文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.2018.S1.020
0 引言
在如今清潔能源尤其是風力發電大規模發展的大背景下，風力發電的建模問題十分重要[1-2]。但在平臺上實現每臺風機的詳細建模，不僅在電網的角度考慮沒有必要，而且會帶來非常巨大的計算與任務量。因此，等值建模在風電場并網研究甚至在整個風力發電中都是十分重要的。風電場的建模分為穩態建模和動態建模，考慮到風能的特性以及我們所需求的前提下，動態建模更加符合要求。其中，聚合法又是動態建模的有效解決方法。
文獻[3]提出用單機表征法對風電場進行等值建模，但是在對風電場的并網運行時，因為風電場內部的風速差異以及其他的因素，單機表征法會產生較大的誤差。文獻[4]用風機機組簡化模型進行風電場等值，以風能利用系數為指標將發電機轉速-功率特性線性化處理。但由于等值過程中做了若干假設和忽略處理，模型的精度不夠。文獻[5]在研究風電場等值建模時，只考慮了等效風速。然后根據等效風速求得風電場輸出。文獻[6]則是基于PQ節點法，將風電場先分群后進行潮流計算。
本文針對大型機組風電場，在動態建模和聚合法的前提下提出一種應用改進的猴群算法的風電場等值建模方法，并在DIgSILENT軟件平臺進行仿真驗證，仿真結果證明了該方法的有效性。
1 風電場的單機模型
單單針對一臺風力發電機而言，基本的參數應該包括的參數有發電機的容量、輸入發電機的機械轉矩、定子轉子電阻電抗、勵磁電抗以及慣性時間常數等參數。
其中，定子電阻電抗、轉子電阻電抗、勵磁電抗可以通過改進的猴群算法求得。
風電機組的容量和輸入機械功率可以根據容量加權平均值求得。如式（1）所示：
其中Seq為等值的風電機組的容量，Pmeq為風電機組的輸入機械功率。Si則表示第i臺風電機組的容量，Pmi則表示第i臺風電機組的輸入機械功率。
其他的參數可由猴群算法求得。
2 猴群算法簡介
猴群算法的主要用于解決含有連續變量的大規模、多峰值函數優化問題,屬于風電場建模的聚合法中的辨識法。
猴群算法顧名思義，就是再現猴群不斷地爬向更高的山峰，直到山頂的過程。它是由爬、望、跳、翻四部分組成。大體流程為爬—望—跳—爬—翻—爬的過程。整個過程中爬就是算法的最主要工作，主要用于計算局部最優的參數。望的過程則是在接近最優解的時候選定目標加快計算過程，翻則是為了跳出局部最優解的束縛。在高緯度的優化算法中，因為猴群算法的自身的特性，使其可以大大的加快算法的收斂速度。
傳統猴群算法的流程圖如圖1所示。
2.1 爬過程
爬過程對應的機理為不斷的改善自身，使自身不停靠近目標函數的過程。具體流程為：
（1）以一定步長a的對初始參數每一項進行擾動，擾動量為：
步長a的正負取值都為0.5的概率。從擾動能看出，a的大小決定了猴群求取參數的時間。
（2）計算偽梯度向量：
（3）利用偽梯度找到猴子的新位置。
（4）帶入目標函數進行檢驗，若新的位置產生的目標函數滿足要求，則用新的參數代替上一步參數。若不滿足要求則保持上一步的參數不變。
（5）重復上面的步驟，直到達到迭代的最大次數或者兩次迭代之間的目標函數相差到達設定的閾值。
2.2 望的過程
在爬的過程中，每個元素都達到了暫時的局部最優。此時，需要觀察周圍的向量空間，是否有更優解。此處定義b作為猴群機參數的視野范圍。具體過程為：
（1）針對參數xij在視野范圍內隨機選取相鄰點并進行計算。生成一個新的參數yij。
（2）若yij滿足約束條件，且更加符合要求，則令y取代xij。否則重復計算到一定次數或找到滿意的yij。
（3）用yij作為初始位置，重塑2.1的過程。
2.3 跳的過程
該過程的目的為將整體的運算由當前的區域整體跳躍到新的區域。此時需要選取所有參數的重心作為支點。每個參數都沿當前位置指向指點位置進行跳躍。具體過程為：
（1）在區間[c，d]上生成一個隨機的實數θ；
確定新的參數y =（y1，y2，…,yn），若新的參數滿足要求，則替換y為新的參數。若不滿足要求，則重復計算直到達到最大的計算次數或者找到滿足要求的y。
3 猴群算法的改進
本文針對風電場的建模問題，結合了混沌算法做出了一些改進。
3.1 初始參數的改進
針對傳統初始化的繁瑣，本文提出了混沌的方法來確定初始位置，采取了Logistic函數以便于加快參數的初始化過程。其中Logistic函數的表達如式（7）所示：
其中，y混沌變量，k為迭代次數。
Logistic函數在猴群算法的引用是為代替之前的設置：
（1）設置k=0時y的初始值；
（2）帶入式（7）利用函數產生下一次的迭代變量值；
（3）利用函數的迭代值帶入參數的尋優過程；
