收稿日期：2022-04-14

基金項(xiàng)目：自然科學(xué)專項(xiàng)（JK725）；陜西省重點(diǎn)研發(fā)計(jì)劃（2021GY—106）

通信作者：劉 軍（1963—），男，博士、教授，主要從事智能控制與風(fēng)力發(fā)電系統(tǒng)方面的研究。liujun0310@sina.com

DOI：10.19912/j.0254-0096.tynxb.2022-0490 文章編號：0254-0096（2023）08-0396-08

摘 要：針對單一風(fēng)速預(yù)測方法預(yù)測精度不高，以及按風(fēng)速比例進(jìn)行風(fēng)電場機(jī)組功率分配時(shí)，跟蹤功率調(diào)度指令誤差較大的問題，提出一種組合風(fēng)速預(yù)測方法，并基于機(jī)組預(yù)測風(fēng)速、當(dāng)前風(fēng)速及輸出功率的機(jī)組分類，提出一種風(fēng)電場有功功率分配方法。采用模糊C均值分類方法對機(jī)組進(jìn)行分類，根據(jù)分類結(jié)果確定功率調(diào)節(jié)優(yōu)先級，將功率指令分配到不同類機(jī)組，再按某一類各機(jī)組輸出功率的比例分配至每臺(tái)機(jī)組，實(shí)現(xiàn)整個(gè)風(fēng)電場有功功率分配。以某風(fēng)電場實(shí)際風(fēng)速數(shù)據(jù)進(jìn)行風(fēng)速預(yù)測和有功功率分配仿真研究，仿真結(jié)果表明，該文提出的組合風(fēng)速預(yù)測方法和風(fēng)電場有功功率分配方法具有風(fēng)速預(yù)測精度高、風(fēng)電場輸出功率跟蹤精度高，參與有功功率調(diào)節(jié)的機(jī)組數(shù)目少的優(yōu)點(diǎn)。

關(guān)鍵詞：風(fēng)電場；有功功率；風(fēng)電機(jī)組分類；實(shí)時(shí)風(fēng)速

中圖分類號：TK89；TK81 """"""""""" """ 文獻(xiàn)標(biāo)志碼：A

0 引 言

近年來，風(fēng)力發(fā)電快速發(fā)展，風(fēng)力發(fā)電量在總發(fā)電量的占比也不斷提高，風(fēng)力發(fā)電將成為電力系統(tǒng)的重要補(bǔ)充［1-2］。由于風(fēng)速的隨機(jī)性以及風(fēng)電場各機(jī)組運(yùn)行狀態(tài)不同，如何將電網(wǎng)功率調(diào)度指令合理地分配到每一臺(tái)機(jī)組，在保證功率跟蹤精度的同時(shí)，減少參與功率調(diào)節(jié)機(jī)組數(shù)目、降低機(jī)組故障率等是當(dāng)前風(fēng)電場優(yōu)化控制的研究熱點(diǎn)之一［3］。

傳統(tǒng)風(fēng)電場有功功率分配大多采用平均分配或按風(fēng)速比例分配，由于忽略了風(fēng)速的隨機(jī)性和機(jī)組運(yùn)行狀態(tài)的差異對功率跟蹤精度的影響，導(dǎo)致風(fēng)電場輸出功率誤差較大［4-6］。另外機(jī)組功率調(diào)節(jié)過于頻繁也會(huì)導(dǎo)致機(jī)組的故障率升高。

文獻(xiàn)［7］采用灰色模型預(yù)測方法對風(fēng)電場短期風(fēng)速進(jìn)行了預(yù)測，其中某一時(shí)刻風(fēng)速的最大預(yù)測誤差為30%。文獻(xiàn)［8-9］中采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)電場風(fēng)速預(yù)測。文獻(xiàn)［10］利用最小二乘法支持向量機(jī)（least squares support vector machines，LSSVM）對風(fēng)電場短期風(fēng)速進(jìn)行預(yù)測，首先對風(fēng)速數(shù)據(jù)進(jìn)行了不同時(shí)間尺度的分解，然后利用LSSVM對不同時(shí)間尺度的風(fēng)速數(shù)據(jù)建立預(yù)測模型，最后將各時(shí)間段內(nèi)的風(fēng)速預(yù)測值相加，得到風(fēng)速預(yù)測值。

