海上風電場疲勞分布與有功功率統一控制

蘇永新　段　斌　朱廣輝　樊勇華

海上風電場疲勞分布與有功功率統一控制

蘇永新1段斌1朱廣輝2,3樊勇華4

（1. 湘潭大學信息工程學院 湘潭 411105 2. 海上風力發電技術與檢測國家重點實驗室 湘潭 411101 3. 國家能源風力發電機研發（實驗）中心 湘潭 411101 4. 中國電力科學研究院 北京 100192）

針對風電場各機組疲勞不均勻導致機組維護不同步的問題，以及風電場疲勞優化和有功功率控制顧此失彼的現狀，將機組疲勞優化問題轉化為有功功率控制問題，綜合考慮尾流效應的影響，提出了利用風電場限值發電形成的有功功率調節自由度進行疲勞優化的原理，基于最優控制理論給出了風電場疲勞分布與有功功率統一控制的控制策略；為使控制策略可基于風電場現有軟硬件環境實現，重點基于多智能體技術研究了控制策略的實現方法，設計了多智能體系統的部署方案、智能體層次狀態機和智能體間的信息交互方案。仿真表明，提出的方法能在保證風電場有功功率跟蹤調度給定值、不損失發電量的前提下，均勻風電場疲勞分布，保證各機組維護的同步性，降低維護頻率，減少維護成本。

風電場 有功功率 疲勞 智能體 優化

0　引言

風能優良的陸地資源不斷消耗，越來越少，而海上風資源豐沛，發展海上風電是必然趨勢[1]。但海上風電建設成本高，運行維護費用昂貴，其發展面臨經濟性挑戰。就運行維護而言，海上風電機組單次維護成本是陸上的2倍以上[2]；另外，受風浪等制約，故障待修時間可高達數百小時[3]，發電損失大。降低維護頻率是海上風電發展的關鍵之一。

風電機組運行中，總是承受交變載荷，部件材料內部缺陷不斷累積和發展并導致性能逐漸劣化，形成疲勞。風電機組是典型的“疲勞機器”，疲勞是機組產生維護需求的主要原因[4]。

風電具有不確定性，超短期風能預測誤差一般為7%～19%[5]，為了保證系統的安全穩定，電力系統調度機構需要在運行控制中留有較大的安全裕度［5］，合理安排常規發電機組出力和風電場出力限值[6-8]，進行限值發電。此外，在電力系統事故或緊急情況下，調度機構要求風電場響應電網擾動，按指定的大小和變化率調節有功功率；在系統安全穩定裕度足夠時，調度機構放開對風電場的有功功率大小的限制，風電場在滿足有功功率變化率限值的前提下自由發電[6-8]（以下簡稱自由發電）。丹麥、荷蘭、德國和中國等國家的風電并網標準規定風電場必須根據調度機構指令控制其有功功率輸出。風電場通過有功功率控制器（Wind Farm Active Power Controller, WFAPC）將調度機構給定的發電任務分解為各機組有功參考值[6-9]，各機組基于變槳距控制、變流器控制等自動跟蹤該參考值，實現風電場對調度機構有功要求的跟蹤。傳統上，WFPAC有功功率控制策略不考慮機組疲勞，早期多采用起停機控制，部分機組停機，其余機組滿發，滿足風電場有功功率需求[10]。這種方法存在頻繁起停機影響機組壽命、有功功率調節粒度過大、有功功率向上調節速度慢等問題，WFAPC按機組可用功率比例將風電場有功出力任務分解到每臺機組[11]成為主要方法。由于尾流效應，氣流流經上風向機組后，平均風速降低[12]，下風向機組可用功率小，按可用功率比例分配到的有功出力任務小，因而下風向機組疲勞程度低[12]。最終，風電場邊界機組疲勞更嚴重，形成疲勞分布的不均勻性，導致維護不同步，維護頻繁。

