CN104810860A - 一种风电场内功率分配方法及分配装置 - Google Patents

Abstract

本发明公开了一种风电场内功率分配方法及分配装置，所述风电场内功率分配方法包括步骤：S1、利用聚类算法将风电场内机组分为若干类机组群，将功率较高，波动较小的机组进行优先调度，建立目标函数；S2、设定目标函数的约束条件；S3、进行遗传优化优化算法。本发明根据每台风力发电机组的历史运行数据，利用聚类算法将风电场内机组分为若干类机组群，将功率较高，波动较小的机组进行优先调度。然后根据机组分类的结果，以风电场内疲劳损伤量最小为优化目标，通过智能算法，对风力发电机组间进行负荷分配优化，可以得到较好地满足电网调度要求的机组组合。

Description

一种风电场内功率分配方法及分配装置

技术领域

本发明涉及风力发电，特别涉及一种风电场内功率分配方法及分配装置。

背景技术

随着电力系统中风电并网比例的增加，风能的随机波动性对传统电力系统经济调度和安全运行带来挑战。研究在风电功率预测与电力系统的负荷约束条件下，风电场内机组优化调度问题，不仅能减少风力发电机组的冗余运行和磨损浪费，避免机组的频繁启停，还可以降低运行成本，提高风电场输出功率的电能质量，有效减轻风电波动性对电网的影响，从而在保证电力系统安全性的前提下，提高电力系统的消纳风电能力和经济效益。

由于大中型风电场机组数量多，地域广，机组之间距离远，地形条件复杂，每台机组所在的位置的地形地貌、粗糙度不同，并且机组之间存在不同程度的尾流影响，所以在风电场运行过程中，不同风力发电机组在同一时刻的发电功率会有着不同的差异，在同一个时间段内，也会表现出不同的变化趋势。风力发电机组的发电功率主要取决于风速，所以在同一时间段内，一个风电场内的几十台甚至上百台风力发电机组的发电功率会呈现不同的出力水平和不同的波动趋势。

在风电场内机组调度寻优的过程中，机组维数加上时间维数构成了一个上百维的高维目标函数，直接利用优化算法进行寻优，可能会出现寻优时间长或者陷入局部最优解的情况。现在如果根据每台风力发电机组的历史运行数据，利用聚类算法将风电场内机组分为若干类机组群，将功率较高，波动较小的机组进行优先调度。然后根据机组分类的结果，以风电场内疲劳损伤量最小为优化目标，通过智能算法，对风力发电机组间进行负荷分配优化，可以得到较好地满足电网调度要求的机组组合。针对该问题引入自组织特征映射神经网络算法和基于模拟退火遗传算法的模糊C-均值聚类算法对49.5MW风电场33台机组进行分类研究，并建立基于遗传算法优化风电场内功率分配的模型。

发明内容

基于上述现有技术，本发明提供一种风电场内功率分配方法及分配装置。

本发明的技术方案是：

一种风电场内功率分配方法,包括步骤：S1、利用聚类算法将风电场内机组分为若干类机组群，将功率较高，波动较小的机组进行优先调度，建立目标函数；S2、设定目标函数的约束条件；S3、进行遗传优化优化算法。

优选的，所述目标函数如下所示：

$\begin{array}{c}F=\min (\underset{j=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(a_i^j{u}_i^j\·t)+\underset{j=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{b}_i^j{u}_i^j\left({1-u}_i^{j-1}\right)\\ +\underset{j=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{c}_i^j{u}_i^{j-1}\left({1-u}_i^j\right)+\underset{j=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(d_i^j\left({1-u}_i^j\right)\·t))\end{array}$

其中，F表示总的损伤量，T表示时间周期数，N表示机组台数，表示机组i在j时段正常运行时的疲劳损伤，表示机组i在j时段启动时的疲劳损伤，表示机组i在j时段停机时的疲劳损伤，表示机组i在j时段空转时的疲劳损伤，表示机组i在j时段的启停状态，0代表停机，1代表运行；t表示风机运行的时间；机组台数N是指总机组台数减掉优先运行机组台数后剩余的机组台数。