文獻(xiàn)［11］將風(fēng)電場分為風(fēng)電集群層、風(fēng)電場層和風(fēng)電機(jī)組層，通過逐層功率控制和反饋校正，完成了風(fēng)電場有功功率分配與控制。文獻(xiàn)［12］對風(fēng)電場機(jī)組在一個(gè)調(diào)度周期內(nèi)，依據(jù)各機(jī)組的運(yùn)行狀態(tài)和實(shí)時(shí)風(fēng)速進(jìn)行了多次分類，并以此設(shè)計(jì)風(fēng)電場有功分配算法，該算法可提高功率跟蹤精度并減少機(jī)組的啟停頻率。文獻(xiàn)［13］根據(jù)各機(jī)組所處不同的風(fēng)速區(qū)域?qū)L(fēng)電場機(jī)組分為低風(fēng)速、中風(fēng)速和高風(fēng)速3大類，根據(jù)分類結(jié)果制定風(fēng)電場有功功率分配算法，提高了功率跟蹤精度，減少了參與風(fēng)電場功率調(diào)節(jié)的機(jī)組數(shù)目。文獻(xiàn)［14］利用自組織特征映射（self-organizing feature mapping，SOFM）神經(jīng)網(wǎng)絡(luò)和基于模擬退火遺傳算法的模糊C均值聚類算法，對機(jī)組進(jìn)行分類并制定分類后的機(jī)組功率調(diào)節(jié)順序。目前風(fēng)速預(yù)測和機(jī)組分類主要存在如下問題：

1）風(fēng)速預(yù)測方法多采用某種單一的方法，對于風(fēng)電場復(fù)雜多變的風(fēng)速，其適用性受到了一定限制。

2）風(fēng)速預(yù)測的研究主要針對風(fēng)電場的整體風(fēng)速，然而隨著風(fēng)電場規(guī)模的增大，每臺(tái)機(jī)組所處區(qū)域的風(fēng)速差別較大，因此，依據(jù)風(fēng)電場整體風(fēng)速預(yù)測進(jìn)行機(jī)組功率分配，對風(fēng)電場功率跟蹤精度會(huì)帶來很大影響。

3）機(jī)組分類往往只考慮機(jī)組風(fēng)速或輸出功率，這種分類方法不能全面的反映機(jī)組發(fā)電能力以及運(yùn)行狀態(tài)的差異；另一方面，機(jī)組有功功率分配算法未考慮機(jī)組未來風(fēng)速。這些都會(huì)影響風(fēng)電場功率跟蹤精度。

針對以上問題，本文提出一種綜合考慮機(jī)組預(yù)測風(fēng)速、當(dāng)前風(fēng)速和機(jī)組輸出功率的機(jī)組分類方法，在分類的基礎(chǔ)上，制定風(fēng)電場有功功率調(diào)節(jié)的優(yōu)先級，按不同類機(jī)組的調(diào)節(jié)順序進(jìn)行功率分配，再將分配到每一類機(jī)組的功率按機(jī)組輸出功率的比例分配至該類的每臺(tái)機(jī)組，從而實(shí)現(xiàn)整個(gè)風(fēng)電場有功功率分配。最后，對14臺(tái)1.3 MW的風(fēng)電機(jī)組組成的風(fēng)電場功率分配進(jìn)行仿真，仿真結(jié)果驗(yàn)證了本文提出的分配方法的可行性和有效性。

1 風(fēng)電機(jī)組風(fēng)速預(yù)測

進(jìn)行風(fēng)電機(jī)組風(fēng)速預(yù)測時(shí)，若采用單一的預(yù)測方法，其適用性會(huì)受到一定的限制。針對風(fēng)速復(fù)雜多變的特點(diǎn)，可考慮將多種預(yù)測方法結(jié)合起來形成組合風(fēng)速預(yù)測方法。圖1為本文采用的組合預(yù)測風(fēng)速方法的結(jié)構(gòu)圖，將灰色模型預(yù)測、BP神經(jīng)網(wǎng)絡(luò)預(yù)測和LSSVM預(yù)測進(jìn)行組合對機(jī)組風(fēng)速進(jìn)行預(yù)測，根據(jù)3種方法的預(yù)測誤差和方差求得組合預(yù)測的權(quán)重，最后將3種方法的預(yù)測結(jié)果加權(quán)求和得到組合預(yù)測的風(fēng)速值。

