CN109687515A - 一种风电场的发电量控制方法及相关装置 - Google Patents
一种风电场的发电量控制方法及相关装置 Download PDFInfo
- Publication number
- CN109687515A CN109687515A CN201811625517.4A CN201811625517A CN109687515A CN 109687515 A CN109687515 A CN 109687515A CN 201811625517 A CN201811625517 A CN 201811625517A CN 109687515 A CN109687515 A CN 109687515A
- Authority
- CN
- China
- Prior art keywords
- individual
- optimal adaptation
- angle value
- value
- fitness
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010248 power generation Methods 0.000 title claims abstract description 37
- 230000006978 adaptation Effects 0.000 claims abstract description 119
- 238000003860 storage Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 86
- 230000033228 biological regulation Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 15
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004146 energy storage Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000007423 decrease Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 239000011164 primary particle Substances 0.000 description 4
- 210000003746 feather Anatomy 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
Classifications
-
- H02J3/386—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Wind Motors (AREA)
Abstract
本申请公开了一种风电场的发电量控制方法，包括：将旋转动能储备约束条件作为罚函数加入到发电量目标函数中，得到适应度函数；根据测量得到的各个风电机组的实时风速按照适应度函数进行计算，得到每个个体对应的适应度值；确定每个个体对应的个体最佳适应度值和全局最佳适应度值；根据每个个体最佳适应度值和全局最佳适应度值，对每个个体的速度和位置进行迭代更新，得到全局最佳位置；根据全局最佳位置对每个风电机组的变流器和变桨距控制器进行控制。通过将旋转动能储备作为条件，将发电量进行最大化优化，提高了风能利用率。本申请还公开了一种风电场的发电量控制系统、发电量控制设备以及计算机可读存储介质，具有以上有益效果。
Description
技术领域
本申请涉及风电场技术领域，特别涉及一种风电场的发电量控制方法、发电量控制系统、发电量控制设备以及计算机可读存储介质。
背景技术
现有以火电机组为主的电网，在电网频率下降时可通过增加火电机组的有功功率来支撑电网频率，从而保证电网的稳定运行。但是，在风电机组中所能输出的最大有功功率受制于风速，因此对电网频率的支撑作用有限。随着风电装机容量的快速上升，为保证电网的安全稳定运行，必须设法提高风电机组的电网频率支撑能力。
目前，由于蓄电池成本较高，且在生产、使用和回收过程中存在的污染和老化问题，通常利用风电机组的转动惯量进行惯性储能控制。其中，惯性储能控制，是指在电网频率正常时令风电机组的转速高于最大风能利用率所对应的转速，利用风电机组的转动惯量储备旋转动能，在电网频率下降时通过释放风电机组储备的旋转动能，向电网提供有功支撑。
现有技术中，惯性储能控制一般通过提高风电机组在电网正常时的转速来储备旋转动能。但是，提高转速会使得风电机组长期偏离其最大功率点，导致风能利用率下降，影响风电场的最大发电量。
因此，如何在惯性储能控制中提高风能的利用率是本领域技术人员关注的重点问题。
发明内容
