CN109779836A - 一种基于遗传算法寻优的风力发电机组发电量提升方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法寻优的风力发电机组发电量提升方法，该方法是通过模拟生物进化和遗传的过程，对控制参数进行在线寻优，实时追踪最优增益系数，提升风力发电机组输出功率。本发明方法可以实时准确地在线调整寻优，能有效提高风力发电机组的整体动态特性，提高机组可靠性；充分利用机组叶片设计参数，让机组叶片发挥出最高的风能捕获效率，进而最大程度上地输出电能。

Description

一种基于遗传算法寻优的风力发电机组发电量提升方法

技术领域

本发明涉及风力发电机组发电量提升的技术领域，尤其是指一种基于遗传算法寻优的风力发电机组发电量提升方法。

背景技术

风力发电作为清洁能源的一种，近些年发展势头强劲；但是，国家目前调低风电的上网电价，实行风火同价，第I类、II类和III类资源区风电标杆价格每千瓦时降低2分钱，第IV类资源区标杆价格维持现行水平不变。调低上网电价意味着发电企业的年收益利润就要下降。

现在的发电企业不再仅仅追求风机的整体价格，而同样关注机组的发电量。通常，都会在一个风场建设初期招标两家企业，经过一段时间的发电运行，对比两家企业的机组可靠性和发电性能，从而为风场后续开发扩张要采用的机组提供可靠的评估数据。基于整个行业政策的调整以及业主急迫关心的问题，需要研究新控制算法以优化机组的功率曲线，从而提高风电机组的发电量。

目前大兆瓦级机组基本采用变速变桨的控制方式，当风速大于额定风速后，采用变桨的方式控制桨距角的角度，从而调节叶轮的气动功率；使机组处于满发状态。当风速小于额定风速时，采用的是变扭矩控制方式，通过变频器调节发电机的转矩，从而控制发电机转速以追踪风速的变化，保持获得最优的功率系数。

额定以上工况，通过变桨的方式使机组稳定在满发阶段，如果是同类型的机组，那么该段控制优化的空间较少；如果在硬件允许的条件下，可以适当提高额定功率。

额定以下工况，保持机组处于最大功率系数点优化空间较大，再加上现在的国内风资源都倾向于低风速区，如III类资源区，弱III类资源区等。从风资源的威布尔分布看，一年中绝大部分的风况都是在额定风速以下。

机组在运行过程中面临的外界环境不断变化，例如湍流强度、风剪切尾流影响，同时叶片出厂时零刻度与设计有偏差，现场安装没有严格对中，造成安装角有偏差，都会使机组运行的最佳桨距与理论设计的最佳桨距角不一致。而且，不同的机型在不同的风场及不同季节时期，机组的运行情况各不相同，采用传统的控制策略并不能使风机处于最佳运行状态。

基于上述现状，本发明提出基于遗传算法的实时在线寻优，对控制算法进行精细化，深度化扩展，提升风力发电机组发电量。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于遗传算法寻优的风力发电机组发电量提升方法，实时准确地在线调整寻优，能有效提高风力发电机组的整体动态特性，提高机组可靠性；充分利用机组叶片设计参数，让机组叶片发挥出最高的风能捕获效率，进而最大程度上地输出电能。

为实现上述目的，本发明所提供的技术方案为：一种基于遗传算法寻优的风力发电机组发电量提升方法，该方法是通过模拟生物进化和遗传的过程，对控制参数进行在线寻优，实时追踪最优增益系数，提升风力发电机组输出功率，其包括以下步骤：

1)确定最小桨距角θ、风能利用系数Cp和尖速比λ的取值范围，以及适应度评价函数；

2)根据步骤1)的取值范围，最小桨距角θ、风能利用系数Cp和尖速比λ分别随机产生一个值，并分别进行编码后组成一个个体，即染色体；

3)依据步骤2)随机生成N个染色体，N＝2,3,4…，组成初始化种群1；

4)依据步骤1)中适应度评价函数，计算种群1中每个染色体的适应度值；

5)在种群1进行选择算子操作；

6)在种群1中进行交叉算子操作；

7)在种群1中进行变异算子操作；

8)经过步骤5)、6)、7)后得到新种群2，判断是否满足最大迭代次数或者相邻若干代种群的最优个体无明显变化，若满足，则输出最优解K_opt；否则，用新种群2代替种群1，返回步骤3)；

9)设定寻优迭代过程中最优解K_opt及对应的最优桨距角为最佳运行状态，跟踪最佳功率输出。

进一步，增益系数的表达式如下：

其中，K表示增益系数，ρ表示空密度，R表示叶轮半径，C_p表示风能利用系数，λ表示尖速比。

进一步，所述适应度评价函数为实际计算得到的风能利用系数。

本发明与现有技术相比，具有如下优点与有益效果：

1、当实际机组与理论模型存在差异，如叶片安装误差，叶片运行较久出现翼型数据变化，能够有效的获得最优增益和最优桨距角。

2、可实现在线化控制增益参数，提升机组性能，进而提升发电量，增加风电场的直接经济效益。

附图说明

图1为风力发电机组运行的转速-扭矩关系曲线图。

图2为遗传算法流程图。

图3为基于遗传算法的寻优流程图。

图4为转速-增益系数寻优散点图。

图5为优化前后风速-功率对比图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

图1是风力发电机组运行的转速-扭矩关系曲线图。当发电机转速小于w1时，发电机功率输出为零；随着风速逐渐变大至切入风速时，发电机达到并网转速，首先进入OA恒转速阶段，发电机扭矩逐渐增大；AB段为最优增益追踪阶段，发电机转速随着风速变化保持最佳尖速比，追踪最大输出功率；当发电机转速增加至额定转速w2时，即BC段恒转速区，通过提升扭矩，提高输出功率；在C点时，风机达到额定扭矩，通过变桨调整保持输出功率恒定。

图1中AB段追踪最优增益系数的表达式如下式所示：

其中，K表示增益系数，ρ表示空密度，R表示叶轮半径，C_p表示风能利用系数，λ表示尖速比。

本发明主要对图1中AB段最优尖速比追踪阶段进行优化，通过模拟生物进化和遗传的过程，对控制参数进行在线寻优，实时追踪最优增益系数，提升风电机组输出功率。其主要步骤为：

1)定范围，最小桨距角θ∈(-1°,2°)、风能利用系数C_p∈(0.4,0.5)和尖速比λ∈(8,12)，适应度函数为实际计算得到的风能利用系数C_preal；

2)根据步骤1)的取值范围，最小桨距角θ、风能利用系数Cp和尖速比λ分别随机产生一个值，并分别进行编码后组成一个个体(即染色体)；

3)依据步骤2)随机生成4个染色体，组成初始化种群1；

4)依据步骤1)中适应度评价函数，计算种群1中每个染色体的适应度值；

5)在种群1中进行选择算子操作；

6)在种群1中进行交叉算子操作；

7)在种群1中进行变异算子操作；

8)经过步骤5)、6)、7)后得到新种群2，判断是否最大迭代次数或者相邻10代种群的最优个体无明显变化，若满足，则输出最优解K_opt；否则，用新种群2代替种群1，返回步骤3)；

9)设定寻优迭代过程中最优解K_opt及对应的最优桨距角为最佳运行状态，跟踪最佳功率输出。

图2是遗传算法流程图，图3是基于遗传算法的寻优流程图，该算法可在保证机组稳定运行的基础上，对有偏差的控制参数进行实时优化，提升机组发电量；图4是寻优过程散点图，可以看出风机运行的最优增益是实时变化的；图5是优化前后的风速-功率对比图，由图可知，本发明的风力发电机组发电量提升方法可提升发电量1％-2％。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (3)

1.一种基于遗传算法寻优的风力发电机组发电量提升方法，其特征在于，该方法是通过模拟生物进化和遗传的过程，对控制参数进行在线寻优，实时追踪最优增益系数，提升风力发电机组输出功率，其包括以下步骤：

1)确定最小桨距角θ、风能利用系数Cp和尖速比λ的取值范围，以及适应度评价函数；

2)根据步骤1)的取值范围，最小桨距角θ、风能利用系数Cp和尖速比λ分别随机产生一个值，并分别进行编码后组成一个个体，即染色体；

3)依据步骤2)随机生成N个染色体，N＝2,3,4…，组成初始化种群1；

4)依据步骤1)中适应度评价函数，计算种群1中每个染色体的适应度值；

5)在种群1进行选择算子操作；

6)在种群1中进行交叉算子操作；

7)在种群1中进行变异算子操作；

8)经过步骤5)、6)、7)后得到新种群2，判断是否满足最大迭代次数或者相邻若干代种群的最优个体无明显变化，若满足，则输出最优解K_opt；否则，用新种群2代替种群1，返回步骤3)；

9)设定寻优迭代过程中最优解K_opt及对应的最优桨距角为最佳运行状态，跟踪最佳功率输出。

2.根据权利要求1所述的一种基于遗传算法寻优的风力发电机组发电量提升方法，其特征在于，增益系数的表达式如下：

其中，K表示增益系数，ρ表示空密度，R表示叶轮半径，C_p表示风能利用系数，λ表示尖速比。

3.根据权利要求1所述的一种基于遗传算法寻优的风力发电机组发电量提升方法，其特征在于：所述适应度评价函数为实际计算得到的风能利用系数。