組合預(yù)測風(fēng)速方法的計(jì)算過程如下：

1）通過3種風(fēng)速預(yù)測方法得到3組風(fēng)速預(yù)測值，分別為[VforGERY]、[VforBP]、[VforLSSVM]。

2）計(jì)算3種預(yù)測方法的方差[δi]為：

[δi=1n[（e1i-ei）2+（e2i-ei）2+…+（eni-ei）2]]"""" （1）

式中：[δi]——3種預(yù)測方法的方差；[n]——樣本數(shù)量；[eni]——第[i]種方法在第[n]個(gè)數(shù)據(jù)序列中的預(yù)測誤差；[ei]——第[i]種方法的預(yù)測誤差平均值，[i=1，2，3]。

3）根據(jù)方差[δi]求3種方法對應(yīng)的權(quán)重[ωi]為：

[ω1=1δ11δ1+1δ2+1δ3ω2=1δ21δ1+1δ2+1δ3ω3=1δ31δ1+1δ2+1δ3]""""" （2）

式中：[δ1～δ3]——3種預(yù)測方法的方差；[ω1～ω3]——3種預(yù)測方法的權(quán)值。

4）計(jì)算組合預(yù)測風(fēng)速[Vfor]為：

[Vfor=ω1VforGM+ω2VforBP+ω3VforLSSVM]"""" （3）

2 風(fēng)電機(jī)組分類

2.1 風(fēng)電場風(fēng)電機(jī)組分類依據(jù)

風(fēng)電機(jī)組分類主要考慮以下因素。

2.1.1 風(fēng)電機(jī)組當(dāng)前風(fēng)速

風(fēng)速是計(jì)算風(fēng)電場風(fēng)能的重要依據(jù)，然而大規(guī)模風(fēng)電場每臺(tái)機(jī)組的風(fēng)速不完全相同，因此應(yīng)選擇每臺(tái)機(jī)組當(dāng)前風(fēng)速作為機(jī)組分類的依據(jù)。

2.1.2 風(fēng)電機(jī)組預(yù)測風(fēng)速

風(fēng)速的大小受環(huán)境和區(qū)域等因素影響，具有較強(qiáng)的隨機(jī)性和不確定性，對機(jī)組未來風(fēng)速的預(yù)測，進(jìn)而制定合理的有功功率分配算法，可減小風(fēng)速的隨機(jī)性和不確定性對風(fēng)電場有功功率跟蹤精度的影響。因此在機(jī)組分類時(shí)應(yīng)將機(jī)組未來風(fēng)速作為一項(xiàng)指標(biāo)。

2.1.3 機(jī)組功率調(diào)節(jié)能力

在風(fēng)電場中每臺(tái)機(jī)組的輸出功率能力不同，若對每臺(tái)機(jī)組發(fā)送相同的有功功率設(shè)定值，則可能出現(xiàn)功率給定超出部分機(jī)組發(fā)電能力的情況，一方面會(huì)導(dǎo)致風(fēng)電場有功功率跟蹤精度降低；另一方面也會(huì)進(jìn)一步加大機(jī)組的載荷，因此在進(jìn)行機(jī)組分類時(shí)應(yīng)考慮風(fēng)電機(jī)組功率調(diào)節(jié)能力。

2.2 風(fēng)電場風(fēng)電機(jī)組分類數(shù)目確定

風(fēng)電場中機(jī)組分類數(shù)目的確定和風(fēng)電場規(guī)模、地形、風(fēng)速以及機(jī)組的實(shí)際運(yùn)行工況都有關(guān)系。一般來說，風(fēng)電場規(guī)模越大、地形越復(fù)雜，機(jī)組運(yùn)行情況差異性越大，分類的數(shù)目越多。但分類數(shù)目過多，會(huì)增加有功功率分配算法的復(fù)雜度，不便于工程實(shí)現(xiàn)；另外，機(jī)組分類數(shù)目過少會(huì)造成分類不完善，達(dá)不到按分類結(jié)果進(jìn)行有功功率分配，從而提高風(fēng)電場功率跟蹤精度的預(yù)期效果。

2.3 風(fēng)電場機(jī)組分類

2.3.1 模糊C均值分類

模糊C均值聚類算法（fuzzy C-means，F(xiàn)CM）是一種智能分類方法，分類過程中，首先需確定所有類別的聚類中心，然后通過計(jì)算得到所有樣本對各個(gè)聚類中心的隸屬度，最后給予每個(gè)樣本屬于每個(gè)類別的隸屬度函數(shù)，根據(jù)隸屬度大小對樣本進(jìn)行自動(dòng)分類。

