CN110535174B - 一种考虑风电场疲劳载荷分布和产能的有功功率控制方法 - Google Patents

Abstract

本发明公开了一种考虑风电场疲劳载荷分布和产能的有功功率控制方法，以风电场风机疲劳分布和总有功功率作为混合目标函数，对风电场的有功控制策略进行优化，综合考虑了风电场产能和疲劳分布对风电成本的影响，这样不会因为不平衡的疲劳分布来导致风电场维修次数以及停产时间增加，从而得到更加合理的有功功率控制方法。

Description

一种考虑风电场疲劳载荷分布和产能的有功功率控制方法

技术领域

本发明属于风电场技术领域，更为具体地讲，涉及一种考虑风电场疲劳载荷分布和产能的有功功率控制方法。

背景技术

能源是人类社会生存发展的重要物质基础，攸关国计民生和国家战略竞争力。当前，世界能源格局深刻调整，供求关系总体缓和，应对气候变化进入新阶段，新一轮能源革命蓬勃兴起。随着世界各国对能源安全、生态环境、气候变化等问题日益重视，新能源的发展必将是本轮能源革命中的重中之重。我国地理环境中，有着绵长的海岸线、广阔的草原和戈壁，风力资源十分充足。与之对应，近年来我国风力发电技术和应用范围逐年增加，我国风电新增装机容量连续五年领跑全球，在电源结构中的比重逐年提高，中东部和南方地区的风电开发建设取得积极成效。与此同时，经济性仍是制约风电发展的重要因素。与传统的化石能源电力相比，风电的发电成本仍比较高，补贴需求和政策依赖性较强，行业发展受政策变动影响较大。因此通过对风电场有功功率控制策略进行优化来降低发电成本很有必要。

近些年，国内外都在风电场有功控制策略优化方面取得了不少成果。例如，文献“P.Hou,W.Hu,B.Zhang,M.Soltani,c.Chen,and Z.Chen.Optimised power dispatchstrategy for offshore wind farms.IET Renewable Power Generation,vol.3, 2016,pp.399-409.”基于标准化单位成本，采用粒子群算法优化了风电场有功控制策略；文献“H.Zhao,Q.Wu,S.Huang,M.Shahidehpour,Q.Guo and H.Sun, "Fatigue LoadSensitivity-Based Optimal Active Power Dispatch For Wind Farms", in IEEETransactions on sustainable energy,vol.8,no.3,pp.1247-1259,July.2017.”将风机疲劳载荷对风机的功率的偏导定义为疲劳敏感度，并以最小化所有风机疲劳敏感度的和为目标提出了一种优化控制策略。实际上，风力发电成本既跟风电场的能量产出相关，也跟风机的疲劳累计相关。因为后者关系到风电场的维修费用。因此，需要提出一种既考虑风电产出又考虑风电场疲劳的风电场有功控制策略。

发明内容

本发明的目的在于克服现有技术的不足，提供一种考虑风电场疲劳载荷分布和产能的有功功率控制方法，在增加风电场总产能的同时，还能够平衡风电场的疲劳分布，从而有效实现风电场的有功功率控制。

为实现上述发明目的，本发明一种考虑风电场疲劳载荷分布和产能的有功功率控制方法，其特征在于，包括以下步骤：

(1)、构建改进型有功功率控制的风电场模型；

(1.1)、构建风速的尾流模型；

其中，V_j→i是尾流从风机j传递到风机i的风速的衰减量，V₀是进入风电场的初始风速，

是t时刻风机j的推力参数，R_i是风机i的叶片半径，R_j→i是风机j产生的尾流在风机i处的半径，

是风机j产生的尾流与风机i的重叠面积，S_i是风机i的叶片面积，L_j→i是风机j和风机i之间的距离，k是尾流衰减常数，V_i是风机i的输入风速，N是对风机i有效的尾流数；

(1.2)、构建风力发电机能量捕获模型；

其中，P_i ^mec表示风机i捕获的能量，ρ是空气密度，R是风机叶片半径，V_i是作用在风机i上的有效风速，C_p是风机的功率参数，ω_i为风机i的转速；

(1.3)、构建风力发电机的疲劳载荷模型；

其中，F_c是风机的疲劳参数，是跟风电场布局和风力分布有关的常数，P(τ) 是风机在τ时刻的功率，P_rated是风机的额定功率，T_life是风机的设计寿命，r是风机的维修系数，D是湍流扰动系数，I_eff是有效湍流密度，t₀,表示初始时刻，V_cut-in风机的切入风速，V_cut-out风机的切出风速；