合理利用風電機組葉片氣動阻尼特性[13]以及合理使用阻尼控制反饋[14]，可以使機組的振動效應降低，達到抑制疲勞的目的。獨立變槳[15]、主動偏航[16]等技術能高效抑制機組氣動疲勞。盡管這些研究卓有成效，但只能優化單臺機組個體的疲勞，無法均衡多臺機組的疲勞。文獻[17]提出了一種均衡風電場各機組疲勞的方法，對WFAPC給出的機組有功參考值進行二次調整，以均衡各機組疲勞。該方法導致風電場有功功率比調度機構給定值小5%～10%，限制了其工程應用范圍。

針對風電場疲勞優化和有功功率控制顧此失彼的現狀，本文旨在建立風電場疲勞分布和有功功率一體化控制方法，在保證風電場有功功率滿足調度機構要求、不損失發電量的前提下，優化風電場疲勞的均勻性，使各機組維護同步，降低風電場維護成本。為此，研究基于機組有功功率度量機組疲勞的方法，并根據疲勞的累積特性，提出風電場限值發電時進行疲勞優化，而響應電網擾動和自由發電時，按風電場既有策略運行的思想，綜合考慮尾流效應的影響以提高優化準確度?；谧顑灴刂评碚?，以風電場疲勞均勻性為優化目標，以風電場和機組有功功率為約束條件，建立風電場疲勞分布和有功功率綜合控制方程。重點基于多智能體技術，研究控制系統的實現，使提出的方法對現有風電場無額外的軟硬件要求，具備工程適用性。

1　機組疲勞

為描述方便，不妨設風電場為maxi行、maxj列矩形布局，如圖1所示。用A(i,j)表示風電場第i行第j列的機組。

圖1　風電場布局模型Fig.1　Layout model of wind farm

疲勞的經典描述十分復雜，難于直接用于風電場運行優化。為此，丹麥和中國學者通過分析風電機組各關鍵部件疲勞和機組有功出力的關系，給出了機組疲勞的概念[17]，用來描述機組各部件疲勞形成的綜合傷害，并定義了疲勞系數來度量機組疲勞［17］，忽略機組停機后的疲勞，A(i,j)在t時刻的疲勞系數,Fi,j(t) 為

式中，等式右邊第一部分是機組在tb時刻的疲勞系數；第二部分是繼續發電導致的工作疲勞；第三部分是繼續承受紊流導致的紊流疲勞；Pi,j(τ)是A(i,j)在τ時刻的有功輸出；是A(i,j)的額定功率；為A(i,j)壽命；為A(i,j)維護補償系數，經驗參數；是A(i,j)紊流疲勞當量系數；(τ)是A(i,j)在τ時刻的有效紊流強度。

有效紊流會增加機組疲勞，增加量一般是工作疲勞的5%～15%，具體比例由風電場地理位置、風電場機組布局決定[17,18]。用,ijγ表示機組A(i,j)工作疲勞與紊流疲勞的比值。式（1）改寫為

可以看出，調節機組的有功輸出能調節機組的疲勞，而且，機組的疲勞是一個累積過程。因此，風電場在某些階段積累的疲勞不均勻性，可以在其他階段通過機組有功功率協調，實現優化。

受制于風電場用地面積，現有風電機組之間的間距一般是葉輪直徑的7～8倍[12]，即使在微觀選址優化后，尾流效應還是顯著影響下風向機組輸入風速[12]，為保證控制的準確性，必需考慮尾流效應。

2　風電機組間的氣動耦合

因尾流效應，上下風向機組之間存在氣動耦合。Jensen模型是應用最廣泛的尾流模型之一[19]。根據其近似模型[19]，如圖1所示，風向為0°時，A(i,j)的輸入風速vi,j與其緊鄰下風向機組A(i+1,j)輸入風速vi+1,j的關系為

空氣動力學研究表明[16]，根據式（5）～式（7）可求。

式中，Pi,j是機組A(i,j)的有功功率；是其風能利用系數；ai,j是其誘導因子；S是其葉輪掃風面積；ρ為空氣密度。

綜合式（3）～式（7），可由vi,j求得vi+1,j。

按照風向的不同，機組間氣動耦合可以分為行列耦合和對角耦合兩種情況，如圖1所示。行列耦合是指風向為0°、90°、180°和270°時同行或同列機組間的氣動耦合；對角耦合是指風向為45°、135°、225°和315°時，對角線上機組間的氣動耦合。

