CN104779638A - 一种风电场内机组优化调度方法及调度装置 - Google Patents

Abstract

本发明公开了一种风电场内机组优化调度方法和风电场内机组优化调度装置，所述调度方法包括步骤：S1、建立目标函数；S2、设定目标函数的约束条件；S3、优化算法，包括粒子群优化算法和遗传-粒子群优化算法。本发明通过最优潮流计算优化风电场内机组的有功与无功出力，这不仅能使风电场内部的损耗最小，风力发电机组得到延寿，整个风电场经济运行；还可以通过对风电场内功率分配的研究，分析内部功率损耗，为风电场经济性评价提供依据。

Description

一种风电场内机组优化调度方法及调度装置

技术领域

本发明涉及风力发电，特别涉及一种风电场内机组优化调度方法及调度装置。

背景技术

风能是太阳能的转化形式，是自然界中没有污染的可再生能源。随着国内外风电的发展，风力发电机组的装机容量逐渐的增大，MW级风力发电机组成为主流机组，风电场规模也随之不断增大。大规模的风电场地域广、机组台数多，风电场内部的机械损耗、线路损耗等问题会更加明显。

目前电力系统的风电调度管理只是针对风电场侧或大型风电场群与系统并网点，而风电场内部的优化调度还处于研究阶段。电力系统中最优潮流是60年代初期法国学者Carpentien提出的，把电力系统调度和潮流计算有机的融合在一起，即以潮流计算为基础，进行有功和无功的全面优化。最优潮流问题可以描述为在满足潮流等式约束和不等式约束的条件下，求得一组控制变量和状态变量的值，使系统的目标函数最优。风电场内优化调度是通过最优潮流计算优化风电场内机组的有功与无功功率，这不仅能使风电场内部的损耗最小，风力发电机组得到延寿，整个风电场经济运行；还可以通过对风电场内功率分配的研究，分析内部功率损耗，为风电场经济性评价提供依据。

发明内容

基于上述现有技术，本发明提供一种风电场内机组优化调度方法及调度装置。

本发明的技术方案是：

1.一种风电场内机组优化调度方法，包括步骤：

S1、建立目标函数；

S2、设定目标函数的约束条件；

S3、优化算法，包括粒子群优化算法和遗传-粒子群优化算法。

优选的，所述目标函数如下：设某风电场有n台机组运行，每台机组输出有功功率和无功功率为P_Gi和Q_Gi，风电场的有功损耗和无功损耗为P_loss和Q_loss，则风电场输出的总的有功功率和无功功率分别为：

$\left\{\begin{array}{c}{P}_{\mathrm{put}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_{\mathrm{Gi}}-P_{\mathrm{loss}}\\ Q_{\mathrm{out}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{Q}_{\mathrm{Gi}}-Q_{\mathrm{loss}}\end{array}\right.---\left(1\right)$

风力发电机组的功率因数为：

功率损耗为目标函数：

$F=\min (\underset{j=1}{\overset{T}{\mathrm{\Σ}}}{P}_{\mathrm{lossj}}+\underset{j=1}{\overset{T}{\mathrm{\Σ}}}{Q}_{\mathrm{lossj}})---\left(3\right)$

优选的，所述约束条件包括有功功率约束条件和无功功率约束条件；所述有功功率约束条件包括机组出力上下限约束、负荷调度约束和最大功率变化率约束；所述无功功率约束条件包括转子电流约束、定子电流约束和稳定约束。

优选的，所述约束条件还包括节点电压约束条件和电压相位差约束条件。

优选的，所述有功功率约束条件包括：

机组出力上下限约束：

$P_{i,\min }^j\≤P_{i,\mathrm{predict}}^j\≤P_{i,\max }^j---\left(4\right)$

式中为第i台机组的功率预测值，为第i台机组的最小和最大出力；

负荷调度约束：

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(P_{i,\mathrm{predict}}^j\·u_i^j)-P_{\mathrm{loss}}=P_{\mathrm{load}}^j---\left(5\right)$

