CN110397553B

CN110397553B - 一种不基于模型的风电场尾流管理方法及系统

Info

Publication number: CN110397553B
Application number: CN201910682535.4A
Authority: CN
Inventors: 刘南南; 鲁效平; 关中杰; 李钢强; 刘建爽
Original assignee: CRRC Wind Power Shandong Co Ltd
Current assignee: CRRC Wind Power Shandong Co Ltd
Priority date: 2019-07-26
Filing date: 2019-07-26
Publication date: 2020-09-25
Anticipated expiration: 2039-07-26
Also published as: CN110397553A

Abstract

本发明公开了一种不基于模型的风电场尾流管理方及系统，实现对尾流的精确控制，优化机组运行状态，提升整个风场的发电效率。该方法包括以下步骤：获取当前工况下风电场中各机组信息，计算当前工况下的风场总功率和机组疲劳载荷标准差；计算每台机组的偏航角度偏置值或者变桨角度偏置值，将得到的每台机组的偏航角度偏置值或者变桨角度偏置值与当前工况下对应机组的风向偏差或变桨角度相叠加，得到当前工况下各机组最终的风向偏差或变桨角度；基于当前工况下的风场总功率和机组疲劳载荷标准差，计算当前工况下的优化目标，将得到的优化目标与优化过程中的目标最优值进行对比，确定控制参数。

Description

一种不基于模型的风电场尾流管理方法及系统

技术领域

本公开涉及新能源风力发电领域，具体涉及一种不基于模型的风电场尾流管理方法及系统。

背景技术

风力机从风中获取能量的同时在其下游形成风速下降的尾流区，若下游风机位于尾流区域，则下游机组的出力会受到影响，从而导致整个风电场的总功率受到影响。

目前针对风电场出力优化的研究多以单台机组的控制为主，风电机组普遍采用最大风能捕获策略来提高出力。由于实际风电场中存在尾流遮挡区，前一排机组会对后一排甚至后面几排机组产生遮挡，使得下游区域机组处于风速下降的尾流区，损失部分发电量。有数据显示，根据地形地貌、机组间的距离和风的湍流强度的不同，由于尾流效应导致的发电量损失最小是2％，最大可达30％。因此，有专家提出一些风电场最大出力优化控制方案，在优化尾流效应的背景下协调分配所有机组的有功功率参考值，满足风电场运行和电力系统调度的要求。发明人在研发过程中发现，目前的研究多是基于Jensen尾流模型或在该模型的基础上进行的改进，若要实现对尾流的精确控制，还要建立与实际风场高一致性的风电场模型，实现难度较大，由于地形、环境条件等的影响，模型的精度也很难把控。

发明内容

为了克服上述现有技术的不足，本公开提供了一种不基于模型的风电场尾流管理方法及系统，实现对尾流的精确控制，优化机组运行状态，提升整个风场的发电效率。

本公开一方面提供的一种不基于模型的风电场尾流管理方法的技术方案是：

一种不基于模型的风电场尾流管理方法，该方法包括以下步骤：

获取当前工况下风电场中各机组信息，包括机组的疲劳载荷、实发功率、变桨角度和风向偏差，计算当前工况下的风场总功率和机组疲劳载荷标准差；

计算每台机组的偏航角度偏置值或者变桨角度偏置值，将得到的每台机组的偏航角度偏置值或者变桨角度偏置值与当前工况下对应机组的风向偏差或变桨角度相叠加，得到当前工况下各机组最终的风向偏差或变桨角度；

基于当前工况下的风场总功率和机组疲劳载荷标准差，计算当前工况下的优化目标，将得到的优化目标与优化过程中的目标最优值进行对比，若优化目标大于优化过程中的目标最优值，则将当前工况下风向偏差或变桨角度值作为控制参数，若优化目标小于优化过程中的目标最优值，则将上一次循环得到的风向偏差或变桨角度值作为控制参数；

