CN110932334B - 一种带约束多目标优化风电场功率控制方法 - Google Patents

一种带约束多目标优化风电场功率控制方法 Download PDF

Info

Publication number
CN110932334B
CN110932334B CN201911105190.2A CN201911105190A CN110932334B CN 110932334 B CN110932334 B CN 110932334B CN 201911105190 A CN201911105190 A CN 201911105190A CN 110932334 B CN110932334 B CN 110932334B
Authority
CN
China
Prior art keywords
fan
target
power
optimization
objective function
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.)
Active
Application number
CN201911105190.2A
Other languages
English (en)
Other versions
CN110932334A (zh
Inventor
黄勇
郭梦旭
黄宝成
李洪军
成月良
王伟
林权
叶海瑞
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.)
State Power Investment Group Jiangsu New Energy Co ltd
NARI Nanjing Control System Co Ltd
Original Assignee
State Power Investment Group Jiangsu New Energy Co ltd
NARI Nanjing Control System Co Ltd
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 State Power Investment Group Jiangsu New Energy Co ltd, NARI Nanjing Control System Co Ltd filed Critical State Power Investment Group Jiangsu New Energy Co ltd
Priority to CN201911105190.2A priority Critical patent/CN110932334B/zh
Publication of CN110932334A publication Critical patent/CN110932334A/zh
Application granted granted Critical
Publication of CN110932334B publication Critical patent/CN110932334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种带约束多目标优化风电场功率控制方法，包括以下步骤：步骤a，获取当前时刻风电场实际输出功率Preal；步骤b，生成多目标优化控制指令ν；步骤c，确定各风机可调功率约束范围；步骤d，设定风机控制效率矩阵B；步骤e，判断调度下发功率输出指令是否可执行，可执行则进行步骤f，否则返回步骤a；步骤f，建立包含约束条件并且能同时优化多个目标的目标函数J；步骤g，利用群智能算法求解目标函数J，得到同时满足约束条件和优化目标的最优解u作为各风机的功率输出指令；步骤h，待风电机组执行指令动作完成后，返回步骤a。本发明提供的一种带约束多目标优化风电场功率控制方法，能够同时设立多个优化目标并得到最优化功率控制方案，使风电场获得的收益最优化。

Description

一种带约束多目标优化风电场功率控制方法
技术领域
本发明涉及一种带约束多目标优化风电场功率控制方法，属于风力发电技术领域。
背景技术
近几年来，风力发电作为可再生清洁能源发电得到大力发展。风力发电具有随机性、间歇性和不可控性，风力发电的大规模接入给电力系统的安全运行带来很大的影响，其中功率控制问题受到了重点关注，也是实际运行中最为常见的问题之一。
根据国家电网公司发布的“风电场接入电力系统技术规定”的要求，风电场都需要可以根据电网调度部门指令控制功率输出。因此，如何将调度指令有效转换成风电场各风机机组的功率输出指令成为了一个研究重点。
现有的功率控制分配方式有按等比例分配、按相似调整裕度分配、平均分配、按优先级分配。这些分配方式因执行方式的原因，只能同时实现一种优化目标，不能实现同时满足多任务优化的目标。
发明内容
本发明要解决的技术问题是，克服现有技术的缺陷，提供一种能够同时设立多个优化目标并得到最优化功率控制方案，使风电场获得的收益最优化的带约束多目标优化风电场功率控制方法。
为解决上述技术问题，本发明采用的技术方案为：
一种带约束多目标优化风电场功率控制方法，包括以下步骤：
步骤a，获取当前时刻风电场实际输出功率Preal；
步骤b，生成多目标优化控制指令ν；
步骤c，根据各风机当前的保护约束，确定各风机可调功率约束范围；
步骤d，根据风机可控制状态和优化目标，设定风机控制效率矩阵B；
步骤e，判断调度下发功率输出指令是否可执行，可执行则进行步骤f，否则返回步骤a；
步骤f，建立包含约束条件并且能同时优化多个目标的目标函数J；
步骤g，利用群智能算法求解目标函数J，得到同时满足约束条件和优化目标的最优解u作为各风机的功率输出指令；
步骤h，待风电机组执行指令动作完成后，返回步骤a。
步骤b中，调度下发的功率输出目标值记为Ptarget，风电场根据调度下发功率输出目标值Ptarget制定相应的优化目标Ttarget，将两者组合生成多目标优化的控制指令ν；
Figure BDA0002271080570000021
步骤d中，风机控制效率矩阵B表示如下:
Figure BDA0002271080570000022
其中第一行中的元素b1,i对应于第i台风机功率控制效率，第二行中的元素b2,i表示第i台风机对于设定的优化目标Ttarget的优化效率，n为风机总个数。
步骤e中，设置输出功率偏差的死区阀值φ，将调度下发的功率输出目标值Ptarget与风电场当前时刻输出功率Preal之差的绝值记为ΔP＝|Ptarget-Preal|，若功率偏差ΔP大于死区阀值φ，则根据风机可调约束和各风机控制效率，确定调度指令Ptarget是否可被执行，判断调度指令是否可被执行的依据为如果式(3)成立则调度命令可执行，否则不可执行：
Figure BDA0002271080570000023
其中，ui，up和ui，low分别代表第i个风机输出功率ui可增加的上边界和下边界。
步骤b中，功率分配优化目标值Ttarget并不限于一维，设置为多维，Ttarget，k表示第k个优化目标：
Figure BDA0002271080570000031
此时，步骤d中描述的风机控制效率矩阵B中对应各风机优化目标效率b2,i可表示为列向量形式，其中b2,k,i表示第i台风机对第个k优化目标的优化效率：
Figure BDA0002271080570000032
步骤f中，根据控制指令ν、控制效率矩阵B和风机功率输出指令u，建立一个考虑风机约束条件并能同时优化多个目标的目标函数J用于求解各风机功率输出指令ui：
Figure BDA0002271080570000033
Figure BDA0002271080570000041
其中，uup和ulow分别代表各风机输出功率ui可增加的上边界和下边界。
步骤f中，目标函数中各风机输出指令和约束的上下边界向量为：
u＝(u1 ··· ui ··· un)T
ulow＝(u1,low ··· ui,low ··· un,low)T
uup＝(u1,up ··· ui,up ··· un,up)T (7)。
步骤g中，群智能算法为鱼群算法，具体步骤如下：
步骤g1，鱼群算法在各风机可调功率上限uup和下限ulow所确定的多维空间中初始化产生m个鱼群算法个体uj，j∈[1，m]，上限uup和下限ulow所确定的多维空间是与风电场风机数量相同的n维空间：
{(u1，low,u1,up)···(ui，low,ui,up)···(un，low,un,up)} (8)
步骤g2，鱼群算法中的搜索个体uj依次代入到目标函数J中计算得到对应个体uj目标函数值Jj并对目标函数值进行排序，若本次迭代中的最优个体
Figure BDA0002271080570000042
对应的最优目标函数值
Figure BDA0002271080570000043
比公告牌中记录的更优秀，则将本次迭代中的最优个体
Figure BDA0002271080570000044
和对应的最优目标函数值