本申请的目的是提供一种风电场的发电量控制方法、发电量控制系统、发电量控制设备以及计算机可读存储介质，通过将旋转动能储备作为条件，将发电量进行最大化优化，提高了风能利用率。
为解决上述技术问题，本申请提供一种风电场的发电量控制方法，包括：
将旋转动能储备约束条件作为罚函数加入到发电量目标函数中，得到适应度函数；
根据测量得到的各个风电机组的实时风速按照所述适应度函数进行计算，得到每个个体对应的适应度值；
根据每个个体对应的适应度值和历史适应度值确定每个个体对应的个体最佳适应度值和全局最佳适应度值；
根据每个个体最佳适应度值和所述全局最佳适应度值，对每个个体的速度和位置进行迭代更新，得到全局最佳位置；
根据所述全局最佳位置对每个风电机组的变流器和变桨距控制器进行控制。
可选的，还包括：
在将测量得到的各个风电机组的实时风速按照所述适应度函数进行计算之前，根据转速调节范围和桨距角调节范围进行随机初始化，得到初代种群的每个个体的速度和位置。
可选的，根据每个个体对应的适应度值和历史适应度值确定每个个体对应的个体最佳适应度值和全局最佳适应度值，包括：
将每个个体对应的适应度值和该个体的历史最佳适应度值中最大的适应度值，作为该个体对应的个体最佳适应度值；
将所有个体最佳适应度值与历史全局最佳适应度值中最大的适应度值，作为所述全局最佳适应度值。
可选的，每一次所述迭代更新的过程，包括：
根据每个个体最佳适应度值对应的位置和所述全局最佳适应度值对应的位置进行更新计算，得到每个个体的已更新速度和待修正位置；
根据转速调节范围和桨距角调节范围对每个待修正位置进行修正，得到每个个体的已更新位置；
根据每个个体的已更新速度和已更新位置按照所述适应度函数进行计算，并确定最佳适应度值，得到每个个体对应的个体最佳适应度值和全局最佳适应度值。
本申请还提供一种风电场的发电量控制系统，包括：
适应度函数构造模块，用于将旋转动能储备约束条件作为罚函数加入到发电量目标函数中，得到适应度函数；
适应度值计算模块，用于根据测量得到的各个风电机组的实时风速按照所述适应度函数进行计算，得到每个个体对应的适应度值；
最佳适应度确定模块，用于根据每个个体对应的适应度值和历史适应度值确定每个个体对应的个体最佳适应度值和全局最佳适应度值；
迭代更新模块，用于根据每个个体最佳适应度值和所述全局最佳适应度值，对每个个体的速度和位置进行迭代更新，得到全局最佳位置；
发电量控制模块，用于根据所述全局最佳位置对每个风电机组的变流器和变桨距控制器进行控制。
可选的，还包括：
初始化模块，用于在将测量得到的各个风电机组的实时风速按照所述适应度函数进行计算之前，根据转速调节范围和桨距角调节范围进行随机初始化，得到初代种群的每个个体的速度和位置。
可选的，所述最佳适应度确定模块，包括：
个体最佳适应度确定单元，用于将每个个体对应的适应度值和该个体的历史最佳适应度值中最大的适应度值，作为该个体对应的个体最佳适应度值；
全局最佳适应度确定单元，用于将所有个体最佳适应度值与历史全局最佳适应度值中最大的适应度值，作为所述全局最佳适应度值。
可选的，所述迭代更新模块，包括：
速度位置更新单元，用于根据每个个体最佳适应度值对应的位置和所述全局最佳适应度值对应的位置进行更新计算，得到每个个体的已更新速度和待修正位置；
位置修正单元，用于根据转速调节范围和桨距角调节范围对每个待修正位置进行修正，得到每个个体的已更新位置；
适应度值更新单元，用于根据每个个体的已更新速度和已更新位置按照所述适应度函数进行计算，并确定最佳适应度值，得到每个个体对应的个体最佳适应度值和全局最佳适应度值。
本申请还提供一种风电场的发电量控制设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述的发电量控制方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的发电量控制方法的步骤。
本申请所提供的一种风电场的发电量控制方法，包括：将旋转动能储备约束条件作为罚函数加入到发电量目标函数中，得到适应度函数；根据测量得到的各个风电机组的实时风速按照所述适应度函数进行计算，得到每个个体对应的适应度值；根据每个个体对应的适应度值和历史适应度值确定每个个体对应的个体最佳适应度值和全局最佳适应度值；根据每个个体最佳适应度值和所述全局最佳适应度值，对每个个体的速度和位置进行迭代更新，得到全局最佳位置；根据所述全局最佳位置对每个风电机组的变流器和变桨距控制器进行控制。
通过将旋转动能储备作为罚函数进行算法优化，也就是在旋转动能储备一定的情况下，将风电场在正常运行时的发电量最大化，从而提高在正常情况下的风电利用率。
本申请还提供一种风电场的发电量控制系统、发电量控制设备以及计算机可读存储介质，具有以上有益效果，在此不作赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种风电场的发电量控制方法的流程图；
图2为本申请实施例所提供的一种风电场的发电量控制系统的结构示意图。
