姚 琦 胡 陽(yáng) 柳 玉 羅智凌 綦 曉

考慮載荷抑制的風(fēng)電場(chǎng)分布式自動(dòng)發(fā)電控制

姚 琦1胡 陽(yáng)2柳 玉3羅智凌2綦 曉1

（1. 暨南大學(xué)能源電力研究中心 珠海 519070 2. 華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院 北京 102206 3. 國(guó)家電網(wǎng)華北電力調(diào)控分中心 北京 100053）

為了優(yōu)化風(fēng)電場(chǎng)進(jìn)行自動(dòng)發(fā)電控制時(shí)風(fēng)電機(jī)組承受的疲勞載荷，提出一種風(fēng)電機(jī)組控制模型并將其應(yīng)用于風(fēng)電場(chǎng)控制。建立了一種多入多出的風(fēng)機(jī)控制模型，同時(shí)控制轉(zhuǎn)子轉(zhuǎn)速和槳距角。在此基礎(chǔ)上提出一種分布式控制框架的風(fēng)電場(chǎng)控制系統(tǒng)，使得風(fēng)電機(jī)組相互協(xié)調(diào)，并以改善疲勞特性為目標(biāo)直接優(yōu)化所有機(jī)組的轉(zhuǎn)子轉(zhuǎn)速和槳距角。仿真結(jié)果表明，該文提出的多入多出控制模型可實(shí)現(xiàn)對(duì)風(fēng)電機(jī)組更加靈活有效的控制，結(jié)合風(fēng)電場(chǎng)分布式控制框架，在完成自動(dòng)發(fā)電控制（AGC）指令的前提下，風(fēng)電機(jī)組疲勞載荷可以明顯降低。

自動(dòng)發(fā)電控制 疲勞載荷 風(fēng)電場(chǎng) 分布式控制

0 引言

隨著風(fēng)電在電網(wǎng)中滲透率的不斷提高，其波動(dòng)性和不可預(yù)測(cè)性給電力系統(tǒng)運(yùn)行帶來(lái)了挑戰(zhàn)[1,2]。因此，許多國(guó)家的電力系統(tǒng)運(yùn)營(yíng)商在電網(wǎng)規(guī)范中都要求增加風(fēng)力發(fā)電系統(tǒng)應(yīng)具有可控性和快速響應(yīng)能力[3]，提供符合要求的自動(dòng)發(fā)電控制（Automatic Generation Control, AGC）[4]。

由于風(fēng)電場(chǎng)不存在燃料消耗的成本，其運(yùn)營(yíng)成本主要來(lái)自設(shè)備損失等維護(hù)成本[5-6]，因此可將AGC問(wèn)題與降低設(shè)備的疲勞水平相結(jié)合，以減少運(yùn)行過(guò)程中設(shè)備損失帶來(lái)的成本[7]。現(xiàn)有研究提出多種表征風(fēng)電機(jī)組疲勞的表征方式。文獻(xiàn)[7-8]通過(guò)構(gòu)建成本函數(shù)來(lái)表征相關(guān)的運(yùn)行成本。文獻(xiàn)[9-10]認(rèn)為主軸轉(zhuǎn)矩和塔彎矩的標(biāo)準(zhǔn)差可用作風(fēng)電機(jī)組的疲勞評(píng)估指標(biāo)。文獻(xiàn)[11]指出，主軸轉(zhuǎn)矩和塔彎矩的標(biāo)準(zhǔn)差確實(shí)與機(jī)組的疲勞相關(guān)，但它們之間并非簡(jiǎn)單的線性相關(guān)。一些研究人員采用了損傷等效載荷（Damage Equivalent Load, DEL）作為疲勞程度評(píng)估指標(biāo)[12]。DEL在工程應(yīng)用中得到了廣泛認(rèn)可，但是DEL的計(jì)算過(guò)程復(fù)雜，難以用于在線優(yōu)化過(guò)程。

通過(guò)機(jī)理模型分析可知，風(fēng)電機(jī)組的主軸轉(zhuǎn)矩、塔彎矩及DEL等用于表征疲勞的參數(shù)均與機(jī)組轉(zhuǎn)子轉(zhuǎn)速和槳距角直接相關(guān)，而風(fēng)電機(jī)組AGC的參數(shù)也是轉(zhuǎn)速和槳距角。因此在AGC控制過(guò)程中完成疲勞載荷抑制的研究思路是合乎物理規(guī)律的。針對(duì)風(fēng)電機(jī)組的AGC，現(xiàn)有文獻(xiàn)中常用的控制方法包括轉(zhuǎn)子轉(zhuǎn)速控制[13-14]、槳距角控制[15]以及兩種控制的協(xié)調(diào)控制[16-17]。為了獲得更好的控制效果，文獻(xiàn)[18]提出同時(shí)激活槳距角和轉(zhuǎn)子轉(zhuǎn)速控制，槳距角控制用于在較大的時(shí)間尺度內(nèi)跟蹤參考功率，轉(zhuǎn)子轉(zhuǎn)速用于在較小的時(shí)間尺度內(nèi)精確調(diào)整功率。文獻(xiàn)[19]提出了一種類似的協(xié)調(diào)控制策略，認(rèn)為應(yīng)進(jìn)一步使用轉(zhuǎn)子慣性減少槳距角伺服系統(tǒng)的動(dòng)作，從而降低其疲勞程度。然而，現(xiàn)有文獻(xiàn)中，轉(zhuǎn)子轉(zhuǎn)速和槳距角的協(xié)調(diào)控制涉及多個(gè)控制器的協(xié)調(diào)，并不能通過(guò)單一控制器同時(shí)進(jìn)行調(diào)整，槳距角需要在轉(zhuǎn)子轉(zhuǎn)速達(dá)到設(shè)定的閾值后才開(kāi)始調(diào)整[20]，犧牲了槳距角調(diào)整的自由度。

