考虑预测和聚类的风电场集群双层有功功率分配方法研究

中国华电集团有限公司甘肃公司 魏玉新

风电迅猛发展以及我国特有的大规模风电场集群接入电网的方式对电网功率平衡和安全运行带来严峻挑战[1]。以风电场集群为出发点考虑风电的随机性、难预测性以及低可控性，提升风电场自身调节能力是当前亟待解决的问题。虽然目前风电场集群控制方法种类较多，但多集中于提高风电预测精度及精细化追踪调度指令方面。在已有调度指令的基础上，同时考虑风电并网运行相关约束，通过对风电场集群自身控制以改善有功功率输出的研究尚不多见。

1 风电场内风电机组的分类

根据每台风电机组的历史运行数据，利用模糊c均值聚类算法将风电场内机组分为若干类机组群，然后根据机组分类的结果，通过基于预测数据的自适应量子遗传分配方法对风电机组间进行功率分配，将功率较高、波动较小的机组进行优先调度。

模糊c均值聚类算法是把n个向量分为c个模糊组，并求每组的聚类中心，使得非相似性指标的目标函数达到最小。最佳聚类数通常满足因此本文将最佳聚类数的范围设置为其中n为机组台数。

基于风电场历史数据的模糊聚类数据的预处理方法。本文通过对风电场内所有机组的大量历史同期数据进行分析，分别提取风电机组输出功率、风速的平均值和均方根差值作为特征值。公式如下：

式中pmean(i)表示风电场第i台机组在指定时间段内的平均功率；pj(i)为第i台机组功率；vmean(i)表示风电场第i台机组在指定时间段内的平均风速；vj(i)为第i台机组风速。

式中pRMSE(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；vRMSE(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。将上述数据进行归一化处理：

可得到每台机组的相应归一化数据，从而得到风电机组的风电功率和风速的特征矩阵为：

上述得到的风电功率和风速的特征矩阵作为模糊c均值聚类算法的输入样本数，并采用模糊c均值聚类方法进行聚类分析。

2 风电场集群有功功率控制策略

为使电网能够安全稳定运行，避免并网功率超过集群限值的问题，本文制定集群有功分配总体计算流程如图1。

2.1 集群层有功功率分配方法

目标函数。以风电场集群分配的有功出力参考值与风电功率限值最小为目标建立目标函数为风电场集群限值，为每座风电场的分配有功功率参考值。

2.2 风电场层有功功率分配方法

每类风电机组群的有功分配值最大以及风电场内有功功率损耗最小为目标函数。

式中UWTi(t)为风电机组升压站高压侧电压；Ri-total为每一类机组群风电机组与风电场升压站联络线的总电阻。

2.3 自适应量子遗传算法

自适应量子遗传算法有效避免了传统遗传算法易陷入局部最优的极端情况，使种群具有更好的多样性，减少了计算量，提高了计算效率，增强全局收敛性。对以本文数据量大、采样点多的历史运行数据为基础的风电调度优化问题而言，全局收敛能力十分优异。本文使用自适应量子遗传算法解决层级复杂协调分配难以实现的风电有功出力分配，首先运用量子比特编码，而后运用自适应转角策略更新量子比特串，以保证算法保持搜索性能和求解性能的平衡。

3 算例分析

对具有5个风电场的集群进行研究，分别表示为WF1～WF5，装机容量分别为45MW、49.5MW、49.5MW、49.5MW、99MW，单台机组功率为1.5MW。

3.1 集群层有功功率分配方式结果比较

为分析集群层不同分配方式对结果产生的影响，本文对以下两种分配方式进行仿真对比。

容量比例分配方式。按风电场容量比例将有功功率分配到各个风电场，模型如下：

优化分配方式。即本文所提方法，以风电场群有功出力与出力限值的差额最小为目标，计及风电场输出功率约束、预测功率约束和避免机组频繁启停约束，基于改进遗传算法求解各风电场有功出力分配任务。分为八个时段（T）对功率分配结果进行研究，根据预测结果可以得出各风电场不同时段的功率预测情况（表1），两种分配方法下各风电场的分配出力结果如表2和表3。可看出容量比例分配法不能考虑风电实际输出情况，某些时段由于可发功率不足无法满足功率调度要求，而基于预测的优化分配法能考虑风功率变化情况，满足电网功率需求。

表1 风电场的风电功率预测结果

表2 基于预测的优化分配模型下的风电场有功分配值

表3 容量比例分配方法下的风电场有功分配值

在前四个时段内系统调度中心将风电出力限定为162MW(时段1到时段4)，后四个时段内限定为140MW(时段5到时段8)。从图2和图3可看出优化分配方式相较比例分配方式更加接近有功功率限值，波动更小。

图4为两种分配方式下实际的有功功率出力并网曲线，可看出功率比例分配方式虽在出力分配上满足调度指令要求，但在考虑实际有功功率损耗后并不能满足上级调度指令。而本文分配方式超出调度指令的部分用于提供有功功率损耗，既满足上级调度指令要求同时提高了风电并网水平，在风电场层的有功功率控制中考虑了有功功率损耗最小化，所以并网的实际功率比容量比例方法高。图5为两种分配方式下有功功率出力误差，可看出控制误差可看出优化分配方式的控制误差小于容量比例分配方法的控制误差，优化分配控制方法可更充分利用风能，在这8个调度时期内优化分配方法的并网功率比容量比例方法多了0.49MW。

3.2 风电场层有功功率分配方式结果

以第一座风电场的30台1.5MW双馈式变速恒频机组的2018年2月份风速和风功率数据作为样本数据，利用模糊c均值聚类算法对30台机组进行分类，采用前面所述的最佳聚类个数和最佳初始聚类中心的方法，最佳聚类个数是将机组分成4类。

从表中的数据计算相关性得到如下结论：第2台机组与第4、5、9、11、12、19、26台机组的相关系数在0.924以上，第三台机组与第4、18、19台机组的相关系数在0.9063以上，第18台机组与第3、4、9、19、26台机组的相关系数在0.9020以上；第1台机组与第二类内其余10台机组的相关系数在0.9468以上；第10台机组与第17、20、27、28、30台机组的相关系数在0.9381以上，第29台机组与第17、20、27、28、30台机组的相关系数在0.9092以上。从上面计算的相关系数可得，每一类内的机组的相关系数都在0.9以上，可以说明机组分类结果的有效性。

第一类机组功率均值的平均值为0.7276，均方根差值的平均值为0.2335；第二类机组功率均值的平均值为0.8539，均方根差值的平均值为0.1283；第三类机组功率均值的平均值为0.8541，均方根差值的平均值为0.0630。第三类机组功率均值的平均值最高，均方根差值的均值最小，表明第三类机组的输出功率高，功率波动小，可优先按照预测功率值运行；第一类和第二类机组按照风电场层有功功率分配方法进行分配；第四类机组由于功率均值为零，没有功率输出，在分配前需检查该机组是否正常运行。如该机组正常则分配时考虑在内，如机组不能正常运行则分配时不考虑该机组。

表4 30台风电机组风速和功率特征值

4 结语

本文提出基于自适应量子遗传算法风电场集群的分层分类控制与容量比例分配方法相比较，能更好的接近上层所下发的调度指令，利用超短期功率预测信息能较为准确地掌握未来一段时间风电场群的功率变化趋势，在此基础上综合考虑调度部门对风电场有功功率需求，对风电场群和风电场的有功分配进行优化能够有效避免不必要的风电场输出功率调节，减少风电场并网时的功率波动，减小控制误差。