具体实施方式
本申请的核心是提供一种风电场的发电量控制方法、发电量控制系统、发电量控制设备以及计算机可读存储介质，通过将旋转动能储备作为条件，将发电量进行最大化优化，提高了风能利用率。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
目前，由于蓄电池成本较高，且在生产、使用和回收过程中存在的污染和老化问题，通常利用风电机组的转动惯量进行惯性储能控制。其中，惯性储能控制，是指在电网频率正常时令风电机组的转速高于最大风能利用率所对应的转速，利用风电机组的转动惯量储备旋转动能，在电网频率下降时通过释放风电机组储备的旋转动能，向电网提供有功支撑。现有技术中，惯性储能控制一般通过提高风电机组在电网正常时的转速来储备旋转动能。但是，提高转速会使得风电机组长期偏离其最大功率点，导致风能利用率下降，影响风电场的最大发电量。也就是说目前的风电场技术为了实现惯性储能的功能，通常要以电网频率正常时的发电量为代价，进行惯性储能，无法保证正常时的风电利用率。
因此，本申请提供一种风电场的发电量控制方法，通过将旋转动能储备作为罚函数进行算法优化，也就是在旋转动能储备一定的情况下，将风电场在正常运行时的发电量最大化，从而提高在正常情况下的风电利用率。
请参考图1，图1为本申请实施例所提供的一种风电场的发电量控制方法的流程图。
本实施例中，该方法可以包括：
S101，将旋转动能储备约束条件作为罚函数加入到发电量目标函数中，得到适应度函数；
本步骤旨在旋转动能储备约束条件加入到发电量目标函数中，得到适应度函数，也就是优化目标函数。其中，旋转动能储备作为进行优化的先决条件，进行发电量优化，就可以保证在满足旋转动能储备的条件下，使得发电量最大化，尽可能的提高风电场中风能利用率。
S102，根据测量得到的各个风电机组的实时风速按照适应度函数进行计算，得到每个个体对应的适应度值；
在S101的基础上，本步骤旨在采用粒子群算法计算出初代粒子群中每个个体的适应度值。其中，一个个体就代表一种转速和桨距角的调节方式，而适应度则表示应用该转速和桨距角调节方式后可以得到多大的发电量，可见，当适应度值越大时，发电量也就越大。
需要说明的是，本实施例中通过粒子群算法进行优化时，在进行适应度函数计算还包括在转速调节范围和桨距角调节范围内进行随机初始化，得到初代粒子群。其中，该初代粒子群中包括了预设数量个个体，每个个体中由进行控制的转速和桨距角组成。
可选的，本实施例还可以包括：
在将测量得到的各个风电机组的实时风速按照适应度函数进行计算之前，根据转速调节范围和桨距角调节范围进行随机初始化，得到初代种群的每个个体的速度和位置。
本可选方案主要是根据转速调节范围和桨距角调节范围进行随机初始化，得到初代种群。其中，根据转速调节范围和桨距角调节范围进行随机初始化是为了保证初代种群中的个体均是可用个体，避免在初代种群中出现不可用的个体，提高优化过程的效度。
S103，根据每个个体对应的适应度值和历史适应度值确定每个个体对应的个体最佳适应度值和全局最佳适应度值；
在S102的基础上，本步骤旨在从上一步骤中得到的初代粒子群中每个个体的适应度值确定个体最佳适应度值和全局最佳适应度值。每个适应度值均对应了一个个体位置的矢量，通过该位置就可以确定如何对风电场中的转速以及桨距角进行控制。
可选的，本步骤可以包括：
步骤1，将每个个体对应的适应度值和该个体的历史最佳适应度值中最大的适应度值，作为该个体对应的个体最佳适应度值；
步骤2，将所有个体最佳适应度值与历史全局最佳适应度值中最大的适应度值，作为全局最佳适应度值。
本可选方案主要是说明一种具体实现确定全局最佳适应度值的方案，通过本可选方案就可以在所有个体最佳适应度值中确定全局最佳适应度值。
S104，根据每个个体最佳适应度值和全局最佳适应度值，对每个个体的速度和位置进行迭代更新，得到全局最佳位置；
在S103的基础上，本步骤主要是根据初代粒子群中的每个个体最佳适应度值以及全局最佳适应度值，再进行预设次数的迭代更新，得到全局最佳位置。其中，本步骤得到的全局最佳位置，就是在预设次数迭代更新后得到全局最佳适应度值对应的全局最佳位置，并且还说明通过该全局最佳位置进行风电场控制就可以在满足旋转动能储备的情况下最大化风电场的发电量。
可选的，本步骤中每一次进行迭代更新的过程可以包括：
步骤1，根据每个个体最佳适应度值对应的位置和全局最佳适应度值对应的位置进行更新计算，得到每个个体的已更新速度和待修正位置；
步骤2，根据转速调节范围和桨距角调节范围对每个待修正位置进行修正，得到每个个体的已更新位置；
步骤3，根据每个个体的已更新速度和已更新位置按照适应度函数进行计算，并确定最佳适应度值，得到每个个体对应的个体最佳适应度值和全局最佳适应度值。