(2)、构建改进型有功功率控制的混合目标函数；

其中，β为风机的浆距角，上角标tra和pro分别代表传统有功控制和改进型有功功率控制，f_std是风电场疲劳载荷的标准差，P_WF是风电场的总功率，λ是权重因子；

(3)、构建改进型有功功率控制的约束条件；

其中，P_i为风电场中风机i的功率，P_rated为风电场中所用风机的额定功率，ω_rated为风电场中所用风机的额定转速，P_WF-A为风电场采用最大点功率跟踪法 (MPPT)时的功率，P_WF-B为风电场采用改进型有功功率策略优化方法时的功率，β_min和β_max为风电场中所用风机的最小浆距角和最大浆距角；

(4)、基于风电场模型和约束条件，采用粒子群算法对混合目标函数进行优化；

(4.1)、设置粒子群算法的最大迭代次数；初始化粒子群算法中的各粒子的维度为风电场的风机台数n；在解空间范围内，随机初始化粒子种群中各粒子的位置和速度，位置和速度都由n维向量表示；

在满足步骤(3)中约束条件的情况下，任意给定一组风电场的初始浆距角β_i，那么，位置的n维向量表示风电场中n台风机各自的浆距角β_i；

(4.2)、定义数组lbest和gbest；

根据混合目标函数计算每个粒子的应度，再将当前各粒子的位置和适应值存储在lbest中，将lbest中最大适应值及对应的位置作为群体的历史最优适应值及对应位置，再存储在gbest中；

(4.3)、对于每个粒子，如果当前位置的适应值优于历史最优值，则将历史最优适应值及对应位置用该粒子当前的状态进行替换；对于每个粒子，若当前位置的适应适应值优于群体的历史最优适应值，则将群体的历史最优适应值及对应位置用该粒子当前的状态进行替换；

选出每一个粒子的历史最优适应值对应位置，记为

以及群体的历史最优适应值对应位置，记为

(4.4)、判断迭代次数是否达到最大迭代次数，若达到，进入步骤(4.7)；若未达到，进入步骤(4.5)；

(4.5)、更新粒子群算法中粒子的速度：

其中，v_i(k)表示第k次迭代时第i个粒子的速度，c₁、c₂为学习因子，r₁、r₂为0-1之间的随机数，

表示第k次迭代时第i个粒子的历史最优适应值对应位置，

表示第k次迭代时群体的历史最优适应值对应位置，x_i(k-1)表示上一次迭代时第i个粒子的位置；

更新粒子群算法中粒子的位置：

x_i(k)＝x_i(k-1)+v_i(k)

(4.6)、将当前迭代次数k加1，再返回至步骤(4.2)；

(4.7)、输出每个粒子的历史最优适应值对应的位置，从而找到风电场中每台风机的实际浆距角，从而控制风电场中各台风机的运行。

本发明的发明目的是这样实现的：

本发明一种考虑风电场疲劳载荷分布和产能的有功功率控制方法，以风电场风机疲劳分布和总有功功率作为混合目标函数，对风电场的有功控制策略进行优化，综合考虑了风电场产能和疲劳分布对风电成本的影响，这样不会因为不平衡的疲劳分布来导致风电场维修次数以及停产时间增加，从而得到更加合理的有功功率控制方法。

附图说明

图1是本发明一种考虑风电场疲劳载荷分布和产能的有功功率控制方法流程图；

图2是改进型有功功率控制的风电场原理图；

图3是粒子群算法对混合目标函数进行优化流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明一种考虑风电场疲劳载荷分布和产能的有功功率控制方法流程图。

在本实施例中，如图1所示，本发明一种考虑风电场疲劳载荷分布和产能的有功功率控制方法，包括以下步骤：

S1、构建改进型有功功率控制的风电场模型：包括风速的尾流模型、风力发电机的能量捕获模型和风力发电机的疲劳载荷模型；

如图2所示，风速的尾流模型、风力发电机的能量捕获模型和风力发电机的疲劳载荷模型与风力发电机控制中心单元连接，而各风力发电机的控制中心单元又与风电场的调度中心相连接；风电场有功功率控制策略的优化方法集成在风电场调度中心，它负责给每台风机提供参考功率。风机控制中心则会根据参考功率来控制风机，让它们按参考功率进行出力。

下面我们对建模的具体过程进行详细描述：

S1.1、构建风速的尾流模型；

其中，V_j→i是尾流从风机j传递到风机i的风速的衰减量，V₀是进入风电场的初始风速，

是t时刻风机j的推力参数，R_i是风机i的叶片半径，R_j→i是风机j产生的尾流在风机i处的半径，

是风机j产生的尾流与风机i的重叠面积，S_i是风机i的叶片面积，L_j→i是风机j和风机i之间的距离，k是尾流衰减常数，V_i是风机i的输入风速，N是对风机i有效的尾流数；

S1.2、构建风力发电机能量捕获模型；

其中，P_i ^mec表示风机i捕获的能量，ρ是空气密度，R是风机叶片半径，V_i是作用在风机i上的有效风速，C_p是风机的功率参数，ω_i为风机i的转速；

S1.3、构建风力发电机的疲劳载荷模型；

其中，F_c是风机的疲劳参数，是跟风电场布局和风力分布有关的常数，P(τ) 是风机在τ时刻的功率，P_rated是风机的额定功率，T_life是风机的设计寿命，r是风机的维修系数，D是湍流扰动系数，I_eff是有效湍流密度，t₀,表示初始时刻，V_cut-in风机的切入风速，V_cut-out风机的切出风速；

通过上式可以看出，风机的疲劳是一个积累的过程。

S2、构建改进型有功功率控制的混合目标函数；

其中，β为风机的浆距角，上角标tra和pro分别代表传统有功控制和改进型有功功率控制，f_std是风电场疲劳载荷的标准差，P_WF是风电场的总功率，λ是权重因子；

S3、构建改进型有功功率控制的约束条件；

其中，P_i为风电场中第i台风机的功率，P_rated为风电场中所用风机的额定功率，ω_i为风电场中第i台风机的转速，ω_rated为风电场中所用风机的额定转速，P_WF-A为风电场采用最大点功率跟踪法(MPPT)时的功率，P_WF-B为风电场采用改进型有功功率策略优化方法时的功率，β_i为风电场中第i台风机的浆距角，β_min和β_max为风电场中所用风机的最小浆距角和最大浆距角；在本实施例中，最后一个不等式能够防止风机运行进入失速区。

S4、基于风电场模型和约束条件，如图3所示，采用粒子群算法对混合目标函数进行优化；

S4.1、设置粒子群算法的最大迭代次数；初始化粒子群算法中的各粒子的维度为风电场的风机台数n；在解空间范围内，随机初始化粒子种群中各粒子的位置和速度，位置和速度都由n维向量表示；

在满足步骤S3中约束条件的情况下，任意给定一组风电场的初始浆距角β_i，那么，位置的n维向量表示风电场中n台风机各自的浆距角β_i；

S4.2、定义数组lbest和gbest；

根据混合目标函数计算每个粒子的应度，再将当前各粒子的位置和适应值存储在lbest中，将lbest中最大适应值及对应的位置作为群体的历史最优适应值及对应位置，再存储在gbest中；

S4.3、对于每个粒子，如果当前位置的适应值优于历史最优值，则将历史最优适应值及对应位置用该粒子当前的状态进行替换；对于每个粒子，若当前位置的适应适应值优于群体的历史最优适应值，则将群体的历史最优适应值及对应位置用该粒子当前的状态进行替换；

选出每一个粒子的历史最优适应值对应位置，记为

以及群体的历史最优适应值对应位置，记为

S4.4、判断迭代次数是否达到最大迭代次数，若达到，进入步骤S4.7；若未达到，进入步骤S4.5；

S4.5、更新粒子群算法中粒子的速度：

其中，v_i(k)表示第k次迭代时第i个粒子的速度，c₁、c₂为学习因子，r₁、r₂为0-1之间的随机数，

表示第k次迭代时第i个粒子的历史最优适应值对应位置，

表示第k次迭代时群体的历史最优适应值对应位置，x_i(k-1)表示上一次迭代时第i个粒子的位置；

更新粒子群算法中粒子的位置：

x_i(k)＝x_i(k-1)+v_i(k)

S4.6、将当前迭代次数k加1，再返回至步骤S4.2；

S4.7、输出每个粒子的历史最优适应值对应的位置，从而找到风电场中每台风机的实际浆距角，从而控制风电场中各台风机的运行。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种考虑风电场疲劳载荷分布和产能的有功功率控制方法，其特征在于，包括以下步骤：