模糊C均值聚類算法的目標(biāo)函數(shù)如式（4）所示。

[Jm=i=1nj=1cumijxi-cj2，1≤m≤∞]""" （4）

式中：[m]——模糊度指數(shù)；[c]——聚類類數(shù)量；[cj]——第[j]個(gè)聚類中心相量；[xi]——第[i]個(gè)樣本；[uij]——[xi]對[cj]的隸屬度；||*||——?dú)W幾里德距離。

隸屬度矩陣為[n×c]矩陣，表示[n]個(gè)樣本點(diǎn)對[c]個(gè)類的隸屬程度。樣本[xi]對于每個(gè)類的隸屬度之和都為1。樣本對某類的隸屬度越大，表示隸屬該類的程度越高。

由式（4）可知，目標(biāo)函數(shù)值的大小與樣本[xi]和聚類中心[cj]的歐幾里德距離有關(guān)，距離最短，相似度最高。

簇中心[cj]為：

[cj=i=1numij?xii=1numij]"""" （5）

隸屬度[uij]為：

[uij=1k=1cxi-cjxi-ck1m-2]""" （6）

當(dāng)相鄰二次迭代目標(biāo)函數(shù)值的最大變化值不超過誤差閾值[ε]，則停止迭代，完成聚類；否則更新[uij]和[cj]，通過不斷迭代直到滿足聚類算法的終止條件為：

[maxij{|Jt+1m-Jtm|}lt;ε]""""" （7）

式中：[t]——迭代步數(shù)；[ε]——誤差閾值的一個(gè)小常數(shù)。

2.3.2 樣本數(shù)據(jù)處理

風(fēng)電場機(jī)組當(dāng)前風(fēng)速、預(yù)測風(fēng)速和當(dāng)前輸出功率的平均值分別為：

[v（i）=i=1nv（i）n，" i=1，2，…，n] （8）

[vfor（i）=i=1nvfor（i）n，" i=1，2，…，n]"""""" （9）

[P（i）=i=1nP（i）n，" i=1，2，…，n] （10）

式中：[v（i）]——風(fēng)電場第[i]臺(tái)機(jī)組在指定時(shí)間段內(nèi)的平均風(fēng)速；[v（i）]——第[i]臺(tái)機(jī)組當(dāng)前風(fēng)速；[vfor（i）]——風(fēng)電場第[i]臺(tái)機(jī)組在指定時(shí)間段內(nèi)預(yù)測風(fēng)速的平均值；[vfor（i）]——第[i]臺(tái)機(jī)組預(yù)測風(fēng)速；[P（i）]——風(fēng)電場第[i]臺(tái)機(jī)組在指定時(shí)間段內(nèi)輸出功率的平均值；[P（i）]——第[i]臺(tái)機(jī)組的當(dāng)前輸出功率。

風(fēng)電場機(jī)組的風(fēng)速、預(yù)測風(fēng)速和輸出功率均方差根值分別為：

[v′（i）=1nj=1n[vj（i）-v（i）]2， j=1，2，???，n]"""""" （11）

[vfor′（i）=1nj=1n[vforj（i）-vfor（i）]2， j=1，2，???，n] （12）

[P′（i）=1nj=1n[Pj（i）-P（i）]2， j=1，2，???，n]""""" （13）

將上述3組平均值和均方根差值經(jīng)線性函數(shù)轉(zhuǎn)換做歸一化處理可得：

[v0-1（i）=v（i）-v（min）v（max）-v（min）]""" （14）

[vfor0-1（i）=vfor（i）-vfor（min）vfor（max）-vfor（min）]""" （15）

[P0-1（i）=P（i）-P（min）P（max）-P（min）]"" （16）

[v′0-1（i）=v′（i）-v′（max）v′（min）-v′（max）]"""""" （17）

[v′for0-1（i）=vfor′（i）-vfor′（max）vfor′（min）-vfor′（max）]"""""" （18）

[P′0-1（i）=P′（i）-P′（max）P′（min）-P′（max）]""""" （19）

歸一化處理后，可得到風(fēng)電場每臺(tái)機(jī)組當(dāng)前風(fēng)速、預(yù)測風(fēng)速和輸出功率的特征矩陣為：

[V0-1（1）V0-1（2）???V0-1（n）V′0-1（1）V′0-1（2）???V′0-1（n）Vfor0-1（1）Vfor0-1（2）???Vfor0-1（n）V′for0-1（1）V′for0-1（2）???V′for0-1（n）P0-1（1）P0-1（2）???P0-1（n）P′0-1（1）P′0-1（2）???P′0-1（n）]"""""" （20）

將特征矩陣作為模糊C均值聚類算法的輸入樣本，采用模糊C均值聚類方法可進(jìn)行風(fēng)電場機(jī)組分類。

2.4 參與風(fēng)電場有功功率分配的風(fēng)電機(jī)組調(diào)節(jié)順序

每類機(jī)組平均功率特征值的大小決定了該類機(jī)組輸出功率的大小，功率均方根誤差特征值的大小代表了該類機(jī)組的輸出功率波動(dòng)情況。在風(fēng)電場功率調(diào)節(jié)過程中，可根據(jù)各類機(jī)組平均功率特征值和功率均方根誤差特征值制定風(fēng)電場各類機(jī)組的升功率或降功率調(diào)節(jié)順序。如平均功率特征值越小、功率均方根誤差特征值越小的一類機(jī)組優(yōu)先進(jìn)行升功率調(diào)節(jié)，以此類推至最后一類機(jī)組。風(fēng)電場降功率調(diào)節(jié)與升功率的調(diào)節(jié)優(yōu)先級順序相反，即平均功率特征值越大、功率均方根誤差特征值越小的一類機(jī)組優(yōu)先進(jìn)行降功率調(diào)節(jié)，以此類推至最后一類機(jī)組。

3 基于機(jī)組分類的有功功率分配策略

3.1 風(fēng)電場有功功率調(diào)度系統(tǒng)

風(fēng)電場有功功率調(diào)度系統(tǒng)包括場級功率控制器、機(jī)組分類功率控制器和機(jī)組功率控制器，還包括風(fēng)速預(yù)測系統(tǒng)、機(jī)組監(jiān)測系統(tǒng)等。風(fēng)電場有功功率調(diào)度系統(tǒng)結(jié)構(gòu)如圖2所示。

如圖2所示，風(fēng)電場有功功率調(diào)度系統(tǒng)接收調(diào)度中心功率指令，并與風(fēng)電場實(shí)際輸出功率比較，得到功率調(diào)節(jié)量，根據(jù)機(jī)組分類情況和調(diào)節(jié)順序?qū)⒐β收{(diào)節(jié)量分配到相應(yīng)的機(jī)組類，其主要目標(biāo)就是根據(jù)調(diào)度中心功率指令控制風(fēng)電場輸出的有功功率，保證功率的跟蹤精度。

3.2 風(fēng)電場有功功率分配流程

在一個(gè)調(diào)度周期內(nèi)的風(fēng)電場有功功率分配流程如圖3所示。

3.2.1 功率分配預(yù)處理

首先計(jì)算各類機(jī)組當(dāng)前輸出總功率與功率指令的偏差[ΔP]，[ΔP]定義為：

[ΔP=PrefWF-PoutWF] （21）

[PoutWF=i=1nPouti]"""" （22）

式中：[n]——風(fēng)電場的風(fēng)電機(jī)組分類數(shù)；[Pouti]——第[i]類機(jī)組總的輸出功率。

3.2.2 按機(jī)組類功率分配算法

當(dāng)[ΔPgt;0]，即風(fēng)電場需增加輸出功率，第i類機(jī)組增加輸出功率的能力可表示為：

[ΔPupi=Pmaxi-Pouti]"" （23）

式中：[Pmaxi]——第[i]類機(jī)組可輸出的最大功率。假設(shè)調(diào)節(jié)順序?yàn)閇1，2，…，n]，然后按調(diào)節(jié)順序逐類累加功率調(diào)整量，直到：

[ΔPupk+ΔPupk-1+???+ΔPup1≥ΔP]""" （24）

式中：[k]——需進(jìn)行功率調(diào)整的機(jī)組類數(shù)，[k≤n]。

因此，所有類的機(jī)組的參考功率為：

[Prefi=Pmaxi，1≤i≤k-1Poutk+ΔP-（ΔPupk-1+ΔPupk-2+???+ΔPup1），" i=kPouti，" k+1≤i≤n]""""" （25）

式（25）含義為，第1～k-1類機(jī)組輸出最大功率，第k類則補(bǔ)償剩余功率誤差，其他機(jī)組保持當(dāng)前輸出功率。

同理，當(dāng)[ΔPlt;0]，假設(shè)調(diào)節(jié)順序仍為[1，2，…，n]，所有類的機(jī)組的參考功率為：

[Prefi=Pmini，1≤i≤k-1Pdownk-ΔP-（ΔPdownk-1+ΔPdownk-2+???+ΔPdown1），" i=kPouti，" k+1≤i≤N]""""""""""""""""" （26）

第1～[k-1]類機(jī)組輸出最小功率，第[k]類則補(bǔ)償剩余功率誤差，其他機(jī)組保持當(dāng)前輸出功率。

3.2.3 同一類機(jī)組功率分配

同一類機(jī)組功率分配可采用簡單的比例算法，將每類機(jī)組總的功率參考值按機(jī)組當(dāng)前輸出功率的比例分給每臺(tái)機(jī)組，第i類第j號機(jī)組的功率參考值為：

[Prefij=Poutijj=1miPoutijPrefi]""" （27）

式中：[mi]——第[i]類機(jī)組的臺(tái)數(shù)；[Pijout]——第[i]類機(jī)組中第[j]號機(jī)組的輸出功率；[Piref]——第i類機(jī)組功率設(shè)定值。

4 仿真結(jié)果和分析

4.1 風(fēng)速預(yù)測仿真

圖4為西北某風(fēng)電場14臺(tái)機(jī)組60 s風(fēng)速曲線。為分析方便，按機(jī)組風(fēng)速由小到大標(biāo)注為1號機(jī)組到14號機(jī)組，對1號、7號和14號機(jī)組進(jìn)行風(fēng)速預(yù)測仿真驗(yàn)證。表1為風(fēng)電機(jī)組的參數(shù)。

從圖5可看出，與灰色模型、神經(jīng)網(wǎng)絡(luò)和LSSVM預(yù)測方法相比，組合預(yù)測方法對風(fēng)電場機(jī)組風(fēng)速的預(yù)測精度明顯提高。

4.2 功率分配仿真

本文將14臺(tái)機(jī)組分為3類，并將14臺(tái)機(jī)組的風(fēng)速、預(yù)測風(fēng)速和輸出功率特征矩陣作為模糊C均值聚類算法的輸入樣本，采用模糊C均值聚類方法對風(fēng)電場機(jī)組進(jìn)行分類。由于按風(fēng)速由小到大對14臺(tái)機(jī)組進(jìn)行編號，所以分類結(jié)果基本上體現(xiàn)了低、中、高風(fēng)速特點(diǎn)，第1類包含1號、2號、3號、4號共4臺(tái)機(jī)組，第2類有5號、6號、7號、8號、9號共5臺(tái)機(jī)組，第3類各包含10號、11號、12號、13號、14號共5臺(tái)機(jī)組。通過計(jì)算，得到每類機(jī)組的平均輸出功率以及功率均方差根值的平均值，如表2所示。

根據(jù)得到的本次功率調(diào)度周期各類機(jī)組的輸出功率平均值和均方差根值的平均值的大小以及優(yōu)先級分配原則，可得本次功率調(diào)度周期風(fēng)電場升功率（降功率）調(diào)節(jié)優(yōu)先級順序：

1）風(fēng)電場升功率機(jī)組調(diào)節(jié)順序：首先調(diào)節(jié)第1類機(jī)組，然后是第2類機(jī)組，最后調(diào)節(jié)第3類機(jī)組。

2）風(fēng)電場降功率機(jī)組調(diào)節(jié)順序：首先調(diào)節(jié)第3類機(jī)組，然后是第2類機(jī)組，最后調(diào)節(jié)第1類機(jī)組。

圖6為調(diào)度指令值為8 MW和4 MW時(shí)，按風(fēng)速的比例分配算法和本文提出的分配算法風(fēng)電場輸出功率曲線，可看出本文提出分配算法風(fēng)電場輸出功率更接近電網(wǎng)調(diào)度中心功率指令值，且波動(dòng)較小。

setting value is 8 MW and 4 MW

圖7為指令由8 MW變?yōu)? MW的機(jī)組輸出功率。調(diào)度中心功率指令值由8 MW變?yōu)? MW時(shí)14臺(tái)機(jī)組的輸出功率柱狀圖。由圖7a可看出，當(dāng)指令值由8 MW變?yōu)? MW，并非風(fēng)電場所有機(jī)組全部參與功率調(diào)節(jié)，其中1號、2號、3號和4號機(jī)組輸出功率未發(fā)生改變，即未參與功率調(diào)節(jié)。圖7b為按風(fēng)速比例分配算法風(fēng)電場14臺(tái)機(jī)組的輸出功率柱狀圖，可看出功率指令值發(fā)生改變時(shí)，所有機(jī)組的輸出功率都發(fā)生了改變，即每臺(tái)機(jī)組都參與了風(fēng)電場有功功率調(diào)節(jié)。

