风机在高风速段造成风电爬坡的主要原因是风机在高风速时的保护策略。当风速高于25m/s并持续10min时,风机保护动作,风机切机,出力由满发状态突降为零。风机在额定风速以下,对于没有功率平滑能力的风机,风速的变化将直接转换成风机出力的变化,而对于具有功率平滑能力的风机,在最大功率跟踪模式的基础上增加了功率比限制环节。结合风速同时性系数,下文将比较以上两类风机构成的风电场出现爬坡事件的严重程度。研究表明,大部分爬坡事件都是发生在爬坡风速下,而高风速下的爬坡事件也不容忽视。对于高风速段发生的爬坡事件,可通过合理整定高风速切机保护时间来降低风电爬坡率。对于爬坡风速段发生的爬坡事件可通过改进单台风机本身的控制策略,平滑风机出力特性,以降低风电场的爬坡率。现有的风机功率平滑能力依赖于风机自身的功率比限制环节,功率比限制环节可以平滑出力,在一定程度上抑制风电爬坡。
但功率比限制环节的整定依赖于经验,尚未有合理的理论依据,且牺牲了风机的发电量。本文提出了一种风机爬坡功率的有限度控制策略,能在平滑风机出力、降低风电爬坡率的基础上,兼顾风机运行的经济性。随着风电功率预测精度的不断提高,其在控制中所发挥的作用日益突出,尤其是单机的风速预测和风功率预测将在未来的风电场有功控制和风机的优化控制中发挥重要作用,使功率分配更加科学合理,降低风机出力的不确定性提出考虑尾流效应的动态神经网络超短期风速预测,其预测误差在0.7m/s之内,精度较高,已能满足实际应用。该动态神经网络超短期预测模型由输入层、隐含层和输出层构成,输入层由考虑时延的动态多层前馈网络构成,隐含层由含5个神经元的前馈网络构成,具体结构如附录A图A1所示。风机采用风机模型,该风机的功率平滑控制是由功率比限制环节来实现的。如图4所示,在风机模型中,对参考功率指令设置幅值和变化率的上下限,从而限制风机出力的变化,避免爬坡率过大。