CN109268205A - 一种基于智能风力机的风电场优化控制方法 - Google Patents

一种基于智能风力机的风电场优化控制方法 Download PDF

Info

Publication number
CN109268205A
CN109268205A CN201810978062.8A CN201810978062A CN109268205A CN 109268205 A CN109268205 A CN 109268205A CN 201810978062 A CN201810978062 A CN 201810978062A CN 109268205 A CN109268205 A CN 109268205A
Authority
CN
China
Prior art keywords
wind
wind power
power plant
blade
inducible factor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810978062.8A
Other languages
English (en)
Other versions
CN109268205B (zh
Inventor
张文广
王媛媛
刘瑞杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201810978062.8A priority Critical patent/CN109268205B/zh
Publication of CN109268205A publication Critical patent/CN109268205A/zh
Application granted granted Critical
Publication of CN109268205B publication Critical patent/CN109268205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/70—Adjusting of angle of incidence or attack of rotating blades
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/32—Wind speeds
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/321—Wind directions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/70—Type of control algorithm
    • F05B2270/706—Type of control algorithm proportional-integral-differential
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Wind Motors (AREA)

Abstract

本发明属于风力发电技术领域，尤其涉及一种基于智能风力机的风电场优化控制方法，包括：确定风电场内风速、风向以及风电机组布局情况并计算风电场风速分布；基于诱导因子的粒子群优化算法对风电场功率进行优化；分析计算得到不同尾缘襟翼翼型的升力系数和阻力系数随攻角变化的数据表；计算基于诱导因子的粒子群优化算法优化后的叶片挥舞方向弯矩；使用自适应PID控制方法控制襟翼角的周期性变化，以减少叶片挥舞方向弯矩产生的周期性波动。本发明减少了风电机组之间的尾流影响，提高了风电场的整体功率，引入了智能风力机，通过尾缘襟翼装置降低了叶片的疲劳载荷，实现了提高功率和降低载荷的多目标控制。

Description

一种基于智能风力机的风电场优化控制方法
技术领域
本发明属于风力发电技术领域，尤其涉及一种基于智能风力机的风电场优化控制方法。
背景技术
近年来由于风能可再生、资源丰富、无污染的特性，世界各地风力发电的使用一直在迅速地增长。为了与不同类型的能源竞争，风能应该具有成本效益和经济效益。另一方面，化石能源资源正在减少，环境恶化促进了可再生能源的发展。因此，使风电场更有效率，增加风力发电的能源产量变得更加重要。
风力机从风能中提取能量产生电能，风力机下游的风能能量会降低。因此，风力机下游的风速会降低并为湍流，这种下游风是风力机的尾流。随着风进一步向下游流动，尾流将开始蔓延并逐渐回到自由流条件。如果尾流与下游风力机的扫掠区域相交，则下游风力机会受到尾流的两个主要影响，首先是风速减小，这反过来又减少了风电场产生的风能；然后是风的湍流增加，可能会增加风力机的疲劳载荷。
发明内容
为解决上述技术问题，本发明提供了一种基于智能风力机的风电场优化控制方法，包括：确定风电场内风速、风向以及风电机组布局情况并计算风电场风速分布；基于诱导因子的粒子群优化算法对风电场功率进行优化；分析计算得到不同尾缘襟翼翼型的升力系数和阻力系数随攻角变化的数据表；计算基于诱导因子的粒子群优化算法优化后的叶片挥舞方向弯矩；使用自适应PID控制方法控制襟翼角的周期性变化，以减少叶片挥舞方向弯矩产生的周期性波动。
所述计算风电场风速分布为：
式中，vj为输入到风电机组j的风速，m/s；v0为风电机组入流风速，m/s；vw,jk为上游风电机组k的尾流风速，m/s；K为风电场风电机组总台数；中间变量B(j,k)＝Ashad,jk/Arot,j，Arot,j为风电机组j桨叶旋转平面面积，m2/s，Ashad,jk为风电机组k在风电机组j处的投影遮挡面积，m2/s。
所述基于诱导因子的粒子群优化算法对风电场功率进行优化包括：设定目标函数为风电场整体输出功率，选择轴向诱导因子作为粒子群优化算法的优化参数。
所述风电场整体输出功率为：
式中，P为风电场整体输出功率，W；N为风电机组台数；pi为第i台风电机组输出功率，W；vi为第i台风电机组的来流风速，m/s；ai为第i台风电机组轴向诱导因子；ρ为空气密度，kg/m3；Ai为风电机组i桨叶旋转平面面积，m2/s。
所述基于诱导因子的粒子群算法的粒子速度更新公式为：
式中，Vi(t)为第i个粒子在第t次迭代过程中的粒子速度；C1和C2为基于诱导因子的粒子群算法的学习因子；gi(t-1)为第i个粒子在第t-1次迭代过程中的最优位置；G(t-1)为基于诱导因子的粒子群算法在第t-1次迭代过程中的全局最优位置；Xi(t-1)为第i个粒子在第t-1次迭代过程中的位置；Vmax表示粒子移动的最大速度；R1和R2表示区间[0,1]内的随机数；δv为速度的修正因子。
所述计算基于诱导因子的粒子群优化算法优化后的叶片挥舞方向弯矩包括：
M′flap＝M′Ncosθp-M′Tsinθp (5)
式中，M′flap为优化后的叶片挥舞方向弯矩，kN·m；θp为桨距角，rad；M′N和M′T分别为基于诱导因子的粒子群优化算法优化后的叶片法向力矩和切向力矩，kN·m：
其中，r为叶素局部半径，m；c为弦长，m；Cn为法向力系数，Ct为切向力系数；vrel是相对风速，m/s；中间变量v0为入流风速，m/s，a′为优化后的轴向诱导因子，a′T为优化后的切向诱导因子，ω为叶轮转速，rad/s。
所述使用自适应PID控制方法控制襟翼角的周期性变化包括：
初始化PID控制器参数Kp(γ(k))，Ki(γ(k))，Kd(γ(k))；
计算当前PID控制器的参数值：
Kp(γ(k))＝kp/(F+Δγ(k-1)·ξγ) (8)
Ki(γ(k))＝ki/(F+Δγ(k-1)·ξγ) (9)
Kd(γ(k))＝kd/(F+Δγ(k-1)·ξγ) (10)
式中，kp，ki，kd分别为PID控制器比例项、积分项和微分项在系统稳态时的值，Kp(γ(k))，Ki(γ(k))，Kd(γ(k))为PID控制器在系统动态时的自适应值，Δγ(k-1)为上一时刻襟翼角的变化量，rad；ξγ为襟翼角的修正因子；F为常数，取值为7；
计算当前时刻襟翼角的变化量：
Δγ＝Kp(γ(k))·M′flap(k-1)+Ki(γ(k))·M′flap(k-1)+Kd(γ(k))·M′flap(k-1)(11)
式中，Δγ为当前襟翼角的变化量，rad；Kp(γ(k))、Ki(γ(k))和Kd(γ(k))分别为PID控制器自适应参数；M′flap(k-1)为上一时刻叶片挥舞方向弯矩，kN·m；M′flap(k)为当前时刻叶片挥舞方向弯矩，kN·m。
本发明的有益效果是，相对于传统的风电场优化控制方法，本发明不仅通过优化算法减少了风电机组之间的尾流影响，提高了风电场的整体功率，而且在优化过程中引入了智能风力机，通过尾缘襟翼装置降低了叶片的疲劳载荷，实现了提高功率和降低载荷的多目标控制。通过上述控制方法的改进，提高了风电场的发电效率，降低了风电机组的运营成本。
附图说明
图1是本发明提供的一种基于智能风力机的风电场优化控制方法的控制结构图。
