CN113410872A - 一种风电场内机组间的功率优化分配算法 - Google Patents

Abstract

本发明涉及一种风电场内机组间的功率优化分配算法，根据场内各个机组不同的运行特性，计算出各机组的特征矩阵，运用IMOA‑MSSK‑means方法对机组进行分类，并根据人工蜂群寻优算法(ABC)对分类机组进行机组组合，选取最优的机组运行组合来合理进行风功率预数值的分配，有助于更好地调节风电场的功率输出，以提高调度指令的执行能力。

Description

一种风电场内机组间的功率优化分配算法

技术领域

本发明属于电网调度领域，尤其是涉及一种风电场内机组间的功率优化分配算法。

背景技术

由于风力发电自身的特点及其生产电能时的特殊性，从有风力发电技术之日起，风力发电技术就面临着各种问题。尤为突出的问题就是风电功率的随机性和波动性。当并入电网的风电容量较小时，其所带来的影响可以通过电力系统自身的调节能力进行缓解。但是，当并入电网的风电容量较大时，电网的自身调节能力不再能缓解风电波动性所带来的影响，此时会使电网不再运行于稳定状态，甚至可能会造成风电场退出系统运行。如果电网完全依靠传统电源对并网的风电进行补偿，那么随着电网中风力发电机容量所占总容量比例的增加，可能会因此增加传统电源的备用容量，这会加大系统的运行成本。风电利用小时数也较低，如果完全按照风电满发容量来确定系统所需的备用容量，电网投资会很大，输送通道也会造成很大的浪费，因此风电大规模并入电网会对电网造成较明显的影响。如果风力发电想继续快速发展，风电场将需要具备一些能减弱自身对电网造成不利影响的能力。

考虑到风电场规模越来越大，场内机组越来越多，风电场内部机组的优化调度问题也会更加突出。因此当电网接纳风电备用容量不足，风电场需参与系统调峰时，不仅需要运用风电场间的功率优化分配策略，而且需要运用风电场内机组间的功率优化分配策略。而目前在进行风电场内机组优化的过程中没有根据机组的不同特性进行调度，或虽然在机组优化过程中对场内机组进行了分类却没有考虑地势地形对机组分类的影响。

发明内容

为了解决上述存在的技术问题，本发明提供一种风电场内机组间的功率优化分配算法，主要通过基于机组特征矩阵提出一种改进MOA流形k均值聚类方法即IMOA-MSSK-means，加入了差分进化算法，有效的避免了聚类陷入局部极值，并将机组分成需参与功率分配和无需参与功率分配两组，简化机组优化过程中的复杂矩阵，再用人工蜂群寻优算法(ABC)对分类机组进行机组组合，选取最优的机组运行组合，对风电场内各机组出力进行优化分配，有助于更好地调节风电场的功率输出，以提高调度指令的执行能力。