进一步优选的，所述风力发电机组疲劳损伤的表达式如下：

$\begin{array}{c}a=\left\{\begin{array}{c}3.83E-\mathrm{08,0}<P\&le;93\\ 4.78E-\mathrm{08,93}<P\&le;326\\ 1.01E-\mathrm{07,326}<P\&le;753\\ 1.32E-\mathrm{07,753}<P\&le;1500\\ 1.63E-07,P>1500\end{array}\right.\\ b=\left\{\begin{array}{c}1.18E-\mathrm{09,0}<P\&le;1500\\ 1.28E-09,P>1500\end{array}\right.\\ c=\left\{\begin{array}{c}2.04E-\mathrm{08,0}<P\&le;1500\\ 1.01E-08,P>1500\end{array}\right.\\ d=2.41E-12\end{array}$

式中a—正常发电运行时风力发电机组的疲劳损伤；b—启动时风力发电机组的疲劳损伤；c—停机时风力发电机组的疲劳损伤；d—空转时风力发电机组的疲劳损伤；P—风力发电机组的发电功率。

优选的，所述约束条件包括优化运行机组出力上下限约束条件、负荷调度约束条件、最大功率变化率约束条件和启停机次数约束条件。

优选的，所述优化运行机组出力上下限约束条件为：

$P_{i,\min }^j\&le;P_j^j\&le;P_{i,\mathrm{pedict}}^j$

式中为机组的计划出力，为第i台机组的功率预测值，为第i台机组的 最小出力。

优选的，所述负荷调度约束条件为

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

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。

优选的，所述最大功率变化率约束条件为：

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，所述启停机次数约束条件为：机组的启停次数不能超过1次。

优选的，所述遗传优化算法具体步骤如下：

(1)从电力系统负荷调度数据中扣除分类中常运行机组的风电功率预测总值后的负荷值作为其余机组的系统负荷调度值。需要优化运行机组的风电功率预测值作为机组的最大技术出力；

(2)外层优化问题是优化风力发电机组的启停机计划，即从第一个时段开始，结合风电功率预测数据，列出各种可能的机组启停组合，停机表示为0，运行表示为1，但必须遵守在一个调度周期内，满足机组启停机次数不能超过1次的约束条件，组合以矩阵的形式表示出来；

(3)内层问题是优化风力发电机组间负荷分配的问题，首先随机计划风力发电机组的发电功率，功率值必须满足大于最小出力，小于最大出力的约束条件；

(4)再计算各种可能的机组状态组合下整个风电场的最大输出功率，与负荷限定值相比较，如果其小于负荷限定值，即不符合条件，此时需要随机选择运行状态的机组，进行出力判断，如果小于最大出力，则增加其出力，再次判断是否满足负荷值要求，如果不满足，重复该步骤。反之，运行到下一步；

(5)得到满足负荷要求的机组功率分配之后，将其对应的疲劳损伤量相加，筛选出其中疲劳损伤量之和最小的组合和机组功率分配计划；

(6)在满足精度和多代进化条件后，选出整个时间范围内疲劳损伤量最小的机组状态组合和功率分配计划。

一种风电场内功率分配装置，包括若干台双馈式变速恒频机组、机组控制中心、若干分别与机组控制中心连接的风速、风功率测量装置以及风力发电机组输出功率提取装置。

本发明的有益效果：

本发明根据每台风力发电机组的历史运行数据，利用聚类算法将风电场内机组分为若干类机组群，将功率较高，波动较小的机组进行优先调度。然后根据机组分类的结果，以风电场内疲劳损伤量最小为优化目标，通过智能算法，对风力发电机组间进行负荷分配优化，可以得到较好地满足电网调度要求的机组组合。

附图说明

图1为本发明所述的风电场内功率分配装置的示意图。

图2为本发明所述的SOFM神经网络算法流程；

图3为本发明所述的基于模拟退火遗传算法的模糊C-均值聚类流程图；

图4为本发明所述的风电功率均值图；

图5为本发明所述的风速均值图；

图6为本发明所述的风电功率均方根差值图；

图7为本发明所述的风速均方根差值图；

图8为本发明所述的风电场运行机组聚类结果；

图9为本发明所述的24台最优机组组合遗传算法优化过程；

图10为本发明所述的24台最优机组组合的甘特图；

图11为本发明所述的23台最优机组组合遗传算法优化过程；

图12为本发明所述的23台最优机组组合的甘特图。

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：

本发明所述的风电场内功率分配装置，如图1所示，包括若干台双馈式变速恒频机组、机组控制中心、若干分别与机组控制中心连接的风速、风功率测量装置以及风力发电机组输出功率提取装置。