图2是本发明提供的一种基于智能风力机的风电场功率优化控制流程图。
图3是本发明提供的一种基于智能风力机的风电场功率优化控制效果图。
图4是本发明提供的一种基于智能风力机的风电场优化控制方法的降载控制效果图。
具体实施方式
下面结合附图，对实施例作详细说明。
图1是本发明提供的一种基于智能风力机的风电场优化控制方法的控制结构图。如图1所示，一种基于智能风力机的风电场优化控制方法，其特征在于，所述风力机为带有尾缘襟翼的智能风力机；所述风电场优化控制方法利用基于诱导因子的粒子群优化(IF-PSO)算法对风电场功率进行优化，并采用尾缘襟翼装置降低叶片疲劳载荷。
图2是本发明提供的一种基于智能风力机的风电场功率优化控制流程图。
本发明提供了一种基于智能风力机的风电场优化控制方法，包括：确定风电场内风速、风向以及风电机组布局情况并计算风电场风速分布；基于诱导因子的粒子群优化算法对风电场功率进行优化；分析计算得到不同尾缘襟翼翼型的升力系数和阻力系数随攻角变化的数据表；计算基于诱导因子的粒子群优化算法优化后的叶片挥舞方向弯矩；使用自适应PID控制方法控制襟翼角的周期性变化，以减少叶片挥舞方向弯矩产生的周期性波动。
所述计算风电场风速分布为：
式中，vj为输入到风电机组j的风速，m/s；v0为风电机组入流风速，m/s；vw,jk为上游风电机组k的尾流风速，m/s；K为风电场风电机组总台数；中间变量B(j,k)＝Ashad,jk/Arot,j，Arot,j为风电机组j桨叶旋转平面面积，m2/s，Ashad,jk为风电机组k在风电机组j处的投影遮挡面积，m2/s。
所述基于诱导因子的粒子群优化算法对风电场功率进行优化包括：设定目标函数为风电场整体输出功率，选择轴向诱导因子作为粒子群优化算法的优化参数。
所述风电场整体输出功率为：
式中，P为风电场整体输出功率，W；N为风电机组台数；pi为第i台风电机组输出功率，W；vi为第i台风电机组的来流风速，m/s；ai为第i台风电机组轴向诱导因子；ρ为空气密度，kg/m3；Ai为风电机组i桨叶旋转平面面积，m2/s。
所述基于诱导因子的粒子群算法的粒子速度更新公式为：
式中，Vi(t)为第i个粒子在第t次迭代过程中的粒子速度；C1和C2为基于诱导因子的粒子群算法的学习因子；gi(t-1)为第i个粒子在第t-1次迭代过程中的最优位置；G(t-1)为基于诱导因子的粒子群算法在第t-1次迭代过程中的全局最优位置；Xi(t-1)为第i个粒子在第t-1次迭代过程中的位置；Vmax表示粒子移动的最大速度；R1和R2表示区间[0,1]内的随机数；δv为速度的修正因子。
粒子群的每个粒子表示所有风电机组轴向诱导因子的一种组合，粒子群共有60个粒子。在初始化的过程中，C1和C2的取值为2；Vmax的取值为轴向诱导因子的1/3；δv的取值为0.5；Vi(t)的初始Vi(0)为0；gi(t-1)，G(t-1)，Xi(t-1)的初始值gi(0)，G(0)，Xi(0)均为0.33。由此可得第i台风电机组优化后轴向诱导因子a′i。
所述计算基于诱导因子的粒子群优化算法优化后的叶片挥舞方向弯矩包括：
M′flap＝M′Ncosθp-M′Tsinθp (5)
式中，M′flap为优化后的叶片挥舞方向弯矩，kN·m；θp为桨距角，rad；M′N和M′T分别为基于诱导因子的粒子群优化算法优化后的叶片法向力矩和切向力矩，kN·m：
其中，r为叶素局部半径，m；c为弦长，m；Cn为法向力系数，Ct为切向力系数；vrel是相对风速，m/s；中间变量v0为入流风速，m/s，a′为优化后的轴向诱导因子，a′T为优化后的切向诱导因子，ω为叶轮转速，rad/s。
所述使用自适应PID控制方法控制襟翼角的周期性变化包括：
初始化PID控制器参数Kp(γ(k))，Ki(γ(k))，Kd(γ(k))；
计算当前PID控制器的参数值：
Kp(γ(k))＝kp/(F+Δγ(k-1)·ξγ) (8)
Ki(γ(k))＝ki/(F+Δγ(k-1)·ξγ) (9)
Kd(γ(k))＝kd/(F+Δγ(k-1)·ξγ) (10)
式中，kp，ki，kd分别为PID控制器比例项、积分项和微分项在系统稳态时的值，Kp(γ(k))，Ki(γ(k))，Kd(γ(k))为PID控制器在系统动态时的自适应值，Δγ(k-1)为上一时刻襟翼角的变化量，rad；ξγ为襟翼角的修正因子；F为常数，取值为7；
计算当前时刻襟翼角的变化量：
Δγ＝Kp(γ(k))·M′flap(k-1)+Ki(γ(k))·M′flap(k-1)+Kd(γ(k))·M′flap(k-1)(11)
式中，Δγ为当前襟翼角的变化量，rad；Kp(γ(k))、Ki(γ(k))和Kd(γ(k))分别为PID控制器自适应参数；M′flap(k-1)为上一时刻叶片挥舞方向弯矩，kN·m；M′flap(k)为当前时刻叶片挥舞方向弯矩，kN·m。
图3是本发明提供的一种基于智能风力机的风电场功率优化控制效果图。为了从本质上说明算法的正确性，本发明在国内某风电场进行了实验研究，如图3所示，利用IF-PSO算法对风电场功率进行优化后，风电场整体输出功率明显大于优化前的输出功率。
