风能是一种重要的和最具竞争力的可再生清洁新能源,以风力发电为主的新能源发电在全球范围内得到了快速发展。然而风电是一种不确定性能源,风的随机性和间歇性使得大规模风电并网后会增加电力系统安全稳定运行的难度,进而使风电消纳、电网优化调度等日益复杂。接纳大规模可再生能源已成为未来智能电网的发展趋势和方向。如何更好地描述风电的随机性为高风电渗透率下的新一代随机-确定耦合的复杂电力系统服务,已成为含风电电力系统动态调控领域的研究热点。本文针对风电功率预测误差的不确定性建模及其在含风电电力系统机组组合调度模型中的应用问题展开了如下研究：1.针对实际风电场数据,深入分析了其风速风向等风资源特性。然后,研究了基于数值天气预报(NWP)和改进BP神经网络的风电功率预测模型,对风电功率进行了提前1h,3h和24h的短期预测。该模型的预测精度较RBF、基本BP和基于PSOBP算法的神经网络有较大提高,但与现有的所有预测模型一样,仍存在约20%左右的预测误差,因此,对其预测误差的不确定性进行研究颇显重要。2.研究了基于统计模型的风电功率预测误差不确定性。首先,基于实际风电场大量的风电功率数据及其提前4h,6h和24h的点预测值分布散点图,分析了不同时间尺度下预测误差的高斯、柯西、拉普拉斯和一种非高斯通用模型分布特性,其中,非高斯通用模型对预测误差具有较高的拟合精度。为了提高该模型的实用性,本文在预测功率分段方面进行了优化,使预测功率区间的划分自动地随历史数据的规模进行调整。经定性和定量仿真对比测试表明,该项改进后的非高斯通用模型能自适应地反映不同风场、不同预测时间尺度下预测误差模型参数的实时变化,提高了风电功率预测误差的拟合效率。3.在可信性理论的基础上,研究了描述风电功率预测误差不确定性的模糊模型。选用能反映实际预测误差分布特性的柯西函数作为预测误差的隶属度函数,再由隶属度函数确定预测误差的可信性测度,从而建立了基于可信性测度的预测误差模糊模型。4.将描述风电功率预测误差不确定性的统计模型和模糊模型应用到含风电电力系统的机组组合调度模型中。对统计模型的应用,将改进后的非高斯通用概率性风电功率预测值计入系统旋转备用中。对模糊模型的应用,将含模糊变量的旋转备用约束处理为清晰等价类,完成不确定性信息的引入与处理。采用离散粒子群算法和小世界粒子群算法求解基于上述不确定性风功率预测值的机组组合模型,通过算例进行测试分析。仿真结果验证了描述风电功率不确定性的机组组合调度模型的有效性,可为决策者对含风电电力系统的优化调度提供有价值的参考。