CN103915855B - 一种降低风电机组机械损耗的风电场内优化调度方法 - Google Patents

Abstract

本发明公开了属于风电场技术领域的一种降低风电机组机械损耗的风电场内优化调度方法。该方法为：步骤1：对不同风况下不同载荷工况进行数值模拟，得到不同载荷工况下不同重要部件承受的循环载荷作用次数；步骤2：计算得到不同载荷工况下不同重要部件材料破坏时的循环次数，然后根据线性累积损伤理论，得到不同重要部件在不同载荷工况下的单位相对损伤值；步骤3：利用粒子群优化算法，对风电场内风电机组组合调度进行优化计算，得到风电机组重要部件的机械损伤最小的风电场内风电机组组合。本发明通过合理的风电机组组合调度，在保证输出功率的同时，减少了风电机组启停、切换等对风电机组寿命的不利影响，减少了电力***的运行成本。

Description

一种降低风电机组机械损耗的风电场内优化调度方法

专利领域

本发明属于风电场技术领域，尤其涉及一种降低风电机组机械损耗的风电场内优化调度方法。

背景技术

风能是可再生能源中发展最快且最具有开发价值的清洁能源，而风力发电是风能开发利用的主要形式。近年来我国风电产业发展迅速，但随着投入使用的风电场数目的增多，风电并网规模的逐渐增大，给电力***的安全稳定运行带来了新的挑战。由于现在并网风电场普遍具有动态，随机及容量大等特点，尤其是其随机性会影响到电力***的经济调度和安全运行。因此，在全球风力发电事业快速发展的同时，合理有效地提高风电利用率是所有国家的电力***所要面临的挑战。

电网实行风力发电优化调度，不仅能够提高风电的消纳水平，而且也是促进风力发电科学发展的重要因素。目前，含风电场的电力***优化调度的研究主要以整个电力***为研究对象，而且多数研究还是在风电功率全额上网的基础上，即首先满足可再生能源发电全额上网，然后再考虑其他类型风电机组的经济调度。但在实际运行中，风电功率并非都能做到全额上网。而且随着风力发电装机规模不断提升，风电机组的单机容量和单个风电场的装机容量也在不断的扩大，电网对风力发电的调度也在向风电场内部延伸。相对于常规火电厂，风电场内风电机组数量众多，占地面积巨大，风电机组之间距离较远，地形条件复杂，由于风电机组的出力主要取决于风速，所以在风电场运行过程中，不同风电机组同一时间段的出力水平可能会有着明显的差距，在同一个时间段内，也可能呈现出不同的变化趋势。因此展开对限负荷的风电场风电机组组合优化调度的研究，对整个电力***运行具有指导意义。

发明内容

针对上述现有技术中存在的问题，本发明提出一种降低风电机组机械损耗的风电场内优化调度方法，其特征在于，该方法包括以下步骤：

步骤1：对不同风况下不同载荷工况进行数值模拟，得到不同载荷工况下不同重要部件承受的循环载荷作用次数；

步骤2：计算得到不同载荷工况下不同重要部件材料破坏时的循环次数，然后根据线性累积损伤理论，得到不同重要部件在不同载荷工况下的单位相对损伤值；

步骤3：利用粒子群优化算法，对风电场内风电机组组合调度进行优化计算，得到风电机组重要部件的机械损伤最小的风电场内风电机组组合。

所述不同载荷工况为正常停机、空转、启动和正常发电；所述不同重要部件为叶片、轮毂和塔架。

所述步骤1具体为：

步骤11：计算一年中风电机组在正常发电和空转载荷工况下的运行时间h_k，具体计算公式如下：

$h_k=8766\×\frac{\mathrm{\π}}{2}\frac{v_k}{{\left(\stackrel{\‾}{v}\right)}^2}{e}^{{-m}_k};$

其中，k为某一运行的载荷工况，k=1代表正常发电载荷工况，k=2代表启动载荷工况，k=3代表正常停机载荷工况，k=4代表空转载荷工况；h_k为某一载荷工况下不同风况的小时数，不同重要部件的h_k相同；v_k为某一载荷工况下的风速；为平均风速；π=3.14；e=2.718；

计算一年中风电机组在启动和正常停机载荷工况下的动作次数g_k，在切入风速下g_k=1000，在额定风速和切出风速下g_k=50；不同重要部件的g_k相同；

步骤12：采用商用载荷分析计算软件对步骤11得到的数据进行数值模拟，得到在某一载荷工况下某一重要部件承受的循环载荷作用次数n_kl，其中l为某一重要部件，l=1代表叶片，l=2代表轮毂，l=3代表塔架。