以機組行、列間距是7D為例，則行列耦合時，d=7D；對角耦合時，d=72D。根據或參照式（3）～式（7）可確定兩種耦合路徑下，風向上緊鄰的機組間的風速關系。

風向既不符合行列耦合也不符合對角耦合時，按風向偏差最小的原則，映射為行列耦合或對角耦合，例如，風向處于（22.5°，67.5°）扇區時，映射為45°的對角耦合。

3　疲勞與有功統一控制策略

3.1總體策略

調度機構允許風電場自由發電時，風電業主普遍要求不損失發電量，機組宜按傳統的最大風能捕獲方式運行：要求風電場響應電網擾動時，對風電場響應速度有很高的要求[8]，機組一般按預置的控制策略運行[20]，難于兼顧風電場疲勞優化；要求風電場限值發電時，機組存在一定的有功調節裕量，且對有功調節速度要求不太高，可以通過協調機組有功參考值優化風電場有功功率[21]和疲勞[17]。據此，設計疲勞優化的總體策略：①調度機構允許風電場自由發電、以及要求風電場響應電網擾動時，按風電場既有控制策略運行；②調度機構要求風電場限值發電時，協調各機組參考功率，進行風電場疲勞分布優化。在保證風電場有功輸出跟蹤調度機構要求、不損失發電量的前提下，均勻各機組疲勞。

3.2 風電場限值發電時的控制策略

根據風向，按機組氣動耦合路徑，將風電場劃分為多個優化組，如圖1所示。例如，風向為0°時，A(1, 2), A(2, 2),…, A( imax,2)為一個優化組。海上風電場風資源優良，場內各處自然風速具有統計均勻性[22]，風電場疲勞均勻化問題，可以轉化為優化組內疲勞均勻化問題

式中，Fst(tf)表示tf時刻優化組疲勞系數標準差；(t)表示t時刻優化組內機組疲勞系數平均值；t0表示當前時刻；ngroup表示優化組機組臺數；是優化組有功參考值；Pgroup是優化組有功功率；、分別表示A(i,j)的可用功率、最低并網運行功率；εgroup為優化組有功輸出誤差閾值。其中

疲勞系數標準差表征疲勞均勻性，式（8）表示各機組疲勞均勻化程度最優。式（9）是約束條件，表示本組有功功率跟蹤參考值，結合式（11）可知，其本質是保證風電場有功輸出跟蹤調度機構要求，不宜利用式（9）提供控制自由度，因此，具體實現中，式（12）中η應取較小的值。式（10）也是約束條件，表示優化后，各機組有功功率應具備可實現性。

一個優化組機組數目可達十臺以上，加上尾流效應的復雜性和優化的時間維度，直接尋求式（8）～式（10）的最優解容易陷入維數災，因此，工程實現中，求其可行解。若εst表示工程上可接受的疲勞標準差閾值，則Fst(tf)≤εst對應可行解。因此，工程實現中，用式（13）替換式（8）。

4 基于多智能體的控制系統設計

4.1 智能體的部署

根據控制要求和策略，為每臺機組部署一個智能體，組成多智能體系統，WFAPC向各智能體傳遞風電場有功功率控制模式、風電機組有功參考值，多智能體系統對其進行二次優化，重新生成機組有功參考值，各機組按新參考值運行。這種框架不影響WFAPC原有工作模式，各反饋信息仍舊向WFAPC傳遞。

所部署的智能體分為兩種：一種是組織智能體LA；另外一種是成員智能體MA。一個氣動耦合組中，上風向邊界機組對應的智能體為LA，其余機組對應的智能體為MA。圖1中，風向為0°時，A(1,2), A(2,2), …, A( imax,2)組中，A(1,2)對應LA，其余機組均對應MA。MA的主要功能是調節本機疲勞，為其他機組的調節提供必要的信息等；LA除具有MA的功能外，還具有組事務處理功能。

4.2 智能體的層次狀態機

由于控制邏輯較復雜，常規的有限狀態機難以清晰建模。層次狀態機為有復雜內部細節的狀態設立多個子狀態，構成低層次有限狀態機描述低層次邏輯，能簡化邏輯描述。引入層次狀態機，設計智能體的狀態機。

4.2.1 頂層狀態機

根據提出的控制策略，與調度機構對風電場的有功功率控制相匹配，LA與MA劃分為限值發電、響應電網擾動和自由發電三種頂層狀態，并設計LA與MA的頂層狀態機如圖2所示。

圖2 LA與MA的頂層狀態機Fig.2 Top layer state machine of LA and MA

圖2中，FP是自由發電的標志；SR是響應電網擾動標志，這些標志值為1時表示啟動相應控制模式，為0時，表示停用。

FP=1，則各智能體運行于自由發電狀態，各機組按傳統的最大風能捕獲策略運行，等效于A(i,j)有功參考值與其可用功率相同。

SR=1，則各智能體運行于響應電網擾動狀態，機組按WFAPC分配的有功參考值運行，即：A(i,j)的智能體將WFAPC分配給本機組的有功參考值設為。

PR=1時，各智能體運行于限值發電狀態，此時，多智能體系統進行疲勞優化，生成A(i,j)優化有功功率，A(i,j)按該功率運行，即

4.2.2 限值發電狀態子狀態機

在限值發電狀態下，基于式（13）、式（9）和式（10）進行疲勞優化。WFAPC以周期T（典型值15min）給出各機組有功參考值，因此取f0ttT=+。

設計機組配對調節法，實現控制策略。為表達方便，用“計劃功率”表示優化計算中各機組的有功功率，定義計劃疲勞系數為機組按當前計劃功率運行T 時間后，該機組的疲勞系數，將WFAPC給出的各機組有功參考值設定為各機組計劃功率初始值。那么，配對調節法可描述為：將計劃疲勞系數最大和最小的機組配為一對；前者計劃功率向下調節一定的量作為本機組新的計劃功率，后者計劃功率向上調節相同的量作為該機組新的計劃功率。上述過程反復進行，直到各機組計劃疲勞系數均勻性滿足要求，或者各機組計劃功率不能再按期望的方向調節，退出優化過程，各機組按最近一次計劃功率運行?；诖耍謩e設計LA、MA限值發電狀態子狀態機如圖3和圖4所示。

圖3 LA限值發電狀態子狀態機Fig.3 Sub-state machine of power reduction state of LA

圖4 MA限值發電狀態子狀態機Fig.4 Sub-state machine of power reduction state of MA

圖3與圖4中，ΔP為有功功率調節步長；Pi,j是A(i,j)的計劃功率；ζi,j是A(i,j)功率可向下調節標志，如果Pi,j-ΔP＞，ζi,j值為1，否則為0；χi,j表示A(i,j)功率可向上調節標志，如果Pi,j+ΔP＜,χi,j值為1，否則為0；Fi,j(t+T)表示A(i,j) 0的計劃疲勞系數。

圖3是以A( i1,j1)為例設計的LA子狀態機。LA頂層狀態機切入限值發電狀態時，首先進入圖3的State 1，該狀態下，LA接收WFAPC分配的，機組暫時以其為有功參考值運行。WFAPC有功分配完畢（TU=0），由State 1進入State 2。State 2進行機組分組：確定優化組成員和組號（GroupNum）g；令組疲勞優化標志GAD=1，宣布本組疲勞優化開始；將設定為本機計劃功率初始值，作為本機功率調節起始點；根據Pi1,j1初始化和，計算；初始化本組計劃功率調節次數計數器Counter，置其初始值為0。State 2任務簡單，執行時間短，執行后無條件切換到State 3。State 3主要功能是確定調節對象，根據各機組當前ζi,j、χi,j、值，進行調節對象配對，生成調節對象集合φ。具體方法是：

（1）確定功率可向下調節的計劃疲勞系數最大的 機組A( i,j)，也就是ζi,j=1的機組中，Fi,j(t+T)dd0最大的機組。

（2）確定功率可向上調節的計劃疲勞系數最小的機組A( i,j)，即χi,j=1的機組中，Fi,j(t+T)最uu0小的機組。

（3）如果A( id,jd)與A( iu,ju)同時存在，令φ={A( id,jd),A( iu,ju)}，且將Counter值加1，否則φ為空集，即φ=φ。如果LA是功率調整對象，即A( i1,j1)∈φ，則切換到State 4。State 4主要功能是調整本機組計劃功率，如果A( i1,j1)是A( id,jd)，則 計劃功率向下調節一個步長，即Pi1,j1=Pi1,j1-ΔP ，如果A( i1,j1)是A( iu,ju)，則計劃功率向上調節一個步長，即Pi1,j1=Pi1,j1+ΔP ；然后再根據調整后的計劃功率刷新ζi1,j1、χi1,j1和。完成這些工作后，由State 4無條件切入到State 3。State 3狀態下，如發現組內有機組更新了計劃功率，即ΔPi,j≠0，則切換到Sate 5。Sate 5主要功能是調節效果分析，采集各機組計劃疲勞系數Fi,j(t+T)；計算組計劃疲勞0系數標準差Fst(t0+T)。如果疲勞均勻性不能達到優化目標，即Fst(t0+T)＞εst，由State 5轉移到State 3；如果已能達到優化目標，即Fst(t0+T)≤εst，由State 5切入State 6。State 6中，宣告本組疲勞優化結束，即令GAD=0；并將本機最近一次計劃功率視為，并設定為本機有功參考值。另外，State 3中，φ= φ意味著不再存在可調節機組配對，疲勞優化無法繼續；Counter＞N表示本組計劃功率調節次數超過閾值N，可防止極端情況下計算時間過長，影響控制的實時性。因此，φ= φ或Counter＞N時，都由State 3切換到State 6。處于State 2～State 6時，如果WFAPC功率分配時間間隔耗盡（TU=1），則停止優化，切換到State 1。

圖4是以A( ir,jr)對應的MA為例設計的MA子狀態機。圖4中State 1的功能與圖3中State 1功能相同。MA從State 1轉換到State 2的條件是，本組開始進行疲勞優化（LA宣布GAD=1）。State 2中，MA根據LA給出的信息，確定本機所在組的組號；將設定為本機計劃功率初始值；并根據確定ζir,jr和χir,jr，計算Fir,jr(t0+T)。State 2中，若發現MA是計劃功率調整對象，則切換到State 3。State 3的功能與圖3中State 4功能相同。MA處于State 2或State 3時，如果緊鄰上風向機組推力系數發生改變，即，意味著A( i,j)輸入風速將發生變rr化，轉入State 4，基于式（3）～式（7）計算本機輸入風速，可用功率、推力系數等，并刷新ζir,jr、、值。State 4中，若發現A( ir,jr)∈φ，也切換到State 3。MA處于State 3或State 4時，如果LA宣布優化過程結束（LA宣告GAD=0），則轉移到State 5，MA將本機最近一次計劃功率視為，并設定為本機組有功參考值。MA處于State 2～State 6時，一旦TU=1，則切換到State 1。

無論LA處于圖3何種子狀態，MA處于圖4何種子狀態，如果頂層狀態機切換條件滿足，均按圖2切換到其他頂層狀態。

4.3 智能體的信息交互

定義LA和MA數據屬性如圖5所示。私有屬性只能由本智能體訪問，LA和MA具有相同的私有屬性數據，這些數據可以分為三類：第一類描述機組自然屬性，如額定功率、本機位置和其他機組位置；第二類是本機部件狀態信息，如槳距角、偏航角及本機其他機電狀態，可借以判斷機組狀態是否正常，是保證系統可靠性的必備信息；第三類是非狀態動態信息，包括本機風能利用系數、維護補償系數、可用功率、紊流與工作疲勞比。

LA和MA中的公共屬性，本組所有智能體均可訪問。MA類中公共屬性主要用于本智能體功能實現，及向LA以及其他MA提供必要的信息。LA類公共屬性除包含MA類所有公共屬性外，還擁有MA不具備的數據，主要是分組、確定調節對象、調節效果分析等組事務處理必須的信息。

多智能體系統協調涉及智能體之間公共屬性數據的交互，需要選擇合適的通信方式。本設計中，主要采用組播、預約/發布、客戶/服務器三種通信模式實現交互需要。風電場分組完畢后，將同一優化組的智能體設定為同一組播組的成員，一旦GAD、A( id,jd)、A( iu,ju)和ΔP信息更新，用組播方式通知本組所有智能體。預約/發布模式方面，下風向機組預約緊鄰上風向機組的、信息，這些信息更新時，上風向機組自動發往下風向機組；LA預約各MA的ζi,j、χi,j、Pi,j，這些信息更新時，MA自動發往LA。客戶/服務器模式方面，LA在需要時，向MA請求Fi,j、Fi,j(t+T)信息，MA應答并0提供相應信息。

圖5 智能體數據屬性Fig.5 Data attribute of intelligent agent

LA和MA的狀態機與信息交互方法配合，使各智能體協調運行，實現控制策略。

5　仿真與分析

Horns Rev海上風電場結構形式如圖1所示，具有8行10列共80臺VestasV80機組，機組額定功率2MW，葉輪直徑80m，機組行間距、列間距均為560m，空氣密度為1.13kg/m3[18]。

以該風電場為仿真分析對象，基于Matlab 2012b開發相應的程序，進行仿真。

圖6　風速與風向分布直方圖Fig.6　Histogram of wind speed and wind direction

如果風電場風速和風向分布如圖6所示，且風速在風向上均勻分布，限值發電運行時間占風電場運行總時間的25%，限電比例為滿發電量的5%， T=900s，從2002年12月到2007年12月，總計運行43 800h，傳統控制方法對應的風電場疲勞分布如圖7所示?？梢钥闯?，機組疲勞系數不均勻，且受盛行風向影響。疲勞系數平均值為0.139 1，標準差為0.015 2。各機組疲勞系數在0.176 9到0.118 6之間連續變化，最大疲勞系數是最小疲勞系數的1.5倍，這也意味著，最高維護頻率是最低維護頻率的1.5倍，各機組維護周期不同，維護頻繁。

同樣的條件下，令εst=0.001，ΔP=5kW，N=2 000，本文提出優化方法對應的風電場疲勞分布如圖8所示。此時，風電場疲勞系數平均值0.139 2，疲勞系數標準差0.001，疲勞值在0.140 5到0.138 2之間。這意味著，最高維護頻率是最低維護頻率的1.01倍，各機組維護基本同步。

為了進一步研究所提出方法對限電比例的適應能力，令限電比例取不同值，傳統方法與本文方法效果對比關系如圖9所示。

圖7　傳統控制方法疲勞分布Fig.7　Fatigue distribution based on conventional control

圖8　基于優化控制的疲勞分布Fig.8　Fatigue distribution based on proposed method

圖9　限電比例的影響Fig.9　Influence of power reduction ratio

由圖9a可以看出，本文方法對應的疲勞系數平均值與傳統方法總是基本相等，這意味著兩者發電量相等，所提出的方法能跟蹤調度要求。由圖9b可以看出，當限電比例較?。ǎ?.5%）時，疲勞系數標準差＞0.001，即機組疲勞均勻性不滿足要求，這是因為限電比例過小，機組有功功率調節自由度不足。當限電比例達到5%左右時，疲勞系數標準差等于0.001，這說明給出的方法疲勞優化效率高。進一步增加限電比例，疲勞系數標準差無明顯改善，這是因為，風電場均勻性達到設定的閾值，滿足應用需求時，會退出優化。圖中優化控制對應的疲勞系數標準差總是小于傳統控制，這說明，只要風電場功率有縮減，所給出的方法就能高效的優化各機組疲勞的均勻性。

6　結論

本文提出一種海上風電場有功與疲勞分布統一控制方法，其特點是：

（1）通過機組有功功率協調，實現風電場疲勞分布優化，優化各機組維護的同步性，降低風電場維護頻率，降低風電場維護成本。

（2）基于疲勞的累積特性，利用調度機構要求風電場限值發電形成的有功調節自由度進行疲勞優化，能在保證風電場有功輸出跟蹤調度機構要求、不損失發電量的前提下，實現疲勞均勻性優化。

（3）傳統上，一般認為，限值發電對風電場是純粹的損失，本文研究表明，此時可以優化風電場疲勞，獲得降低維護量的收益。

（4）系統實現上，采用多智能體技術，為每臺機組部署一個智能體，各智能體計算負荷小，通信可以基于風電場現有通信環境，系統可以基于風電場現有資源實現，無需另置硬件，具有較好工程實用性。

本文方案擬在合作企業中應用。

[1] Bolinger M, Wiser R. Understanding trends in wind turbine prices over the past decade[M]. US: Berkeley Press, 2011.

[2] 杭俊, 張建忠, 程明, 等. 風力發電系統狀態監測和故障診斷技術綜述[J]. 電工技術學報, 2013, 28(4): 261-271. Hang Jun, Zhang Jianzhong, Cheng Ming, et al. An overview of condition monitoring and fault diagnostic for wind energy conversion system[J]. Transactions of China Electrotechnical Society, 2013, 28(4): 261-271.

[3] Quinonez-Varela G, Ault G W. Electrical collector system options for large offshore wind farms[J]. IET Renewable Power Generation, 2007, 1(2): 107-114.

[4] Shirani M, H?keg?rd G. Fatigue life distribution and size effect in ductile cast iron for wind turbine components[J]. Engineering Failure Analysis, 2011, 18(1): 12-24.

[5] 余民, 楊旻宸, 蔣傳文, 等. 風電并網后電力系統可靠性評估和備用優化研究[J]. 電力系統保護與控制, 2012, 40(12): 100-104. Yu Min, Yang Minchen, Jiang Chuanwen, et al. Study on power system reliability and reserve optimization with wind power integration[J]. Power System Protection and Control, 2012, 40(12): 100-104.

[6] 戴慧珠，遲永寧. 國內外風電并網標準比較研究[J].中國電力, 2012, 45(10): 1-6. Dai Huizhu, Chi Yongning. Comparison study on grid codes for connecting wind farm into power system[J]. Electric Power, 2012, 45(10): 1-6.

[7] Tsili M, Papathanassiou S. A review of grid code technical requirements for wind farms[J]. IET Renewable Power Generation, 2009, 3(3): 308-332.

[8] Elkraft System, Eltra Regulation.Wind turbines connected to grids with voltages above 100kV-technical regulation for the properties and the regulation of wind turbines[R]. Errits: Elkraft System and Eltra Regulation, 2004.

[9] 中國電力監管標準化技術委員會. GB/T 19963—2011風電場接入電力系統技術規定[S]. 北京: 國家電網公司, 2011.

[10] 張曉花, 趙晉泉, 陳星鶯. 節能減排下含風電場多目標機組組合建模及優化[J]. 電力系統保護與控制, 2011, 39(17): 33-39. Zhang Xiaohua, Zhao Jinquan, Chen Xingying. Multi-objective unit commitment modeling and optimization for energy-saving and emission reduction in wind power integrated system[J]. Power System Protection and Control, 2011, 39(17): 33-39.

[11] 張寧宇, 高山, 趙欣. 一種考慮風電隨機性的機組組合模型及其算法[J]. 電工技術學報, 2013, 28(5): 22-29. Zhang Ningyu, Gao Shan, Zhao Xin. An unit commitment model and algorithm with randomness of wind power[J]. Transactions of China Electrotechnical Society, 2013, 28(5): 22-29.

[12] Sanderse B,Van der Pijl S B, Koren B. Review of computational fluid dynamics for wind turbine wakeaerodynamics[J]. Wind Energy, 2011, 14(7): 799-819.

[13] 姚興佳, 王曉東, 單光坤, 等. 雙饋風電機組傳動系統扭振抑制自抗擾控制[J]. 電工技術學報, 2012, 27(1): 136-141. Yao Xingjia, Wang Xiaodong, Shan Guangkun, et al. Torque vibration active disturbance rejection control of double-fed wind turbine drive train[J]. Transactions of China Electrotechnical Society，2012, 27(1): 136-141.