本实施例中可以选择现有技术中任意一种迭代更新的方法，本可选方案主要是说明一种更具体的迭代更新的方案。其中，采用了粒子群算法中的随机更新公式，对每一次迭代更新开始的种群进行更新，进一步的在转速调节范围和桨距角调节范围内对更新后的种群进行修正，以保证更新后的种群中每个个体均是可用个体，也就是在预设范围内的个体，避免出现不可用的个体造成迭代混乱的情况。再进一步进行确定每一个个体的个体最佳适应度值和全局最佳适应度值。
可以想到是的是，当预设次数的迭代更新执行结束后，将得到的全局最佳适应度值对应的位置作为全局最佳位置。
S105，根据全局最佳位置对每个风电机组的变流器和变桨距控制器进行控制。
在S104的基础上，本步骤旨在根据该全局最佳位置进行相应的控制。具体的，该全局最佳位置是指一个个体位置的矢量，其中，包括了每个风电机组的转速和桨距角。
综上，本实施例通过将旋转动能储备作为罚函数进行算法优化，也就是在旋转动能储备一定的情况下，将风电场在正常运行时的发电量最大化，从而提高在正常情况下的风电利用率。
在上一实施例的基础上，本实施例还可以提供一种更加具体的发电量控制方法。通过本实施例可以在保证旋转储能一定的情况下，尽可能的提高风电场的发电量。
本实施例中的优化目标为风电场发电量，如下：
其中，风能利用率系数为
本实施例中的约束条件包括：
1、转速调节范围：
ωimin≤ωi≤ωimax,(i＝1,2,...,M)
2、桨距角调节范围：
βimin≤βi≤βimax,(i＝1,2,...,M)
3、旋转动能储备要求：
将约束条件的旋转动能储备要求作为罚函数加入优化目标，得到最终的优化目标函数：
其中，M为风电场风电机组数量；Ji为第i台风电机组的转动惯量；ωi为第i台风电机组的转速；ωiMPP为第i台风电机组最大功率点对应的转速；βi为第i台风电机组的桨距角；ΔEsum为要求的风电场旋转动能储备；ρ为空气密度；Ai为第i台风电机组的风轮扫略面积；Vi为第i台风电机组的风速；Ri为第i台风电机组的风轮半径；Cp为风电机组风能利用率；Kpen为风电场旋转动能储备罚函数的系数。
本实施例将最终的优化目标函数作为目标函数(即适应度函数)，转速调节范围和桨距角调节范围作为约束条件，根据各风机的实测风速Vi和给定旋转动能储备ΔEsum，搜索使整个风电场发电量最大化的各台风电机组转速ωi和桨距角βi。
基于以上目标函数，本实施例的优化过程可以如下：
步骤1，优化算法初始化。
设置种群规模N、迭代次数Z、罚函数系数Kpen、速度权重系数d1-d3、空气密度ρ、各风力机转动惯量Ji、风轮扫略面积Ai、风轮半径Ri、风轮系数c1-c6、旋转动能储备ΔEsum。将风速仪测得的风速输入风速矢量设置描述种群中个体位置的矢量为：
其中，j为种群中个体的序号，k为种群的代数。
令k＝1，在转速和桨距角调节范围ωimin≤ωi≤ωimax和βimin≤βi≤βimax内，随机初始化第1代种群的个体位置和速度，也就是得到初代种群的个体位置和速度。
步骤2，适应度值计算。
将种群位置矢量风速矢量按以下公式进行计算，获得第k代种群中，每个个体j的适应度值Fj,k，其中j＝1,2,…,N。
ωiMPP＝λMPPVi/Ri；
步骤3，个体和全局最佳适应度值的确定。
首先，将步骤2计算出来的第k代种群中每个个体j(j＝1,2,…,N)的适应度值Fj,k与该个体之前的局部最佳适应度值Fj,best进行比较，将其中更大的适应度值和对应位置，分别作为新的个体最佳适应度值Fj,best和个体最佳位置pj,best。然后，将新的个体最佳适应度值Fj,best与整个种群之前的全局最佳适应度值Fg,best进行比较，将其中更大的适应度值和对应位置，分别作为整个种群新的全局最佳适应度值Fg,best和个体最佳位置pg,best。
步骤4：更新种群中所有个体的速度和位置。
按以下公式更新整个种群中所有个体的速度和位置。
步骤5：修正新种群中所有个体的位置。
在新生成的种群中，如果某些个体的某些维度超过了转速和桨距角调节范围，则按以下公式进行修正，形成第k+1代种群。
步骤6：迭代终止判断。
如果迭代代数k小于设定的迭代次数Z，则令k＝k+1，并且重复步骤2至步骤5；如果迭代代数k等于设定的迭代次数Z，则迭代终止，并将全局最佳位置作为最终的全局最佳位置
将上述全局最佳位置的变量，ωi,gbest、βi,gbest分别传给第i台风电机组的变流器和变桨距控制器，用于控制其转速和桨距角。
可见的，本申请实施例提供的发电量控制方法，针对惯性储能控制的缺点，充分考虑风电场中所有风电机组之间的参数和风速差异，从整个风电场的角度出发来进行优化。在满足上级电网对风电场旋转动能储备要求的前提下，设计最优化计算方法进行求解，通过对所有风电机组的转速和桨距角的协同优化，在保证旋转动能储备满足上级电网要求的同时，使整个风电场的发电量最大化，从而降低风电场因旋转动能储备导致的经济损失。
下面对本申请实施例提供的一种风电场的发电量控制系统进行介绍，下文描述的一种风电场的发电量控制系统与上文描述的一种风电场的发电量控制方法可相互对应参照。