本发明所揭示的风电场内功率分配方法，利用聚类算法将风电场内机组分为若干类机组群，将功率较高，波动较小的机组进行优先调度。然后根据机组分类的结果，以风电场内疲劳损伤量最小为优化目标，通过智能算法，对风力发电机 组间进行负荷分配优化，可以得到较好地满足电网调度要求的机组组合。针对该问题引入自组织特征映射神经网络算法和基于模拟退火遗传算法的模糊C-均值聚类算法对某49.5MW风电场33台机组进行分类研究，并建立基于遗传算法优化风电场内功率分配的模型。

1聚类算法

1.1自组织特征映射神经网络分类算法

SOFM神经网络采用各神经元之间的自组织去寻找各类型间固有的，内在的特征，从而进行映射分布和类型划分，所以SOFM神经网络对于解决各种类别特征不明显、参数特征相互交互混杂的，非线性分布的类型识别问题是非常有效地。

SOFM神经网络算法流程图如图2所示。

SOFM神经网络采用的学习算法按如下步骤进行：

(1)初始化：向输出层的各个权向量赋予小随机数的值，然后进行归一化处理，得到W_ij(i＝1,2,…,n；j＝1,2,…,m)，建立优胜邻域并赋初始值为N_j*(0)，以及学习率η初始值。输出层的神经元数目为m。

(2)接受输入：从输入数据集里随机取一个输入模式，然后归一化向量处理，得到X^P(p＝1,2,…,n)，输入层的神经元数目为n。

(3)寻找胜利节点：计算各输出神经元连接权向量W_j与输入数据向量X^P之间的欧式距离，选出作为胜利节点j*必须是具有最小距离的输出节点。

(4)优胜邻域N_j*(t)的定义：确定在t时刻以j*为中心的权值调整域，通常优胜邻域初始值N_j*(0)较大，N_j*(t)在训练中随训练时间而缩减。

(5)调整权值：调整在优胜邻域N_j*(t)内的所有节点的权值

$w_{\mathrm{ij}}(t+1)=w_{\mathrm{ij}}\left(t\right)+\mathrm{\&eta;}(t,N)[x_i^p-w_{\mathrm{ij}}\left(t\right)],i=\mathrm{1,2},...,n,j\&Element;N_{j*}\left(t\right)$

其中，N是邻域内第j个神经元与胜利神经元j^*之间的拓扑距离，t是训练时间，η(t,N)是t和N的函数，其具备特性：t↑→η↓,N↑→η↓。

(6)结束判定：当学习率η(t)≤η_min时，训练结束；不满足结束条件时，转到步骤(2)继续。

1.2基于遗传模拟退火算法的模糊聚类算法

1.2.1模糊C-均值聚类算法 

聚类分析则是用数学方法研究和处理所给定事物的分类，主要研究基于几何距离的分类。实际上大多数事物并没有严格分明的属性，它们在性态和类属方面存在着模糊性，适合进行软划分,分类过程中用模糊数学的方法处理事物之间关系的深浅程度。在各种模糊聚类算法中，应用较多的是基于目标函数的聚类方法。该方法具有设计简单、应用范围广，本质上可归结为优化问题等特点，致使该方法成为模糊聚类分析的主要方法之一。

FCM把n个向量xi(i＝1，2，…，n)分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。FCM用模糊划分，使得每个给定数据点用值在0，1间的隶属度来确定其属于各个组的程度。与引入模糊划分相适应，隶属矩阵U允许有取值在[0，1]间的元素。不过，加上归一化规定，一个数据集的隶属度的总和等于1：

$\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}=1,\&ForAll;j=1,...,n---\left(1\right)$

那么，FCM的目标函数形式：

$J(U,c_1,...,c_c)=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{J}_i=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{j}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2---\left(2\right)$

这里u_ij介于0，1间；c_i为模糊组I的聚类中心，d_ij＝||c_i-x_j||为第I个聚类中心与第j个数据点间的欧几里德距离；且m∈[1,∞)是一个加权指数。

构造如下新的目标函数，可求得使(2)式达到最小值的必要条件：

$\begin{array}{c}\stackrel{\&OverBar;}{J}(U,c_1,...,c_c,{\mathrm{\&lambda;}}_1,...,{\mathrm{\&lambda;}}_n)\\ =J(U,c_1,...,c_c)+{\mathrm{\&Sigma;}}_{j=1}^n{\mathrm{\&lambda;}}_j(\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}-1)\\ =\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{j}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2+\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j(\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}-1)\end{array}---\left(3\right)$

