随着风电技术的不断发展,风电装机容量不断增加,风电场内各机组地理位置分布愈加广泛,同一时刻不同位置的机组所处的环境状态差异明显,使不同风机的出力存在差异。风电场内机组的健康状况与其出力情况有密切关系,各机组的健康程度决定了整个风电场的运行可靠性。为提高风电场运行可靠性,并能更好地执行电力系统调度部门下达的有功功率控制指令,在下一控制周期内针对各机组发电可靠度进行风场内各机组功率分配尤为重要。文章以提高风电场运行可靠性为目标,对风速与风功率预测方法、风电场内功率优化调度策略进行了深入研究。首先,通过风速与风功率预测得到每台机组在全功率运行状态下的出力大小;其次根据机组各状态参数提出机组发电可靠度模型;最后根据电网的调度指标和机组的发电可靠度,以风电场总发出功率可靠性最大为目标,对风电场中各风电机组进行优化调度,从而提高了风电场的运行可靠性。论文的主要内容包括:①建立风速预测模型。基于SCADA数据,建立组与组之间的数据相关性的训练矩阵,利用BP神经网络法和基于Adaboost_BP改进的神经网络法对风速进行预测。研究结果表明不同的样本和时间尺度,风速预测的精确度与所采用的训练模型有很大关系。通过对比发现,当时间尺度、训练数据元素个数、单步多步、测试样本等模型参数相同的情况下,Adaboost_BP预测模型的预测结果准确度高但预测时间较长。②建立了风功率短期预测模型。通过BP神经网络法将风速与其对应的风功率作为训练输入以得到其相互之间的关系。分析了预测风速与实际风速两种风速作为模型输入对预测结果会的影响。研究结果表明,通过预测风速值替代实际风速值作为风功率预测模型的输入可减少训练数据带来的误差与抽样过程和数据传输过程中产生的噪声影响。③建立机组发电可靠度模型。通过对状态参数进行风速温度相关的拟合与异常状态修正,建立包含工况信息的风电机组状态参数体系。定义参数异常指数PAI对状态参数进行描述,并得到状态参数异常程度与该参数对应的权重。将状态参数的异常程度按照其权重组合,得到该机组的发电可靠度。④建立了基于风机分组的风电场内有功功率优化调度模型。根据每台机组风功率出力的预测数据与发电可靠度,在满足电网调度指令的前提下,提出了考虑机组发电可靠度的多目标风电场功率优化调度策略。通过优化调度提高风电场发电的安全性和稳定性。