请参考图2，图2为本申请实施例所提供的一种风电场的发电量控制系统的结构示意图。
本实施例中，该系统可以包括：
适应度函数构造模块100，用于将旋转动能储备约束条件作为罚函数加入到发电量目标函数中，得到适应度函数；
适应度值计算模块200，用于根据测量得到的各个风电机组的实时风速按照适应度函数进行计算，得到每个个体对应的适应度值；
最佳适应度确定模块300，用于根据每个个体对应的适应度值和历史适应度值确定每个个体对应的个体最佳适应度值和全局最佳适应度值；
迭代更新模块400，用于根据每个个体最佳适应度值和全局最佳适应度值，对每个个体的速度和位置进行迭代更新，得到全局最佳位置；
发电量控制模块500，用于根据全局最佳位置对每个风电机组的变流器和变桨距控制器进行控制。
可选的，该系统还可以包括：
初始化模块，用于在将测量得到的各个风电机组的实时风速按照适应度函数进行计算之前，根据转速调节范围和桨距角调节范围进行随机初始化，得到初代种群的每个个体的速度和位置。
可选的，该最佳适应度确定模块300，可以包括：
个体最佳适应度确定单元，用于将每个个体对应的适应度值和该个体的历史最佳适应度值中最大的适应度值，作为该个体对应的个体最佳适应度值；
全局最佳适应度确定单元，用于将所有个体最佳适应度值与历史全局最佳适应度值中最大的适应度值，作为全局最佳适应度值。
可选的，该迭代更新模块400，可以包括：
速度位置更新单元，用于根据每个个体最佳适应度值对应的位置和全局最佳适应度值对应的位置进行更新计算，得到每个个体的已更新速度和待修正位置；
位置修正单元，用于根据转速调节范围和桨距角调节范围对每个待修正位置进行修正，得到每个个体的已更新位置；
适应度值更新单元，用于根据每个个体的已更新速度和已更新位置按照适应度函数进行计算，并确定最佳适应度值，得到每个个体对应的个体最佳适应度值和全局最佳适应度值。
本申请实施例还提供一种风电场的发电量控制设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如以上实施例所述的发电量控制方法的步骤。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如以上实施例所述的发电量控制方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种风电场的发电量控制方法、发电量控制系统、发电量控制设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种风电场的发电量控制方法，其特征在于，包括：
将旋转动能储备约束条件作为罚函数加入到发电量目标函数中，得到适应度函数；
根据测量得到的各个风电机组的实时风速按照所述适应度函数进行计算，得到每个个体对应的适应度值；
根据每个个体对应的适应度值和历史适应度值确定每个个体对应的个体最佳适应度值和全局最佳适应度值；
根据每个个体最佳适应度值和所述全局最佳适应度值，对每个个体的速度和位置进行迭代更新，得到全局最佳位置；
根据所述全局最佳位置对每个风电机组的变流器和变桨距控制器进行控制。
2.根据权利要求1所述的发电量控制方法，其特征在于，还包括：
在将测量得到的各个风电机组的实时风速按照所述适应度函数进行计算之前，根据转速调节范围和桨距角调节范围进行随机初始化，得到初代种群的每个个体的速度和位置。
3.根据权利要求1所述的发电量控制方法，其特征在于，根据每个个体对应的适应度值和历史适应度值确定每个个体对应的个体最佳适应度值和全局最佳适应度值，包括：
将每个个体对应的适应度值和该个体的历史最佳适应度值中最大的适应度值，作为该个体对应的个体最佳适应度值；
将所有个体最佳适应度值与历史全局最佳适应度值中最大的适应度值，作为所述全局最佳适应度值。
4.根据权利要求1所述的发电量控制方法，其特征在于，每一次所述迭代更新的过程，包括：
根据每个个体最佳适应度值对应的位置和所述全局最佳适应度值对应的位置进行更新计算，得到每个个体的已更新速度和待修正位置；
根据转速调节范围和桨距角调节范围对每个待修正位置进行修正，得到每个个体的已更新位置；
根据每个个体的已更新速度和已更新位置按照所述适应度函数进行计算，并确定最佳适应度值，得到每个个体对应的个体最佳适应度值和全局最佳适应度值。
5.一种风电场的发电量控制系统，其特征在于，包括：
适应度函数构造模块，用于将旋转动能储备约束条件作为罚函数加入到发电量目标函数中，得到适应度函数；
适应度值计算模块，用于根据测量得到的各个风电机组的实时风速按照所述适应度函数进行计算，得到每个个体对应的适应度值；
最佳适应度确定模块，用于根据每个个体对应的适应度值和历史适应度值确定每个个体对应的个体最佳适应度值和全局最佳适应度值；
迭代更新模块，用于根据每个个体最佳适应度值和所述全局最佳适应度值，对每个个体的速度和位置进行迭代更新，得到全局最佳位置；
发电量控制模块，用于根据所述全局最佳位置对每个风电机组的变流器和变桨距控制器进行控制。
6.根据权利要求5所述的发电量控制系统，其特征在于，还包括：
初始化模块，用于在将测量得到的各个风电机组的实时风速按照所述适应度函数进行计算之前，根据转速调节范围和桨距角调节范围进行随机初始化，得到初代种群的每个个体的速度和位置。
7.根据权利要求5所述的发电量控制系统，其特征在于，所述最佳适应度确定模块，包括：
个体最佳适应度确定单元，用于将每个个体对应的适应度值和该个体的历史最佳适应度值中最大的适应度值，作为该个体对应的个体最佳适应度值；
全局最佳适应度确定单元，用于将所有个体最佳适应度值与历史全局最佳适应度值中最大的适应度值，作为所述全局最佳适应度值。
8.根据权利要求5所述的发电量控制系统，其特征在于，所述迭代更新模块，包括：
速度位置更新单元，用于根据每个个体最佳适应度值对应的位置和所述全局最佳适应度值对应的位置进行更新计算，得到每个个体的已更新速度和待修正位置；
位置修正单元，用于根据转速调节范围和桨距角调节范围对每个待修正位置进行修正，得到每个个体的已更新位置；
适应度值更新单元，用于根据每个个体的已更新速度和已更新位置按照所述适应度函数进行计算，并确定最佳适应度值，得到每个个体对应的个体最佳适应度值和全局最佳适应度值。
9.一种风电场的发电量控制设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述的发电量控制方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的发电量控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811625517.4A CN109687515A (zh) | 2018-12-28 | 2018-12-28 | 一种风电场的发电量控制方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811625517.4A CN109687515A (zh) | 2018-12-28 | 2018-12-28 | 一种风电场的发电量控制方法及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109687515A true CN109687515A (zh) | 2019-04-26 |
Family
ID=66190954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811625517.4A Pending CN109687515A (zh) | 2018-12-28 | 2018-12-28 | 一种风电场的发电量控制方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109687515A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110556873A (zh) * | 2019-09-30 | 2019-12-10 | 上海电力大学 | 一种基于罚函数的vsg自适应转动惯量控制方法 |
| WO2021056344A1 (zh) * | 2019-09-26 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 检测、控制方法和装置、动力组件、可移动平台和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103326353A (zh) * | 2013-05-21 | 2013-09-25 | 武汉大学 | 基于改进多目标粒子群算法的环境经济发电调度求解方法 |
| 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 |
| CN106529719A (zh) * | 2016-11-08 | 2017-03-22 | 中国地质大学（武汉） | 基于粒子群优化算法风速融合的风电功率预测的方法 |
| CN108847663A (zh) * | 2018-06-15 | 2018-11-20 | 南京理工大学 | 一种基于随机最优潮流的风电穿透功率极限分析方法 |
| CN109063915A (zh) * | 2018-08-10 | 2018-12-21 | 广东工业大学 | 短期风速预测方法、装置、设备、系统及存储介质 |
-
2018
- 2018-12-28 CN CN201811625517.4A patent/CN109687515A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103326353A (zh) * | 2013-05-21 | 2013-09-25 | 武汉大学 | 基于改进多目标粒子群算法的环境经济发电调度求解方法 |
| 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 |
| CN106529719A (zh) * | 2016-11-08 | 2017-03-22 | 中国地质大学（武汉） | 基于粒子群优化算法风速融合的风电功率预测的方法 |
| CN108847663A (zh) * | 2018-06-15 | 2018-11-20 | 南京理工大学 | 一种基于随机最优潮流的风电穿透功率极限分析方法 |
| CN109063915A (zh) * | 2018-08-10 | 2018-12-21 | 广东工业大学 | 短期风速预测方法、装置、设备、系统及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王仁锴: ""适应新能源接入的厂级AGC负荷分配系统研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021056344A1 (zh) * | 2019-09-26 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 检测、控制方法和装置、动力组件、可移动平台和存储介质 |
| CN110556873A (zh) * | 2019-09-30 | 2019-12-10 | 上海电力大学 | 一种基于罚函数的vsg自适应转动惯量控制方法 |
| CN110556873B (zh) * | 2019-09-30 | 2023-04-28 | 上海电力大学 | 一种基于罚函数的vsg自适应转动惯量控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104993522B (zh) | 一种基于mpc的主动配电网多时间尺度协调优化调度方法 | |
| CN105162141B (zh) | 考虑风电不确定性及电压稳定性因素的电网无功优化方法 | |
| CN107910883B (zh) | 基于抽水蓄能电站修正时序负荷曲线的随机生产模拟方法 | |
| CN106953363B (zh) | 一种风电场限功率运行状态下电网旋转备用优化配置方法 | |
| CN107681654B (zh) | 考虑新能源消纳和环境效益的多目标电网规划方法和装置 | |
| CN107292516B (zh) | 一种计及负荷分级和能量调度的负荷可靠性评估方法 | |
| CN112084652B (zh) | 一种风光储互补发电系统容量配置计算方法及系统 | |
| CN102738817B (zh) | 利用电池储能系统对风电功率进行自适应平滑处理的方法 | |
| CN105868848B (zh) | 一种机组间偏航和有功功率综合协调的风电场增效方法 | |
| CN104092231A (zh) | 一种独立微网混和储能容量优化配置方法 | |
| CN109687515A (zh) | 一种风电场的发电量控制方法及相关装置 | |
| CN104314755A (zh) | 基于ipso的dfig变桨距ladrc方法及系统 | |
| CN110417032A (zh) | 一种双馈风机参与系统调频的多目标优化控制方法 | |
| CN105205549A (zh) | 一种基于机会约束规划的光储系统跟踪日前计划调度方法 | |
| CN109066741A (zh) | 一种用于区域电网削峰填谷的分布式储能规划方法及系统 | |
| CN109888770A (zh) | 基于机会约束规划和波动成本的风电场装机容量优化方法 | |
| CN106026200A (zh) | 风电场的电力系统无功优化方法 | |
| CN115271195A (zh) | 一种基于改进遗传算法的电力系统多目标储能优化方法 | |
| CN109687512A (zh) | 一种风电场的转动储能控制方法及相关装置 | |
| CN104333049A (zh) | 一种风电有功功率控制分配方法及系统 | |
| CN104268435B (zh) | 一种计算多机平衡的概率潮流的方法 | |
| CN109584099A (zh) | 电网调峰的水电站短期多目标发电计划编制方法及系统 | |
| CN111162551B (zh) | 一种基于风电功率超短期预测的蓄电池充放电控制方法 | |
| CN115173433A (zh) | 一种平抑风电波动的储能容量优化方法及系统 | |
| CN117195449A (zh) | 一种风电场排布优化方法、装置、设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |