的影響，也受到系統(tǒng)置信水平的影響，故圖3列出六種情況下各節(jié)點機組外送電交易能力大小。從圖3可以看出，關(guān)口外送電主要來自1節(jié)點上的機組和2節(jié)點上的機組。

表2　不同情況下系統(tǒng)購電成本和關(guān)口外送電交易能力Tab.2　The gate exchange capability and purchasing cost under different circumstances

圖2　3種情況下本系統(tǒng)購電成本極小化時各機組負荷出力分配Fig.2　Each generator's power output when the purchasing cost is minimum under three circumstances

圖3　6種情況下關(guān)口外送電交易能力最大時各機組外送電交易能力Fig.3　Each generator's trading capability when the gate trading capability is maximal under six circumstances

4　結(jié)論

隨著風電的大規(guī)模發(fā)展以及跨省跨區(qū)交易量的不斷增加，本文建立了以本系統(tǒng)購電成本極小化為基礎(chǔ)的關(guān)口最大外送電交易能力數(shù)學(xué)模型，考慮風電的預(yù)測偏差，利用多目標機會約束規(guī)劃建模；提出利用分層優(yōu)化的MIAS-PSO求解。通過算例和程序的驗證，可以得出如下結(jié)論：

1）由于含有風電這一難以準確預(yù)測的隨機因素，系統(tǒng)外送電交易能力變成一個不確定的因素，需把經(jīng)濟性和可靠性進行有機結(jié)合。

2）隨著風電出力的增加，常規(guī)機組總的購電成本不斷下降，關(guān)口交易能力的變化不確定，主要看線路潮流的約束及其關(guān)口的位置。同樣的風電出力情況下，關(guān)口位置離風電場越近，其外送電交易能力越大。

3）置信水平下降，常規(guī)機組總的購電成本也不斷下降，因為線路越限的概率增加使得一些報價低的機組出力增加，但關(guān)口交易能力不一定會隨之增加，常規(guī)機組出力的重新分配改變線路的潮流，使得關(guān)口外送電交易能力的變化不確定。

從以上分析可以得知，風電出力和可靠性水平的變化對本系統(tǒng)購電成本的影響有規(guī)律可循，但對關(guān)口外送電交易能力的影響沒有明顯的規(guī)律，需要根據(jù)電網(wǎng)網(wǎng)架結(jié)構(gòu)和負荷水平來評估確定。

［1］中國風能協(xié)會 2014中國風電裝機容量分析（EB/OL）．（2014-06-20）［2014-06-20］．http://fd.bjx.com.cn/zhuanti/2014zjrl/．

［2］孫濤，王偉勝，戴慧珠，等．風力發(fā)電引起的電壓波動和閃變［J］．電網(wǎng)技術(shù)，2003，27（12）：62-66．SUN Tao，WANG Weisheng，DAI Huizhu，et al.Voltage fluctuation and flicker caused by wind power generation［J］.Power System Technology，2003，27（12）：62-66（in Chinese）.

［3］JAYAWEERA D，BURT G，MCDONALD J R．Customer security assessment in distribution networks with high penetration of wind power［J］.IEEE Trans on Power Systems，2007，22（3）：1360-1368.

［4］KRISTOF DE VOS，PAULA SOUTO PEREZ，JOHAN DRIESEN．The participation in ancillary services by high capacity wind power plants：reserve power［C］//IEEE PES Innovative Smart Grid Technologies Conference，2009：1-8．

［5］江岳文，陳沖，溫步瀛．含風電場的電力系統(tǒng)機組組合問題的隨機模擬粒子群算法［J］．電工技術(shù)學(xué)報，2009，24（6）：129-137． JIANG Yuewen，CHEN Chong，WEN Buying.Particle swarm research of stochastic simulation for unit commitment in wind farms integrated power system［J］.Transactions of China Electrotechnical Society，2009，24（6）：129-137（in Chinese）.

［6］陳海焱，陳金富，段獻忠．含風電場電力系統(tǒng)經(jīng)濟調(diào)度的模糊建模及優(yōu)化算法［J］．電力系統(tǒng)自動化，2006，30（2）：22-26．CHEN Haiyan，CHEN Jinfu，DUAN Xianzhong.Fuzzy modeling and optimization algorithm on dynamic economic dispatch in wind power integrated system［J］.Automation of Electric Power Systems，2006，30（2）：22-26（in Chinese）.

［7］劉瑞豐，尹莉，張浩，等．國際典型電力市場風能交易規(guī)則研究［J］．華東電力，2012，40（1）：10-13．LIU Ruifeng，YIN Li，ZHANG Hao，et al.Wind power trading rules in typical international electricity markets［J］.East China Electric Power，2012，40（1）：10-13（in Chinese）.

［8］尚金成．跨區(qū)跨省電力交易機制與風險控制策略［J］．電力系統(tǒng)自動化，2010，34（19）：53-58．Shang Jincheng.Mechanism and risk control strategies for trans-regional and trans-provincial power exchange［J］．Automation of Electric Power Systems，2010，34（19）：53-58（in Chinese）.

［9］吳敏，李曉剛，丁峰，等．跨省電能交易新模式的探討［J］．電網(wǎng)技術(shù)，2009，33（增刊1）：216－220．WU Min，LI Xiaogang，DING Feng，et al.Discussion on new model of electricity energy trading among provinces［J］．Power System Technology，2009，33（Suppl 1）：216-220（in Chinese）.