循环执行上述步骤，直到满足结束条件，将最后得到的控制参数作为最优参数进行机组控制。

本公开另一方面提供的一种不基于模型的风电场尾流管理系统的技术方案是：

一种不基于模型的风电场尾流管理系统，该系统包括：

数据获取模块，用于获取当前工况下风电场中各机组信息，包括机组的疲劳载荷、实发功率、变桨角度和风向偏差，计算当前工况下的风场总功率和机组疲劳载荷标准差；

角度计算模块，用于计算每台机组的偏航角度偏置值或者变桨角度偏置值；将得到的每台机组的偏航角度偏置值或者变桨角度偏置值与当前工况下对应机组的风向偏差或变桨角度相叠加，得到当前工况下各机组最终的风向偏差或变桨角度；

优化目标计算模块，用于基于当前工况下的风场总功率和机组疲劳载荷标准差，计算当前工况下的优化目标；

控制参数确定模块，用于将得到的优化目标与优化过程中的目标最优值进行对比，若优化目标大于优化过程中的目标最优值，则将当前工况下风向偏差或变桨角度值作为控制参数，若优化目标小于优化过程中的目标最优值，则将上一次循环得到的风向偏差或变桨角度值作为控制参数。

本公开另一方面提供的一种计算机可读存储介质的技术方案是：

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：

本公开另一方面提供的一种处理装置的技术方案是：

一种处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如下步骤：

通过上述技术方案，本公开的有益效果是：

(1)本公开通过风电场的协同尾流管理控制，可以改善机组之间的尾流影响，从而提高风电场整体发电性能；

(2)本公开采用机组的变桨角度作为控制参数，改变尾流状态；采用机组的偏航角度，来改变尾流尾迹，从而减小尾流对下游风机的影响；可选择上述控制参数中的任意一个或者对两个控制参数同时进行处理，实现对风电场进行尾流管理；

(3)本公开的优化目标为风电场总功率最大化和机组疲劳载荷均衡性最优化等；优化目标也可以为功率和疲劳载荷的协同优化，也可以为功率或疲劳载荷的单独优化，能够得到最优的控制参数，实现对机组优化控制。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本申请，并不构成对本公开的不当限定。

图1是实施例一风电场尾流管理方法的流程图；

图2是实施例二风电场尾流管理方法的流程图；

图3是实施例三风电场尾流管理系统的结构图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

正如背景技术所介绍的，为了优化风电场整体的运行状态，本实施例提出了一种不基于模型的风电场尾流管理方法，实现了对风电场尾流控制，可提升风电场整体发电量、优化机组运行状态，避免基于模型的方法由于建模误差导致的运算精度偏低等问题。

请参阅附图1，该风电场尾流管理方法包括以下步骤：

S101，获取当前工况下风电场中各机组的信息和风电场风况信息，计算当前工况下的风场总功率和机组疲劳载荷均衡性，并将风电场中各机组信息、风场总功率和机组疲劳载荷均衡性等参数保存在数据库中。

在本实施例中，所述机组信息包括机组的疲劳载荷、实发功率、变桨角度、偏航角度等，其中，机组疲劳载荷从机组载荷估计器或利用应变片现场实测获得，其他参数均可从风电场Scada系统和风电机组控制器中获得。

在本实施例中，所述风电场风况信息包括风速、风向、湍流度等。

具体地，所述风场总功率的计算方法为：

将风电场中每台机组的功率相加，得到风场总功率。风场总功率的表达式为：

其中，P为风场总功率；p_i为风场中机组i的功率，N为风场中机组总台数。

在本实施例中，机组疲劳载荷可以为塔筒、叶根、轴承等部位的载荷，机组疲劳载荷均衡性是指风场中所有机组的特定结构或部件的疲劳载荷的标准差值，是衡量所有机组使用寿命差异的指标。

具体地，所述机组疲劳载荷均衡性(所有机组的疲劳载荷的标准差值)的计算方法为：

利用标准差计算函数(STD)计算所有机组的疲劳载荷的标准偏差，其计算公式为：

LD＝STD(l₁，l₂，l₃…l_N)