式中为第j时间段风电场规划的负荷出力，满足电网中调负荷指令；

最大功率变化率约束：

在风电场并网、机组正常停机以及风速增长过程中，风电场功率变化率应满足以下要求。

优选的，所述无功功率约束条件包括：

转子电流约束：

双馈风力发电机组有功功率与无功功率的关系满足P-Q曲线，是一个 以为圆心，为半径的功率圆；

${\left(\frac{P_g}{1-s}\right)}^2+{(Q_s-\frac{{3L}_n\left|U_s\right|\left|i_{\mathrm{ms}}\right|}{{2L}_s})}^2={\left(\frac{{3L}_m\left|U_s\right|}{{2L}_s}\right)}^2{\left|i_r\right|}^2---\left(7\right)$

$Q_{s\max }=\sqrt{{\left(\frac{{3L}_m\left|U_s\right|}{{2L}_s}\right)}^2{\left|i_{r\max }\right|}^2-{\left(\frac{P_g}{1-s}\right)}^2}-\frac{{3L}_m\left|U_s\right|\left|i_{\mathrm{ms}}\right|}{{2L}_s}---\left(8\right)$

$Q_{s\min }=-\sqrt{{\left(\frac{{3L}_m\left|U_s\right|}{{2L}_s}\right)}^2{\left|i_{r\max }\right|}^2-{\left(\frac{P_g}{1-s}\right)}^2}-\frac{{3L}_m\left|U_s\right|\left|i_{\mathrm{ms}}\right|}{{2L}_s}---\left(9\right)$

式中i_rmax为转子绕组最大电流，取值为转子电流的峰值；L_m和L_s为定子的互感和自感，U_s为定子的电压，取值为电压峰值；ω_s为定子转速；

定子电流约束：

${\left(\frac{P_g}{1-s}\right)}^2{{+Q}_s}^2={\left({3U}_S{I}_S\right)}^2---\left(10\right)$

$Q_{s\max }=\sqrt{{\left({3U}_s{I}_s\right)}^2-{\left(\frac{P_g}{1-s}\right)}^2}---\left(11\right)$

$Q_{s\min }=-\sqrt{{\left({3U}_s{I}_s\right)}^2-{\left(\frac{P_g}{1-s}\right)}^2}---\left(12\right).$

优选的，所述节点电压约束条件为：所有节点电压幅值必须满足其运行在额定电压附近，即：

U_imin≤U_i≤U_imax        (14)；

所述电压相位差约束条件为：节点之间电压的相位差应该满足:

|θ_i-θ_j|<|θ_i-θ_j|_max          (15)。

优选的，所述粒子群优化算法具体步骤为：

(1)结合风电功率预测数据，随机列出调度周期内各种可能的机组启停组合，运行状态表示为1，停机状态表示为0，并以矩阵的形式表示；

(2)计算步骤(1)中各种机组状态组合下整个风电场的最大输出功率，与电力系统负荷限定值相比较，得到满足电力系统负荷约束条件的机组组合；

(3)将满足电力系统负荷条件的机组组合解传递给粒子群算法，得到局部最优粒子和全局最优粒子，进行潮流计算，得到对应的线路损耗，然后更新粒子，筛选出其中线路有功损耗之和最小的组合；

(4)重复上述步骤，在经过多代进化之后，选出整个调度周期内线路损耗值最小的机组状态组合计划。

所述遗传-粒子群优化算法具体步骤如下：

(1)结合风电功率预测数据，随机列出调度周期内各种可能的机组启停组合，运行状态表示为1，停机状态表示为0，并以矩阵的形式表示；

(2)计算步骤(1)中各种机组状态组合下整个风电场的最大输出功率，与电力系统负荷限定值相比较，得到满足电力系统负荷约束条件的机组组合；

(3)将满足电力系统负荷条件的机组组合解传递给粒子群算法，得到局部最优粒子和全局最优粒子，进行潮流计算，得到对应的线路损耗，然后更新粒子，筛选出其中线路有功损耗之和最小的组合；

(4)将每个群体计算得到的最优粒子传递到遗传算法中进行选择、交叉、变异的操作，得到群体中最优的粒子数；

(5)重复上述步骤，在经过多代进化之后，选出整个调度周期内线路损耗值最小的机组状态组合计划。

一种风电场内机组优化调度装置，所述风电场内集电系统布置形式为放射形布局，包括共33台风力发电机组，形成4串支路，8台风力发电机组一串的3串，最后9台风力发电机组一串，共形成64个节点，其中包括一个平衡节点，一个PV节点，其余节点都是为PQ节点。