这里(j，j＝1到n，是(1)式的n个约束式的拉格朗日乘子。对所有输入参量求导，使式(2)达到最小的必要条件为：

$c_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m}---\left(4\right)$

$u_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{c}{\mathrm{\&Sigma;}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{kj}}}\right)}^{2/(m-1)}}---\left(5\right)$

由上述两个必要条件，模糊C均值聚类算法是通过迭代优化计算使目标函数能够达到最小值。

1.2.2基于遗传模拟退火算法的模糊聚类算法

本发明将模拟退火法与遗传算法结合(SAGA)用于模糊聚类分析，由于模拟退火法和遗传算法可以相互取长补短，因此有效地克服了遗传算法的早熟现象，同时根据聚类问题的具体情况涉及遗传编码方式及适应度函数，使该算法更有效、更快速的收敛得到全局最优解。

从图3中可以看出，基于模拟退火遗传算法的模糊C-均值聚类算法的基本步骤如下：

(1)初始化控制参数，种群个体大小sizepop，最大进化代数MAXGEN，交叉概率Pc，变异概率Pm，退货初始温度T0，温度冷却系数k，终止温度Tend。

(2)随即初始化c个聚类中心，并生成初始种群Chrom，对每个聚类中心用式(5-21)计算个样本的隶属度，以及每个个体的适应度值f_i，其中i＝1,2,…,sizepop。

(3)设循环计数变量gen＝0。

(4)对群体Chrom实施选择、交叉和变异等遗传操作，对新产生的个体用式(5-20)和式(5-21)计算c个聚类中心、各样本的隶属度，以及每一个体的适应度值f_i′。若f_i′＞f_i，则以新个体替换旧个体；否则，以概率P＝exp((f_i′-f_i)T)接受新个体，舍弃旧个体。

(5)若gen<MAXGEN，则gen＝gen+1，转至步骤(4)，否则转至步骤(6)。

(6)若Ti<Tend,则算法成功结束，返回全局最优解；否则执行降温操作Ti+1＝qTi，转至步骤(3)。

1.3分类因素

假设风力发电机组的偏航控制系统可以及时的跟踪风向，捕捉到最大的风能，所以考虑风速的影响。通过对风电场内所有机组的大量历史数据进行分析，分别提取风力发电机组输出功率、风速的平均值和均方根差值作为特征值，每台机组的风电功率值可以综合反映该台机组的运行情况，而风速值可以体现该台机组具备发电的根本的外部资源条件，能够弥补由于历史某些客观原因(如系统限电、机组维修、机组故障等)造成风电功率值的不确切或丢失。

$p_{\mathrm{mean}}\left(i\right)=\frac{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{p}_j\left(i\right)}{n},j=\mathrm{1,2},...,n---\left(6\right)$

$v_{\mathrm{mean}}\left(i\right)=\frac{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{v}_j\left(i\right)}{n},j=\mathrm{1,2},...,n---\left(7\right)$

上式，p_mean(i)表示风电场第i台机组在指定时间段内的平均功率；v_mean(i)表示风电场第i台机组在指定时间段内的平均风速。

$p_{\mathrm{RMSE}}\left(i\right)=\sqrt{\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{[p_j\left(i\right)-p_{\mathrm{mean}}\left(i\right)]}^2},j=\mathrm{1,2},...,n---\left(8\right)$

$v_{\mathrm{RMSE}}\left(i\right)=\sqrt{\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{[v_j\left(i\right)-v_{\mathrm{mean}}\left(i\right)]}^2},j=\mathrm{1,2},...,n---\left(9\right)$

上式，p_RMSE(i)表示风电场第i台机组在指定时间段内的功率均方根差值；v_RMSE(i)表示风电场第i台机组在指定时间段内的风速均方根差值。

数据归一化过程是简化复杂数据的有效措施之一。将上述数据进行归一化处理：

$p_{\mathrm{mean}0-1}\left(i\right)=\frac{p_{\mathrm{mean}}\left(i\right)-p_{\mathrm{mean}}\left(\min \right)}{p_{\mathrm{mean}}\left(\max \right)-p_{\mathrm{mean}}\left(\min \right)}---\left(10\right)$

$p_{\mathrm{RMSE}0-1}\left(i\right)=\frac{p_{\mathrm{RMSE}}\left(i\right)-p_{\mathrm{RMSE}}\left(\max \right)}{p_{\mathrm{RMSE}}\left(\min \right)-p_{\mathrm{RMSE}}\left(\max \right)}---\left(11\right)$