图4是本发明提供的一种基于智能风力机的风电场优化控制方法的降载控制效果图。如图4所示，在尾缘襟翼控制下，叶根挥舞弯矩的振荡明显减弱。
此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于智能风力机的风电场优化控制方法，其特征在于，包括：确定风电场内风速、风向以及风电机组布局情况并计算风电场风速分布；基于诱导因子的粒子群优化算法对风电场功率进行优化；分析计算得到不同尾缘襟翼翼型的升力系数和阻力系数随攻角变化的数据表；计算基于诱导因子的粒子群优化算法优化后的叶片挥舞方向弯矩；使用自适应PID控制方法控制襟翼角的周期性变化，以减少叶片挥舞方向弯矩产生的周期性波动。
2.根据权利要求1所述风电场优化控制方法，其特征在于，所述计算风电场风速分布为：
式中，vj为输入到风电机组j的风速，m/s；v0为风电机组入流风速，m/s；vw,jk为上游风电机组k的尾流风速，m/s；K为风电场风电机组总台数；中间变量B(j,k)＝Ashad,jk/Arot,j，Arot,j为风电机组j桨叶旋转平面面积，m2/s，Ashad,jk为风电机组k在风电机组j处的投影遮挡面积，m2/s。
3.根据权利要求1所述风电场优化控制方法，其特征在于，所述基于诱导因子的粒子群优化算法对风电场功率进行优化包括：设定目标函数为风电场整体输出功率，选择轴向诱导因子作为粒子群优化算法的优化参数。
4.根据权利要求3所述风电场优化控制方法，其特征在于，所述风电场整体输出功率为：
式中，P为风电场整体输出功率，W；N为风电机组台数；pi为第i台风电机组输出功率，W；vi为第i台风电机组的来流风速，m/s；ai为第i台风电机组轴向诱导因子；ρ为空气密度，kg/m3；Ai为风电机组i桨叶旋转平面面积，m2/s。
5.根据权利要求1或3所述风电场优化控制方法，其特征在于，所述基于诱导因子的粒子群算法的粒子速度更新公式为：
式中，Vi(t)为第i个粒子在第t次迭代过程中的粒子速度；C1和C2为基于诱导因子的粒子群算法的学习因子；gi(t-1)为第i个粒子在第t-1次迭代过程中的最优位置；G(t-1)为基于诱导因子的粒子群算法在第t-1次迭代过程中的全局最优位置；Xi(t-1)为第i个粒子在第t-1次迭代过程中的位置；Vmax表示粒子移动的最大速度；R1和R2表示区间[0,1]内的随机数；δv为速度的修正因子。
6.根据权利要求1所述风电场优化控制方法，其特征在于，所述计算基于诱导因子的粒子群优化算法优化后的叶片挥舞方向弯矩包括：
M′flap＝M′Ncosθp-M′Tsinθp (5)
式中，M′flap为优化后的叶片挥舞方向弯矩，kN·m；θp为桨距角，rad；M′N和M′T分别为基于诱导因子的粒子群优化算法优化后的叶片法向力矩和切向力矩，kN·m：
其中，r为叶素局部半径，m；c为弦长，m；Cn为法向力系数，Ct为切向力系数；vrel是相对风速，m/s；中间变量v0为入流风速，m/s，a′为优化后的轴向诱导因子，a′T为优化后的切向诱导因子，ω为叶轮转速，rad/s。
7.根据权利要求1所述风电场优化控制方法，其特征在于，所述使用自适应PID控制方法控制襟翼角的周期性变化包括：
初始化PID控制器参数Kp(γ(k))，Ki(γ(k))，Kd(γ(k))；
计算当前PID控制器的参数值：
Kp(γ(k))＝kp/(F+Δγ(k-1)·ξγ) (8)
Ki(γ(k))＝ki/(F+Δγ(k-1)·ξγ) (9)
Kd(γ(k))＝kd/(F+Δγ(k-1)·ξγ) (10)
式中，kp，ki，kd分别为PID控制器比例项、积分项和微分项在系统稳态时的值，Kp(γ(k))，Ki(γ(k))，Kd(γ(k))为PID控制器在系统动态时的自适应值，Δγ(k-1)为上一时刻襟翼角的变化量，rad；ξγ为襟翼角的修正因子；F为常数，取值为7；
计算当前时刻襟翼角的变化量：
Δγ＝Kp(γ(k))·M′flap(k-1)+Ki(γ(k))·M′flap(k-1)+Kd(γ(k))·M′flap(k-1)(11)
式中，Δγ为当前襟翼角的变化量，rad；Kp(γ(k))、Ki(γ(k))和Kd(γ(k))分别为PID控制器自适应参数；M′flap(k-1)为上一时刻叶片挥舞方向弯矩，kN·m；M′flap(k)为当前时刻叶片挥舞方向弯矩，kN·m。
CN201810978062.8A 2018-08-27 2018-08-27 一种基于智能风力机的风电场优化控制方法 Active CN109268205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810978062.8A CN109268205B (zh) 2018-08-27 2018-08-27 一种基于智能风力机的风电场优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810978062.8A CN109268205B (zh) 2018-08-27 2018-08-27 一种基于智能风力机的风电场优化控制方法