本发明采用的技术方案如下：

一种风电场内机组间的功率优化分配算法，其特征在于：

步骤一：

选取风力发电机组输出功率的平均值及标准差作为表征风电机组出力变化的参数，其中

式中P_imean--风电场第i台机组在j＝1,2,...N时段输出功率的平均值；

P_istd--风电场第i台机组在j-1,2,...N时段内输出功率的标准差；

将上述机组输出功率的平均值与标准差进行数据归一化处理，得出风电机的输出功率特征矩阵：

式中P_imean(0-1)为风电场第i台机组输出功率平均值的归一化结果；

P_istd(0-1)为风电场第i台机组输出功率标准差的归一化结果；

P_meanmin为风电场内各机组输出功率平均值的最小值；

P_minmax为风电场内各机组输出功率平均值的最大值；

P_{std min}为风电场内各机组输出功率标准差的最小值；

P_{std max}为风电场内各机组输出功率标准差的最大值；

步骤二：

运用MOA对MSSK-means进行优化，即MOA-MSSK-means算法，其计算过程如下：

2.)首先对数据集采取归一化处理，消除量级带来的影响；

2.2)初始化S个特征矩阵，将计算得到的S个聚类中心初始值集合，编码作为S个磁性粒子的值；设置最大迭代次数Max_itr，则磁性粒子的位置初始化如下：

式中：rand是[0,1]之间的随机数发生器；value_l_r和value_h_r则表示第r维的最大值和最小值；itr是当前的迭代次数；

2.3)计算每个磁性粒子的目标函数值并将此值赋给磁性粒子B^itr，然后对磁性粒子进行标准化：

式中：min＝min(B^itr)，磁性粒子磁场中的最小值；max＝max(B^itr)，磁性粒子磁场中的最大值；

2.4)计算磁性粒子的质量：

M^itr＝α+ρ×B^itr (7)

式中：α和β都是常数。

2.5)计算每个磁性粒子的邻居对其作用的吸引力的合力，如计算第i个磁性粒子合力：

其中D是磁性粒子i与相邻磁性粒子j之间的距离，公式如下：

2.6)更新每个磁性粒子的加速度，速度和位置：

V^itr+1＝V^itr+α^itr+1 (11)

X^itr+1＝X^itr+V^itr+1 (12)

2.7)根据新的磁性粒子位置求取特征矩阵，接着求得目标函数值，并且判断是否达到最大迭代次数Max_itr，若是则运行步骤h，否则重复步骤2.4) -步骤2.6)；

2.8)获取最优磁性粒子代表的聚类中心值，将其赋给MSSK-means进行负荷曲线聚类分析，判断MSSK-means的目标函数差值是否符合设置的阈值，若满足则输出聚类结果；

步骤三：

优化目标函数：

X-由0和1组成的n*N维矩阵，0代表第j时间段内第i台风机处于停机状态，1-代表第j时间段内第i台风机处于运行状态；

N-风电机组优化调度的时间；

n-风电场内风电机组总台数；

W-风电场运行相对损耗指标的权重系数；

k-风电场启停相对损耗指标的权重系数；

风电机组优化调度的约束条件分为功率平衡约束、机组出力上下限约束和旋转备用约束，其中

功率平衡约束：

j-风电机组编号：

k-调度时段；

n--风电机组总台数；

P_i ^j-第i台机组在第j个时刻的出力；

-风电场在第j个时刻的有功损耗；

-风电场在第j个时刻的总调度值；

机组出力上下限约束：

式中P_i ^min--第i台机组在第j个时刻出力的下限值；

--第i台机组在第j个时刻出力的上限值；

旋转备用约束

式16)、式17)中

是第j个时刻机组向上备用容量；

是第j个时刻机组向下备用容量；

步骤四：

通过步骤三对风电场内机组运行与启停相对损耗指标和约束条件的制定，对步骤二聚类得出的结果进行人工蜂群寻优，步骤如下：

4.1)对ABC算法的3个基本参数进行设置，分别为蜜源数SN、迭代最大次数LIM和最大抛弃蜜源次数Limit；

4.2)雇佣蜂寻找并发现蜜源，记录蜜源质量信息；

4.3)跟随蜂根据引领峰所搜寻的蜜源质量，概率选择是否跟随雇佣蜂对该信息进行下一步开采；

4.4)侦查蜂在所采的蜜源质量难以提高时，由雇佣蜂转变，继续在蜂巢周围寻找高质量蜜源；

4.5)判断是否达到人工蜂群算法的停止条件，如果满足则执行下一步骤，如果不满足则返回重新进行迭代计算；

4.6)求取各蜜源中机组组合的相对运行损耗与相对启停损耗之和，选取满足适应度函数的组合为最优解。

进一步的，步骤2.4-步骤2.6采用差分进化算法对gbt进行扰动操作，为使得搜索集中在gbt的邻域空间，变异策略为：

q_j＝gbt_j+P(l_r1，j-l_r2，j)+P(l_r3，j-l_r4，j) (18)

式中：r1,r2,r3,r4是[l,S]区间上不同的4个随机数，分别代表不同磁性粒子的下标；S为磁性粒子个数。P是尺度系数，j为磁性粒子的维度， q_j是扰动后的值；对于分布在搜索空间的磁性粒子，gbt为目标函数值最优的磁性粒子，

然后采用交叉操作生成试验向量gbt^*:

式中：CR为交叉概率，j_rand为在维度范围内的随机整数取值；

利用差分进化算法中的选择操作保留目标函数值较小的个体，将原始向量gbt和试验向量gbt^*的目标函数值进行比较选择最优向量：

进一步的，步骤4.4采用基本的ABC算法更新公式通过使用最优个体引导机制来进行改进，改进后的更新公式如下：

其中，

x_pq为新产生解的第q个分量，

为最优解的第 q个分量，x_kq为需更新的解分量。

本发明根据场内各个机组不同的运行特性，计算出各机组的特征矩阵，运用改进的MOA流形k均值方法即IMOA-MSSK-means对机组进行分类，将机组分成需参与功率分配和无需参与功率分配两组，简化机组优化过程中的复杂矩阵。考虑到MOA算法存在多极值情况下可能陷入局部极值的问题，对其采用差分进化算法增强其寻优过程的随机性，以此来跳出局部极值。并根据人工蜂群寻优算法对分类机组进行机组组合，对风电场内各机组出力进行优化分配，选取最优的机组运行组合，对最优的机组运行组合进行功率数值分配，达到更好地调节风电场的功率输出，提高调度指令的执行能力的作用。

附图说明

图1是本发明的系统流程图；

图2为IMOA-MSSK-means聚类算法流程图；

图3为风电机组人工蜂群优化策略流程图；

图4是7台风力发电机组聚类结果示意图。

具体实施方式

以下结合附图和实施例对本发明进行详细说明：

一种风电场内机组间的功率优化分配算法，如图1所示，步骤如下：

步骤一：

选取风力发电机组输出功率的平均值及标准差作为表征风电机组出力变化的参数，其中

式中P_imean--风电场第i台机组在j＝1,2,...N时段输出功率的平均值；

P_istd--风电场第i台机组在j-1,2,...N时段内输出功率的标准差；

将上述机组输出功率的平均值与标准差进行数据归一化处理，得出风电机的输出功率特征矩阵：

式中P_imean(0-1)为风电场第i台机组输出功率平均值的归一化结果；

P_istd(0-1)为风电场第i台机组输出功率标准差的归一化结果；

P_meanmin为风电场内各机组输出功率平均值的最小值；

P_minmax为风电场内各机组输出功率平均值的最大值；

P_{std min}为风电场内各机组输出功率标准差的最小值；

P_{std max}为风电场内各机组输出功率标准差的最大值；

步骤二：

运用MOA对MSSK-means进行优化，即MOA-MSSK-means算法，其计算过程如下：

a)首先对数据集采取归一化处理，消除量级带来的影响；

b)初始化S个特征矩阵，将计算得到的S个聚类中心初始值集合，编码作为S个磁性粒子的值；设置最大迭代次数Max_itr，则磁性粒子的位置初始化如下：

式中：rand是[0，1]之间的随机数发生器；value_l_r和value_h_r则表示第r维的最大值和最小值；itr是当前的迭代次数。

c)计算每个磁性粒子的目标函数值并将此值赋给磁性粒子B^itr，然后对磁性粒子进行标准化：

式中：min＝min(B^itr)，磁性粒子磁场中的最小值；max＝max(B^itr)，磁性粒子磁场中的最大值。

d)计算磁性粒子的质量：

M^itr＝α+ρ×B^itr (7)

式中：α和β都是常数。

e)计算每个磁性粒子的邻居对其作用的吸引力的合力，如计算第i个磁性粒子合力：

其中D是磁性粒子i与相邻磁性粒子j之间的距离，公式如下：

f)更新每个磁性粒子的加速度，速度和位置：

V^itr+1＝V^itr+α^itr+1 (11)

X^itr+1＝X^itr+V^itr+1 (12)

g)根据新的磁性粒子位置求取特征矩阵，接着求得目标函数值，并且判断是否达到最大迭代次数Max_iter,若是则运行步骤h，否则重复步骤d-步骤 f；

h)获取最优磁性粒子代表的聚类中心值，将其赋给MSSK-means进行负荷曲线聚类分析，判断MSSK-means的目标函数差值是否符合设置的阈值，若满足则输出聚类结果；

步骤三：

风电场调度是一个连续的过程，调度指令会随系统具体运行情况的不同而发生变化，同时风力发电机组的出力也会伴随风速的时时变化而发生改变，这无形中增加了控制的复杂性。为了满足电网的调度指令，同时即不增加冗余机组的运行损耗与备用机组的启停损耗，提出优化目标函数：

X-由0和1组成的n*N维矩阵，0代表第j时间段内第i台风机处于停机状态，1-代表第j时间段内第i台风机处于运行状态；

N-风电机组优化调度的时间；

n-风电场内风电机组总台数；

ω-风电场运行相对损耗指标的权重系数；

k-风电场启停相对损耗指标的权重系数；

上述权重系数取值0-1；

风电机组优化调度的约束条件分为：

(1)功率平衡约束：

j-风电机组编号：

k-调度时段；

n--风电机组总台数；

P_i ^j-第i台机组在第j个时刻的出力(kw)

-风电场在第j个时刻的有功损耗(kw)

-风电场在第j个时刻的总调度值(kw)

(2)机组出力上下限约束：

式中P_i ^min--第i台机组在第j个时刻出力的下限值(kW)；

--第i台机组在第j个时刻出力的上限值(kW)。

(3)旋转备用约束

式(16)，式(17)中

是第j个时刻机组向上备用容量；

是第j个时刻机组向下备用容量。

步骤四：

通过上述步骤三对风电场内机组运行与启停相对损耗指标和约束条件的制定，对步骤二聚类得出的结果进行人工蜂群寻优，如图3所示，步骤如下：

(1)对ABC算法的3个基本参数进行设置，分别为蜜源数(SN)，迭代最大次数LIM，和最大抛弃蜜源次数Limit.

(2)雇佣蜂寻找并发现蜜源，记录蜜源质量信息。

(3)跟随蜂根据引领峰所搜寻的蜜源质量，概率选择是否跟随雇佣蜂对该信息进行下一步开采；

(4)侦查蜂在所采的蜜源质量难以提高时，由雇佣蜂转变，继续在蜂巢周围寻找高质量蜜源。

(5)判断是否达到人工蜂群算法的停止条件，如果满足则执行下一步骤，如果不满足则返回重新进行迭代计算；

(6)求取各蜜源中机组组合的相对运行损耗与相对启停损耗之和，选取满足适应度函数的组合为最优解。

2.针对上述步骤二可采用差分进化算法对gbt进行扰动操作，为使得搜索集中在gbt的邻域空间，变异策略为：

q_j＝gbt_j+P(l_r1，j-l_r2，j)+P(l_r3，j-l_r4，j) (18)

式中：r1,r2,r3,r4是[l,S]区间上不同的4个随机数，分别代表不同磁性粒子的下标；S为磁性粒子个数。P是尺度系数，j为磁性粒子的维度， q_j是扰动后的值；对于分布在搜索空间的磁性粒子，gbt为目标函数值最优的磁性粒子。

然后采用交叉操作生成试验向量gbt^*:

式中：CR为交叉概率，j_rand为在维度范围内的随机整数取值；

利用差分进化算法中的选择操作保留目标函数值较小的个体，将原始向量gbt和试验向量gbt^*的目标函数值进行比较选择最优向量：

3.针对上述步骤四，基本的ABC算法更新公式由于其开发能力有所欠缺，故可通过使用最优个体引导机制来进行改进，以确保能在保证探索能力的基础上提高开发能力，改进后的更新公式(21)如下：

其中，

x_pq为新产生解的第q个分量，

为最优解的第 q个分量，x_kq为需更新的解分量。

本发明由步骤一获得风电场机组的特征矩阵后，用步骤二根据特征矩阵进行风电场机组的聚类分析，划分出常规机组和调度机组并用调度机组参与风电场机组优化，再通过步骤三的风电机组运行与启停相对损耗指标和约束条件与步骤二的聚类结果相结合，利用步骤四提到的人工蜂群算法来选取最优的机组运行组合，以此对风电场内各机组出力进行优化分配，有助于更好地调节风电场的功率输出，以提高调度指令的执行能力。