[14] 王毅, 張祥宇, 李和明, 等. 永磁直驅風電機組對系統功率振蕩的阻尼控制[J]. 電工技術學報, 2012, 27(12): 162-171. Wang Yi, Zhang Xiangyu, Li Heming, et al. Damping control of PMSG-based wind turbines for power system oscillations[J]. Transactions of China Electrotechnical Society, 2012, 27(12): 162-171.

[15] 金鑫, 鐘翔, 何玉林, 等. 獨立變槳控制對大功率風力發電機振動影響[J]. 電力系統保護與控制, 2013, 41(8): 49-53. Jin Xin, Zhong Xiang, He Yulin, et al. Influence on vibration of large-scale wind turbine by individual pitch control[J]. Power System Protection and Control, 2013, 41(8): 49-53.

[16] Pao Lucy Y, Johnson K E. Control of wind turbines: approaches, challenges and recent developments[J]. IEEE Control Systems Magazine, 2011, 31(2): 44-62.

[17] Zhao Rongyong, Shen Wenzhong, Torben Knudsen, et al. Fatigue distribution optimization for offshore wind farms using intelligent agent control[J]. Wind Energy, 2012, 15(7): 927-944.

[18] Méchali M, Barthelmie R, Frandsen S. Wake effects at Horns Rev and their influence on energy production[C]. In: European Wind Energy Conference and Exhibition, Greece, 2006: 10-22.

[19] González-Longatt F, Wall V F. Terzija. Wake effect in wind farm performance： Steady-state and dynamic behavior［J］. Renewable Energy， 2012， 39（1）： 329- 338.

[20] 蘇永新, 段斌, 敬章龍, 等. 網源協調環境下風電機組變槳矩控制策略[J]. 電力系統自動化, 2013, 37(9): 7-12. Su Yongxin, Duan Bin, Jing Zhanglong, et al. A variable pitch control strategy for wind turbines under grid coordination condition[J]. Automation of Electric Power Systems, 2013, 37(9): 7-12.

[21] Vedrana Spudi′c, Mate Jelavi′c, Mato Baoti′c. Wind turbine power references in coordinated control of wind farms[J]. Automatika, 2011, 52(2): 82-94.

[22] Hansen M O L, Madsen H A. Review paper on wind turbine aerodynamics[J]. Journal of Fluids Engineering, 2011, 133(11): 112-112.

蘇永新 男，1975年生，博士研究生，研究方向為風電運行與控制。

段 斌 男，1966年生，教授，博士生導師，研究方向為電力系統自動化。

Fatigue Distribution and Active Power Combined Control in Offshore Wind Farm

Su Yongxin1Duan Bin1Zhu Guanghui2,3Fan Yonghua4
（1. Xiangtan University Xiangtan 411105 China 2. State Key Laboratory of Offshore Wind Power Technology and Detection Xiangtan 411101 China 3. National Energy Wind Turbine R&D (Experimental) Center Xiangtan 411101 China 4. China Electric Power Research Institute Beijing 100192 China）

To solve the unbalanced fatigue distribution over a wind farm and its optimization methods mismatching the active power demands of power grid, a novel control strategy was proposed. Based on optimal control theory, and by converting fatigue problem into active power controlling problem, the strategy can balance fatigue distribution using the active power margin on the condition that wind farms give up some wind power. Moreover, the strategy considered the impart of wake effect of wind turbine to improve the control accuracy. A solution based on intelligent agent was proposed to ensure the control strategy could execute in the existing computing devices of wind farm. In this solution each wind turbine was considered as an intelligent agent, and then the hierarchical state machine of each agent was presented, and finally, the communication scheme among agents was presented. The simulation results had shown that the proposed solution was a feasible way to trace the active power demands and to balance fatigue distribution at the same time, which may reduce the maintenance frequency of wind farms.

Wind farm, active power, fatigue, intelligent agent, optimization

TM769；TM614

國家自然科學基金（61379063）和湖南省自然科學省市聯合基金（2015JJ5027）資助項目。

2013-11-20 改稿日期 2014-03-10