由于風(fēng)電場(chǎng)需要控制多個(gè)分布式單元機(jī)組，AGC過(guò)程除了需要考慮風(fēng)電機(jī)組的控制，風(fēng)電場(chǎng)層面的優(yōu)化同樣重要[21]。在風(fēng)電場(chǎng)層面，將電網(wǎng)運(yùn)營(yíng)商所需的有功功率合理地分配給風(fēng)電機(jī)組是目前研究熱點(diǎn)[22-23]。文獻(xiàn)[9]對(duì)風(fēng)電機(jī)組進(jìn)行機(jī)組疲勞進(jìn)行建模，然后采用模型預(yù)測(cè)控制（Model Predictive Control, MPC）實(shí)現(xiàn)考慮疲勞優(yōu)化的機(jī)組功率分配。文獻(xiàn)[10]直接利用機(jī)理模型獲得有功功率與疲勞參數(shù)的偏導(dǎo)數(shù)關(guān)系，從而通過(guò)求解器獲得優(yōu)化疲勞分布的風(fēng)電機(jī)組功率指令。然而以上文獻(xiàn)中，研究人員采用的均為集中式控制方法，計(jì)算復(fù)雜度較高，且在風(fēng)電機(jī)組層面均只采用了傳統(tǒng)的轉(zhuǎn)速和槳距角協(xié)調(diào)控制方法。文獻(xiàn)[24-25]中利用多智能體系統(tǒng)完成了風(fēng)電場(chǎng)有功功率的分布式調(diào)度，機(jī)組之間通過(guò)相互通信即可完成調(diào)度指令的分配。文獻(xiàn)[6]提出一種基于分布式信息同步和估計(jì)的模型預(yù)測(cè)控制算法，用于對(duì)風(fēng)電場(chǎng)有功功率和電壓同時(shí)進(jìn)行優(yōu)化。文獻(xiàn)[26]在等比例分配的策略下利用分布式的對(duì)偶梯度法完成了風(fēng)電場(chǎng)有功功率的優(yōu)化控制。然而，與文獻(xiàn)[9-10]中存在的問(wèn)題相似，以上分布式控制算法也是在傳統(tǒng)風(fēng)電機(jī)組協(xié)調(diào)控制模型的基礎(chǔ)上完成的，無(wú)法實(shí)現(xiàn)利用轉(zhuǎn)子轉(zhuǎn)速和槳距角的同時(shí)優(yōu)化控制來(lái)改善機(jī)組疲勞特性。

針對(duì)以上研究現(xiàn)狀，本文提出一種可同時(shí)調(diào)整轉(zhuǎn)子轉(zhuǎn)速和槳距角的風(fēng)電機(jī)組AGC模型?；诟倪M(jìn)的機(jī)組控制框架，設(shè)計(jì)了一種基于交替方向乘子法（Alternating Direction Multiplier Method, ADMM）的分布式模型預(yù)測(cè)控制（Distributed Model Predictive Control, DMPC）框架來(lái)完成風(fēng)電場(chǎng)功率控制，確保場(chǎng)內(nèi)風(fēng)電機(jī)組相互協(xié)調(diào)，針對(duì)AGC指令跟蹤和疲勞載荷抑制的目標(biāo)完成轉(zhuǎn)子轉(zhuǎn)速和槳距角的同時(shí)控制。在疲勞載荷抑制目標(biāo)方面，本文結(jié)合當(dāng)前研究成果，以降低主軸轉(zhuǎn)矩和塔彎矩的波動(dòng)性作為在線優(yōu)化目標(biāo)，以DEL為算法優(yōu)化效果的評(píng)價(jià)指標(biāo)。仿真實(shí)驗(yàn)驗(yàn)證了本文提出的風(fēng)電機(jī)組控制模型的準(zhǔn)確性和風(fēng)電場(chǎng)分布式AGC算法的有效性。

1 風(fēng)電機(jī)組建模

1.1 風(fēng)電機(jī)組非線性模型

風(fēng)電機(jī)組建模是相關(guān)控制器設(shè)計(jì)的基礎(chǔ)，對(duì)于進(jìn)一步提高風(fēng)電機(jī)組控制性能和風(fēng)電場(chǎng)運(yùn)行水平具有重要意義。風(fēng)電機(jī)組的建模對(duì)象主要包括氣動(dòng)系統(tǒng)、傳動(dòng)系統(tǒng)、變槳伺服系統(tǒng)、電氣系統(tǒng)和控制系統(tǒng)。除控制系統(tǒng)外，對(duì)于其他子系統(tǒng)的建模已有大量文獻(xiàn)進(jìn)行了研究。各個(gè)子系統(tǒng)之間的關(guān)聯(lián)如圖1所示。本文以NREL5MW風(fēng)電機(jī)組模型為例，得到各個(gè)子系統(tǒng)的數(shù)學(xué)模型。

圖1 風(fēng)電機(jī)組子系統(tǒng)的相互關(guān)聯(lián)

氣動(dòng)系統(tǒng)

式中，t為風(fēng)電機(jī)組承受的推力（N）；t為推力系數(shù)。

式中，為塔架高度；t為塔根彎矩（N·m）。

傳動(dòng)系統(tǒng)

電氣系統(tǒng)

槳距伺服系統(tǒng)

1.2 風(fēng)電機(jī)組模型線性化

根據(jù)1.1節(jié)描述的數(shù)學(xué)模型，由于風(fēng)電機(jī)組中存在高度的非線性特性，難以用于適合線性模型的先進(jìn)控制算法。因此，本文通過(guò)小信號(hào)法[27]對(duì)上述模型進(jìn)行線性化處理，得到線性化描述的風(fēng)電機(jī)組模型。

氣動(dòng)系統(tǒng)

傳動(dòng)系統(tǒng)

電氣系統(tǒng)

槳距伺服系統(tǒng)

式中，下標(biāo)為0代表線性化模型的初始工況點(diǎn)。

值得注意的是，根據(jù)式（4）和式（5），p具有高度非線性特性。為了進(jìn)行線性化，本文根據(jù)p--曲線查表計(jì)算p的偏導(dǎo)數(shù)。假設(shè)工作點(diǎn)的p值為p0，則通過(guò)查表法可獲得其周圍的插值點(diǎn)，如圖2所示。

圖2 Cp的局部插值示意圖

同理可得到t的相關(guān)偏導(dǎo)數(shù)的表達(dá)式為

2 風(fēng)電機(jī)組多入多出AGC控制模型

風(fēng)輪機(jī)從風(fēng)能中捕獲得到的機(jī)械功率可以由式（1）模型進(jìn)行表示。根據(jù)該模型，若風(fēng)電機(jī)組需要運(yùn)行于AGC狀態(tài)，僅需調(diào)整p使其偏離最優(yōu)值即可。根據(jù)風(fēng)電機(jī)組工作原理，p的取值與和相關(guān)，且相同的p值可以對(duì)應(yīng)于不同的和組合。

以常見(jiàn)的超速+變槳協(xié)調(diào)控制為例，當(dāng)風(fēng)電機(jī)組需要降功率時(shí)，該策略首先通過(guò)使轉(zhuǎn)子轉(zhuǎn)速超速來(lái)降低p。當(dāng)轉(zhuǎn)子轉(zhuǎn)速增加到上限時(shí)，則通過(guò)增加槳距角進(jìn)一步降低p。傳統(tǒng)AGC策略示意圖如圖3所示，所述過(guò)程如圖3中的箭頭所示。

圖3 傳統(tǒng)AGC策略示意圖

研究人員認(rèn)為，主軸轉(zhuǎn)矩s和塔根彎矩t的波動(dòng)可用于計(jì)算風(fēng)電機(jī)組的疲勞載荷，降低風(fēng)電機(jī)組運(yùn)行過(guò)程中s和t的標(biāo)準(zhǔn)差可降低機(jī)組疲勞。根據(jù)式（6）和式（8）可知，s、t與轉(zhuǎn)子轉(zhuǎn)速、槳距角的波動(dòng)有直接關(guān)系。在如圖3所示的變速變槳控制中，槳距角的變化是在轉(zhuǎn)子轉(zhuǎn)速之后的，受到轉(zhuǎn)子轉(zhuǎn)速設(shè)定值的控制，因此在實(shí)現(xiàn)有功功率控制時(shí)不能使兩個(gè)參數(shù)同時(shí)自由調(diào)整，即難以進(jìn)一步考慮對(duì)風(fēng)電機(jī)組疲勞載荷的優(yōu)化。

基于此，本文提出了一種AGC優(yōu)化控制框架。在以上描述的有功功率優(yōu)化控制框架下，可以將式（11）～式（26）所描述的線性化模型寫(xiě)成狀態(tài)空間方程，即

其中

在式（27）所示模型中，風(fēng)電機(jī)組有功控制系統(tǒng)的控制輸入為電磁轉(zhuǎn)矩和槳距角的變化量，輸出為有功功率、塔彎矩和主軸轉(zhuǎn)矩的變化量。基于上述模型，通過(guò)設(shè)計(jì)優(yōu)化控制器，可以讓控制器同時(shí)生成電磁轉(zhuǎn)矩和槳距角的參考值，實(shí)現(xiàn)調(diào)度指令功率跟蹤，減少風(fēng)電機(jī)組運(yùn)行疲勞載荷。

3 風(fēng)電場(chǎng)分布式AGC控制框架與求解算法

3.1 風(fēng)電場(chǎng)分布式控制框架

風(fēng)電場(chǎng)的AGC信號(hào)通常由風(fēng)電場(chǎng)控制中心計(jì)算并分配給場(chǎng)內(nèi)每臺(tái)風(fēng)電機(jī)組。在這樣的分配過(guò)程中，難以根據(jù)風(fēng)電機(jī)組的實(shí)際運(yùn)行狀態(tài)和風(fēng)況實(shí)施閉環(huán)控制。本文提出一種基于ADMM算法的DMPC框架進(jìn)行風(fēng)電機(jī)組參考功率的分配，由風(fēng)電機(jī)組的本地控制器和風(fēng)電場(chǎng)的控制中心協(xié)調(diào)實(shí)現(xiàn)，如圖4所示。該框架可以在完成風(fēng)電場(chǎng)水平所需的功率的前提下，通過(guò)對(duì)每臺(tái)風(fēng)電機(jī)組的優(yōu)化控制進(jìn)一步降低風(fēng)電機(jī)組的疲勞載荷。

圖4 風(fēng)電場(chǎng)分布式控制框架

在如圖4所示的風(fēng)電場(chǎng)分布式AGC控制框架中，風(fēng)電場(chǎng)控制中心在獲得調(diào)度中心下達(dá)的AGC控制指令后，與風(fēng)電機(jī)組的本地控制器進(jìn)行雙向的信息通信，完成3.3節(jié)中算法所需的參數(shù)迭代計(jì)算。通過(guò)中心控制器和本地控制器的協(xié)調(diào)計(jì)算，每臺(tái)風(fēng)電機(jī)組均可獲得本機(jī)的電磁轉(zhuǎn)矩與槳距角設(shè)定值，通過(guò)本機(jī)執(zhí)行機(jī)構(gòu)中完成有功功率的跟蹤。同時(shí)，每臺(tái)風(fēng)電機(jī)組均通過(guò)實(shí)時(shí)測(cè)量元件獲得包括機(jī)艙風(fēng)速、轉(zhuǎn)子轉(zhuǎn)速以及槳距角等機(jī)組運(yùn)行參數(shù)，反饋給機(jī)組的本地控制器，從而形成閉環(huán)控制。

值得注意的是，尾流效應(yīng)和湍流強(qiáng)度作為影響風(fēng)電場(chǎng)運(yùn)行特性的重要因素，在風(fēng)電場(chǎng)優(yōu)化運(yùn)行過(guò)程中必須考慮。更進(jìn)一步地，在風(fēng)電場(chǎng)AGC的過(guò)程中還需要考慮由于功率調(diào)整而產(chǎn)生的動(dòng)態(tài)尾流。本文所建風(fēng)電場(chǎng)模型在仿真中借助丹麥奧爾堡大學(xué)開(kāi)發(fā)的Simwindfarm工具箱，在風(fēng)電場(chǎng)優(yōu)化中均考慮了基于Larsen模型的尾流計(jì)算和基于IEC 61400-3所規(guī)定的湍流模型，此處不再對(duì)相關(guān)模型進(jìn)行詳細(xì)描述[28]。

在以上所述尾流及湍流模型的基礎(chǔ)上，對(duì)于仿真中的風(fēng)電機(jī)組本地控制器，與其風(fēng)速相關(guān)的狀態(tài)反饋來(lái)自所測(cè)量的本機(jī)機(jī)艙風(fēng)速。

3.2 風(fēng)電場(chǎng)AGC功率優(yōu)化控制目標(biāo)

采用第2節(jié)中所提風(fēng)電機(jī)組AGC功率控制模型，風(fēng)電機(jī)組的本地控制器可以計(jì)算單機(jī)層面的優(yōu)化控制方案。進(jìn)一步地，通過(guò)與風(fēng)電場(chǎng)控制中心進(jìn)行的信息共享和迭代，確保全場(chǎng)AGC功率總和滿足全局約束。根據(jù)以上定義，可將風(fēng)電場(chǎng)有功功率的最佳控制的全局目標(biāo)函數(shù)設(shè)置為式（28）和式（29），即

3.3 風(fēng)電場(chǎng)分布式AGC求解算法

ADMM是乘子法的擴(kuò)展，它允許采用分布式公式，在對(duì)偶公式中使用增廣拉格朗日函數(shù)，是一種收斂性較好的DMPC求解方法。針對(duì)3.2節(jié)中所描述的優(yōu)化問(wèn)題，采用ADMM進(jìn)行求解的具體方法如下。

式中，c,i和b為將式（29）中的后三個(gè)約束轉(zhuǎn)換成標(biāo)準(zhǔn)二次規(guī)劃形式時(shí)獲得的約束矩陣。同時(shí)，

進(jìn)一步地，可以得到ADMM算法所需增廣拉格朗日函數(shù)，即

由于和是一個(gè)控制周期內(nèi)的可測(cè)量參數(shù)，為簡(jiǎn)化表達(dá)式，令

因此，可以推導(dǎo)出式（30）的求解公式為

4 算例分析

4.1 仿真系統(tǒng)搭建

本文通過(guò)Matlab/Simulink搭建仿真系統(tǒng)以驗(yàn)證本文所建風(fēng)電機(jī)組多入多出控制模型和風(fēng)電場(chǎng)分布式控制算法。用于做驗(yàn)證的風(fēng)電機(jī)組為NREL 5MW機(jī)組，主要參數(shù)如文獻(xiàn)[29]所介紹。在單機(jī)模型的基礎(chǔ)上，本文搭建了一個(gè)3×3排列的風(fēng)電場(chǎng)模型，風(fēng)機(jī)排列情況如圖5所示，場(chǎng)內(nèi)風(fēng)電機(jī)組之間的間距為400m。仿真過(guò)程中風(fēng)電場(chǎng)的來(lái)流風(fēng)速平均值為14m/s，湍流強(qiáng)度為0.1，場(chǎng)內(nèi)尾流的計(jì)算基于Sim Wind Farm[28]，如圖6所示，場(chǎng)內(nèi)9臺(tái)機(jī)組的風(fēng)速波動(dòng)范圍約為9～18m/s，覆蓋了機(jī)組多種運(yùn)行工況。

圖5 機(jī)組排布與尾流效果圖

圖6 風(fēng)電場(chǎng)9臺(tái)機(jī)組仿真風(fēng)速

在仿真過(guò)程中，風(fēng)電機(jī)組層面的控制方案由傳統(tǒng)的超速+變槳控制[30]與本文提出的多入多出控制模型進(jìn)行對(duì)比；風(fēng)電場(chǎng)層面的功率分配策略采用傳統(tǒng)的以最大發(fā)電能力計(jì)算的等比例分配策略[31]和本文提出的靈活分配策略進(jìn)行對(duì)比；功率控制器則由傳統(tǒng)的PI控制器、MPC控制器[9]與本文提出的DMPC控制器相對(duì)比。仿真中策略的組合情況見(jiàn)表1。

表1 仿真中策略的組合情況

Tab.1 Combination of strategies in simulation

4.2 風(fēng)電場(chǎng)AGC控制結(jié)果分析

以丹麥風(fēng)電并網(wǎng)標(biāo)準(zhǔn)為例，風(fēng)電場(chǎng)需要具備限制有功出力和功率爬坡的能力[32]。本算例中，風(fēng)電場(chǎng)處于受調(diào)度指令控制的狀態(tài)，初始功率指令為25MW，60s時(shí)指令開(kāi)始爬坡，180s時(shí)指令增加至30MW并一直保持恒定至300s?；诒?所示策略的風(fēng)電場(chǎng)有功出力結(jié)果如圖7所示。

圖7 不同策略下風(fēng)電場(chǎng)出力對(duì)比

由圖7可知三種策略均能有效實(shí)現(xiàn)風(fēng)電場(chǎng)AGC功率指令值。其中，策略1和策略2的出力結(jié)果較指令值出現(xiàn)了明顯的毛刺，這是由于采用等比例分配時(shí)需通過(guò)風(fēng)電機(jī)組風(fēng)速的測(cè)量來(lái)計(jì)算機(jī)組的最大出力，再按比例進(jìn)行功率分配。這一過(guò)程中存在風(fēng)速測(cè)量誤差，從而導(dǎo)致最終的風(fēng)電場(chǎng)輸出功率出現(xiàn)了與指令值的偏差。雖然三種策略都能夠較好地完成調(diào)度對(duì)風(fēng)電場(chǎng)的AGC功率要求，但相比之下，采用功率靈活分配框架的策略3則更好地完成了調(diào)度指令。

進(jìn)一步地，根據(jù)MCrunch算法計(jì)算得到場(chǎng)內(nèi)風(fēng)電機(jī)組在三種策略下的疲勞載荷情況見(jiàn)表2。

表2 不同策略下風(fēng)電機(jī)組的損傷等效載荷

Tab.2 DELs of wind turbines under different strategies （單位：MN·m）

表2中，DEL-s和DEL-t分別為傳動(dòng)系統(tǒng)和塔架對(duì)應(yīng)的DEL值。由計(jì)算結(jié)果可以看出，對(duì)比策略1，由于策略2采用了本文提出的多入多出控制模型，對(duì)比傳統(tǒng)的機(jī)組控制方案，疲勞載荷得到了降低，全場(chǎng)機(jī)組傳動(dòng)系統(tǒng)和塔架疲勞的平均值分別下降了12.3%和38.5%。然而策略2對(duì)場(chǎng)級(jí)功率分配沒(méi)有進(jìn)行優(yōu)化，本文所提的策略3通過(guò)進(jìn)一步的優(yōu)化分配，使得機(jī)組的疲勞載荷得到了更進(jìn)一步的降低，全場(chǎng)機(jī)組傳統(tǒng)系統(tǒng)和塔架疲勞的平均值相對(duì)于策略2再次降低了22.2%和5.3%。

由此可見(jiàn)，在風(fēng)電場(chǎng)層面，本文所建機(jī)組控制模型和分布式控制框架可以在完成調(diào)度要求的功率指令的前提下，有效降低機(jī)組的疲勞程度。

4.3 風(fēng)電機(jī)組控制結(jié)果分析

4.2節(jié)從風(fēng)電場(chǎng)層面討論了本文所建模型和所提控制策略的效果，可以看到風(fēng)電場(chǎng)內(nèi)所有機(jī)組的疲勞載荷較采用傳統(tǒng)的策略1均有了明顯降低，但各機(jī)組降低的程度有所不同。本節(jié)以采用策略1時(shí)疲勞載荷最高的6號(hào)風(fēng)機(jī)（WT6）為例，分析各策略下風(fēng)電機(jī)組層面的狀態(tài)變化情況。

WT6的機(jī)艙測(cè)量風(fēng)速如圖8a所示，由于湍流的存在，風(fēng)速在9～17m/s間波動(dòng)。采用等比例分配時(shí)，低于額定風(fēng)速會(huì)被分配比例較低的功率指令，因此有功功率如圖8b所示，策略1和策略2在圖8a中風(fēng)速低于12m/s時(shí)功率都出現(xiàn)了明顯波動(dòng)。而策略1和策略2都是工作于等比例分配的框架下，單機(jī)接收到功率指令值相同，因此出力也基本相同，這也進(jìn)一步證實(shí)了本文所提控制模型的有效性。對(duì)于本文所提的策略3，由于采用了分布式的控制框架，在圖8b中，功率指令更為平滑。

在圖8c和圖8d中，采用策略2和策略3時(shí)可以同時(shí)調(diào)整轉(zhuǎn)速設(shè)定值和槳距角設(shè)定值，發(fā)電機(jī)轉(zhuǎn)速不需要一直限制在額定值附近波動(dòng)，槳距角波動(dòng)更為平緩。如圖8e和圖8f所示，這樣的狀態(tài)變化導(dǎo)致機(jī)組的主軸轉(zhuǎn)矩和塔根彎矩的波動(dòng)在采用策略2和策略3時(shí)都更加平緩，尤其是采用策略3時(shí)，這與表2中的疲勞載荷結(jié)果相吻合。

圖8 WT6機(jī)組在仿真過(guò)程中的狀態(tài)變化

5 結(jié)論

本文以風(fēng)電場(chǎng)AGC控制過(guò)程為研究對(duì)象，在跟蹤調(diào)度指令的前提下，考慮在控制過(guò)程中的風(fēng)電機(jī)組疲勞載荷優(yōu)化問(wèn)題，并就此提出了一種風(fēng)電機(jī)組控制模型和分布式的風(fēng)電場(chǎng)AGC框架，得出以下結(jié)論：

1）本文通過(guò)對(duì)風(fēng)電機(jī)組非線性模型的線性化，建立了一種考慮有功功率輸出和疲勞載荷指標(biāo)的多入多出線性模型，通過(guò)單一控制器可以完成對(duì)轉(zhuǎn)子轉(zhuǎn)速和槳距角的同時(shí)調(diào)整，較傳統(tǒng)控制方法更加靈活，可明顯降低機(jī)組運(yùn)行的疲勞載荷。

2）本文建立了一種基于ADMM的風(fēng)電場(chǎng)分布式AGC控制框架，實(shí)現(xiàn)對(duì)多入多出風(fēng)電機(jī)組模型的有效控制，可以有效得完成調(diào)度設(shè)定的有功功率參考值，并且通過(guò)優(yōu)化計(jì)算進(jìn)一步降低機(jī)組運(yùn)行的疲勞載荷。

[1] 穆鋼, 蔡婷婷, 嚴(yán)干貴, 等. 雙饋風(fēng)電機(jī)組參與持續(xù)調(diào)頻的雙向功率約束及其影響[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(8): 1750-1759.

Mu Gang, Cai Tingting, Yan Gangui, et al. Bidirectional power constraints and influence of doubly fed induction generator participating in continuous frequency regulation[J]. Transaction of China Electrotechnical Society, 2019, 34(8): 1750-1759.

[2] Guo Xiaoqiang, Chen Weijian. Control of multiple power inverters for more electronics power systems: a review[J]. CES Transactions on Electrical Machines and Systems, 2018, 2(3): 255-263.

[3] 王濤, 諸自強(qiáng), 年珩. 非理想電網(wǎng)下雙饋風(fēng)力發(fā)電系統(tǒng)運(yùn)行技術(shù)綜述[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(3): 455-471.

Wang Tao, Zhu Ziqiang, Nian Hang. Review of operation technology of doubly-fed induction generator-based wind power system under nonideal grid conditions[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 579-587.2020, 35(3): 455-471.

[4] 麻秀范, 王戈, 朱思嘉, 等. 計(jì)及風(fēng)電消納與發(fā)電集團(tuán)利益的日前協(xié)調(diào)優(yōu)化調(diào)度[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(3): 579-587.

Ma Xiufan, Wang Ge, Zhu Sijia, et al. Coordinated day-ahead optimal dispatch considering wind power consumption and the benefits of power generation group[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 579-587.

[5] 楊正清, 汪震, 展肖娜, 等. 考慮風(fēng)電有功主動(dòng)控制的兩階段系統(tǒng)備用雙層優(yōu)化模型[J]. 電力系統(tǒng)自動(dòng)化, 2016, 40(10): 31-37.

Yang Zhengqing, Wang Zhen, Zhan Xiaona, et al. Bi-level optimization model of two-stage reserve scheduling with proactive wind power control[J]. Automation of Electric Power Systems, 2016, 40(10): 31-37.

[6] Guo Yifei, Gao Houlei, Wu Qiuwei, et al. Distributed coordinated active and reactive power control of wind farms based on model predictive control[J]. International Journal of Electrical Power & Energy Systems, 2019, 104: 78-88.

[7] Hu Jianqiang, Chen M Z Q, Cao Jinde, et al. Coordinated active power dispatch for a microgrid via distributed lambda iteration[J]. IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 2017, 7(2): 250-261.

[8] 蘇永新, 段斌, 朱廣輝, 等. 海上風(fēng)電場(chǎng)疲勞分布與有功功率統(tǒng)一控制[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(22): 190-198.

Su Yongxin, Duan Bin, Zhu Guanghui, et al. Fatigue distribution and active power combined control in offshore wind farm[J]. Transaction of China Electrotechnical Society, 2015, 30(22): 190-198.

[9] Riverso S, Mancini S, Sarzo F, et al. Model predictive controllers for reduction of mechanical fatigue in wind farms[J]. IEEE Transactions on Control Systems Technology, 2017, 25(2): 535-549.

[10] Zhao Haoran, Wu Qiuwei, Huang Shaojun, et al. Fatigue load sensitivity-based optimal active power dispatch for wind farms[J]. IEEE Transactions on Sustainable Energy, 2017, 8(3): 1247-1259.

[11] Knudsen T, Bak T, Svenstrup M. Survey of wind farm control-power and fatigue optimization[J]. Wind Energy, 2015, 18(8): 1333-1351.

[12] Zhang Baohua, Soltani M, Hu Weihao, et al. Optimized power dispatch in wind farms for power maximizing considering fatigue loads[J]. IEEE Transactions on Sustainable Energy, 2018, 9(2): 862-871.

[13] 劉吉臻, 孟洪民, 胡陽(yáng). 采用梯度估計(jì)的風(fēng)力發(fā)電系統(tǒng)最優(yōu)轉(zhuǎn)矩最大功率點(diǎn)追蹤效率優(yōu)化[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(10): 2367-2374.

Liu Jizhen, Meng Hongmin, Hu Yang. Efficiency optimization of optimum torque maximum power point tracking based on gradient approximation for wind turbine generator system[J]. Proceedings of the CSEE, 2015, 35(10): 2367-2374.

[14] 姚琦, 劉吉臻, 胡陽(yáng), 等. 含異步變速風(fēng)機(jī)的風(fēng)電場(chǎng)一次調(diào)頻等值建模與仿真[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(23): 185-192.

Yao Qi, Liu Jizhen, Hu Yang, et al. Equivalent modeling and simulation for primary frequency regulation of wind farm with asynchronous variable-speed wind turbines[J]. Automation of Electric Power Systems, 2019, 43(23): 185-192.

[15] Wang Shu, Seiler P. LPV Active power control and robust analysis for wind turbines[C]//33rd Wind Energy Symposium, Kissimmee, Florida: American Institute of Aeronautics and Astronautics, 2015.

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

Liu Jun, Zhang Binbin, Zhao Ting. Research on wind farm active power dispatching algorithm based on fuzzy evaluation[J]. Transaction of China Electrotechnical Society, 2019, 34(4): 786-794.

[17] Zhao Haoran, Wu Qiuwei, Guo Qinglai, et al. Distributed model predictive control of a wind farm for optimal active power control part I: clustering-based wind turbine model linearization[J]. IEEE Transactions on Sustainable Energy, 2015, 6(3): 831-839.

[18] Luo Haocheng, Hu Zechun, Zhang Hongcai, et al. Coordinated active power control strategy for deloaded wind turbines to improve regulation performance in AGC[J]. IEEE Transactions on Power Systems, 2019, 34(1): 98-108.

[19] Tang Xuesong, Yin Minghui, Shen Chun, et al. Active power control of wind turbine generators via coordinated rotor speed and pitch angle regulation[J]. IEEE Transactions on Sustainable Energy, 2019, 10(2): 822-832.

[20] Hoek D van der, Kanev S, Engels W. Comparison of down-regulation strategies for wind farm control and their effects on fatigue loads[C]//2018 Annual American Control Conference (ACC), 2018: 3116-3121.

[21] Spudic V. Coordinated optimal control of wind farm active power[D]. Croatia: University of Zagreb, 2012.

[22] Jin Jingliang, Zhou Dequn, Zhou Peng, et al. Dispatching strategies for coordinating environmental awareness and risk perception in wind power integrated system[J]. Energy, 2016, 106: 453-463.

[23] Zhang Jinhua, Liu Yongqian, Infield D, et al. Optimal power dispatch within wind farm based on two approaches to wind turbine classification[J]. Renewable Energy, 2017, 102: 487-501.

[24] Wang Lei, Wen Jie, Cai Ming, et al. Distributed Optimization control schemes applied on offshore wind farm active power regulation[J]. Energy Procedia, 2017, 105: 1192-1198.

[25] Yao Qi, Hu Yang, Chen Zhe, et al. Active power dispatch strategy of the wind farm based on improved multi-agent consistency algorithm[J]. IET Renewable Power Generation, 2019, 13(14): 2693-2704.

[26] Zhao Haoran, Wu Qiuwei, Guo Qinglai, et al. Distributed model predictive control of a wind farm for optimal active power control part II: implementation with clustering-based piece-wise affine wind turbine model[J]. IEEE Transactions on Sustainable Energy, 2015, 6(3): 840-849.

[27] 李世春, 黃悅?cè)A, 王凌云, 等. 基于轉(zhuǎn)速控制的雙饋風(fēng)電機(jī)組一次調(diào)頻輔助控制系統(tǒng)建模[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2017, 37(24): 7077-7086, 7422.

Li Shichun, Huang Yuehua, Wang Lingyun, et al. Modeling primary frequency regulation auxiliary control system of doubly fed induction generator based on rotor speed control[J]. Proceedings of the CSEE, 2017, 37(24): 7077-7086, 7422.

[28] Aalborg University. SimWindFarm Toolbox[EB/OL]. /2020-03-07. http://www.ict-aeolus.eu/SimWindFarm/ index.html.

[29] Jonkman J, Butterfield S, Musial W, et al. Definition of a 5-MW reference wind turbine for offshore system development[R]. NREL/TP-500-38060, 947422, 2009.

[30] Yao Qi, Liu Jizhen, Hu Yang. Optimized active power dispatching strategy considering fatigue load of wind turbines during de-loading operation[J]. IEEE Access, 2019, 7: 17439-17449.

[31] Merahi F, Berkouk E, Mekhilef S. New management structure of active and reactive power of a large wind farm based on multilevel converter[J]. Renewable Energy, 2014, 68: 814-828.

[32] Regulations for grid connection | Energinet[EB/OL]. 2019-10-24. https://en.energinet.dk/Electricity/Rules- and-Regulations/Regulations-for-grid-connection.

Distributed Automatic Generation Control of Wind Farm Considering Load Suppression

Yao Qi1Hu Yang2Liu Yu3Luo Zhiling2Qi Xiao1

（1. Energy and Electricity Research Center Jinan University Zhuhai 519070 China 2. School of Control and Computer Engineering North China Electric Power University Beijing 102206 China 3. North Electric Power Dispatch and Control Sub-Center State Grid Corporation of China Beijing 100053 China）

To optimize the fatigue load of wind turbines during automatic generation control (AGC) process, a novel wind turbine control model was proposed and applies it to the wind farm. A multi-input and multi-output (MIMO) wind turbine control model was established, so that the wind turbine can control the rotor speed and pitch angle simultaneously. Then, a wind farm control system based on a distributed framework was designed to make wind turbines coordinate with each other to directly optimize the rotor speed and pitch angle of all turbines with the goal of load suppression. The simulation results show that the proposed control model can achieve more flexible and effective control of wind turbines. Combined with the distributed control framework, the fatigue load of wind turbines can be significantly reduced under the premise of completing AGC instructions.

Automatic generation control(AGC), fatigue load, wind farm, distributed control

10.19595/j.cnki.1000-6753.tces.201602

TM614

廣東省基礎(chǔ)與應(yīng)用基礎(chǔ)研究基金青年基金（2020A1515110547）和國(guó)家自然科學(xué)基金聯(lián)合基金（U1766204）資助項(xiàng)目。

2020-12-07

2021-03-18

姚 琦 男，1994年生，博士，講師，研究方向?yàn)轱L(fēng)力發(fā)電系統(tǒng)及其控制。E-mail：qiyao@jnu.edu.cn

綦 曉 男，1992年生，博士，講師，研究方向?yàn)榫C合能源系統(tǒng)控制。E-mail：qixiao@jnu.edu.cn （通信作者）

（編輯 赫蕾）