Publications (2)

Publication Number Publication Date
CN109268205A true CN109268205A (zh) 2019-01-25
CN109268205B CN109268205B (zh) 2020-01-07

Family

ID=65154462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810978062.8A Active CN109268205B (zh) 2018-08-27 2018-08-27 一种基于智能风力机的风电场优化控制方法

Country Status (1)

Country Link
CN (1) CN109268205B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639428A (zh) * 2020-05-28 2020-09-08 上海电气风电集团股份有限公司 带襟翼的风力发电机的动力学仿真方法、设备及介质
CN113033012A (zh) * 2021-04-07 2021-06-25 清华大学 分层数据驱动的风电场发电功率优化方案
CN114076065A (zh) * 2020-08-13 2022-02-22 新疆金风科技股份有限公司 识别风力发电机组的叶片失速的方法及设备
CN115982897A (zh) * 2023-03-21 2023-04-18 浙江华东测绘与工程安全技术有限公司 一种海上风机叶片的空气动力载荷等效构建方法及装置
CN118378766A (zh) * 2024-06-27 2024-07-23 四川思极科技有限公司 一种风力发电功率预测方法、系统及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101680427A (zh) * 2007-05-15 2010-03-24 西门子公司 用于运行具有多个风力发电设备的风力发电场的方法
WO2013037374A1 (en) * 2011-09-13 2013-03-21 Vestas Wind Systems A/S A method for improving large array wind park power performance through active wake manipulation reducing shadow effects
CN104166877A (zh) * 2014-05-31 2014-11-26 徐多 基于改进二进制粒子群优化算法的微网优化运行方法
US8933572B1 (en) * 2013-09-04 2015-01-13 King Fahd University Of Petroleum And Minerals Adaptive superconductive magnetic energy storage (SMES) control method and system
CN105631152A (zh) * 2016-01-07 2016-06-01 广东工业大学 基于粒子群算法的变速变频风电系统风能捕获方法
CN103942608B (zh) * 2014-03-28 2016-12-07 华北电力大学 一种基于尾流模型的风电场优化调度方法
CN107559143A (zh) * 2017-07-27 2018-01-09 华北电力大学 一种大型风力机尾缘襟翼结构参数寻优及多目标襟翼优化控制方法
EP3047143B1 (en) * 2013-09-17 2018-02-21 Vestas Wind Systems A/S Control method for a wind turbine