所述步骤2具体为：

步骤21：根据以下公式计算得到在某一载荷工况下某一重要部件材料破坏时的循环次数N_kl：

对于金属材料：

$\lg {\mathrm{\σ}}_{\mathrm{kl}}=\frac{1}{m}\mathrm{lgC}-\frac{1}{m}\lg N_{\mathrm{kl}};$

其中，m和C是材料常数；σ_kl为对应的应力水平，σ_kl为已知量；

对于玻璃钢材料：

ασ_kl+lgN_kl＝β；

其中，常数β＝σ_b/B，σ_b为材料静强度；α＝1/B，B为常数，表示寿命指数；

步骤22：根据线性累积损伤理论，计算不同重要部件在某一载荷工况下的单位相对损伤量；

当风电机组处在正常发电和空转载荷工况下，计算公式如下：

$D_{\mathrm{kl}}=\frac{n_{\mathrm{kl}}/N_{\mathrm{kl}}}{h_k};$

其中，D_kl为某一重要部件在某一载荷工况下的单位相对损伤量；

当风电机组处在启动和正常停机载荷工况下，计算公式如下：

$D_{\mathrm{kl}}=\frac{n_{\mathrm{kl}}/N_{\mathrm{kl}}}{g_k}.$

所述步骤3中的优化目标函数为：

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

其中，F表示总的损伤量；T表示时间周期数；N表示风电机组台数； 表示在正常发电载荷工况下第i台风电机组在第j个时间周期内的单位相对损伤量； 表示在启动载荷工况下第i台风电机组在第j个时间周期内的单位相对损伤量； 表示在正常停机载荷工况下第i台风电机组在第j个时间周期内时的单位相对损伤量； 表示在空转载荷工况下第i台风电机组在第j个时间周期内的单位相对损伤量；表示第i台风电机组在第j个时间周期内的启停状态，0代表停机，1代表运行；t表示一个时间周期的长度；

风电场内风电机组组合的约束条件为：

约束条件1：风电机组出力上下限约束；

$P_{i,\min }^j\≤P_{i,\mathrm{predict}}^j\≤P_{i,\max }^j;$

其中，为第i台风电机组在第j个时间周期内的功率预测值；分别为第i台风电机组在第j个时间周期内的最小功率值和最大功率值；

约束条件2：负荷调度约束；

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(P_{i,\mathrm{predict}}^j\·u_i^j)-P_{\mathrm{loss}}=P_{\mathrm{load}}^j;$

其中，为在第j个时间周期内风电场规划的负荷出力，满足电网中调负荷指令；P_loss表示风电场内集电线路上功率损耗；

约束条件3：最大功率变化率约束；

在风电场并网、风电机组正常停机以及风速增长过程中，风电场功率变化率满足如下要求：

当风电场装机容量小于30兆瓦时，风电场功率在10分钟内的最大变量为20兆瓦，在1分钟内的最大变量为6兆瓦；

当风电场装机容量介于30兆瓦和150兆瓦之间时，风电场功率在10分钟内的最大变量为装机容量的2/3，在1分钟内的最大变量为装机容量的1/5；

当风电场装机容量大于150兆瓦时，风电场功率在10分钟内的最大变量为100兆瓦，在1分钟内的最大变量为30兆瓦；

约束条件4：线路损耗容量约束；

按***总负荷的7%考虑线路损耗容量，则有：

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(P_{i,\mathrm{predict}}^j\·u_i^j){\≥1.07P}_{\mathrm{load}}^j;$

其中，为在第j个时间周期内***的线路损耗容量。

所述步骤3具体为：

步骤31：设置粒子群规模M，并在解空间范围内随机初始化M个粒子，输入每台风电机组的预测功率以及初始启停状态；

步骤32：对每个粒子进行功率平衡和负荷调度约束，使其形成满足风电机组组合约束的可行解；

步骤33：优化目标函数计算各粒子的当前解，将其与自身的历史最优解作比较取最优者为粒子自身的局部最优解p_i′，取所有粒子的局部最优解中的最小值对应解作为全局最优解p_g′；

步骤34：计算下一代粒子的速度和更新粒子的位置，具体公式为；

$\begin{array}{c}{v}_{i^{\′}{d}^{\′}}^{k^{\′}+1}={\mathrm{wv}}_{i^{\′}{d}^{\′}}^{k^{\′}}+c_1{r}_1(p_{i^{\′}{d}^{\′}}^{k^{\′}}-x_{i^{\′}{d}^{\′}}^{k^{\′}})+c_2{r}_2(p_{g^{\′}{d}^{\′}}^{k^{\′}}-x_{i^{\′}{d}^{\′}}^{k^{\′}})\\ w=w_{\max }-(w_{\max }-w_{\min })\×{(k^{\′}/K)}^2\\ x_{i^{\′}{d}^{\′}}^{k^{\′}+1}=v_{i^{\′}{d}^{\′}}^{k^{\′}+1}+x_{i^{\′}{d}^{\′}}^{k^{\′}}\end{array};$

其中，w为惯性权重因子；c₁和c₂为学习因子；r₁，r₂为分布于(0，1)的随机数；分别为粒子i'在第k'次迭代中第d′维的速度和位置，r是区间[0，1]上的随机数；是修改后的概率映射函数， $S\left(v_{i^{\′}{d}^{\′}}^{k^{\′}}\right)=\left\{\begin{array}{cc}1-2/(1+\exp (-v_{i^{\′}{d}^{\′}}^{k^{\′}}))& v_{i^{\′}{d}^{\′}}^{k^{\′}}\≤0\\ 2/(1+\exp (-v_{i^{\′}{d}^{\′}}^{k^{\′}}))-1& v_{i^{\′}{d}^{\′}}^{k^{\′}}>0\end{array}\right.;$ 为粒子i'在第d′维的个体最优解的位置；为在第d′维的全局最优解的位置；K为迭代次数设定的最大值；

步骤35：当前迭代次数是否满足最大值K，若不满足，则k'=k'+1，返回步骤32；反之，结束计算，输出全局最优解。

发明的有益效果：本发明根据风功率预测数据与相应不同时段的电网限负荷约束条件，通过合理的风电机组组合调度，在保证输出功率的同时，可以减少风电机组启停、切换等对风电机组寿命的不利影响，进而减少电力***的运行成本；本发明方法可以为电力调度部门提供参考调度方案，从而有效减轻风力发电对整个电网的不利影响，提高风电并网能力。

附图说明

图1为本发明提出的风电场内优化调度方法流程图；

图2为粒子群优化算法流程图；

图3为某风电场年风速分布图；

图4为在单一载荷工况下叶片的叶根承受的循环载荷作用次数分布图；

图5（a）为风电机组重要部分叶片的叶根的疲劳载荷谱；

图5（b）为风电机组重要部分轮毂的疲劳载荷谱；

图5（c）为风电机组重要部分塔架的塔顶的疲劳载荷谱。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的说明。

如图1所示为本发明提出的风电场内优化调度方法流程图；该发明方法包括以下步骤：

步骤1：对不同风况下不同载荷工况（正常停机、空转、启动、正常发电）进行数值模拟，得到不同载荷工况下不同重要部件（叶片、轮毂、塔架）承受的循环载荷作用次数。

采用韦布分布（weibull）的风速概率密度函数来描述风速分布情况；其中，风速概率密度函数为：

$f\left(v\right)=\frac{v}{{\mathrm{\σ}}^2}{e}^{-\frac{v^2}{2{\mathrm{\σ}}^2}}---\left(1\right)$

其中，v为风速；σ为风速的标准偏差， 为平均风速；

对公式（1）进行变换，得到瑞利分布的风速累积分布函数，具体形式如下：

$h\left(v\right)=8766\×\frac{\mathrm{\π}}{2}\frac{v}{{\left(\stackrel{\‾}{v}\right)}^2}{e}^{{-m}_1}---\left(2\right)$

其中，一年按照8766小时计算；h(v)为不同风速下的小时数；π=3.14；e=2.718； $m_1=\frac{\mathrm{\π}}{4}{\left(\frac{v}{\stackrel{\‾}{v}}\right)}^2.$

步骤11：利用瑞利分布的风速累积函数来计算一年中风电机组在正常发电和空转载荷工况下的运行时间h_k，具体计算公式如下：

$h_k=8766\×\frac{\mathrm{\π}}{2}\frac{v_k}{{\left(\stackrel{\‾}{v}\right)}^2}{e}^{{-m}_k}---\left(3\right)$

其中，k为某一运行的载荷工况，k=1代表正常发电载荷工况，k=2代表启动载荷工况，k=3代表正常停机载荷工况，k=4代表空转载荷工况；h_k为某一载荷工况下不同风况的小时数，不同重要部件的h_k相同；v_k为某一载荷工况下的风速；为平均风速；π=3.14；e=2.718；

计算一年中风电机组在启动和正常停机载荷工况下的动作次数g_k，在切入风速下g_k=1000，在额定风速和切出风速下g_k=50；不同重要部件的g_k相同。

步骤12：采用商用载荷分析计算软件对步骤11得到的数据进行数值模拟，得到在某一载荷工况下某一重要部件承受的循环载荷作用次数n_kl，其中l为某一重要部件，l=1代表叶片，l=2代表轮毂，l=3代表塔架。

因为叶片会受到的交变载荷的作用，对叶片结构造成疲劳损伤破坏；塔架、轮毅等重要部件会受到由叶轮传递过来的动载荷的作用，会产生疲劳问题，所以对风电机组进行疲劳载荷分析时，对重要部件进行疲劳分析是十分重要的。疲劳问题不仅与载荷有关，它还取决于重要部件材料的疲劳特性。根据材料的S劳问题曲线（强度——寿命曲），可以得到材料的疲劳极限和疲劳寿命等参数，所以要确定风电机组重要部件的材料常数。

步骤2：计算得到不同载荷工况下不同重要部件材料破坏时的循环次数，然后根据线性累积损伤理论，得到不同重要部件在不同载荷工况下的单位相对损伤值。

对风电机组进行疲劳载荷分析时，根据以下公式计算得到在某一载荷工况下某一重要部件材料破坏时的循环次数N_kl。

对于金属材料：

$\lg {\mathrm{\σ}}_{\mathrm{kl}}=\frac{1}{m}\mathrm{lgC}-\frac{1}{m}\lg N_{\mathrm{kl}}---\left(4\right)$

其中，m和C是材料常数；σ_kl为对应的应力水平，σ_kl为已知量；

对于玻璃钢材料：

ασ_kl+lgN_kl＝β（5）

其中，常数β＝σ_b/B，σ_b为材料静强度；α＝1/B，B为常数，表示寿命指数。

根据线性累积损伤理论，计算不同重要部件在某一载荷工况下的单位相对损伤量。

线性累积损伤理论是指在循环载荷作用下，疲劳损伤以线性方式进行累加，各个应力循环之间相互独立互不影响，当总累积的损伤度达到某一数值时，试件或构件就发生疲劳破坏。Miner理论认为如果试样承受幅值为S_a1的载荷，重复N₁次破坏，则在整个过程中材料所受的损伤将线性地分配给各个循环，也就是每一循环材料的损伤为D₁=1/N₁。显然，若S_a1载荷作用n₁次，则材料损伤为D₁=n₁/N₁。同样，在S_a2，S_a3，……下，各损伤分别为D₂=n₂/N₂，D₃=n₃/N₃，……当（n₁/N₁+n₂/N₂+n₃/N₃+……）=1，材料整个损伤过程完毕，将发生破坏。

因此，当风电机组处在正常发电和空转载荷工况下，计算公式如下：

$D_{\mathrm{kl}}=\frac{n_{\mathrm{kl}}/N_{\mathrm{kl}}}{h_k}---\left(6\right)$

其中，D_kl为某一重要部件在某一载荷工况下的单位相对损伤量。

当风电机组处在启动和正常停机载荷工况下，计算公式如下：

$D_{\mathrm{kl}}=\frac{n_{\mathrm{kl}}/N_{\mathrm{kl}}}{g_k}---\left(7\right)$

步骤3：利用粒子群优化算法，对风电场内风电机组组合调度进行优化计算，得到风电机组重要部件的机械损伤最小的风电场内风电机组组合。

优化目标函数为：

$\min F=\underset{j=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(a_i^j{u}_i^j\·t)+\underset{j=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{b}_i^j{u}_i^j(1-u_i^{j-1})+\underset{j=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{c}_i^j{u}_i^{j-1}(1-u_i^j)+\underset{j=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(d_i^j(1-u_i^j)\·t)---\left(8\right)$

其中，F表示总的损伤量；T表示时间周期数；N表示风电机组台数； 表示在正常发电载荷工况下第i台风电机组在第j个时间周期内的单位相对损伤量； 表示在启动载荷工况下第i台风电机组在第j个时间周期内的单位相对损伤量； 表示在正常停机载荷工况下第i台风电机组在第j个时间周期内时的单位相对损伤量； 表示在空转载荷工况下第i台风电机组在第j个时间周期内的单位相对损伤量；表示第i台风电机组在第j个时间周期内的启停状态，0代表停机，1代表运行；t表示一个时间周期的长度。

风电场内风电机组组合的约束条件为：

约束条件1：风电机组出力上下限约束；

$P_{i,\min }^j\≤P_{i,\mathrm{predict}}^j\≤P_{i,\max }^j---\left(9\right)$

其中，为第i台风电机组在第j个时间周期内的功率预测值；分别为第i台风电机组在第j个时间周期内的最小功率值和最大功率值。

约束条件2：负荷调度约束；

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(P_{i,\mathrm{predict}}^j\·u_i^j)-P_{\mathrm{loss}}=P_{\mathrm{load}}^j---\left(10\right)$