8 MW to 4 MW

圖8為在功率指令值由8 MW變?yōu)? MW時(shí)每類機(jī)組總的輸出功率柱狀圖。由圖8a可看出采用本文分配算法只有

第2類和第3類機(jī)組輸出功率發(fā)生了改變，第1類機(jī)組輸出功率無變化，即第1類機(jī)組未參與風(fēng)電場有功功率調(diào)節(jié)。而由圖8b可看出按風(fēng)速比例風(fēng)電場有功功率分配算法，3類機(jī)組輸出功率均發(fā)生了改變，均參與了風(fēng)電場有功功率調(diào)節(jié)。

5 結(jié) 論

本文首先采用組合預(yù)測方法得到風(fēng)電場各機(jī)組的風(fēng)速預(yù)測值，將機(jī)組預(yù)測風(fēng)速與實(shí)時(shí)風(fēng)速和機(jī)組輸出功率做歸一化處理。采用模糊C均值聚類算法將風(fēng)電場機(jī)組進(jìn)行分類。依據(jù)每類機(jī)組平均功率特征值均方根誤差平均特征值制定了風(fēng)電場各類機(jī)組升功率和降功率的調(diào)節(jié)優(yōu)先級，并設(shè)計(jì)了基于機(jī)組分類的風(fēng)電場有功功率分配算法。以由14臺(tái)1.3 MW的風(fēng)電機(jī)組組成的某風(fēng)電場進(jìn)行了風(fēng)速預(yù)測和功率分配仿真研究。仿真結(jié)果表明，與單一的灰色模型預(yù)測、神經(jīng)網(wǎng)絡(luò)預(yù)測和LSSVM預(yù)測方法相比，本文提出的組合預(yù)測方法對風(fēng)速的預(yù)測精度明顯提高；與按風(fēng)速比例功率分配算法相比，本文提出的基于機(jī)組分類的風(fēng)電場功率分配算法提高了風(fēng)電場有功功率跟蹤精度，同時(shí)減少了參與有功功率調(diào)節(jié)的機(jī)組數(shù)。

［參考文獻(xiàn)］

［1］"""" 中國電力網(wǎng). 2020年全球及中國風(fēng)電行業(yè)發(fā)展現(xiàn)狀分析［EB/OL］. http：//www.chinapower.com.cn/zx/hyfx/20200827/28774.html.

China Power Grid. Analysis on the development status of global and chinese wind power industry in 2020［EB/OL］. http：//www.chinapower.com.cn/zx/hyfx/20200827/28774.html.

［2］"""" 國家發(fā)展改革委員會(huì). 可再生能源發(fā)展“十三五”規(guī)劃（下）［J］. 太陽能， 2017（3）： 5-12， 37.

National Development and Reform Commission. The 13th five year plan for renewable energy development （Part 2）［J］. 2017（3）： 5-12， 37.

［3］"""" POUL S， ANCA-D H， FLORIN I. Wind farm models and control strategies［R］. Ris? report， Denmark， 2005.

［4］"""" 樊新東， 楊秀媛， 金鑫城. 風(fēng)電場有功功率控制綜述［J］. 發(fā)電技術(shù)， 2018， 39（3）： 268-276.

FAN X D， YANG X Y， JIN X C. An overview of active power""" control""" in"" wind"" farms［J］."" Power""" generation technology， 2018， 39（3）： 268-276.

［5］"""" 趙婷. 風(fēng)電場發(fā)電機(jī)組功率分配控制研究［D］. 西安： 西安理工大學(xué)， 2018.

ZHAO T. Research on wind farm active power allocation and control［D］. Xi’an： Xi’an University of Technology， 2018.

［6］"""" 劉軍， 張彬彬， 趙婷. 基于模糊評價(jià)的風(fēng)電場有功功率分配算法［J］. 電工技術(shù)學(xué)報(bào)， 2019， 34（4）： 786-794.

LIU J， ZHANG B B， ZHAO T. Research on wind farm active power dispatching algorithm based on fuzzy evaluation［J］."" Transactions"" of"" China"" Electrotechnical Society， 2019， 34（4）： 786-794.

［7］"""" 靳小釗， 王娟娟， 趙聞蕾. 基于灰色系統(tǒng)GM（1，1）模型的短期風(fēng)速預(yù)測算法［J］. 化工自動(dòng)化及儀表， 2015， 42（11）： 1247-1249.

JIN X Z， WANG J J， ZHAO W L. Prediction algorithm for short-term wind speed based on gray system GM（1， 1） model［J］. Control and instruments in chemical industry， 2015， 42（11）： 1247-1249.

［8］"""" 周建強(qiáng)， 李玉娜， 屈衛(wèi)東， 等. 基于風(fēng)速時(shí)空信息的BP神經(jīng)網(wǎng)絡(luò)超短期風(fēng)速預(yù)測研究［J］. 電網(wǎng)與清潔能源， 2015， 31（1）： 109-112.

ZHOU J Q， LI Y N， QU W D， et al. A study on BP neural network" ultra-short-term" wind" speed" forecast" based" on historical and spatial wind speed data［J］. Power system and clean energy， 2015， 31（1）： 109-112.

［9］"""" 張文， 胡從川， 闕波.一種實(shí)時(shí)校正的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)超短期風(fēng)速預(yù)測模型［J］. 電網(wǎng)與清潔能源， 2016， 32（9）： 118-122， 127.

ZHANG W， HU C C， QUE B. An ultra-short-term wind speed prediction model based on improved BP neural network with real-time correction［J］. Power system and clean energy， 2016， 32（9）： 118-122， 127.

［10］""" 李輝， 陶偉， 姜一波， 等. 基于DTCWT與LSSVM的風(fēng)電場短期風(fēng)速預(yù)測［J］. 常州工學(xué)院學(xué)報(bào)， 2019， 32（1）： 14-19.

LI H， TAO W， JIANG Y B， et al. Short-term wind speed forecasting of wind farms based on DTCWT and LSSVM［J］. Journal of Changzhou Institute of Technology， 2019， 32（1）： 14-19.

［11］""" 葉林， 張慈杭， 湯涌， 等. 多時(shí)空尺度協(xié)調(diào)的風(fēng)電集群有功分層預(yù)測控制方法［J］. 中國電機(jī)工程學(xué)報(bào)， 2018， 38（13）： 3767-3780， 4018.

YE L， ZHANG C H， TANG Y， et al. Active power stratification predictive control approach for wind power cluster with multiple temporal and spatial scales" coordination［J］. "Proceedings" of" the" CSEE，" 2018，" 38（13）： 3767-3780， 4018.

［12］""" 梅華威， 米增強(qiáng)， 李聰， 等. 采用機(jī)組風(fēng)速信息動(dòng)態(tài)分類的風(fēng)電場有功控制策略［J］. 中國電機(jī)工程學(xué)報(bào)， 2014， 34（34）： 6058-6065.

MEI H W， MI Z Q， LI C， et al. An active control strategy based on wind speed information dynamic classification for WTGS in wind farm［J］. Proceedings of the CSEE， 2014， 34（34）： 6058-6065.

［13］""" LIU M， ZOU J X， PENG C， et al. Active power control for wind farms based on MPC combined with state classification［J］. IFAC papers on line， 2017， 50（1）： 2137-2144.

［14］""" ZHANG J H， LIU Y Q， INFZEID D， et al. Optimal power dispatch within wind farm based on two approaches to wind turbine classification［J］. Renewable energy， 2017， 102： 487-501.

STUDY ON ACTIVE POWER DISTRIBUTION METHOD OF

WIND FARM BASED ON UNIT CLASSIFICATION

Liu Jun，Zhao Hang，Liu Andong

（College of Automation， Xi’an University of Technology， Xi’an 710048， China）

Abstract：Aiming at the problems of low prediction accuracy of single wind speed prediction method and large error of tracking power dispatching instruction when power distribution of wind farm units is carried out according to wind speed ratio， a combined wind speed prediction method is proposed. Based on the unit classification of the predicted wind speed， current wind speed and output power， a method of active power distribution for wind farms is proposed. The fuzzy C-means classification method is used to classify the units. The power regulation priority is determined according to the classification results. The power instructions are allocated to different types of units， and then allocated to each unit according to the proportion of the output power of each unit of a certain class， so as to realize the active power distribution of the whole wind farm. Wind speed prediction and active power distribution simulation research are carried out based on actual wind speed data of a wind farm. The simulation results show that the combined wind speed prediction method and active power distribution method proposed in this paper have the advantages of high wind speed prediction accuracy， high output power tracking accuracy and small number of units involved in active power regulation.

Keywords：wind farm； active power； wind turbine classification； real time wind speed