本发明的优点为：

本发明通过最优潮流计算优化风电场内机组的有功与无功出力，这不仅能使风电场内部的损耗最小，风力发电机组得到延寿，整个风电场经济运行；还可以 通过对风电场内功率分配的研究，分析内部功率损耗，为风电场经济性评价提供依据。

附图说明

图1为本发明所述的双馈型风力发电机组定子侧的无功范围P-Q曲线图；

图2为本发明实施例的风电场集电系统连接图；

图3为本发明实施例的双馈型风力发电机组的P-Q图；

图4为本发明实施例的粒子群算法的进化过程示意图；

图5为本发明实施例的遗传-粒子群算法的进化过程示意图；

图6为本发明实施例的33台机组组合的甘特图。

具体实施方式

下面结合附图及实施例对本发明作进一步描述：

本发明所揭示的风电场内机组优化调度包括：

首先建立目标函数。

已并网的风力发电机组其输出的有功功率和无功功率，会直接影响风电场的输出。设某风电场有n台机组运行，每台机组输出有功功率和无功功率为P_Gi和Q_Gi，风电场的有功损耗和无功损耗为P_loss和Q_loss，则风电场输出的总的有功功率和无功功率分别为：

$\left\{\begin{array}{c}{P}_{\mathrm{put}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_{\mathrm{Gi}}-P_{\mathrm{loss}}\\ Q_{\mathrm{out}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{Gi}}-Q_{\mathrm{loss}}\end{array}\right.---\left(1\right)$

风力发电机组的功率因数为：

为了满足电网调度要求而随机安排风电场内机组随意启停机发电，不但会影响机组寿命，而且会增加风电场内的功率损耗，降低风电场内运行的经济性，同时也可能造成风电场内出力空间的浪费。所以，通过建立风电场内功率分配模型，合理安排机组运行，使风电场内损耗最小。优化目标函数如下所示：

功率损耗为目标函数，

$F=\min (\underset{j=1}{\overset{T}{\mathrm{\&Sigma;}}}{P}_{\mathrm{lossj}}+\underset{j=1}{\overset{T}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{lossj}})---\left(3\right)$

下面介绍约束条件

有功功率约束条件

(1)机组出力上下限约束

$P_{i,\min }^j\&le;P_{i,\mathrm{predict}}^j\&le;P_{i,\max }^j---\left(4\right)$

式中为第i台机组的功率预测值，为第i台机组的最小和最大出力。

(2)负荷调度约束 

$\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(P_{i,\mathrm{predict}}^j\&CenterDot;u_i^j)-P_{\mathrm{loss}}=P_{\mathrm{load}}^j---\left(5\right)$

式中为第j时间段风电场规划的负荷出力，满足电网中调负荷指令。

(3)最大功率变化率约束

在风电场并网、机组正常停机以及风速增长过程中，风电场功率变化率应满足以下要求：

表1风电场功率变化率

无功功率约束条件

双馈型异步风力发电机组采用交流励磁，可调量有励磁电流的幅值、频率和相位。改变励磁电流的频率可以实现变速恒频运行；改变励磁电流的相位可以使所建立的转子磁场在空间上有一个相应的位移，进而改变了发电机的电动势矢量和电网电压矢量之间的相对位置，也即调节了发电机的功率角。综合改变转子励磁电流的相位和幅值实现对有功功率和无功功率的控制。

双馈型异步风力发电机组的无功功率是由发电机定子侧发出或吸收的无功功率和网侧变换器发出或吸收的无功功率共同组成的。

对于双馈型异步风力发电机，传统的无功控制主要模式有单位功率因数控制、恒功率因数控制、恒电压控制。

而在已运行的风电场中，通常将网侧变换器按功率因数1.0控制，风力发电机只能发有功功率，没有无功功率，即单位功率因数控制模式。

相关设计规范要求风电场机组在功率因数-0.95到+0.95之间连续可调，若将风力发电机的功率因数设定为恒定值，一般为0.95以上，则风力发电机会发大量的有功功率和少量的无功功率，目前双馈风力发电机组大多数选用恒功率因数控制模式实现无功控制。

当双馈风力发电机组定子侧电压恒定时，风力发电机组有功功率和无功功率运行范围受转子侧变换器最大电流的限制。

如果风力发电机组发出的有功功率确定，则无功输出范围为

Q_gmin≤Q_g≤Q_gmax             (6) 

其中无功功率极限值由下面三个条件限定。

(1)转子电流约束^[123]：

双馈风力发电机组有功功率与无功功率的关系满足P-Q曲线，是一个 以为圆心，为半径的功率圆。

${\left(\frac{P_g}{1-s}\right)}^2+{(Q_s-\frac{{3L}_n\left|U_s\right|\left|i_{\mathrm{ms}}\right|}{{2L}_s})}^2={\left(\frac{{3L}_m\left|U_s\right|}{{2L}_s}\right)}^2{\left|i_r\right|}^2---\left(7\right)$

$Q_{s\max }=\sqrt{{\left(\frac{{3L}_m\left|U_s\right|}{{2L}_s}\right)}^2{\left|i_{r\max }\right|}^2-{\left(\frac{P_g}{1-s}\right)}^2}-\frac{{3L}_m\left|U_s\right|\left|i_{\mathrm{ms}}\right|}{{2L}_s}---\left(8\right)$

$Q_{s\min }=-\sqrt{{\left(\frac{{3L}_m\left|U_s\right|}{{2L}_s}\right)}^2{\left|i_{r\max }\right|}^2-{\left(\frac{P_g}{1-s}\right)}^2}-\frac{{3L}_m\left|U_s\right|\left|i_{\mathrm{ms}}\right|}{{2L}_s}---\left(9\right)$

式中i_rmax为转子绕组最大电流，取值为转子电流的峰值，一般取值为额定值的1.5倍；L_m和L_s为定子的互感和自感，U_s为定子的电压，一般取值为电压峰值；ω_s为定子转速。

(2)定子电流约束 

${\left(\frac{P_g}{1-s}\right)}^2{{+Q}_s}^2={\left({3U}_S{I}_S\right)}^2---\left(10\right)$

$Q_{s\max }=\sqrt{{\left({3U}_s{I}_s\right)}^2-{\left(\frac{P_g}{1-s}\right)}^2}---\left(11\right)$

$Q_{s\min }=-\sqrt{{\left({3U}_s{I}_s\right)}^2-{\left(\frac{P_g}{1-s}\right)}^2}---\left(12\right)$

(3)稳定约束

$Q_s\&GreaterEqual;-\frac{{3U}_s^2}{X_s}---\left(13\right)$

根据上述表达式和双馈异步风力发电机组的参数，得到双馈异步风力发电机组定子侧的无功范围如图1所示。

双馈异步风力发电机组相关参数为^[124]：

表2 1.5MW，690V，50Hz双馈异步发电机参数

其它约束条件 

(1)节点电压约束条件

所有节点电压幅值必须满足其运行在额定电压附近，即：

U_imin≤U_i≤U_imax       (14) 

(2)电压相位差约束条件

为保证系统正常运行时的稳定性，节点之间电压的相位差应该满足:

|θ_i-θ_j|<|θ_i-θ_j|_max          (15) 

(3)双馈异步风力发电机组潮流计算模型

双馈异步风力发电机组采用了变频器控制，其发出的有功和无功功率可以解耦控制，双馈异步风力发电机组具有类似于同步发电机的特性，在实际运行中，根据无功功率控制模式的不同，双馈异步风力发电机组可以看做PQ节点或PV节点。

在恒定功率因数控制模式下，双馈异步风力发电机组的功率因数为一定值，其有功功率与无功功率之间为线性关系，可以看做是PQ节点；在恒定电压控制模式下，双馈异步风力发电机组的无功功率根据机端电压与设定电压之间的偏差在一定的范围内进行调节，此时在控制范围内可以将其看做PV节点，当无功功率超过极限值时，无功功率维持在极限值不变，此时双馈异步风力发电机组由PV节点转化为PQ节点。

优化算法包括：

粒子群优化算法

粒子群优化算法具体步骤如下：

(1)结合风电功率预测数据，随机列出调度周期内各种可能的机组启停组合，运行状态表示为1，停机状态表示为0，并以矩阵的形式表示；

(2)计算步骤(1)中各种机组状态组合下整个风电场的最大输出功率，与电力系统负荷限定值相比较，得到满足电力系统负荷约束条件的机组组合；

(3)将满足电力系统负荷条件的机组组合解传递给粒子群算法，得到局部最优粒子和全局最优粒子，进行潮流计算，得到对应的线路损耗，然后更新粒子，筛选出其中线路有功损耗之和最小的组合；

(4)重复上述步骤，在经过多代进化之后，选出整个调度周期内线路损耗值最小的机组状态组合计划。

遗传-粒子群优化算法

遗传-粒子群优化算法具体步骤如下：

(1)结合风电功率预测数据，随机列出调度周期内各种可能的机组启停组合，运行状态表示为1，停机状态表示为0，并以矩阵的形式表示

(2)计算步骤(1)中各种机组状态组合下整个风电场的最大输出功率，与电力系统负荷限定值相比较，得到满足电力系统负荷约束条件的机组组合

(3)将满足电力系统负荷条件的机组组合解传递给粒子群算法，得到局部最优粒子和全局最优粒子，进行潮流计算，得到对应的线路损耗，然后更新粒子，筛选出其中线路有功损耗之和最小的组合

(4)将每个群体计算得到的最优粒子传递到遗传算法中进行选择、交叉、变异的操作，得到群体中最优的粒子数

(5)重复上述步骤，在经过多代进化之后，选出整个调度周期内线路损耗值最小的机组状态组合计划。

实施例：

一个风电场具有33台1500kW变速恒频双馈风力发电机组，容量为49.5MW。风资源数据为2010年03月31日某一时段的风电功率预测数据。风力发电机出口电压0.69kV，基准容量S_B＝50MVA，基准电压U_B＝110kV，场内线路电压35kV线路，风电场输出电压为110kV。

风电场内集电系统布置形式为放射形布局，4串支路，8台风力发电机组一串的3回，最后9台风力发电机组一串，共33台风力发电机组。

如图2所示，节点16为平衡节点，节点64为PV节点，其余节点都是为PQ节点。由于该风电场的集电系统为放射形布局，33台机组四串，所以共有64个节点。在后面的潮流计算中，仅考虑到变压器低压侧端。

双馈风力发电机为1500kW，直径取83m,列距为7D，则联络线长度为4067m左右，从汇流节点到风电场主变压器距离取为40km，假设该风电场内所有风力发电机组之间的线路长度都相等，为581m左右。

35kV线路选型LGJ240-30，导线直径21.4mm，铝线部分截面积240mm²。转化为标幺值的单位线路长度电气参数为Z_L ^*＝0.00054+j0.00158。

从汇流节点到风电场主变压器距离取为40km，则线路阻抗为Z_L ^*＝0.0216+j0.0631。

长度不超过100km的架空线路，线路电纳的影响一般不大，可略去；若线路 长度超过100km，则应该考虑电纳的影响。由于风电场内线路较短，暂不考虑电纳的影响。

0.69/35kV变压器标准参数如表3所示：

表3某35kV变压器标准参数

经过计算得到箱式变压器阻抗的标幺值Z_T ^*＝0.0223+j2.03125。

在论文的优化计算过程中，暂不考虑风力发电机组的停机检修、故障等影响。

算例中已知未来四个时段电网侧负荷调度指令，分别为19795kW、17655kW、17655kW、21935kW；风电场主要由风力发电机组、箱式变压器、集电线路和风电场升压变压器组成电气系统。这些高感性设备运行时伴随着有功功率损耗的同时也会消耗一定的无功功率。

33台双馈型风力发电机组的功率预测值如表4所示。假设双馈型风力发电机组按照恒功率因数0.98的无功控制方式运行时，33台机组相应的无功功率如表5所示。

表4风电有功功率预测表

表5风电无功功率预测表

根据双馈异步风力发电机组的无功约束条件，按照恒定功率因数运行的风力发电机组，根据有功功率的预测值得到的无功功率都满足约束条件。

仿真是在CPU为Core(TM)i5 2.5GHz的Dell-PC，Matlab7.8环境下进行。

粒子群优化算法的参数设置：粒子群规模为40，迭代次数100次，惯性权重为w_max＝0.9，w_min＝0.4，加速因子c₁＝c₂＝2.05。经过计算得到最优解的迭代过 程如图4，线路有功损耗最小为0.014240p.u。

遗传-粒子群优化算法的参数设置：粒子群规模为40，遗传迭代20次，惯 性权重为w_max＝0.9，w_min＝0.4，加速因子c₁＝c₂＝2.05。交叉概率P_c＝0.7，变异概率为P_m＝0.05。经过计算得到最优解的迭代过程如图4。线路有功损耗最小为0.014223p.u。

通过图4和图5进化过程比较可以得出，遗传-粒子群算法的结果相对较优，以下主要分析遗传-粒子群算法的机组组合优化结果。

遗传-粒子群优化结果分析

以线路功率损耗最小为目标，考虑调度周期的四个时段中电力系统负荷调度目标和风电场内集电系统的功率损耗，经过遗传-粒子群优化算法得到调度的四个时间段的总的有功出力为20216kW，18100.25kW，18386.12kW，22089.39kW。

对于平衡节点16，确定节点电压为1.05p.u，相角为0°；PV节点64，确定节点电压为1.05p.u；其余PQ节点，根据机组的运行状态确定节点的注入功率；变压器的变比都定为1.05。

调度周期的四个时段中，线路损耗有功功率的标幺值为0.014223，线路损耗无功功率的标幺值为0.167981，转化为有名值为有功功率710.7kW，无功功率8398.05kvar。

四个时段的功率损耗分别为：第一时段中线路损耗有功功率为184.8kW，无功功率为2007.9kvar，第二时段中线路损耗有功功率为148.45kW，无功功率为2055.95kvar，第三时段中线路损耗有功功率为149.5kW，无功功率为2164.2kvar，第四时段中线路损耗有功功率为227.95kW，无功功率为2170kvar。

最终风力发电机组送到风电场内变压器站低压端的有功功率为：第一时段19988.05kW，第二时段17950.75，第三时段18237.67kW，第四时段21904.59kW，这个值与调度要求有出入，未来四个时段电网侧负荷调度指令，分别为19795kW、17655kW、17655kW、21935kW。

在四个时段的潮流计算中，从平衡节点16可以看出，该节点的注入功率标幺值分别为-0.0047+j(-0.2096)，-0.005933+j(-0.188527)，-0.011629+j(-0.187506)，0.001474+j(-0.225177)，也就是意味着需要第一时段到第三时段从节点16送出有功功率和无功功率，但在第四时段需要注入有功 功率。

图6表示的是最优值对应的机组组合的甘特图。黑色长方形代表该时段机组运行，空白代表该时段机组停机。从图中可以看出21号机组在整个四个时段均处于停机状态。其余机组在调度运行期间都存在启停机现象。

表6给出了机组组合第一时段的潮流计算结果。3号、12号、15号、17号、20号、21号、22号、24号、26号、27号、29号、30号、31号机组处以停机状态。运行的发电机组相连的母线电压均在1.01p.u左右，满足电压设定的范围。第一时段线路损耗有功为184.8kW，无功为2007.9kvar，发电机组送入到场内变电站的无功功率为0.040704p.u，换算成有名值为2035.2kvar，有功功率为0.3998p.u，换算成有名值为19988.05kW，则输入场内变电站的功率因数为0.9949。

表6各节点的潮流计算结果

从表7中分析，运行的风力发电机组的母线电压基本都维持在1.01p.u，相 角的单位是度(°)，其值均能满足要求。由于潮流计算中设定每台发电机母线电压初始值为1.0000p.u，当发电机不投入运行时，潮流计算中处理成中间不带电源的节点或者发电机空载状态，则可以判断出1.0000p.u左右的发电机不运行。

表7各个时段发电机母线电压与相角

电力系统潮流计算是根据电力系统中给定的运行条件如发电机有功输出功率、机端电压、可调变比的变压器分接头等，以及电网路结构确定整个系统的运行状态，包括各母线上的电压(幅值及相角)、网络中的功率分布流向以及线路功率损耗等状态。电力系统稳定计算和故障分析的基础是潮流计算。

本实施例中最优潮流计算的目标函数是风电场内集电系统网损最小，约束条件主要有风电场出力满足电网调度要求、风力发电机有功输出的功率上下限、风 力发电机无功输出的功率上下限、风力发电机端电压上下限、变压器变比上下限等。通过最优潮流计算，得到风电场内机组功率最优分配，经过分析得到以下结论：

(1)依据49.5MW风电场，建立风电场内潮流计算模型，确定平衡节点和PV节点的电压、相角值，通过粒子群算法和遗传-粒子群算法对风电场内机组组合寻优，得到线路有功损耗分别是0.014240p.u和0.014223p.u，遗传-粒子群算法结果较优。

(2)通过分析可知运行的风力发电机的机端电压在1.01p.u左右，满足电压的安全约束条件，线路有功损耗达到最小；在限电的情况下，风力发电机组以恒定功率因数的无功控制方式下运行，输出的有功功率满足系统需要，而且不需要投切无功补偿装置。

(3)由于本实施例组合优化的目标函数是线路有功损耗最小，并没有考虑机组运行工况下的疲劳损伤和启停机工况下的疲劳损伤，从机组组合的结果可以看出，机组的启停机次数较多的。

Claims (10)

1.一种风电场内机组优化调度方法，其特征在于，包括步骤：

S1、建立目标函数；

S2、设定目标函数的约束条件；

S3、优化算法，包括粒子群优化算法和遗传-粒子群优化算法。

2.根据权利要求1所述的风电场内机组优化调度方法，其特征在于，所述目标函数如下：设某风电场有n台机组运行，每台机组输出有功功率和无功功率为P_Gi和Q_Gi，风电场的有功损耗和无功损耗为P_loss和Q_loss，则风电场输出的总的有功功率和无功功率分别为：

$\left\{\begin{array}{c}{P}_{\mathrm{out}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_{\mathrm{Gi}}-P_{\mathrm{loss}}\\ Q_{\mathrm{out}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{Gi}}-Q_{\mathrm{loss}}\end{array}\right.---\left(1\right)$

风力发电机组的功率因数为：

功率损耗为目标函数：

$F=\min (\underset{j=1}{\overset{T}{\mathrm{\&Sigma;}}}{P}_{\mathrm{lossj}}+\underset{j=1}{\overset{T}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{lossj}})---\left(3\right).$

3.根据权利要求2所述的风电场内机组优化调度方法，其特征在于，所述约束条件包括有功功率约束条件和无功功率约束条件；所述有功功率约束条件包括机组出力上下限约束、负荷调度约束和最大功率变化率约束；所述无功功率约束条件包括转子电流约束、定子电流约束和稳定约束。

4.根据权利要求3所述的风电场内机组优化调度方法，其特征在于，所述约束条件还包括节点电压约束条件和电压相位差约束条件。

5.根据权利要求3所述的所述的风电场内机组优化调度方法，其特征在于，所述有功功率约束条件包括：

机组出力上下限约束：

$P_{i,\min }^j\&le;P_{i,\mathrm{predicr}}^j\&le;P_{i,\max }^j---\left(4\right)$

式中为第i台机组的功率预测值，为第i台机组的最小和最大出力；

负荷调度约束：

$\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}(P_{i,\mathrm{predict}}^j\&CenterDot;u_i^j)-P_{\mathrm{loss}}=P_{\mathrm{load}}^j---\left(5\right)$

式中为第j时间段风电场规划的负荷出力，满足电网中调负荷指令；

最大功率变化率约束：

在风电场并网、机组正常停机以及风速增长过程中，风电场功率变化率应满足以下要求。

6.根据权利要求5所述的所述的风电场内机组优化调度方法，其特征在于，所述无功功率约束条件包括：

转子电流约束：

双馈风力发电机组有功功率与无功功率的关系满足P-Q曲线，是一个以为圆心，为半径的功率圆；

${\left(\frac{P_g}{1-s}\right)}^2+{(Q_s-\frac{{3L}_m\left|U_s\right|\left|i_{\mathrm{ms}}\right|}{{2L}_s})}^2={\left(\frac{{3L}_m\left|U_s\right|}{{2L}_s}\right)}^2{\left|i_r\right|}^2---\left(7\right)$

$Q_{s\max }=\sqrt{{\left(\frac{{3L}_m\left|U_s\right|}{2L_s}\right)}^2{\left|i_{r\max }\right|}^2-{\left(\frac{P_g}{1-s}\right)}^2}-\frac{{3L}_m\left|U_s\right|\left|i_{\mathrm{ms}}\right|}{{2L}_s}---\left(8\right)$

$Q_{s\min }=\sqrt{{\left(\frac{{3L}_m\left|U_s\right|}{2L_s}\right)}^2{\left|i_{r\max }\right|}^2-{\left(\frac{P_g}{1-s}\right)}^2}-\frac{{3L}_m\left|U_s\right|\left|i_{\mathrm{ms}}\right|}{{2L}_s}---\left(9\right)$

式中i_rmax为转子绕组最大电流，取值为转子电流的峰值；L_m和L_s为定子的互感和自感，U_s为定子的电压，取值为电压峰值；ω_s为定子转速；

定子电流约束：

${\left(\frac{P_g}{1-s}\right)}^2+{Q_s}^2={\left({3U}_s{I}_s\right)}^2---\left(10\right)$

$Q_{s\max }=\sqrt{{\left({3U}_s{I}_s\right)}^2-{\left(\frac{P_g}{1-s}\right)}^2}---\left(11\right)$

$Q_{s\min }=\sqrt{{\left({3U}_s{I}_s\right)}^2-{\left(\frac{P_g}{1-s}\right)}^2}---\left(12\right).$

7.根据权利要求4所述的所述的风电场内机组优化调度方法，其特征在于，所述节点电压约束条件为：所有节点电压幅值必须满足其运行在额定电压附近，即：

U_imin≤U_i≤U_imax     (14)；

所述电压相位差约束条件为：节点之间电压的相位差应该满足:

|θ_i-θ_j|<|θ_i-θ_j|_max     (15)。

8.根据权利要求1所述的所述的风电场内机组优化调度方法，其特征在于，所述粒子群优化算法具体步骤为：

(1)结合风电功率预测数据，随机列出调度周期内各种可能的机组启停组合，运行状态表示为1，停机状态表示为0，并以矩阵的形式表示；

(2)计算步骤(1)中各种机组状态组合下整个风电场的最大输出功率，与电力系统负荷限定值相比较，得到满足电力系统负荷约束条件的机组组合；

(3)将满足电力系统负荷条件的机组组合解传递给粒子群算法，得到局部最优粒子和全局最优粒子，进行潮流计算，得到对应的线路损耗，然后更新粒子，筛选出其中线路有功损耗之和最小的组合；

(4)重复上述步骤，在经过多代进化之后，选出整个调度周期内线路损耗值最小的机组状态组合计划。

9.根据权利要求1所述的所述的风电场内机组优化调度方法，其特征在于，遗传-粒子群优化算法具体步骤如下：

(1)结合风电功率预测数据，随机列出调度周期内各种可能的机组启停组合，运行状态表示为1，停机状态表示为0，并以矩阵的形式表示；

(2)计算步骤(1)中各种机组状态组合下整个风电场的最大输出功率，与电力系统负荷限定值相比较，得到满足电力系统负荷约束条件的机组组合；

(3)将满足电力系统负荷条件的机组组合解传递给粒子群算法，得到局部最优粒子和全局最优粒子，进行潮流计算，得到对应的线路损耗，然后更新粒子，筛选出其中线路有功损耗之和最小的组合；

(4)将每个群体计算得到的最优粒子传递到遗传算法中进行选择、交叉、变异的操作，得到群体中最优的粒子数；

(5)重复上述步骤，在经过多代进化之后，选出整个调度周期内线路损耗值最小的机组状态组合计划。

10.一种风电场内机组优化调度装置，其特征在于，所述风电场内集电系统布置形式为放射形布局，包括共33台风力发电机组，形成4串支路，8台风力发电机组一串的3串，最后9台风力发电机组一串，共形成64个节点，其中包括一个平衡节点，一个PV节点，其余节点都是为PQ节点。