其中，为在第j个时间周期内风电场规划的负荷出力，满足电网中调负荷指令；P_loss表示风电场内集电线路上功率损耗。

约束条件3：最大功率变化率约束；

在风电场并网、风电机组正常停机以及风速增长过程中，风电场功率变化率满足如下要求：

当风电场装机容量小于30兆瓦时，风电场功率在10分钟内的最大变量为20兆瓦，在1分钟内的最大变量为6兆瓦；

当风电场装机容量介于30兆瓦和150兆瓦之间时，风电场功率在10分钟内的最大变量为装机容量的2/3，在1分钟内的最大变量为装机容量的1/5；

当风电场装机容量大于150兆瓦时，风电场功率在10分钟内的最大变量为100兆瓦，在1分钟内的最大变量为30兆瓦；

约束条件4：线路损耗容量约束；

按***总负荷的7%考虑线路损耗容量，则有：

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(P_{i,\mathrm{predict}}^j\·u_i^j){\≥1.07P}_{\mathrm{load}}^j---\left(11\right)$

其中，为在第j个时间周期内***的线路损耗容量。

如图2所示为粒子群优化算法流程图，步骤3具体步骤为：

步骤31：设置粒子群规模M，并在解空间范围内随机初始化M个粒子，输入每台风电机组的预测功率以及初始启停状态；

步骤32：对每个粒子进行功率平衡和负荷调度约束，使其形成满足风电机组组合约束的可行解；

步骤33：优化目标函数计算各粒子的当前解，将其与自身的历史最优解作比较取最优者为粒子自身的局部最优解p_i′，取所有粒子的局部最优解中的最小值对应解作为全局最优解p_g′；

步骤34：计算下一代粒子的速度和更新粒子的位置，具体公式为；

$\begin{array}{c}{v}_{i^{\′}{d}^{\′}}^{k^{\′}+1}={\mathrm{wv}}_{i^{\′}{d}^{\′}}^{k^{\′}}+c_1{r}_1(p_{i^{\′}{d}^{\′}}^{k^{\′}}-x_{i^{\′}{d}^{\′}}^{k^{\′}})+c_2{r}_2(p_{g^{\′}{d}^{\′}}^{k^{\′}}-x_{i^{\′}{d}^{\′}}^{k^{\′}})\\ w=w_{\max }-(w_{\max }-w_{\min })\×{(k^{\′}/K)}^2\\ x_{i^{\′}{d}^{\′}}^{k^{\′}+1}=v_{i^{\′}{d}^{\′}}^{k^{\′}+1}+x_{i^{\′}{d}^{\′}}^{k^{\′}}\end{array}---\left(12\right)$

其中，w为惯性权重因子；c₁和c₂为学习因子；r₁，r₂为分布于(0，1)的随机数；分别为粒子i'在第k'次迭代中第d′维的速度和位置，r是区间[0，1]上的随机数；是修改后的概率映射函数， $S\left(v_{i^{\′}{d}^{\′}}^{k^{\′}}\right)=\left\{\begin{array}{cc}1-2/(1+\exp (-v_{i^{\′}{d}^{\′}}^{k^{\′}}))& v_{i^{\′}{d}^{\′}}^{k^{\′}}\≤0\\ 2/(1+\exp (-v_{i^{\′}{d}^{\′}}^{k^{\′}}))-1& v_{i^{\′}{d}^{\′}}^{k^{\′}}>0\end{array}\right.;$ 为粒子i'在第d′维的个体最优解的位置；为在第d′维的全局最优解的位置；K为迭代次数设定的最大值；

步骤35：当前迭代次数是否满足最大值K，若不满足，则k'=k'+1，返回步骤32；反之，结束计算，输出全局最优解。

实施例1

以中国北方某风电场的数据为例进行验证分析，数据包括从数据采集与监视控制***SCADA(SupervisoryControlAndDataAcquisition)***中提取的每15min的平均风电场功率实测值、平均风速。

对于年平均风速v=7.5m/s的风电机组，根据瑞利分布的风速累积分布函数即公式（2）求得某风电场年风速分布图，如图3所示。以1500kW风电机组为研究对象，假定风电机组设计寿命为20年，利用GHBladed软件结合风速分布规律，绘出在风电机组寿命期间在单一载荷工况下叶片的叶根承受的循环载荷作用次数分布图，如图4所示。

疲劳载荷谱是对重要部件进行疲劳分析的依据，是对重要部件在运转过程中所受的载荷的全面而综合描述，疲劳寿命的测算在很大程度上取决于疲劳载荷谱的确定。由GHBladed软件的雨流循环计数后处理，得到风电机组重要部件的疲劳载荷谱如图5（a）、5（b）和5（c）所示。利用Miner理论简单分析上图5（a）、5（b）和5（c）中风电机组重要部件的疲劳载荷谱，利用公式（4）到（7）得到不同重要部件在不同载荷工况下的单位相对损伤量。表1为不同风速下风电机组的出力范围，其中各种代号代表风电机组出力范围，表2为不同重要部件在不同载荷工况下的单位相对损伤量。

表1不同风速下风电机组的出力范围

代号表示	风速（m/s）	风电机组出力范围P（kW）
			000	1-3	0
001	3-5	0-93
			010	5-7	93-326
011	7-9	326-753
			100	9-13	753-1500
101	13-25	>1500

表2不同载荷工况下风电机组重要部件的单位相对损伤量

根据表2可以得到：

$\begin{array}{c}a=\left\{\begin{array}{cc}3.83E-08,& 0<P\&le;93\\ 4.78E-08,& 93<P\&le;326\\ 1.01E-07,& 326<P\&le;753\\ 1.32E-07,& 753<P\&le;1500\\ 1.63E-07,& P>1500\end{array}\right.\\ b=\left\{\begin{array}{cc}1.18E-09,& 0<P\&le;1500\\ 1.28E-09,& P>1500\end{array}\right.\\ c=\left\{\begin{array}{cc}2.04E-08,& 0<P\&le;1500\\ 1.01E-08,& P>1500\end{array}\right.\\ d=2.41E-12\end{array}---\left(13\right)$

取33台1500kW变速恒频双馈风电机组的相关数据，已知未来四个时间周期内电网侧负荷调度指令，分别为18000kW、16500kW、16500kW、20500kW；各风电机组未来四个时段风功率预测值如表3所示。

表3各风电机组未来四个时段风功率预测值

时间周期	1	2	3	4	5	6	7	8	9
										1	833.8	1009.2	203.5	625.3	600.2	951.2	737.3	889.5	928.1
2	1525.2	1522.0	218.9	1519.6	1301.8	1505.0	1487.1	1268.7	1140.9
										3	1507.5	1438.5	331.8	1511.7	1512.2	1507.9	1438.7	1522.2	1546.9
4	1020.2	942.5	254.3	1339.1	1310.1	1410.2	1129.0	1505.3	1515.6
										时间周期	10	11	12	13	14	15	16	17	18
1	674.5	850.0	920.3	731.7	1003.9	809.7	1130.6	1122.4	1065.1
										2	1317.9	954.7	1426.3	1299.4	1191.2	1237.5	661.6	596.0	727.9
3	1370.9	1379.2	1527.9	1501.5	1504.4	1530.7	930.0	1364.9	1266.4
										4	1397.9	1502.6	1445.7	1458.4	1449.8	1494.3	1489.4	1495.1	1502.1

时间周期	19	20	21	22	23	24	25	26	27
										1	1177.9	1106.4	1249.6	1188.1	1309.0	1004.1	1327.6	1500.6	1513.6
2	659.6	517.1	894.2	604.4	749.2	713.0	972.2	1184.3	1190.2
										3	1275.9	1164.4	1457.3	1388.8	1409.1	1384.0	804.2	712.2	606.8
4	1536.6	1524.3	1528.6	1525.9	1536.9	1513.6	1355.0	1403.7	1357.2
										时间周期	28	29	30	31	32	33
1	1353.0	1318.4	1500.8	1539.1	1523.0	1495.1
										2	891.1	883.4	1311.0	1352.2	1237.8	1162.8
3	653.7	483.9	689.4	644.1	734.9	555.9
										4	1250.2	955.2	1225.2	1224.6	1261.9	930.1

根据表3中风功率预测值和式（13）即可预测每台风电机组重要部件的单位相对损伤量；再根据式（8）和随机初始化风电机组的运行状态，计算总的风电机组机械损伤量；最后利用改进的粒子群优化算法BPSO，经过300次迭代计算得到风电场未来四个时间周期内33台风电机组组合的最优结果，如表4所示。

表4最优解对应的风电机组组合表

时间周期	1	2	3	4	5	6	7	8	9
										1	1	0	1	0	0	1	0	0	1
2	0	1	1	1	1	0	1	1	1
										3	0	1	0	0	0	1	1	1	1
4	0	0	1	0	0	0	1	1	0
										时间周期	10	11	12	13	14	15	16	17	18
1	1	0	1	0	1	0	0	0	0
										2	0	0	0	0	1	0	0	1	1
3	0	1	0	0	1	1	1	0	1
										4	1	1	1	0	0	0	1	1	1
时间周期	19	20	21	22	23	24	25	26	27
										1	0	1	1	0	1	0	0	1	0
2	0	1	0	0	0	0	0	0	0

3	1	0	1	1	0	0	0	1	1
										4	1	0	1	0	0	1	0	1	0
时间周期	28	29	30	31	32	33
										1	1	0	1	1	0	1
2	0	1	0	0	1	0
										3	1	1	0	1	0	0
4	1	1	0	1	0	0

表4中0表示风电机组停机，1表示风电机组运行。由表4可知，未来四个时间周期内风电场输送的有功功率是20098kW，18016kW，180075kW，22357kW，满足电网调度要求；13号、25号风电机组在这四个时段内均处于正常停机状态。根据超短期预测结果得到未来四个时段的风电机组组合优化结果，对于不同周期的风功率预测结果，该模型可以做出不同预测周期的风电机组组合优化。相对于传统的风电场场级有功功率调度，提出的方法在满足电网负荷的要求下，降低了风电场机械损耗，有效实现了风电场内风电机组的组合优化。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种降低风电机组机械损耗的风电场内优化调度方法，其特征在于，该方法包括以下步骤：

步骤1：对不同风况下不同载荷工况进行数值模拟，得到不同载荷工况下不同重要部件承受的循环载荷作用次数；

步骤2：计算得到不同载荷工况下不同重要部件材料破坏时的循环次数，然后根据线性累积损伤理论，得到不同重要部件在不同载荷工况下的单位相对损伤值；

步骤3：利用粒子群优化算法，对风电场内风电机组组合调度进行优化计算，得到风电机组重要部件的机械损伤最小的风电场内风电机组组合；

所述不同载荷工况为正常停机、空转、启动和正常发电；所述不同重要部件为叶片、轮毂和塔架。

2.根据权利要求1所述的一种降低风电机组机械损耗的风电场内优化调度方法，其特征在于，所述步骤1具体为：

步骤11：计算一年中风电机组在正常发电和空转载荷工况下的运行时间h_k，具体计算公式如下：

$h_k=8766\&times;\frac{\mathrm{\&pi;}}{2}\frac{v_k}{{\left(\stackrel{\&OverBar;}{v}\right)}^2}{e}^{-m_k};$

其中，k为某一运行的载荷工况，k＝1代表正常发电载荷工况，k＝2代表启动载荷工况，k＝3代表正常停机载荷工况，k＝4代表空转载荷工况；h_k为某一载荷工况下不同风况的小时数，不同重要部件的h_k相同；v_k为某一载荷工况下的风速；为平均风速；π＝3.14；e＝2.718；

计算一年中风电机组在启动和正常停机载荷工况下的动作次数g_k，在切入风速下g_k＝1000，在额定风速和切出风速下g_k＝50；不同重要部件的g_k相同；

步骤12：采用商用载荷分析计算软件对步骤11得到的数据进行数值模拟，得到在某一载荷工况下某一重要部件承受的循环载荷作用次数n_kl，其中l为某一重要部件，l＝1代表叶片，l＝2代表轮毂，l＝3代表塔架。

3.根据权利要求2所述的一种降低风电机组机械损耗的风电场内优化调度方法，其特征在于，所述步骤2具体为：

步骤21：根据以下公式计算得到在某一载荷工况下某一重要部件材料破坏时的循环次数N_kl：

对于金属材料：

${\mathrm{lg\&sigma;}}_{kl}=\frac{1}{m}\lg C-\frac{1}{m}{\mathrm{lgN}}_{kl};$

其中，m和C是材料常数；σ_kl为对应的应力水平，σ_kl为已知量；

对于玻璃钢材料：

ασ_kl+lgN_kl＝β；

其中，常数β＝σ_b/B，σ_b为材料静强度；α＝1/B，B为常数，表示寿命指数；

步骤22：根据线性累积损伤理论，计算不同重要部件在某一载荷工况下的单位相对损伤量；

当风电机组处在正常发电和空转载荷工况下，计算公式如下：

$D_{kl}=\frac{n_{kl}/N_{kl}}{h_k};$

其中，D_kl为某一重要部件在某一载荷工况下的单位相对损伤量；

当风电机组处在启动和正常停机载荷工况下，计算公式如下：

$D_{kl}=\frac{n_{kl}/N_{kl}}{g_k}.$

4.根据权利要求3所述的一种降低风电机组机械损耗的风电场内优化调度方法，其特征在于，所述步骤3中的优化目标函数为：

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

其中，F表示总的损伤量；T表示时间周期数；N表示风电机组台数； 表示在正常发电载荷工况下第i台风电机组在第j个时间周期内的单位相对损伤量； 表示在启动载荷工况下第i台风电机组在第j个时间周期内的单位相对损伤量； 表示在正常停机载荷工况下第i台风电机组在第j个时间周期内时的单位相对损伤量； 表示在空转载荷工况下第i台风电机组在第j个时间周期内的单位相对损伤量；表示第i台风电机组在第j个时间周期内的启停状态，0代表停机，1代表运行；t表示一个时间周期的长度；

风电场内风电机组组合的约束条件为：

约束条件1：风电机组出力上下限约束：

$P_{i,min}^j\&le;P_{i,predict}^j\&le;P_{i,max}^j;$

其中，为第i台风电机组在第j个时间周期内的功率预测值；分别为第i台风电机组在第j个时间周期内的最小功率值和最大功率值；

约束条件2：负荷调度约束：

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

其中，为在第j个时间周期内风电场规划的负荷出力，满足电网中调负荷指令；P_loss表示风电场内集电线路上功率损耗；

约束条件3：最大功率变化率约束；

在风电场并网、风电机组正常停机以及风速增长过程中，风电场功率变化率满足如下要求：

当风电场装机容量小于30兆瓦时，风电场功率在10分钟内的最大变量为20兆瓦，在1分钟内的最大变量为6兆瓦；

当风电场装机容量介于30兆瓦和150兆瓦之间时，风电场功率在10分钟内的最大变量为装机容量的2/3，在1分钟内的最大变量为装机容量的1/5；

当风电场装机容量大于150兆瓦时，风电场功率在10分钟内的最大变量为100兆瓦，在1分钟内的最大变量为30兆瓦；

约束条件4：线路损耗容量约束；

按***总负荷的7％考虑线路损耗容量，则有：

$\underset{i=1}{\overset{N}{\&Sigma;}}(P_{i,predict}^j\&CenterDot;u_i^j)\&GreaterEqual;1.07P_{load}^j;$

其中，为在第j个时间周期内***的线路损耗容量。

5.根据权利要求4所述的一种降低风电机组机械损耗的风电场内优化调度方法，其特征在于，所述步骤3具体为：

步骤31：设置粒子群规模M，并在解空间范围内随机初始化M个粒子，输入每台风电机组的预测功率以及初始启停状态；

步骤32：对每个粒子进行功率平衡和负荷调度约束，使其形成满足风电机组组合约束的可行解；

步骤33：优化目标函数计算各粒子的当前解，将其与自身的历史最优解作比较取最优者为粒子自身的局部最优解p_i′，取所有粒子的局部最优解中的最小值对应解作为全局最优解p_g′；

步骤34：计算下一代粒子的速度和更新粒子的位置，具体公式为：

$v_{i^{\&prime;}{d}^{\&prime;}}^{k^{\&prime;}+1}={\mathrm{wv}}_{i^{\&prime;}{d}^{\&prime;}}^{k^{\&prime;}}+c_1{r}_1(p_{i^{\&prime;}{d}^{\&prime;}}^{k^{\&prime;}}-x_{i^{\&prime;}{d}^{\&prime;}}^{k^{\&prime;}})+c_2{r}_2(p_{g^{\&prime;}{d}^{\&prime;}}^{k^{\&prime;}}-x_{i^{\&prime;}{d}^{\&prime;}}^{k^{\&prime;}})$

w＝w_max-(w_max-w_min)×(k′/K)²

；

$x_{i^{\&prime;}{d}^{\&prime;}}^{k^{\&prime;}+1}=v_{i^{\&prime;}{d}^{\&prime;}}^{k^{\&prime;}+1}+x_{i^{\&prime;}{d}^{\&prime;}}^{k^{\&prime;}}$

其中，w为惯性权重因子；c₁和c₂为学习因子；r₁，r₂为分布于(0，1)的随机数；和分别为粒子i'在第k'次迭代中第d′维的速度和位置，r是区间[0，1]上的随机数；是修改后的概率映射函数， $S\left(v_{i^{\&prime;}{d}^{\&prime;}}^{k^{\&prime;}}\right)=\left\{\begin{array}{cc}1-2/\left(1+\exp \left(-v_{i^{\&prime;}{d}^{\&prime;}}^{k^{\&prime;}}\right)\right)& v_{i^{\&prime;}{d}^{\&prime;}}^{k^{\&prime;}}\&le;0\\ 2/\left(1+\exp \left(-v_{i^{\&prime;}{d}^{\&prime;}}^{k^{\&prime;}}\right)\right)-1& v_{i^{\&prime;}{d}^{\&prime;}}^{k^{\&prime;}}>0\end{array}\right.;$ 为粒子i'在第d′维的个体最优解的位置；为在第d′维的全局最优解的位置；K为迭代次数设定的最大值；

步骤35：当前迭代次数是否满足最大值K，若不满足，则k'＝k'+1，返回步骤32；反之，结束计算，输出全局最优解。