$v_{\mathrm{mean}0-1}\left(i\right)=\frac{v_{\mathrm{mean}}\left(i\right)-v_{\mathrm{mean}}\left(\min \right)}{v_{\mathrm{mean}}\left(\max \right)-v_{\mathrm{mean}}\left(\min \right)}---\left(12\right)$

$v_{\mathrm{RMSE}0-1}\left(i\right)=\frac{v_{\mathrm{RMSE}}\left(i\right)-v_{\mathrm{RMSE}}\left(\max \right)}{v_{\mathrm{RMSE}}\left(\min \right)-v_{\mathrm{RMSE}}\left(\max \right)}---\left(13\right)$

所计算得到风力发电机组的风电功率和风速的特征矩阵即：

$\left[\begin{array}{cccc}{p}_{\mathrm{mean}0-1}\left(1\right)& p_{\mathrm{mean}0-1}\left(2\right)& ...& p_{\mathrm{mean}0-1}\left(i\right)\\ p_{\mathrm{RMSE}0-1}\left(1\right)& p_{\mathrm{RMSE}0-1}\left(2\right)& ...& p_{\mathrm{RMSE}0-1}\left(i\right)\\ v_{\mathrm{mean}0-1}\left(1\right)& v_{\mathrm{mean}0-1}\left(2\right)& ...& v_{\mathrm{mean}0-1}\left(i\right)\\ v_{\mathrm{RMSE}0-1}\left(1\right)& v_{\mathrm{RMSE}0-1}\left(2\right)& ...& v_{\mathrm{RMSE}0-1}\left(i\right)\end{array}\right]---\left(14\right)$

1.4分类算例

本节以某风电场的33台1.5MW双馈式变速恒频机组的2010年2-3月的风速和风功率数据作为建模数据，如图4-6所示，分别提取风力发电机组输出功率和风速的平均值和均方根差值作为特征值，进行聚类分析计算。

1.4.1 SOFM神经网络算法分类

利用SOFM神经网络算法，通过MATLAB进行计算对33台机组进行100次的迭代计算，最终将机组分成3类。

第一类机组：2，4，26，28，29，30，31，32，33(9台机组)

第二类机组：3，6，8，9，10，15，23，25，27(9台机组)

第三类机组：1，5，7，11，12，13，14，16，17，18，19，20，21，22，24(15台机组)

1.4.1基于模拟退火遗传算法的模糊C均值聚类算法分类

基于模拟退火遗传算法的模糊C均值聚类算法参数：设置幂指数为3，最大迭代数为20，目标函数的终止容限为1e-6，设置类别数为3；模拟退火算法参数：冷却系数0.8，初始温度100，终止温度1；遗传算法参数：个体数目10，最大遗传代数100，代沟0.9，交叉概率0.7，变异概率0.01。

通过MATLAB进行计算得到：

第一类机组：2，4，6，25，26，28，29，30，31，32(10台机组)

第二类机组：3，8，9，10，12，15，20，22，23，27，33(11台机组)

第三类机组：1，5，7，11，13，14，16，17，18，19，21，24(12台机组)

具体分布如图8所示。

2.基于风力发电机组分类的风电场内功率分配模型

2.1目标函数

前面研究了机组分类，基于风电场内机组分类的基础上对场内功率的优化分配进行研究。

根据基于遗传模拟退火算法的模糊聚类算法，对49.5MW风电场33台机组进行分类。选择风功率和风速性能较好的一类机组作为常运行机组，其余的机组根据目标函数，优化机组组合并对优化运行机组功率分配，满足电力系统调度的要求。

目标函数如下所示：

$\begin{array}{c}F=\min (\underset{j=1}{\overset{T}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(a_i^j{u}_i^j\&CenterDot;t)+\underset{j=1}{\overset{T}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{b}_i^j{u}_i^j\left({1-u}_i^{j-1}\right)\\ +\underset{j=1}{\overset{T}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{c}_i^j{u}_i^{j-1}\left({1-u}_i^j\right)+\underset{j=1}{\overset{T}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(d_i^j\left({1-u}_i^j\right)\&CenterDot;t))\end{array}---\left(15\right)$

F表示总的损伤量，T表示时间周期数，N表示机组台数，表示机组i在j时段正常运行时的疲劳损伤，表示机组i在j时段启动时的疲劳损伤，表示机组i在j时段停机时的疲劳损伤，表示机组i在j时段空转时的疲劳损伤，表示机组i在j时段的启停状态，0代表停机，1代表运行；t表示风机运行的时间。