其中，LD为风电场所有机组疲劳载荷的标准差值，该值可以体现风场中不同机组疲劳载荷分布的均匀程度，LD值越小说明各机组疲劳载荷之间疲劳载荷分布越均匀；N为风场中机组总台数，l_i为机组i的疲劳载荷。

S102，计算每台机组的偏航角度偏置值或者变桨角度偏置值，并设置偏航偏置角度或变桨角度值的初始值以及优化过程中的目标最优值

具体地，控制参数为机组的变桨角度或偏航角度，可以单独对变桨或者偏航角度进行操作，也可以同时对两者进行操作，根据实际情况进行选择；可以优化的控制参数包括但不限于以上两者。变桨角度，其控制变量是变桨设定值，通过控制变桨角度来改变轴向诱导因子，进而控制风机下游尾流状态；偏航角度，其控制变量是风向偏差，通过给定偏航角度偏置来改变风机的对风角度，进而控制风机下游的尾流尾迹。

在本实施例中，所述机组的偏航角度偏置值或者变桨角度偏置值的计算方法为：

设定随机数，判断随机数与偏航偏置角度更新概率的大小；

若随机数小于偏航偏置角度更新概率，则更新随机数，并利用新的随机数、偏航偏置角度调整最小步长以及机组的最小风向偏差或变桨角度，计算机组的偏航角度偏置值或者变桨角度偏置值。

S103，将步骤102计算得到的每台机组的偏航角度偏置值或者变桨角度偏置值与当前工况下对应机组的风向标检测风向或变桨角度相叠加，得到当前工况下各机组最终的风向偏差或变桨角度。

S104，分别设置风电场总功率和机组疲劳载荷均衡性的权值，计算优化目标。

优化目标为风电场总功率最大化或机组疲劳载荷均衡性最优化，可以进行风电场总功率最大化或机组疲劳载荷均衡性最优化的单目标优化，也可以进行风电场总功率最大化和机组疲劳载荷均衡性最优化的协同优化。

在本实施例中，采用风电场总功率最大化和机组疲劳载荷均衡性最优化的协同优化。采用尾流管理算法计算机组不同运行状态下的整体最优发电效率以及机组疲劳载荷均衡性。具体为：

归一化。将总功率和疲劳载荷标准差分别归一化到(0,1)区间内，避免因两个优化目标的数量级或数值相差太大而导致算法偏向某一个目标的优化而导致的多目标优化无意义。归一化方法如下：

约定单台机组最大功率为p_max、最小功率为p_min，那么

为风场总功率的最大值，

为风场总功率的最小值。那么功率的归一化如下：

约定单台机组的最大疲劳载荷标准差为LD_max,最小疲劳载荷标准差为LD_min。那么风场机组疲劳载荷标准差的归一化如下：

LD_Norm＝(LD-LD_min)/(LD_max-LD_min)

将归一化后的风电场总功率和机组疲劳载荷标准差分别乘以权值后求差值，得到优化目标Φ。优化目标Φ为:

Φ＝α*P_Norm-β*LD_Norm

其中，α为风电场总功率的权值；β为机组疲劳载荷标准差的权值，P_Norm为机组功率的归一化值；LD_Norm为风场机组疲劳载荷标准差的归一化值。

根据风电场实际需要决定权值的大小关系，若以优化功率为主，则设置权值α>0.5，若以优化机组疲劳载荷为主则设置权值β>0.5。α、β的具体大小还需要根据对优化目标的重视程度来确定。

所述尾流管理算法可以为博弈论算法、遗传算法、粒子群算法、蚁群算法、机器学习算法、深度学习算法等不基于被控对象模型的优化算法，根据实际情况进行选择。

在本实施例中，采用风电场总功率最大化进行单独优化时，则将风电场总功率

作为优化目标Φ。

在本实施例中，采用机组疲劳载荷均衡性最优化进行单独优化时，则将机组疲劳载荷标准差的负值-LD作为优化目标Φ。

S105，将步骤104的计算得到的优化目标Φ与设置的优化过程中的目标最优值

进行对比，若优化目标提升，即

则记录叠加后的风向偏差或变桨角度值作为控制参数，若优化目标没有提升，即

则记录上一次循环中的各机组的风向偏差或桨距角作为控制参数。

S106，按照上述步骤进行寻优，直到满足结束条件，结束条件可为达到循环次数或者优化目标收敛。将最后记录的控制参数作为最优参数进行机组控制。

本实施例提出的不基于模型的风电场尾流管理方法。采用机组的变桨角度作为控制参数，改变尾流状态；采用机组的偏航角度，来改变尾流尾迹，从而减小尾流对下游风机的影响；可选择上述控制参数中的任意一个或者对两个控制参数同时进行处理，实现对风电场进行尾流管理；计算的优化目标为风电场总功率最大化和机组疲劳载荷均衡性最优化等；优化目标也可以为功率和疲劳载荷的协同优化，也可以为功率或疲劳载荷的单独优化，能够得到最优的控制参数，实现对机组优化控制。

实施例二

为了使本领域的技术人员更好地了解本公开的技术方案，下面列举一个具体的实施例。

本实施例提供一种不基于模型的风电场尾流管理方法，如图2所示，该方法利用博弈论算法进行尾流的管理，该方法的主要步骤如下：

S201：以偏航角度为控制系数，进行如下定义：

1)偏航偏置角度r_i＝0，

为保存优化过程中较优的偏航偏置角度，

为初始偏航偏置角度；

2)k＝0为优化迭代次数，E∈[0,1]偏航偏置角度更新概率；

3)p_i为风场中机组i的功率，l_i为机组i的疲劳载荷,

F为风场中所有机组的集合，N为风场中机组总台数，Φ为优化目标，

为优化过程中较优的值；

4)Z_n∈[0,1,2...n]为正整数，Δr为偏航偏置角度调整最小步长；

S202，优化目标处理，对风电场总功率和机组疲劳载荷进行协同优化，令

为风电场总功率，LD＝STD(l₁，l₂，l₃…l_N)为风电场所有机组疲劳载荷的标准差值，该值可以体现风场中不同机组疲劳载荷分布的均匀程度，LD值越小说明各机组疲劳载荷之间疲劳载荷分布越均匀。

进行多目标优化，将两个优化目标进行归一化处理，将总功率和疲劳载荷标准差分别归一化到(0,1)区间内，避免因两个优化目标的数量级或数值相差太大而导致算法偏向某一个目标的优化而导致多目标优化无意义。归一化方法如下：

约定单台机组最大功率为p_max、最小功率为p_min，那么

为风场总功率的最大值，

为风场总功率的最小值。那么功率和的归一化如下：

LD_Norm＝(LD-LD_min)/(LD_max-LD_min)

