风力发电与传统火力发电、太阳能发电、水力发电以及核能发电相比,具有无污染、技术难度低和对环境影响小等优点。因此,风力发电受到世界各国的高度重视,风电装机容量逐年增加。随着风电事业的快速发展,如何降低风电场的运维成本日益受到业界的关注。另一方面,大规模的风电波动,限制了电网对风电的消纳能力,风电场多处于限功率状态。当风电场的输出功率受到限制时,根据风电机组间健康状态差异,合理分配风电场有功指令,降低健康状态较差的风电机组发电任务,对于降低风电场的运维成本,提高风电场的运行可靠性具有重要意义。针对基于风电机组健康状态评估的风电场有功指令分配问题,本文的主要研究内容为:(1)根据风速、环境温度和输出功率等参数采用k-means算法将风电机组的运行工况分类,提出基于SOM-MQE的风电机组运行状态评价方法,根据风电机组主轴、齿轮箱和发电机等主要部件的温度类参数值总体偏离其在风电机组处于良好运行状态时的程度,评价风电机组的运行状态,并使用风电机组的实际运行数据验证了该方法的可行性。(2)采用ReliefF算法选择用于预测输出功率的风电机组运行参数,提出基于LSTM神经网络的风电机组发电性能评价方法,预测风电机组的输出功率,根据风电机组的预测输出功率与实测输出功率的偏差,评价风电机组的发电性能,并使用风电机组的实际运行数据验证了该方法的可行性。(3)将风电机组的健康状态分为良好、一般和较差三类,根据风电机组的运行状态和发电性能评价风电机组的健康状态。在每个调度周期,根据风电场中每台风电机组的健康状态、最大发电能力和电网调度部门对风电场下达的发电指令,建立目标函数和约束公式,并采用遗传算法求解分配给每台风电机组的有功指令。仿真结果表明,本文所提出的风电场有功指令分配方法不仅能使风电场的输出功率满足电网调度指令要求,而且能降低健康状态较差的风电机组的输出功率。