随着电力系统中风电并网比例的增加,风能的随机波动性对传统电力系统经济调度和安全运行带来挑战。研究在风电功率预测与电力系统的负荷约束条件下,风电场内机组优化调度问题,不仅能减少风力发电机组的冗余运行和磨损浪费,避免机组的频繁启停,还可以降低运行成本,提高风电场输出功率的电能质量,有效减轻风电波动性对电网的影响,从而在保证电力系统安全性的前提下,提高电力系统的消纳风电能力和经济效益。以风电场功率预测数据为基础,重点研究了以降低风力发电机组疲劳载荷损伤相对量和降低集电系统损耗为目标的风电场内机组优化调度的算法,完成了以下研究工作。(1)提出了不同运行工况下风力发电机组关键部件相对疲劳损伤量的计算方法。根据华北某风电场的风资源数据,利用瑞利分布的风速累积分布函数,基于GH-Bladed模拟了1.5MW风力发电机组的疲劳载荷,利用雨流循环计数法,得到风力发电机组各个部件的疲劳载荷谱,然后根据仿真计算和Miner法则得到的风力发电机组关键部件的相对疲劳损伤量,可为风电场内机组优化运行提供评价准则。(2)基于相空间重构的神经网络风电功率预测算法的应用。风电场内机组优化调度是以风力发电机组的短期和超短期功率预测值为研究基础,根据混沌-相空间重构的原理可知风力发电机组的风速和风电功率时间序列数据具有混沌的属性的基础上,将相空间重构与神经网络相结合,建立混沌-Elman、混沌-BP和混沌-Volterra级数的风电功率预测模型,经实例验证,分析比较得出混沌-Elman模型的预测效果相对较好,能够提高预测的精度和稳定性。(3)建立以风电场集电系统网损最小为目标的机组优化调度模型。以风电场内集电系统网损最小为目标函数,电网调度要求、风力发电机组有功输出的功率上下限、风力发电机组无功输出的功率上下限、风力发电机组端电压上下限、变压器变比上下限等为约束条件,建立机组优化调度的数学模型,分别采用粒子群优化算法和粒子群-遗传优化算法进行寻优。结果表明,粒子群-遗传算法在优化效果和运算效率方面均优于单一粒子群算法。(4)建立了以风电场内机械损伤量最小为目标的机组组合优化模型。基于前述的相对疲劳损伤量模型,建立机组组合模型,合理配置机组启停方案,以期在调度期内风电场整体机械损伤最小,延长机组运行效率和使用寿命。然后利用改进二进制粒子群优化算法(BPSO)、遗传优化算法(GA)、粒子群-遗传混合优化算法(BPSO-GA),进行优化求解。结果表明,BPSO-GA比单一GA和BPSO提高了优化性能,运行期间总疲劳损伤量最小；引入粒子群优化参数的BPSO-GA算法的计算时长相对BPSO算法略长,但比GA算法计算时长要短；三种模型的计算时长从大到小依次为：GA, BPSO-GA, BPSO。(5)建立了基于机组优先级分类的风电场内功率分配模型。以风力发电机组发电功率、风速平均值和均方根差值作为特征值,分析机组发电性能,并分别采用SOFM神经网络算法与基于模拟退火遗传算法的模糊C均值聚类算法建立机组优先级分类模型。将发电性能较好的一类作为优先执行发电计划的机组,计及线路损耗后的发电计划,对风电场内其余机组进行两层优化,外层是以风力发电机组相对疲劳损伤量最小为目标的机组优化出力,内层是确定机组间负荷满足电网调度要求的最优功率分配。通过两层分配,得到既满足电网调度需求,又降低风电场运行损耗的功率分配结果。结果表明,基于遗传模拟退火算法的模糊聚类算法分类方法的疲劳损伤量比自组织特征映射神经网络分类方法的疲劳损伤量较小,SAGA-FCM分类方法下停机的机组台数较多。风力发电机组分类后优化调度,能够使风电场机组运行优化,提高风电场输出电能质量。