(1)、构建改进型有功功率控制的风电场模型；

(1.1)、构建风速的尾流模型；

其中，V_j→i是尾流从风机j传递到风机i的风速的衰减量，V₀是进入风电场的初始风速，

是t时刻风机j的推力参数，R_i是风机i的叶片半径，R_j→i是风机j产生的尾流在风机i处的半径，

是风机j产生的尾流与风机i的重叠面积，S_i是风机i的叶片面积，L_j→i是风机j和风机i之间的距离，k是尾流衰减常数，V_i是风机i的输入风速，N是对风机i有效的尾流数；

(1.2)、构建风力发电机能量捕获模型；

其中，

表示风机i捕获的能量，ρ是空气密度，R是风机叶片半径，V_i是作用在风机i上的有效风速，C_p是风机的功率参数，ω_i为风机i的转速；

(1.3)、构建风力发电机的疲劳载荷模型；

其中，F_c是风机的疲劳参数，是跟风电场布局和风力分布有关的常数，P(τ)是风机在τ时刻的功率，P_rated是风机的额定功率，T_life是风机的设计寿命，r是风机的维修系数，D是湍流扰动系数，I_eff是有效湍流密度，t₀,表示初始时刻，V_cut-in风机的切入风速，V_cut-out风机的切出风速；

(2)、构建改进型有功功率控制的混合目标函数；

其中，β为风机的浆距角，上角标tra和pro分别代表传统有功控制和改进型有功功率控制，f_std是风电场疲劳载荷的标准差，P_WF是风电场的总功率，λ是权重因子；

(3)、构建改进型有功功率控制的约束条件；

其中，P_i为风电场中风机i的功率，P_rated为风电场中所用风机的额定功率，ω_rated为风电场中所用风机的额定转速，P_WF-A为风电场采用最大点功率跟踪法(MPPT)时的功率，P_WF-B为风电场采用改进型有功功率策略优化方法时的功率，β_i为风机i的浆距角，β_min和β_max为风电场中所用风机的最小浆距角和最大浆距角；

(4)、基于风电场模型和约束条件，采用粒子群算法对混合目标函数进行优化，找到风电场中每台风机的实际浆距角，从而控制风电场中各台风机的运行；

其中，采用粒子群算法对混合目标函数进行优化的过程为：

(4.1)、设置粒子群算法的最大迭代次数；初始化粒子群算法中的各粒子的维度为风电场的风机台数n；在解空间范围内，随机初始化粒子种群中各粒子的位置和速度，位置和速度都由n维向量表示；

在满足约束条件的情况下，任意给定一组风电场的初始浆距角β_i，那么，位置的n维向量表示风电场中n台风机各自的浆距角β_i；

(4.2)、定义数组lbest和gbest；

根据混合目标函数计算每个粒子的应度，再将当前各粒子的位置和适应值存储在lbest中，将lbest中最大适应值及对应的位置作为群体的历史最优适应值及对应位置，再存储在gbest中；

(4.3)、对于每个粒子，如果当前位置的适应值优于历史最优值，则将历史最优适应值及对应位置用该粒子当前的状态进行替换；对于每个粒子，若当前位置的适应值优于群体的历史最优适应值，则将群体的历史最优适应值及对应位置用该粒子当前的状态进行替换；

选出每一个粒子的历史最优适应值对应位置，记为

以及群体的历史最优适应值对应位置，记为

(4.4)、判断迭代次数是否达到最大迭代次数，若达到，进入步骤(4.7)；若未达到，进入步骤(4.5)；

(4.5)、更新粒子群算法中粒子的速度：

其中，v_i(k)表示第k次迭代时第i个粒子的速度，c₁、c₂为学习因子，r₁、r₂为0-1之间的随机数，

表示第k次迭代时第i个粒子的历史最优适应值对应位置，

表示第k次迭代时群体的历史最优适应值对应位置，x_i(k-1)表示上一次迭代时第i个粒子的位置；

更新粒子群算法中粒子的位置：

x_i(k)＝x_i(k-1)+v_i(k)

(4.6)、将当前迭代次数k加1，再返回至步骤(4.2)；

(4.7)、输出每个粒子的历史最优适应值对应的位置，从而找到风电场中每台风机的实际浆距角，从而控制风电场中各台风机的运行。

Images