式(15)中，机组台数N是指总机组台数减掉优先运行机组台数后剩余的机组台数。

上式中风力发电机组疲劳损伤的如下的表达式：

$\begin{array}{c}a=\left\{\begin{array}{c}3.83E-\mathrm{08,0}<P\&le;93\\ 4.78E-\mathrm{08,93}<P\&le;326\\ 1.01E-\mathrm{07,326}<P\&le;753\\ 1.32E-\mathrm{07,753}<P\&le;1500\\ 1.63E-07,P>1500\end{array}\right.\\ b=\left\{\begin{array}{c}1.18E-\mathrm{09,0}<P\&le;1500\\ 1.28E-09,P>1500\end{array}\right.\\ c=\left\{\begin{array}{c}2.04E-\mathrm{08,0}<P\&le;1500\\ 1.01E-08,P>1500\end{array}\right.\\ d=2.41E-12\end{array}---\left(16\right)$

式中a—正常发电运行时风力发电机组的疲劳损伤；b—启动时风力发电机组的疲劳损伤；c—停机时风力发电机组的疲劳损伤；d—空转时风力发电机组的疲劳损伤；P—风力发电机组的发电功率。

2.2约束条件

风电场机组组合的约束条件：

(1)优化运行机组出力上下限约束

$P_{i,\min }^j\&le;P_i^j\&le;P_{i,\mathrm{pedict}}^j---\left(17\right)$

式中为机组的计划出力，为第i台机组的功率预测值，为第i台机组的最小出力，对于1500kW风力发电机组的最小技术出力为160kW。

对于优先运行机组出力为

(2)负荷调度约束 

$\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(P_i^j\&CenterDot;u_i^j)-P_{\mathrm{loss}}=P_{\mathrm{load}}^j---\left(18\right)$

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

(4)启停机次数约束

考虑到所研究的调度周期是属于短期调度的，尽管风力发电机组的启动运行和停机都较快，且疲劳损伤相对较小，但对风力发电机组的运行控制环节提出了较高的要求，所以综合考虑在调度周期内，机组的启停次数不能超过1次。对于中长期调度，可以增加风力发电机组的启停机次数。

2.3遗传优化算法步骤

遗传优化算法具体步骤如下，包含了内外两层优化的问题：

(1)从电力系统负荷调度数据中扣除分类中常运行机组的风电功率预测总值后的负荷值作为其余机组的系统负荷调度值。需要优化运行机组的风电功率预测值作为机组的最大技术出力；

(2)外层优化问题是优化风力发电机组的启停机计划，即从第一个时段开始，结合风电功率预测数据，列出各种可能的机组启停组合，停机表示为0，运行表示为1，但必须遵守在一个调度周期内，满足机组启停机次数不能超过1次的约束条件，组合以矩阵的形式表示出来；

(3)内层问题是优化风力发电机组间负荷分配的问题。首先随机计划风力发电机组的发电功率，功率值必须满足大于最小出力，小于最大出力的约束条件；

(4)再计算各种可能的机组状态组合下整个风电场的最大输出功率，与负荷限定值相比较，如果其小于负荷限定值，即不符合条件，此时需要随机选择运行状态的机组，进行出力判断，如果小于最大出 力，则增加其出力，再次判断是否满足负荷值要求，如果不满足，重复该步骤。反之，运行到下一步；

(5)得到满足负荷要求的机组功率分配之后，将其对应的疲劳损伤量相加，筛选出其中疲劳损伤量之和最小的组合和机组功率分配计划；

(6)在满足精度和多代进化条件后，选出整个时间范围内疲劳损伤量最小的机组状态组合和功率分配计划。

3算例研究

仿真是在CPU为Core(TM)i52.5GHz的Dell-PC，Matlab7.8环境下进行。风电场共包括33台机组，已知未来四个时段电网侧负荷调度指令，分别为19795kW、17655kW、17655kW、21935kW。遗传算法初始种群为sizepop＝50，交叉概率Pc＝0.95，变异概率为Pm＝0.15，遗传代数MAXGEN＝500。在本例遗传算法中求最小值的目标函数转化为求最大值的适应度函数。

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的总功率值为20000kW，18000kW，18000kW，22000kW。