［10］劉福斌，楊立兵，吳敏.基于靈活輸電電價的跨地區(qū)電能撮合交易模型［J］．電力系統(tǒng)自動化，2011，35（10）：88-92．LIU Fubin，YANG Libing，WU Min.A novel matchmaking trade model for cross-region electricity exchang based on flexible transmission price［J］．Automation of Electric Power Systems，2011，35（10）：88-92（in Chinese）.

［11］BOWDEN G J，BARKER P R，SHESTOPAL V O，et al.The weibull distribution function and wind power statistics［J］．Wind Engineering，1983（7）：85-98．

［12］江岳文，陳沖，溫步瀛．基于隨機模擬粒子群算法的含風電場電力系統(tǒng)經(jīng)濟調(diào)度［J］．電工電能新技術(shù)，2007，26（3）：37-41．JIANG Yuewen，CHEN Chong，WEN Buying.Economic dispatch based on particle swarm optimization of stochastic simulation in wind power integrated system［J］.Advanced Technology of Electrical Engineering and Energy，2007，26（3）：37-41（in Chinese）.

［13］龍軍，莫群芳，曾建．基于隨機規(guī)劃的含風電場的電力系統(tǒng)節(jié)能優(yōu)化調(diào)度策略［J］．電網(wǎng)技術(shù)，2011，35（9）：33-138．LONG Jun，MO Qunfang，ZENG Jian.A stochastic programming based short-term optimization scheduling strategy considering energy conservation for power system containing wind farms［J］．Power System Technology，2011，35（9）：216-220（in Chinese）.

［14］肖曉偉，肖迪，林錦國，等．多目標優(yōu)化問題的研究概述［J］．計算機應(yīng)用研究，2011，28（3）：805-808．XIAO Xiaowe，XIAO Di，LIN Jinguo，et al.Overview on multi-objective optimization problem research［J］.Application Research of Computer，2011，28（3）：805-808（in Chinese）.

［15］TSAIS J，SUN TY，LIU Chancheng，et al.An improved multi-objective particle swarm optimizer for multi-objective problems［J］.Expert Systems with Applications，2010，37（8）：5872-5886.

［16］姚祥光，周永權(quán)，李詠梅．人工魚群與微粒群混合優(yōu)化算法［J］．計算機應(yīng)用研究，2010，27（6）：2084-2086．YAO Xiangguang，ZHOU Yongquan，LI Yongmei.Hybrid algorithm with artificial fish swarm algorithm and PSO［J］.Application Research of Computer，2010，27（6）：2084-2086（in Chinese）.

［17］SU Sheng，LI K K，CHAN W L，et al.Adaptive agent based wide-area current different protection system［J］.IEEE Transactions on Industry Application，2010，46（5）：2111-2117.

［18］辛建波，廖志偉．基于Multi-agents的智能變電站警報處理及故障診斷系統(tǒng)［J］．電力系統(tǒng)保護與控制，2011，39（16）：83-88．XIN Jianbo，LIAO Zhiwei.Research on smart substation alarm process and fault diagnosis system based on multiagents architecture［J］.Power System Protection and Control，2011，39（16）：83-88（in Chinese）.

附錄：IEEE-30節(jié)點圖

（編輯黃晶）

MIAS-PSO Hierarchical Optimization Research of Gate Trading Capability for Power System with Wind Power

FANG Risheng1，JIANG Yuewen2，WEN Buying2
（1．State Grid Fujian Electric Power Company Limited，F(xiàn)uzhou 350003，F(xiàn)ujian，China；2．College of Electrical Engineering and Automation，F(xiàn)uzhou University，Minhou 350108，F(xiàn)ujian，China）

With the large-scale development of wind power and the increasing power exchange of trans-province and transregion，it is more important to evaluate the influence of wind power on the gate exchange capability for the resource optimization and bilateral advantage.This paper uses stochastic chance constrained programming（SCCP）of multi-object to create the mathematical model and MIAS-PSO with the hierarchical optimization and stochastic simulation to solve the calculation of gate exchange capability.Firstly，this paper attains the solution of economical dispatch for the minimum purchasing cost in the wind power integrated system.Secondly，it gets the maximum gate exchange capability and some generators'outward exchange capability based on the economical dispatch.The paper also takes wind speed forecasting，its randomness and limited regularity into consideration.The mathematical model and optimization algorithm are proved effective by the IEEE30 node testing and simulation calculation．KEY WORDS：wind power integrated system；gate exchange capability；multi-objectchance constrained programming；hierarchical optimization；MIAS-PSO

1674-3814（2015）12-0089-07

TM71

A

2015-05-14。

方日升（1969—），男，博士，高級工程師，主要從事電力系統(tǒng)調(diào)度與交易及其管理的研究工作；

江岳文（1977—），女，副教授，主要研究方向為電力系統(tǒng)優(yōu)化運行和電力市場；

溫步瀛（1967—），男，教授，主要研究方向為風電并網(wǎng)運行技術(shù)、電力系統(tǒng)優(yōu)化運行與電力市場等。

福建省自然科學(xué)基金項目（2013J01176）。

Project Supported by the Natural Science Foundation of Fujian Province（2013J01176）.