使用内蒙某风电场22台1.5MW的风力发电机24小时预测数据，将24 小时分为3个时段，并使用MALTAB仿真软件进行实验的仿真分析，本次测试的风电场22台机组的24小时出力预测值如表一所示：

表一22台风力发电机连续三小时的预测出力值

对该风电场24小时风机的历史数据进行特征矩阵提取，并根据平均值特征值和标准差特征值的差别，将22台机组分为4类并使用MALTAB进行聚类仿真，具体结果如图4和表一所示。

表二22台风力发电机组分类结果

由图4可知第二类机组的平均值特征值低于其他3类机组，但标准差特征值高于其他3类机组，这说明第二类这7台机组出力较低，且处理波动幅度较大，因此是最优化度机组的最佳选择。对第二类机组进行人工蜂群寻优来寻找最佳机组组合，结果如表三所示。

表三7台风电机组最优启停机组合

由表三可知，为了达到机组运行相对损耗与启停相对损耗最小这一目标，机组17在整个调度周期均没有参与运行处于停机状态，机组20在整个调度周期中后两个时段均没有参与运行处于停机状态，只在第一个时段参与运行.在求取了本次7台风电机组最优的组合后，使用该风电厂的风功率预测公式(22)求出每台机组的具体出力值，得到7台风电机组输出功率的最优结果如表四所示。

其中P_d(t)为3个时段7个机组所需调节的功率值，P_i(t)为第i台风力发电机组出力。

表四7台风电机组最优出力结果

由表四可以看出本文提出的控制策略下前三个时段7台机组的总出力分别为3.309MW、2.870MW、2.833MW，与调度指令3.31MW、2.880MW、2.84MW 差距很小。通过结果分析表明所提策略可以有效的对风电场内机组间的功率进行优化分配，并且分配后风电场总出力与调度指令相差无几。

Claims (3)

1.一种风电场内机组间的功率优化分配算法，其特征在于：

步骤一：

选取风力发电机组输出功率的平均值及标准差作为表征风电机组出力变化的参数，其中

式中P_imean--风电场第i台机组在j＝1，2，...N时段输出功率的平均值；

P_istd--风电场第i台机组在j-1，2，...N时段内输出功率的标准差；

将上述机组输出功率的平均值与标准差进行数据归一化处理，得出风电机的输出功率特征矩阵：

式中P_imean(0-1)为风电场第i台机组输出功率平均值的归一化结果；

P_istd(0-1)为风电场第i台机组输出功率标准差的归一化结果；

P_meanmin为风电场内各机组输出功率平均值的最小值；

P_minmax为风电场内各机组输出功率平均值的最大值；

P_stdmin为风电场内各机组输出功率标准差的最小值；

P_stdmax为风电场内各机组输出功率标准差的最大值；步骤二：

运用MOA对MSSK-means进行优化，即MOA-MSSK-means算法，其计算过程如下：

2.)首先对数据集采取归一化处理，消除量级带来的影响；

2.2)初始化S个特征矩阵，将计算得到的S个聚类中心初始值集合，编码作为S个磁性粒子的值；设置最大迭代次数Max_itr，则磁性粒子的位置初始化如下：

式中：rand是[0，1]之间的随机数发生器；value_l_r和value_h_r则表示第r维的最大值和最小值；itr是当前的迭代次数；

2.3)计算每个磁性粒子的目标函数值并将此值赋给磁性粒子B^itr，然后对磁性粒子进行标准化：

式中：min＝min(B^itr)，磁性粒子磁场中的最小值；max＝max(B^itr)，磁性粒子磁场中的最大值；

2.4)计算磁性粒子的质量：

M^itr＝α+ρ×B^itr (7)

式中：α和β都是常数。

2.5)计算每个磁性粒子的邻居对其作用的吸引力的合力，如计算第i个磁性粒子合力：

其中D是磁性粒子i与相邻磁性粒子j之间的距离，公式如下：

2.6)更新每个磁性粒子的加速度，速度和位置：

V^itr+1＝V^itr+α^itr+1 (11)

X^itr+1＝X^itr+V^itr+1 (12)

2.7)根据新的磁性粒子位置求取特征矩阵，接着求得目标函数值，并且判断是否达到最大迭代次数Max_itr，若是则运行步骤h，否则重复步骤2.4)-步骤2.6)；

2.8)获取最优磁性粒子代表的聚类中心值，将其赋给MSSK-means进行负荷曲线聚类分析，判断MSSK-means的目标函数差值是否符合设置的阈值，若满足则输出聚类结果；

步骤三：

优化目标函数：

X-由0和1组成的n*N维矩阵，0代表第j时间段内第i台风机处于停机状态，1-代表第j时间段内第i台风机处于运行状态；

N-风电机组优化调度的时间；

n-风电场内风电机组总台数；

W-风电场运行相对损耗指标的权重系数；

k-风电场启停相对损耗指标的权重系数；

风电机组优化调度的约束条件分为功率平衡约束、机组出力上下限约束和旋转备用约束，其中

功率平衡约束：

j-风电机组编号：

k-调度时段；

n--风电机组总台数；

P_i ^j-第i台机组在第j个时刻的出力；

-风电场在第j个时刻的有功损耗；

-风电场在第j个时刻的总调度值；

机组出力上下限约束：

式中P_i ^min--第i台机组在第j个时刻出力的下限值；

--第i台机组在第j个时刻出力的上限值；

旋转备用约束

式16)、式17)中

是第j个时刻机组向上备用容量；

是第j个时刻机组向下备用容量；

步骤四：

通过步骤三对风电场内机组运行与启停相对损耗指标和约束条件的制定，对步骤二聚类得出的结果进行人工蜂群寻优，步骤如下：

4.1)对ABC算法的3个基本参数进行设置，分别为蜜源数SN、迭代最大次数LIM和最大抛弃蜜源次数Limit；

4.2)雇佣蜂寻找并发现蜜源，记录蜜源质量信息；

4.3)跟随蜂根据引领峰所搜寻的蜜源质量，概率选择是否跟随雇佣蜂对该信息进行下一步开采；

4.4)侦查蜂在所采的蜜源质量难以提高时，由雇佣蜂转变，继续在蜂巢周围寻找高质量蜜源；

4.5)判断是否达到人工蜂群算法的停止条件，如果满足则执行下一步骤，如果不满足则返回重新进行迭代计算；

4.6)求取各蜜源中机组组合的相对运行损耗与相对启停损耗之和，选取满足适应度函数的组合为最优解。

2.根据权利要求1所述的一种风电场内机组间的功率优化分配算法，其特征在于：步骤2.4-步骤2.6采用差分进化算法对gbt进行扰动操作，为使得搜索集中在gbt的邻域空间，变异策略为：

q_j＝gbt_j+P(l_r1，j-l_r2，j)+P(l_r3，j-l_r4，j) (18)

式中：r1，r2，r3，r4是[l，S]区间上不同的4个随机数，分别代表不同磁性粒子的下标；S为磁性粒子个数。P是尺度系数，j为磁性粒子的维度，q_j是扰动后的值；对于分布在搜索空间的磁性粒子，gbt为目标函数值最优的磁性粒子，

然后采用交叉操作生成试验向量gbt^*:

式中：CR为交叉概率，j_rand为在维度范围内的随机整数取值；

利用差分进化算法中的选择操作保留目标函数值较小的个体，将原始向量gbt和试验向量gbt^*的目标函数值进行比较选择最优向量：

3.根据权利要求1所述的一种风电场内机组间的功率优化分配算法，其特征在于：步骤4.4采用基本的ABC算法更新公式通过使用最优个体引导机制来进行改进，改进后的更新公式如下：

其中，

x_pq为新产生解的第q个分量，

为最优解的第q个分量，x_kq为需更新的解分量。

Images