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101680427A (zh) * 2007-05-15 2010-03-24 西门子公司 用于运行具有多个风力发电设备的风力发电场的方法
WO2013037374A1 (en) * 2011-09-13 2013-03-21 Vestas Wind Systems A/S A method for improving large array wind park power performance through active wake manipulation reducing shadow effects
US8933572B1 (en) * 2013-09-04 2015-01-13 King Fahd University Of Petroleum And Minerals Adaptive superconductive magnetic energy storage (SMES) control method and system
EP3047143B1 (en) * 2013-09-17 2018-02-21 Vestas Wind Systems A/S Control method for a wind turbine
CN103942608B (zh) * 2014-03-28 2016-12-07 华北电力大学 一种基于尾流模型的风电场优化调度方法
CN104166877A (zh) * 2014-05-31 2014-11-26 徐多 基于改进二进制粒子群优化算法的微网优化运行方法
CN105631152A (zh) * 2016-01-07 2016-06-01 广东工业大学 基于粒子群算法的变速变频风电系统风能捕获方法
CN107559143A (zh) * 2017-07-27 2018-01-09 华北电力大学 一种大型风力机尾缘襟翼结构参数寻优及多目标襟翼优化控制方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639428A (zh) * 2020-05-28 2020-09-08 上海电气风电集团股份有限公司 带襟翼的风力发电机的动力学仿真方法、设备及介质
CN111639428B (zh) * 2020-05-28 2023-12-29 上海电气风电集团股份有限公司 带襟翼的风力发电机的动力学仿真方法、设备及介质
CN114076065A (zh) * 2020-08-13 2022-02-22 新疆金风科技股份有限公司 识别风力发电机组的叶片失速的方法及设备
CN114076065B (zh) * 2020-08-13 2023-09-26 金风科技股份有限公司 识别风力发电机组的叶片失速的方法及设备
CN113033012A (zh) * 2021-04-07 2021-06-25 清华大学 分层数据驱动的风电场发电功率优化方案
CN115982897A (zh) * 2023-03-21 2023-04-18 浙江华东测绘与工程安全技术有限公司 一种海上风机叶片的空气动力载荷等效构建方法及装置
CN115982897B (zh) * 2023-03-21 2023-08-15 浙江华东测绘与工程安全技术有限公司 一种海上风机叶片的空气动力载荷等效构建方法及装置
CN118378766A (zh) * 2024-06-27 2024-07-23 四川思极科技有限公司 一种风力发电功率预测方法、系统及介质
CN118378766B (zh) * 2024-06-27 2024-09-17 四川思极科技有限公司 一种风力发电功率预测方法、系统及介质

Also Published As

Publication number Publication date
CN109268205B (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN109268205A (zh) 一种基于智能风力机的风电场优化控制方法
DK3047143T3 (en) MANAGEMENT PROCEDURE FOR A WINDMILL
Sedaghat et al. Aerodynamic design of a 300 kW horizontal axis wind turbine for province of Semnan
CN107559143B (zh) 一种大型风力机尾缘襟翼结构参数寻优及多目标襟翼优化控制方法
CA2539647C (en) Method and installation for extracting energy from a flowing fluid
CN105971821B (zh) 一种风力发电机组基于风轮推力预估的控制方法
CA2492385C (en) Assembly of flow energy collectors, such as windpark, and method of operation
US20130300115A1 (en) Systems and methods for optimizing power generation in a wind farm turbine array
CN112260325A (zh) 一种考虑风力发电机疲劳载荷的风电场有功功率控制方法
TW202016428A (zh) 風力發電系統
EP2342453A2 (en) Wind turbine with low induction tips
CN111209638B (zh) 基于运行攻角偏差修正的低风速风力机叶片气动设计方法
CN106777525B (zh) 考虑设计叶尖速比风轮静、动态影响的风力机气动设计方法
CN115030866A (zh) 一种风电场场群控制系统
CN105909469B (zh) 一种减小变桨动作的变速恒频风电机组的限功率控制方法
Sedaghat et al. Aerodynamic design and economical evaluation of site specific horizontal axis wind turbine (HAWT)
López et al. Wake steering strategies for combined power increase and fatigue damage mitigation: an LES study
CN116658359A (zh) 一种风电场实时协同偏航控制方法
CN114417692B (zh) 带约束的风电场尾流效应粒子群优化方法
Wen et al. Performance optimization of constant speed-small horizontal axis wind turbine (CS-SHAWT) for wind energy development in Malaysia
US11846270B2 (en) Control method and device of a wind park
Peng Influence analysis of wind shear and tower shadow on load and power based on blade element theory
CN109359426A (zh) 一种风力机叶片气动参数与控制器参数的联合优化方法
CN111779627B (zh) 适用于海上风电场的含抗台风模式的叶轮控制系统
Shen et al. Optimization of wind turbine blades using lifting surface method and genetic algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant