1.本发明涉及电力系统运行与控制技术领域，具体而言涉及一种基于分层模型的风电场集 群有功功率协调控制方法。
背景技术：2.风电产业凭借其清洁、环保、经济等优势成为发展最迅速的新能源产业之一，随着风电 并网规模不断扩大，风电有功功率调度与控制逐渐趋于集群化。然而风电出力的不确定性和 反调峰性导致弃风限电现象日益严重，给电力系统调度与控制带来了严峻挑战。因此，制定 考虑风电出力特性的风电场群有功功率优化调度策略是当前研究重点。提高调度精度的方法 主要有两种：提高风电功率预测精度和优化有功功率调度控制方法。为解决上述问题，模型 预测控制(mpc)作为一种有限时域滚动优化控制方法而被广泛引入风电系统的有功功率控 制中，主要由预测模型、滚动时域优化和自我校正三个环节组成。相比于其他有功功率控制 方法，mpc的优势体现在它可以通过滚动优化来适应不确定的外部环境，更新得到局部最优 解，并利用实时信息进行前馈-反馈控制，实现自我校正，抑制扰动，提高控制的鲁棒性。
3.风电场群是一个具有不确定性、非线性和时变性的复杂系统，其有功功率调度控制是一 个多目标优化问题，且优化调度和实时控制的性能指标和时间尺度有本质区别。因此协调风 电系统优化调度的复杂性与实时控制的快速性之间的矛盾是目前亟需解决的关键问题。采用
ꢀ“
分解-协调”思想的分层递阶控制是解决这类问题的有效途径。递阶控制主要有按空间划分 和按时间划分两种分层控制结构，将mpc与空间分层的递阶控制相结合，将整个风电系统分 为集群计划调度层、场群优化分配层，单场优化分配层，机组分群控制层和单机有功功率控 制层5个控制分区，每层分别建立多目标优化调度模型，逐级细化、级间协调，有助于提高 优化调度精度、减小控制偏差。
4.针对风电功率预测精度问题，目前大体通过以下三种方法来提高预测精度：加强风电数 据管理和预处理、优化预测模型及各预测环节、研究预测误差特征分析和补偿方法。然而复 杂的预测模型在实现高精度预测的同时会降低预测速度，对有功功率调度控制产生不利影响。 因此，在进行有功优化调度时需要考虑预测模型的结构复杂度。又由于风功率预测周期与预 测精度呈负相关，多时间尺度协调也是削弱风电出力特性不利影响的有效途径。现有研究中 风电参与调度的最小时间尺度一般设为5min，而增加控制周期更短的调度环节对风电消纳水 平和系统鲁棒性的影响更明显。
技术实现要素：5.本发明针对现有技术中的不足，提供一种基于分层模型的风电场集群有功功率协调控制 方法，能够协调规模风电并网下系统复杂调度与快速实时控制的矛盾，实现风电并网友好调 度。
6.为实现上述目的，本发明采用以下技术方案：
7.本发明实施例提出了一种基于分层模型的风电场集群有功功率协调控制方法，所述控制 方法包括以下步骤：
8.s1：建立基于小波变换分析、自回归移动平均模型、最小二乘支持向量机算法的组合预 测模型，采用组合预测模型进行短期、超短期功率多步预测，得到有功功率多时间尺度预测 信息；
9.s2：根据风电场集群日前预测值与电网调度计划值判断风电场集群的运行模式，根据运 行模式获取相应的有功功率期望值及调整量；风电场集群的运行模式包括调度计划追踪模式 和最大功率追踪模式；
10.s3：建立基于分层模型预测控制结构的改进多时间尺度优化调度模型，将整个风电场集 群分为集群计划调度层、场群滚动优化层、单场优化分配层、机组分群控制层、单机功率管 理层五个控制分区，逐层进行滚动优化；
11.s4：基于二次动态矩阵控制算法分配有功待调节量；
12.s5：对风机控制误差进行实时自我校正，制定分层反馈校正策略，自下而上逐层修正计 划偏差，实现风电系统的闭环控制。
13.进一步地，步骤s1中，采用组合预测模型进行短期、超短期功率多步预测的过程包括以 下子步骤：
14.s1.1：选择db6小波基函数将原始风速、风电功率时间序列分解为四层，分别为高频信 号d1、d2、d3、d4和低频信号a4；
15.s1.2：筛选并删除包括d1、d2在内的高频干扰信号；
16.s1.3：采用两种单体模型预测剩余分量，其中，采用arma模型预测波动剧烈的高频分 量，采用lssvm算法预测波动缓慢的低频序列；
17.s1.4：叠加合成各分量的预测结果，得到最终风电功率预测值
18.进一步地，步骤s2中，根据风电场集群日前预测值与电网调度计划值判断风电场集群的 运行模式，根据运行模式获取相应的有功功率期望值及调整量的过程包括以下子步骤：
19.s2.1：对风电场集群日前预测值与电网调度计划值进行判断，如果风电场集群日前预测 结果大于系统调度指令，判定风电场集群处于调度计划追踪模式；否则，判定风电场集群处 于最大功率追踪模式；
20.s2.2：根据下述公式获取风电场集群整体有功功率期望值及调整量
[0021][0022][0023]
其中为系统下发的t+δt时刻调度指令，δt＝1h，和分别为场群i内风场j 在t+δt时刻的预测功率和t时刻的实际功率。
[0024]
进一步地，步骤s3，建立基于分层模型预测控制(hmpc)结构的改进多时间尺度优化 调度模型的过程包括以下子步骤：
[0025]
s3.1：基于风电功率预测信息进行动态分群：
[0026]
s3.1.1：根据步骤s1中的风电功率预测值生成时间间隔为1h的风电场有功预测趋势集 计算得到趋势变化因子t
i，t
：
[0027][0028][0029]
式(3)中为风场超短期预测功率；式(4)中sign(x)是符号函数， 为相邻两采样点功率预测值之差；
[0030]
s3.1.2：引入功率极差δi和波动阈值ηi两个统计概念作为分群指标：
[0031][0032]
其中，p
in
为风电场i的装机容量；
[0033]
s3.1.3：基于分群指标，将风电场集群划分为功率增加群、功率减少群、功率不变群、功 率振荡群共4种场群，并根据分群结果确定场群出力优先次序；
[0034]
s3.2：对于集群计划调度层，根据步骤s2中的有功待调节量和步骤s3.1.3中的场群出力 顺序确定参与有功调节的场群及数量c：
[0035]
如果集群运行在调度计划追踪模式，则集群计划调度层的优化控制目标为在最大化风电 功率输出的同时尽量平抑风电功率波动，目标函数表达式为：
[0036][0037][0038]
式(6)中，n是各场群内风电场数量，表示风电场群i在t+δt时段的最优出力，α
i1
和α
i2
是误差权重系数，且α
i1
+α
i2
＝1；式(7)为约束条件，包括调度计划跟踪约束、场群出 力限制约束、场群输出爬坡约束，m是风电集群内场群数量，p
imin
和p
imax
分别表示场群i的最 小、最大出力，c
clu
为风电集群爬坡率限制，为风电集群装机容量；
[0039]
如果集群运行在最大功率追踪模式，则集群计划调度层的控制目标变为最大化风电功率 追踪精度，目标函数表示式为：
[0040][0041][0042]
s3.3：对于场群滚动优化层，基于最新超短期预测功率对有功分配方案进行修正，优化 时域为1h，滚动周期为30min，场群滚动优化层以跟踪场群下发指令、平抑风场功率波动和 风场出力最大化为优化目标，目标函数如下式所示：
[0043][0044][0045]
式(10)中表示风电场j的最优分配值，为风电场j在t+δt
′
时刻的预测值， δt
′
＝30min，r是滚动次数，r＝2，每次优化只将k＝1时的结果下发；式(11)包括低预测功 率约束、指令跟踪约束、风电场及场群爬坡约束。
[0046]
s3.4：对于连接场群与机群的单场优化分配层，以风电机组的发电潜力和运行工况为分 类依据，每15min滚动进行一次机组动态分类：
[0047]
s3.4.1：根据实际风速信息v(t)，将风机运行区域分为低风速区、中风速区和高风速区； 结合下一时刻的预测风速v
pre
(t+δt
″
)确定启停机组；
[0048]
启动机组的判断标准为：
[0049][0050]
式中v
ci
和v
co
为风机的切入、切出风速；将满足下列不等式的机组划为停机机组：
[0051][0052]
s3.4.2：根据风机历史输出、实际输出和预测输出计算得到功率变化率k
jm
，生成趋势变 化因子β
jm
：
[0053][0054]
式中p
jmn
为风电场j内机组m的额定装机容量；
[0055]
s3.4.3：基于实际风速信息v(t)和趋势变化因子β
jm
，将风电机组划分为低风速升功率、 低风速功率不变、低风速降功率、中风速升功率、中风速功率不变、中风速降功率、高风速 升功率、高风速功率不变、高风速降功率、启动机组、停机机组共计11类机群，确定各机群 输出功率优先顺序；
[0056]
s3.5：根据步骤s3.3中风电场j的有功分配值与步骤s3.4中的分类结果及优先顺序确定 参与有功功率控制(apc)的机群及数量g，机组分群控制层的滚动优化算法表示为：
[0057]
for r＝1∶2
[0058][0059]
end
[0060]
其中表示不参与有功功率控制(apc)的机群在t+δt
″
时刻的输出功率，δt
″
＝15min，表示参与有功调节的机群最优出力；最终各机群在t+δt
″
时刻的输出功率为 [0061]
s3.6：在单场优化分配层向机组分群控制层下发分配指令后，机组分群控制层每5min进 行一次滚动优化并向单场优化分配层分配有功功率；机组分群控制层的滚动控制目标函数为：
[0062][0063][0064]
式(16)中为机群i中风机j在t+δt
″′
时刻的优化功率，δt
″′
＝5min，m为机群i内风 机总数；
[0065]
s3.7：单场优化分配层在5min内滚动进行1min一次的有功功率控制；单机采用自身的 有功功率控制系统(apc系统)进行有功功率的滚动优化和反馈校正；单机功率管理层的控 制目标是使机组输出功率与分群控制层下发的分配指令之间偏差最小，每分钟滚动优化性能 指标为：
[0066]
minj
err
＝(p
ij，t+1-p
ij，t
)2ꢀꢀꢀꢀ
(40)
[0067][0068]
其中p
ij，t+1
和p
ij，t
分别下一时刻目标值和t时刻实时功率；约束条件包括风机输出功率限制 及爬坡限制。
[0069]
进一步地，步骤s4中，基于二次动态矩阵控制算法分配有功待调节量的过程包括以下子 步骤：
[0070]
采用增量算法，构造二次优化性能指标，将最优输出功率和有功调整量分别作为输出变 量和控制输入变量，根据比例叠加特性得到二者关系如下所示：
[0071]
p
opt
(t+δt)＝p
real
(t)+aδp
opt
(t+δt)
ꢀꢀꢀꢀ
(42)
[0072]
式中p
opt
(t+δt)和δp
opt
(t+δt)分别代表t+δt时刻计划输出矩阵和功率控制增量矩阵，δt代 表每层滚动周期，a为有功功率控制(apc)目标变化矩阵，如果控制目标改变，则矩阵对 应元素为1，否则为0；将各层优化调度模型的目标函数和约束条件同时进行矢量变换化为标 准二次型形式，通过matlab在线进行二次规划求解获得控制增量矩阵δp
opt
(t+δt)。
[0073]
进一步地，步骤s5中，制定分层反馈校正策略，自下而上逐层修正计划偏差的过程包括 以下子步骤：
[0074]
s51，将经过反馈校正的输出功率表示为：
[0075][0076]
s52，采用下述公式自下而上逐层修正计划偏差：
[0077][0078]
其中w为误差权重矩阵，e为误差矩阵，t为各层优化时段。
[0079]
本发明在电网传统有功调度和“5min-15min-60min”智能调度模型的基础上，将滚动控 制时间尺度进一步细化为“1min-5min-15min-30min-60min”，制定风电场集群改进多时间尺度 有功功率调度策略，克服了风电出力特性带来的负面影响，在提高调度计划跟踪精度的同时 最大化风电出力、最小化控制偏差、减少风机输出功率波动频率。
[0080]
本发明的有益效果是：
[0081]
本发明提出的基于分层模型的风电场集群有功功率协调控制方法，在提高调度计划追踪 精度的同时最大化风电出力、最小化控制偏差，并尽可能降低风机功率波动频率。基于qdmc 的滚动时域优化策略将功率变化量转化为控制变量，同时执行反馈校正环节，使优化结果准 确可靠，可以有效地应对风电出力的不确定性和反调峰特性，削弱预测误差对有功功率调度 控制的影响，实现风电系统优化调度与实时控制之间的动态平衡以及电力
系统对风电集群的 友好调度等目标。
附图说明
[0082]
图1为本发明具体实施方式中基于wt-lssvm-arma的短期、超短期功率多步预测流 程图。
[0083]
图2为本发明的有功功率预测过程流程图。
[0084]
图3为本发明具体实施方式中改进多时间尺度有功功率控制时序图。
具体实施方式
[0085]
现在结合附图对本发明作进一步详细的说明。
[0086]
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语， 亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在 无实质变更技术内容下，当亦视为本发明可实施的范畴。
[0087]
参见图1，本实施例提及一种基于分层模型预测控制的风电场集群有功功率协调控制方 法，包括以下步骤：
[0088]
s1：建立基于小波变换(wt)分析、自回归移动平均(arma)模型、最小二乘支持向 量机(lssvm)算法的组合预测模型，得到有功功率多时间尺度预测信息。
[0089]
s2：根据风电场集群(wfc)日前预测值与电网调度计划值判断wfc运行模式，获取 有功功率期望值及调整量。
[0090]
s3：建立基于分层模型预测控制(hmpc)结构的改进多时间尺度优化调度模型。
[0091]
s4：有功待调节量基于二次动态矩阵控制(qdmc)算法分配。
[0092]
s5：对风机控制误差进行实时自我校正，制定分层反馈校正策略，自下而上逐层修正计 划偏差，实现风电系统的闭环控制。
[0093]
参见图2，步骤s1中，选择基于wt、lssvm和arma模型融合的预测模型进行短期、 超短期功率多步预测，具体预测流程如下：
[0094]
s1.1：选择db6小波基函数将原始风速、风电功率时间序列分解为四层，分别为高频(hf) 信号d1、d2、d3、d4和低频(lf)信号a4。
[0095]
s1.2：筛选并删除包括d1、d2在内的高频干扰信号，以提高预测精度。
[0096]
s1.3：剩余分量分别由单体模型进行预测。波动剧烈的高频分量采用arma模型，波动 缓慢的低频序列则应用lssvm算法。
[0097]
s1.4：叠加合成各分量的预测结果，得到最终风电功率预测值。
[0098]
步骤s2中，根据步骤s1.4中的预测功率与调度指令的大小关系，wfc可总结为以下两 种运行模式：若wfc日前预测结果大于系统调度指令，则wfc处于“调度计划追踪”模式； 若日前预测结果小于系统调度指令，则wfc处于“最大功率追踪”模式。确定运行模式后， 进而获取wfc整体有功功率期望值及调整量
[0099]
[0100][0101]
其中为系统下发的t+δt时刻调度指令，δt＝1h，和分别为场群i内风场j 在t+δt时刻的预测功率和t时刻的实际功率。
[0102]
参见图3，步骤s3中，基于hmpc结构的改进多时间尺度优化调度模型将整个风电场集 群分为集群计划调度层、场群滚动优化层、单场优化分配层、机组分群控制层、单机功率管 理层五个控制分区，每层优化调度模型搭建如下：
[0103]
s3.1：本实施例提出一种基于风电功率预测信息的动态分群策略：根据步骤s1.4中的功 率预测值生成时间间隔为1h的风电场有功预测趋势集进而计算得到趋势变化因子t
i，t
， 表达式如下：
[0104][0105][0106]
式(3)中为风场超短期预测功率。式(4)中sign(x)是符号函数， 为相邻两采样点功率预测值之差。
[0107]
进一步引入“功率极差”δi和“波动阈值”ηi两个统计概念作为分群指标，表达式如式 (5)所示。
[0108][0109]
其中，p
in
为风电场i的装机容量。
[0110]
基于上述分群指标，风电集群被划分为功率增加群、功率减少群、功率不变群、功率振 荡群共4种场群，并根据分群结果确定场群出力优先次序，功率输出优先顺序如表1所示。
[0111]
表1场群出力优先顺序
[0112]
调度指令变化出力优先顺序功率增加1＞4＞3＞2功率减少2＞4＞3＞1
[0113]
在集群层根据步骤s2中的有功待调节量和步骤s3.1中的场群出力顺序确定参与有功调 节的场群及数量c，若集群运行在“调度计划追踪”模式，则该层优化控制目标为在最大化 风电功率输出的同时尽量平抑风电功率波动，目标函数表达式为：
[0114]
[0115][0116]
式(6)中，n是各场群内风电场数量，表示风电场群i在t+δt时段的最优出力，α
i1
和α
i2
是误差权重系数，且α
i1
+α
i2
＝1。式(7)为约束条件，主要包括调度计划跟踪约束、场 群出力限制约束、场群输出爬坡约束，m是风电集群内场群数量，p
imin
和p
imax
分别表示场群i 的最小、最大出力，c
clu
为风电集群爬坡率限制，为风电集群装机容量。
[0117]
如果集群运行在“最大功率追踪”模式，则该层控制目标变为最大化风电功率追踪精度， 目标函数表示式为：
[0118][0119][0120]
s3.3：场群滚动优化层基于最新超短期预测功率对有功分配方案进行修正。优化时域为 1h，滚动周期为30min，该层以跟踪场群下发指令、平抑风场功率波动和风场出力最大化为 优化目标，目标函数如下式所示：
[0121][0122][0123]
式(10)中表示风电场j的最优分配值，为风电场j在t+δt
′
时刻的预测值， δt
′
＝30min，r是滚动次数，r＝2，每次优化只将k＝1时的结果下发。式(11)包括低预测功 率约束、指令跟踪约束、风电场及场群爬坡约束。
[0124]
s3.4：单场层连接场群与机群，在apc中起着桥梁作用，提高风场有功功率控制精
度是 该层的核心任务。本发明以风电机组的发电潜力和运行工况为分类依据，每15min滚动进行 一次机组动态分类。
[0125]
根据实际风速信息v(t)，风机运行区域大致分为低风速区、中风速区和高风速区；结合 下一时刻的预测风速v
pre
(t+δt
″
)确定启停机组。
[0126]
示例性地，启动机组的判断标准如下所示：
[0127][0128]
式中v
ci
和v
co
为风机的切入、切出风速。将满足下列不等式的机组划为停机机组：
[0129][0130]
第二个分类依据是风机有功趋势变化因子，本发明根据风机历史输出、实际输出和预测 输出计算得到功率变化率k
jm
，生成趋势变化因子β
jm
，对机组进行动态分类，有效解决场内 有功功率分配问题。趋势变化因子β
jm
通过式(14)得到：
[0131][0132]
式中p
jmn
为风电场j内机组m的额定装机容量。
[0133]
基于上述分类依据，风电机组被划分为低风速升功率、低风速功率不变、低风速降功率、 中风速升功率、中风速功率不变、中风速降功率、高风速升功率、高风速功率不变、高风速 降功率、启动机组、停机机组共计11类机群，进而确定各机群输出功率优先顺序。
[0134]
s3.5：根据步骤s3.3中风电场j的有功分配值与步骤s3.4中的分类结果及优先顺序确定 参与apc的机群及数量g，该层滚动优化算法可表示为：
[0135]
for r＝1∶2
[0136][0137]
end
[0138]
其中表示不参与apc的机群在t+δt
″
时刻的输出功率，δt
″
＝15min，而 则表示参与有功调节的机群最优出力。最终各机群在t+δt
″
时刻的输出功率为 [0139]
s3.6：在单场层向机组层下发分配指令后，机组层每5min进行一次滚动优化并向
单机层 分配有功功率。为进一步提高调度精度，降低风电机组的波动频率，本层滚动控制目标函数设 置为：
[0140][0141][0142]
式(16)中为机群i中风机j在t+δt
″′
时刻的优化功率，δt
″′
＝5min，m为机群i内风 机总数。
[0143]
s3.7：单机层在5min内滚动进行1min一次的有功功率控制。单机通过自身的apc系统 实现有功功率的滚动优化和反馈校正。单机功率管理层的控制目标是使机组输出功率与分群 控制层下发的分配指令之间偏差最小。因此，每分钟滚动优化性能指标为：
[0144]
minj
err
＝(p
ij，t+1-p
ij，t
)2ꢀꢀꢀꢀ
(62)
[0145][0146]
其中p
ij，t+1
和p
ij，t
分别下一时刻目标值和t时刻实时功率。约束条件主要包括风机输出功率 限制及爬坡限制等。
[0147]
步骤s4中，qdmc算法采用增量算法，构造二次优化性能指标，将最优输出功率和有 功调整量分别作为输出变量和控制输入变量，根据比例叠加特性得到二者关系如下所示：
[0148]
p
opt
(t+δt)＝p
real
(t)+aδp
opt
(t+δt)
ꢀꢀꢀꢀ
(20)
[0149]
式中p
opt
(t+δt)和δp
opt
(t+δt)分别代表t+δt时刻各机群计划输出矩阵和功率控制增量矩 阵，δt代表每层滚动周期，a为apc目标变化矩阵，如果控制目标改变，则矩阵对应元素为 1，否则为0。为保证模型一致性，将各层优化调度模型的目标函数和约束条件同时进行矢量 变换化为标准二次型形式，控制增量矩阵δp
opt
(t+δt)可通过matlab在线进行二次规划求解 获得。
[0150]
步骤s5中，采用分层反馈校正策略自下而上逐层修正计划偏差，同时风机控制误差通过 自我校正环节进行修正。经过反馈校正的输出功率可以表示为：
[0151][0152][0153]
其中w为误差权重矩阵，e为误差矩阵，t为各层优化时段。
[0154]
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于 本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的
普通技术 人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。