Φ＝α*P_Norm-β*LD_Norm

其中，α为风电场总功率的权值；β为机组疲劳载荷标准差的权值。

S203，获取当前工况下各机组的偏航角度、桨距角、实发功率、机组疲劳载荷等信息，并计算出风场总功率、机组疲劳载荷均衡性，保存在数据库中；

S204，初始化：

S205，令k＝k+1，针对所有的机组进行以下操作：

定义R₁＝random[0,1]，为随机数；

若R₁<E，则更新

R₂＝random[Z_n],

r_i＝r_min+R₂*Δr

否则，

即，每一次循环，是否对机组施加偏航偏置值由随机数R₁和概率E来决定，即在一次循环中并不是每台机组的偏航指令都会发生变化。

S206，将步骤205计算出的偏航偏置值与对应机组的当前风向标检测风向叠加后作为机组最终的偏航角度；

S207，计算当前偏航角度和工况下的优化目标Φ，并将计算结果保存；

S208，将步骤207的计算结果与优化前的

进行对比，若

则对该次设置的优化的控制参数进行记录，并进行下一步的机组控制；若

则对步骤206的控制参数进行记录，即如果

那么更新

S209，判断如果k达到设置次数或者优化目标收敛到某个小的区间内，则停止算法循环，用计算出的控制参数作为最优参数用以进行机组控制；否则返回205。

在步骤201中，控制参数也可以是变桨角度，或者对偏航角度和变桨角度同时进行操作。

在步骤207中，若要单独进行机组疲劳载荷优化，则将步骤207中的优化目标Φ替换为机组疲劳载荷标准差的负值，-LD。

在步骤207中，若要单独进行风场总功率的优化，则将步骤207中优化目标Φ替换为为风电场总功率

本实施例提出的不基于模型的风电场尾流管理方法。采用机组的偏航角度作为控制参数，改变尾流尾迹，实现对风电场进行尾流管理；优化目标为功率和疲劳载荷的协同优化，能够得到最优的控制参数，实现对机组优化控制。

实施例三

本实施例提供一种不基于模型的风电场尾流管理系统，该系统包括：

数据获取模块，用于获取当前工况下各机组的风电场机组信息，包括风电机组的疲劳载荷、实发功率、变桨角度和风向标检测风向，计算当前工况下的风场总功率和机组疲劳载荷标准差；若要进行风场总功率和疲劳载荷的多目标优化，还需要对两者分别进行归一化处理。

数据存储模块，用于存储当前工况下各机组的风电场机组信息、风场总功率和机组疲劳载荷标准差；

角度计算模块，用于计算每台机组的偏航角度偏置值或者变桨角度偏置值，并设定偏航偏置角度或变桨角度的初始值以及优化过程中的目标最优值；将得到的每台机组的偏航角度偏置值或者变桨角度偏置值与当前工况下对应机组的风向偏差或变桨角度相叠加，得到当前工况下各机组最终的风向偏差或变桨角度；

控制参数确定模块，用于将当前得到的优化目标与优化过程中的目标最优值进行对比，若优化目标大于优化过程中的目标最优值，则将当前(叠加后的)风向或变桨角度值的作为控制参数，若优化目标小于优化过程中的目标最优值，则将上一次循环中的风向偏差或桨距角作为控制参数；利用控制参数控制机组运行。

本实施例提出的不基于模型的风电场尾流管理系统，采用风电场控制器，不基于尾流模型和风电场模型，利用先进的优化算法，用于实际风电场进行尾流管理，优化风场整体运行状态。

实施例四

本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：

实施例五

本实施例提供一种处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如下步骤：

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims

1.一种不基于模型的风电场尾流管理方法，其特征是，包括以下步骤：

获取当前工况下风电场中各机组信息，包括机组的疲劳载荷、实发功率、变桨角度和风向偏差，计算当前工况下的风电场总功率和机组疲劳载荷标准差；

基于当前工况下的风电场总功率和机组疲劳载荷标准差，计算当前工况下的优化目标，将得到的优化目标与优化过程中的目标最优值进行对比，若优化目标大于优化过程中的目标最优值，则将当前工况下风向偏差或变桨角度值作为控制参数，若优化目标小于优化过程中的目标最优值，则将上一次循环得到的风向偏差或变桨角度值作为控制参数；

循环执行上述步骤，直到满足结束条件，将最后得到的控制参数作为最优参数进行机组控制；

所述机组的偏航角度偏置值或者变桨角度偏置值的计算方法为：

设定随机数，判断随机数与偏航偏置角度更新概率的大小；

若随机数小于偏航偏置角度更新概率，则更新随机数，并利用新的随机数、偏航偏置角度调整最小步长以及机组的最小风向偏差或变桨角度，计算机组的偏航角度偏置值或者变桨角度偏置值；

所述当前工况下的优化目标的计算方法为：

将当前工况下的风电场总功率和疲劳载荷标准差分别归一化到(0,1)区间内，避免因两个优化目标的数量级或数值相差太大而导致算法偏向某一个目标的优化而导致的多目标优化无意义；归一化方法如下：

约定单台机组最大功率为p_max、最小功率为p_min，那么

为风电场总功率的最大值，

为风电场总功率的最小值，则功率的归一化如下：

约定单台机组的最大疲劳载荷标准差为LD_max,最小疲劳载荷标准差为LD_min，则风场机组疲劳载荷标准差的归一化如下：

LD_Norm＝(LD-LD_min)/(LD_max-LD_min)

将归一化后的风电场总功率和机组疲劳载荷标准差分别乘以权值后求差值，得到优化目标Φ；优化目标Φ为:

Φ＝α*P_Norm-β*LD_Norm

其中，α为风电场总功率的权值；β为机组疲劳载荷标准差的权值，P_Norm为机组功率的归一化值；LD_Norm为风场机组疲劳载荷标准差的归一化值；

根据风电场实际需要决定权值的大小关系，若以优化功率为主，则设置权值α>0.5，若以优化机组疲劳载荷为主则设置权值β>0.5，α、β的具体大小还需要根据对优化目标的重视程度来确定。

2.根据权利要求1所述的不基于模型的风电场尾流管理方法，其特征是，所述风电场总功率的计算方法为：

将风电场中每台机组的功率相加，得到风电场总功率。

3.根据权利要求1所述的不基于模型的风电场尾流管理方法，其特征是，所述机组疲劳载荷标准差的计算方法为：

利用标准差计算函数计算风场中所有机组的疲劳载荷的标准偏差。

4.根据权利要求1所述的不基于模型的风电场尾流管理方法，其特征是，对当前工况下的风电场总功率和机组疲劳载荷标准差进行归一化处理的步骤包括：

设定单台机组最大功率和最小功率，计算风电场总功率的最大值和风电场总功率的最小值，将当前工况下的风电场总功率和风电场总功率的最小值的差值与风电场总功率的最大值和最小值的差值相比，得到归一化后的风电场总功率；

设定单台机组的最大疲劳载荷标准差和最小疲劳载荷标准差，将当前工况下的机组疲劳载荷标准差和最小疲劳载荷标准差的差值与最大疲劳载荷标准差和最小疲劳载荷标准差的差值相比，得到归一化后的机组疲劳载荷标准差。

5.根据权利要求1所述的不基于模型的风电场尾流管理方法，其特征是，所述结束条件为达到循环次数或者优化目标收敛。

6.一种不基于模型的风电场尾流管理系统，其特征是，包括：

数据获取模块，用于获取当前工况下风电场中各机组信息，包括机组的疲劳载荷、实发功率、变桨角度和风向偏差，计算当前工况下的风电场总功率和机组疲劳载荷标准差；

角度计算模块，用于计算每台机组的偏航角度偏置值或者变桨角度偏置值，将得到的每台机组的偏航角度偏置值或者变桨角度偏置值与当前工况下对应机组的风向偏差或变桨角度相叠加，得到当前工况下各机组最终的风向偏差或变桨角度；

具体为：

设定随机数，判断随机数与偏航偏置角度更新概率的大小；

优化目标计算模块，用于基于当前工况下的风电场总功率和机组疲劳载荷标准差，计算当前工况下的优化目标；

具体为：

约定单台机组最大功率为p_max、最小功率为p_min，那么

为风电场总功率的最大值，

为风电场总功率的最小值，则功率的归一化如下：

LD_Norm＝(LD-LD_min)/(LD_max-LD_min)

Φ＝α*P_Norm-β*LD_Norm

根据风电场实际需要决定权值的大小关系，若以优化功率为主，则设置权值α>0.5，若以优化机组疲劳载荷为主则设置权值β>0.5，α、β的具体大小还需要根据对优化目标的重视程度来确定；

7.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现如权利要求1-5中任一项所述的不基于模型的风电场尾流管理方法中的步骤。

8.一种处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的不基于模型的风电场尾流管理方法中的步骤。