考慮預測和聚類的風電場集群雙層有功功率分配方法研究

中國華電集團有限公司甘肅公司 魏玉新

風電迅猛發展以及我國特有的大規模風電場集群接入電網的方式對電網功率平衡和安全運行帶來嚴峻挑戰[1]。以風電場集群為出發點考慮風電的隨機性、難預測性以及低可控性，提升風電場自身調節能力是當前亟待解決的問題。雖然目前風電場集群控制方法種類較多，但多集中于提高風電預測精度及精細化追蹤調度指令方面。在已有調度指令的基礎上，同時考慮風電并網運行相關約束，通過對風電場集群自身控制以改善有功功率輸出的研究尚不多見。

1 風電場內風電機組的分類

根據每臺風電機組的歷史運行數據，利用模糊c均值聚類算法將風電場內機組分為若干類機組群，然后根據機組分類的結果，通過基于預測數據的自適應量子遺傳分配方法對風電機組間進行功率分配，將功率較高、波動較小的機組進行優先調度。

模糊c均值聚類算法是把n個向量分為c個模糊組，并求每組的聚類中心，使得非相似性指標的目標函數達到最小。最佳聚類數通常滿足因此本文將最佳聚類數的范圍設置為其中n為機組臺數。

基于風電場歷史數據的模糊聚類數據的預處理方法。本文通過對風電場內所有機組的大量歷史同期數據進行分析，分別提取風電機組輸出功率、風速的平均值和均方根差值作為特征值。公式如下：

式中pmean(i)表示風電場第i臺機組在指定時間段內的平均功率；pj(i)為第i臺機組功率；vmean(i)表示風電場第i臺機組在指定時間段內的平均風速；vj(i)為第i臺機組風速。

式中pRMSE(i)表示風電場第i臺機組在指定時間段內的功率均方根差值；vRMSE(i)表示風電場第i臺機組在指定時間段內的風速均方根差值。將上述數據進行歸一化處理：

可得到每臺機組的相應歸一化數據，從而得到風電機組的風電功率和風速的特征矩陣為：

上述得到的風電功率和風速的特征矩陣作為模糊c均值聚類算法的輸入樣本數，并采用模糊c均值聚類方法進行聚類分析。

2 風電場集群有功功率控制策略

為使電網能夠安全穩定運行，避免并網功率超過集群限值的問題，本文制定集群有功分配總體計算流程如圖1。

2.1 集群層有功功率分配方法

目標函數。以風電場集群分配的有功出力參考值與風電功率限值最小為目標建立目標函數為風電場集群限值，為每座風電場的分配有功功率參考值。

2.2 風電場層有功功率分配方法

每類風電機組群的有功分配值最大以及風電場內有功功率損耗最小為目標函數。

式中UWTi(t)為風電機組升壓站高壓側電壓；Ri-total為每一類機組群風電機組與風電場升壓站聯絡線的總電阻。

2.3 自適應量子遺傳算法

自適應量子遺傳算法有效避免了傳統遺傳算法易陷入局部最優的極端情況，使種群具有更好的多樣性，減少了計算量，提高了計算效率，增強全局收斂性。對以本文數據量大、采樣點多的歷史運行數據為基礎的風電調度優化問題而言，全局收斂能力十分優異。本文使用自適應量子遺傳算法解決層級復雜協調分配難以實現的風電有功出力分配，首先運用量子比特編碼，而后運用自適應轉角策略更新量子比特串，以保證算法保持搜索性能和求解性能的平衡。

3 算例分析

對具有5個風電場的集群進行研究，分別表示為WF1～WF5，裝機容量分別為45MW、49.5MW、49.5MW、49.5MW、99MW，單臺機組功率為1.5MW。

3.1 集群層有功功率分配方式結果比較

為分析集群層不同分配方式對結果產生的影響，本文對以下兩種分配方式進行仿真對比。

容量比例分配方式。按風電場容量比例將有功功率分配到各個風電場，模型如下：

優化分配方式。即本文所提方法，以風電場群有功出力與出力限值的差額最小為目標，計及風電場輸出功率約束、預測功率約束和避免機組頻繁啟停約束，基于改進遺傳算法求解各風電場有功出力分配任務。分為八個時段（T）對功率分配結果進行研究，根據預測結果可以得出各風電場不同時段的功率預測情況（表1），兩種分配方法下各風電場的分配出力結果如表2和表3。可看出容量比例分配法不能考慮風電實際輸出情況，某些時段由于可發功率不足無法滿足功率調度要求，而基于預測的優化分配法能考慮風功率變化情況，滿足電網功率需求。

表1 風電場的風電功率預測結果

表2 基于預測的優化分配模型下的風電場有功分配值

表3 容量比例分配方法下的風電場有功分配值

在前四個時段內系統調度中心將風電出力限定為162MW(時段1到時段4)，后四個時段內限定為140MW(時段5到時段8)。從圖2和圖3可看出優化分配方式相較比例分配方式更加接近有功功率限值，波動更小。

圖4為兩種分配方式下實際的有功功率出力并網曲線，可看出功率比例分配方式雖在出力分配上滿足調度指令要求，但在考慮實際有功功率損耗后并不能滿足上級調度指令。而本文分配方式超出調度指令的部分用于提供有功功率損耗，既滿足上級調度指令要求同時提高了風電并網水平，在風電場層的有功功率控制中考慮了有功功率損耗最小化，所以并網的實際功率比容量比例方法高。圖5為兩種分配方式下有功功率出力誤差，可看出控制誤差可看出優化分配方式的控制誤差小于容量比例分配方法的控制誤差，優化分配控制方法可更充分利用風能，在這8個調度時期內優化分配方法的并網功率比容量比例方法多了0.49MW。

3.2 風電場層有功功率分配方式結果

以第一座風電場的30臺1.5MW雙饋式變速恒頻機組的2018年2月份風速和風功率數據作為樣本數據，利用模糊c均值聚類算法對30臺機組進行分類，采用前面所述的最佳聚類個數和最佳初始聚類中心的方法，最佳聚類個數是將機組分成4類。

從表中的數據計算相關性得到如下結論：第2臺機組與第4、5、9、11、12、19、26臺機組的相關系數在0.924以上，第三臺機組與第4、18、19臺機組的相關系數在0.9063以上，第18臺機組與第3、4、9、19、26臺機組的相關系數在0.9020以上；第1臺機組與第二類內其余10臺機組的相關系數在0.9468以上；第10臺機組與第17、20、27、28、30臺機組的相關系數在0.9381以上，第29臺機組與第17、20、27、28、30臺機組的相關系數在0.9092以上。從上面計算的相關系數可得，每一類內的機組的相關系數都在0.9以上，可以說明機組分類結果的有效性。

第一類機組功率均值的平均值為0.7276，均方根差值的平均值為0.2335；第二類機組功率均值的平均值為0.8539，均方根差值的平均值為0.1283；第三類機組功率均值的平均值為0.8541，均方根差值的平均值為0.0630。第三類機組功率均值的平均值最高，均方根差值的均值最小，表明第三類機組的輸出功率高，功率波動小，可優先按照預測功率值運行；第一類和第二類機組按照風電場層有功功率分配方法進行分配；第四類機組由于功率均值為零，沒有功率輸出，在分配前需檢查該機組是否正常運行。如該機組正常則分配時考慮在內，如機組不能正常運行則分配時不考慮該機組。

表4 30臺風電機組風速和功率特征值

4 結語

本文提出基于自適應量子遺傳算法風電場集群的分層分類控制與容量比例分配方法相比較，能更好的接近上層所下發的調度指令，利用超短期功率預測信息能較為準確地掌握未來一段時間風電場群的功率變化趨勢，在此基礎上綜合考慮調度部門對風電場有功功率需求，對風電場群和風電場的有功分配進行優化能夠有效避免不必要的風電場輸出功率調節，減少風電場并網時的功率波動，減小控制誤差。