（4）直到達到最大的迭代次數或者數值符合要求，否則，返回步驟（2）。
3.2 爬的過程改進
在爬的過程，引入Sigmoid函數代替原來的定步長的過程。Sigmoid的函數表達為:
目的是在算法的不斷推進中，步長需要從大到小的遞減，這樣才能保證求參數的精度和時間優化。
引進函數替代了原來固定步長的設置，伴隨著迭代次數的增加，步長逐漸縮小。減少最開始的求解時的時間，在保證結果的前提下，提高了搜索的效率。
4 算例驗證
4.1 參數獲取
本次的仿真采用60×1.5 MW的風電場，其位于平坦地形排列規律且風電場內均為同一型號的雙饋風電機組。在DIgSILENT仿真平臺上進行仿真建模。為風電場的結構示意圖如圖2所示。
風電場的等值模型如圖3所示，其中，ExternaGrid代表風電場外部的等值電網，PCC與PC分別代表風電場主變壓器Trf_eq高壓側，低壓側與外電網連接的母線。
對于最終等值的模型，其額定容量為：
其中，ρAIR是空氣密度，單位kg/m3；R為風葉半徑（單位為m）；Vi為風電場中i臺風機所捕獲的有效風速（單位為m/s）；CPi為i臺風機的風能利用系數。
風電場中雙饋機組的詳細參數如表1所示。
在仿真時，根據風況的分類結構圖如圖3所示，先針對相同風況的每列風機參數利用式加權平均值進行計算，其后根據算法對給出的風機參數求取猴群算法的初始參數，初始參數如表2所示。
根據表2中的參數，在初始參數的基礎上，上下50%作為搜索范圍。參數如表3所示。
最后在表3所給范圍中，利用改進的猴群算法與所給出的目標函數來計算所得最優參數如表4所示，利用表4的數據完善風電場的等值模型。
4.2 仿真驗證分析
將仿真模型帶入不同時間段的兩組時長為120 s的風電場數據，用來驗證等值模型的有效性。
在標準偏差為1.8的風速如圖4所示。其中，橫坐標為時間，縱坐標為風速。
在標準偏差下的風電場等值前后的有功輸出對比圖如圖5所示。橫坐標為時間，縱坐標為輸出的功率。虛線所代表為詳細的風電場模型輸出功率曲線，實線為等值風電場的輸出曲線。
在風速偏差為0.45時，取120 s風速波動圖，如圖6所示。在同風速下的風電場等值前后輸出對比圖如圖7所示。
從上圖可以看出，在改進猴群算法的前提下，所建等值模型的輸出特性與詳細模型基本吻合，這驗證了本文提出的等值建模的有效性。
在利用猴群算法迭代參數時，最終的參數相差不大。但是迭代的時間上，傳統的猴群算法消耗時間幾乎為改進的猴群算法的二倍。這也說明了改進的猴群算法可以在保證結果精度的前提下，提高運算的效率。
5 結論
本次研究在原有的猴群算法的基礎上，結合混沌算法對傳統的算法的初始化和爬的過程針對性的修改，進行了大型雙饋機組風電場等值建模的研究。在研究中分析了傳統單機等值方法的不足以及等值前后下的仿真分析對比。
從仿真的結果可以看出，本次研究的方法與傳統的猴群算法相比更加符合風電場的特性。為大型風電場的并網提供了基礎。
參考文獻
[1] 李輝, 王荷生, 史旭陽,等. 基于遺傳算法的風電場等值模型的研究[J]. 電力系統保護與控制, 2011, 39(11):1-8.
[2] 喬嘉賡, 魯宗相, 閔勇,等. 風電場并網的新型實用等效方法[J]. 電工技術學報, 2009, 24(4):209-213.
[3] 黃梅, 萬航羽. 在動態仿真中風電場模型的簡化[J]. 電工技術學報, 2009, 24(9):147-152.
[4] 嚴干貴, 李鴻博, 穆鋼,等. 基于等效風速的風電場等值建模[J]. 東北電力大學學報, 2011, 31(3):13-19.
[5] 王偉勝, 申洪. 電力系統潮流計算中風電場節點的考慮方法[J]. 華北電力大學學報(自然科學版), 2002, 29(s1):150-153.
[6] 張保會, 李光輝, 王進,等. 風電接入對繼電保護的影響(二)——雙饋式風電場電磁暫態等值建模研究[J]. 電力自動化設備, 2013, 33(2):1-7.
[7] 張新燕, 王維慶, 何山. 風電并網運行與維護[M]. 北京: 機械工業出版社, 2011.
[8] 鄭睿敏, 李建華, 李作紅,等. 考慮尾流效應的風電場建模以及隨機潮流計算[J]. 西安交通大學學報, 2008, 42(12):1515-1520.
[9] 楊揚. 風電場等值建模研究[D]. 濟南: 山東大學, 2016.
[10] 陳海濤. 改進的猴群算法在云計算資源分配中的研究[J]. 計算機系統應用, 2015, 24(8):191-196.
作者信息:
王旭東，董建園
（西安建筑科技大學 機電工程學院，陜西 西安 710055）