机组组合问题是一个具有实际应用价值的工程问题,机组组合能够带来显著的经济效益和社会效益,引起了电力工作者和研究人员的广泛兴趣。机组优化组合问题是典型的非线性优化问题,涉及到许多非线性、离散性、随机性及不确定性等因素。从数学角度讲,机组组合问题是一个多约束NP难组合优化问题,很难得到理论上的最优解。到目前为止仍不存在既能全面考虑各种约束,又能获得理想的运算速度和精度的实用算法。如何提高求解机组组合问题的精度和速度对电力系统的经济运行仍具有重要的意义。常规的数学方法在处理此类问题时有一定的局限性,而智能优化方法却适合求解传统优化方法难以解决的高非线性、高离散性的组合优化问题。粒子群优化算法(Particle Swarm Optimization, PSO)由于搜索机制简单,程序实现容易,已经被广泛地应用于实际问题的求解。针对传统离散粒子群算法(Discrete Particle Swarm Optimization, DPSO)的全局搜索能力差、进化后期收敛速度慢、算法到达一定精度无法继续运行等缺点,本文提出了一种新型的离散粒子群算法。仿真结果表明,该算法能够得到更好的优化效果,验证了方法的有效性。随后本文研究了机组优化组合的基本原理和数学模型。把新型的离散粒子群算法结合改进的自学习策略优化粒子群算法SCLPSO应用到机组优化组合问题中。算法将UC问题分解为具有整型变量和连续变量的两个优化子问题,采用离散粒子群优化和原对偶内点法相结合的双层嵌套方法对外层机组启、停状态变量和内层机组功率经济分配子问题进行交替迭代优化求解。在处理约束问题时采用修正法代替传统的罚因子法,提高了解的质量。算例仿真和分析结果验证了该方法的正确性、有效性和优越性。最后本文研究考虑网络安全约束的机组组合(Security-Constrained Unit Commitment, SCUC)问题。结合机组组合问题的特点和电力系统安全约束的特性对新型的离散粒子群算法提出了对应的改进自学习策略,能较好的解决含安全约束的机组组合问题,此外,给出了一种初始粒子群生成策略,使初始粒子在可行域内,从而提高了解的质量。以IEEE30和IEEE118两个标准节点系统为测试算例,通过与传统Benders算法和商业软件包CPLEX的数据对比证明了该方法的可行性和有效性。目前,风力发电已成为解决世界范围内日益严峻的环境和能源问题的主要方法之一,但由于风电具有不确定性,含风电场的机组组合问题不再是一个常规意义下的确定性问题,利用传统的方法也很难获得既经济又有高可靠性的解。考虑到目前风功率的预测水平及预测误差的不可忽略性,建立了基于区间预测的含风电场的电力系统机组组合问题的数学模型。为让系统更加灵活、经济的运行,在含风电的机组组合问题中引入储能系统,引入储能系统后,不仅降低运行费用,并可降低风电出力波动性对系统安全的影响。