3.1基于SOFM神经网络算法分类的风电场内优化调度

通过分析图4至图7，可知第一类机组：2，4，26，28，29，30，31，32，33(9台机组)的发电功率比较稳定，单机的风速值也较稳定，因此这9台机组作为优先运行的风力发电机组，其余的24机组作为优化运行机组。

根据约束条件，第一类的9台机组按照预测功率值运行，其值如表2。

表2第一类机组的预测功率值

这9台机组四个时段相应的发电功率总值为11864.5kW、11064.2kW、7424.3kW、10532.5kW。根据预测功率值,这9台机组在该四个时段的疲劳损伤量为7.221E-05。

其余24台机组承担和风电场内集电系统的功率损耗。利用遗传优化算法对24台机组进行优化分配功率：

第二类机组：3，6，8，9，10，15，23，25，27(9台机组)；

第三类机组：1，5，7，11，12，13，14，16，17，18，19，20，21，22，24(15台机组)。

程序运行时间为200s左右。这24台机组4个时段的发电功率总量分别为8135.5kW，6935.8kW，10575.7kW，11467.5kW，与9台优先运行机组的发电功率总量分别为20000kW，18000kW，18000kW，22000kW。这24台机组4个时段的其疲劳损伤总值为6.357E-05，优先运行的9台机组疲劳损伤量为7.221E-05，则整个调度周期内风电场内疲劳损伤总值为1.3578E-04。

图9是遗传算法的进化过程，可以看出算法是收敛稳定的。甘特图是以图示的方式，通过活动列表和时间刻度形象地表示出任何特定项目的活动顺序与持续时间，图10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。

表3优化运行机组的功率分配值

3.2基于模拟退火遗传算法的模糊C均值聚类算法分类的风电场内优化调度。

基于遗传模拟退火算法的模糊聚类算法计算得到的结果：

第一类机组：2，4，6，25，26，28，29，30，31，32(10台机组)

第二类机组：3，8，9，10，12，15，20，22，23，27，33(11台机组)

第三类机组：1，5，7，11，13，14，16，17，18，19，21，24(12台机组)。

通过分析图4至图8，将第一类机组：2，4，6，25，26，28，29，30，31，32(10台机组)作为优先运行的风力发电机组，其余的23机组作为优化运行机组。根据约束条件，第一类的10台机组按照预测功率值运行，其值如表4。

表4第一类机组的预测功率值

则这10台机组四个时段相应的发电功率总值为12648.2kW、12378.6kW、9180.5kW、12367.6kW。根据预测功率值,这10台机组在该四个时段的疲劳损伤量为8.013E-05。

其余23台机组承担和风电场内集电系统的功率损耗。利用遗传优化算法对23台机组进行优化分配功率：

程序运行时间为150s左右。这23台机组4个时段的发电功率总量分别为7351.8kW，5621.4kW，8819.5kW，9632.4kW，与10台优先运行机组的发电功率总量分别为20000kW，18000kW，18000kW，22000kW。这24台机组4个时段的其疲劳损伤总值为5.521E-05，优先运行的10台机组疲劳损伤量为8.013E-05，则整个调度周期内风电场内疲劳损伤总值为1.3534E-04。

图11是遗传算法的进化过程，可以看出算法是收敛稳定的。图12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。

表5优化运行机组的功率分配值

3.3两种分类方法风电场内优化调度结果对比

根据两种分类方法对风电场内机组分类，再使用遗传优化算法对场内机组的发电功率进行分配。通过比较，基于遗传模拟退火算法的模糊聚类算法分类方法的疲劳损伤量比自组织特征映射神经网络分类方法的疲劳损伤量较小，SAGA-FCM分类方法下停机的机组台数较多。由于SAGA-FCM分类方法比SOFM分类方法少优化1台机组，所以运行时间较短；而这两种分类方法运行都会有机组完全停机，SOFM分类法中9、17、18机组停机，SAGA-FCM分类法中3、5、14、19、21号机组停机。

4结论

(1)SOFM神经网络对于解决各种类别特征不明显，参数特征相互交互混杂的，非线性分布的类型识别问题是非常有效地；

(2)由于模拟退火法和遗传算法可以相互取长补短，有效地克服了遗传算法的早熟现象，同时根据聚类问题的具体情况涉及遗传编码方式及适应度函数，使该算法更有效、更快速的收敛得到全局最优解。

(3)利用两种分类方法的机组分类结果，将分类机组中发电功率性能较好的一类作为优先执行发电计划的机组，计及线路损耗后的发电计划，对风电场内其余机组进行两层优化，最后可以达到风电场输出的风电功率与电网的调度要求一样的功率分配模型。

(4)根据所建立的风电机组损伤模型计算可知，正常发电时风速大的相对疲劳损伤大，启动的时候在切入风速附近范围内的风速下启动时，载荷较小，相对疲劳损伤小；这是风电机组吸收风能的体现， 所以为了达到负荷要求，风电机组必须承受疲劳载荷，基于相对疲劳损伤最小的调度策略，通过SAGA-FCM算法机组分类，从延长机组寿命的角度尽量降低风电机组总的相对疲劳损伤量。

Claims (10)

1.一种风电场内功率分配方法,其特征在于，包括步骤：

S1、利用聚类算法将风电场内机组分为若干类机组群，将功率较高，波动较小的机组进行优先调度，建立目标函数；

S2、设定目标函数的约束条件；

S3、进行遗传优化算法。

2.根据权利要求1所述的风电场内功率分配方法,其特征在于，所述目标函数如下所示：

其中，F表示总的损伤量，T表示时间周期数，N表示机组台数，表示机组i在j时段正常运行时的疲劳损伤，表示机组i在j时段启动时的疲劳损伤，表示机组i在j时段停机时的疲劳损伤，表示机组i在j时段空转时的疲劳损伤，表示机组i在j时段的启停状态，0代表停机，1代表运行；t表示风机运行的时间；

机组台数N是指总机组台数减掉优先运行机组台数后剩余的机组台数。

3.根据权利要求2所述的风电场内功率分配方法,其特征在于，所述风力发电机组疲劳损伤的表达式如下：

d＝2.41E-12

式中a—正常发电运行时风力发电机组的疲劳损伤；b—启动时风力发电机组的疲劳损伤；c—停机时风力发电机组的疲劳损伤；d—空转时风力发电机组的疲劳损伤；P—风力发电机组的发电功率。

4.根据权利要求3所述的风电场内功率分配方法,其特征在于，所述约束条件包括优化运行机组出力上下限约束条件、负荷调度约束条件、最大功率变化率 约束条件和启停机次数约束条件。

5.根据权利要求4所述的风电场内功率分配方法,其特征在于，所述优化运行机组出力上下限约束条件为：

式中为机组的计划出力，为第i台机组的功率预测值，为第i台机组的最小出力。

6.根据权利要求4所述的风电场内功率分配方法,其特征在于，所述负荷调度约束条件为

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。

7.根据权利要求4所述的风电场内功率分配方法,其特征在于，所述最大功率变化率约束条件为：

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：

。

8.根据权利要求4所述的风电场内功率分配方法,其特征在于，所述启停机次数约束条件为：机组的启停次数不能超过1次。

9.根据权利要求1所述的风电场内功率分配方法,其特征在于，所述遗传优化算法具体步骤如下：

(1)从电力系统负荷调度数据中扣除分类中常运行机组的风电功率预测总值后的负荷值作为其余机组的系统负荷调度值，需要优化运行机组的风电功率预测值作为机组的最大技术出力；

(2)外层优化问题是优化风力发电机组的启停机计划，即从第一个时段开始，结合风电功率预测数据，列出各种可能的机组启停组合，停机表示为0，运行表示为1，但必须遵守在一个调度周期内，满足机组启停机次数不能超过1次 的约束条件，组合以矩阵的形式表示出来；

(3)内层问题是优化风力发电机组间负荷分配的问题，首先随机计划风力发电机组的发电功率，功率值必须满足大于最小出力，小于最大出力的约束条件；

(4)再计算各种可能的机组状态组合下整个风电场的最大输出功率，与负荷限定值相比较，如果其小于负荷限定值，即不符合条件，此时需要随机选择运行状态的机组，进行出力判断，如果小于最大出力，则增加其出力，再次判断是否满足负荷值要求，如果不满足，重复该步骤，反之，运行到下一步；

(5)得到满足负荷要求的机组功率分配之后，将其对应的疲劳损伤量相加，筛选出其中疲劳损伤量之和最小的组合和机组功率分配计划；

(6)在满足精度和多代进化条件后，选出整个时间范围内疲劳损伤量最小的机组状态组合和功率分配计划。

10.一种风电场内功率分配装置，其特征在于：包括若干台双馈式变速恒频机组、机组控制中心、若干分别与机组控制中心连接的风速、风功率测量装置以及风力发电机组输出功率提取装置。