Figure BDA0002271080570000045
更新记录在公告牌上；
步骤g3，追尾行为：若当前人工鱼视野范围Visual内有本次循环中的最优个体
Figure BDA0002271080570000046
并且视野范围Visual内人工鱼数量为Nf与鱼群个体总数m的比值Nf/m小于拥挤因子δ，说明最优个体附近不拥挤，则按照式(9)向最优个体
Figure BDA0002271080570000047
位置搜索步长Step随机Rand()移动一步，否则执行聚群行为：
Figure BDA0002271080570000051
步骤g4，聚群行为：当前人工鱼可视范围Visual内的人工鱼数量为Nf，并计算这些伙伴的中心位置
Figure BDA0002271080570000052
然后把新得到的中心位置的目标函数
Figure BDA0002271080570000053
与当前位置的目标函数相比较，如果中心位置的目标函数值
Figure BDA0002271080570000054
优于当前位置的目标函数J(uj)并且Nf/m小于拥挤因子δ，则按照式(10)从当前位置向中心位置移动一步，否则执行觅食行为。
Figure BDA0002271080570000055
步骤g5，觅食行为：搜索个体uj按照在其感知范围Visual内按照式(11)随机选择一个方向搜索得到一个新临时个体
Figure BDA0002271080570000056
如果得到的新个体
Figure BDA0002271080570000057
的目标函数
Figure BDA0002271080570000058
小于当前的个体J(uj)，则按式(12)向新搜索得到的个体
Figure BDA0002271080570000059
按搜索步长Step随机移动一步得到的新个体
Figure BDA00022710805700000510
并用
Figure BDA00022710805700000511
替代uj，反之，重新选取新的搜索个体，判断是否满足条件，选择Try-N次后，如果未找到满足条件，则随机移动一步；
Figure BDA00022710805700000512
Figure BDA00022710805700000513
步骤g6，若当迭代得到的最优目标函数值
Figure BDA00022710805700000514
满足迭代停止要求或达到迭代次数则转入步骤g7，否则转入步骤g3；
步骤g7，将算法迭代结束后得到的最优目标函数值
Figure BDA00022710805700000515
对应的最优个体
Figure BDA00022710805700000516
作为各风机控制指令u。
步骤c中，风机保护约束条件包括输出功率越限保护条件、功率调节速率保护条件和通信中断保护条件。
步骤d中，风机控制效率矩阵B中元素b1,i，若风机可控则设为1，风机不可控则设为0；第二行中的元素b2,i根据优化目标设定。
本发明的有益效果：
1、本发明以调度下发的风电场功率输出为控制目标，以各风电机组功率输出为调整量。根据风电场的优化目标，对风电场的风电机组输出统一规划，确定风电场内每台风电机组功率输出，实现风电场满足调度下发功率输出控制指令的同时优化功率输出，实现效益最优化；
2、本发明控制方法充分考虑到了风电机组约束条件，使得各风电机组在满足约束条件的情况下参与功率控制；
3、本发明的控制方法使得风电场能够同时设立多个优化目标并得到最优化功率控制方案，使风电场获得的收益最优化。
附图说明
图1为本发明中一种带约束多目标优化风电场功率控制方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本发明提供一种带约束多目标优化风电场功率控制方法，根据调度下发的功率需求和风电场优化目标，建立多目标优化函数并利用群智能算法求解该函数得到风电机组功率输出指令，使得风电场功率总输出满足调度指令要求，具体包括以下步骤：
步骤一，测量得到风电场当前时刻输出功率Preal，调度下发功率目标值Ptarget，根据风电场优化目标如最大发电收益、各风电机组功率输出调整优先级等估算出目标值Ptarget相应的目标优化值Ttarget，这里将以最大发电收益为例进行说明，根据下发功率目标值Ptarget预估给出最大发电收益的目标优化值Ttarget，将调度下发功率目标值Ptarget与目标优化值Ttarget组合为多目标优化的控制指令ν：
Figure BDA0002271080570000061
步骤二，确定各风机可调功率约束范围；根据各风机当前的保护约束，生成各风机输出功率ui可增加的上边界ui，up和可减少的下边界ui，low。
步骤三，设定风机控制效率矩阵；根据风机可控制状态和优化目标，设定风机控制效率矩阵B:
Figure BDA0002271080570000071
其中第一行中的元素b1,i对应于各风机控制效率，第二行中的元素b2,i对应于各风机对于设定的优化目标Ttarget的优化效率。
步骤四，判断调度下发功率输出指令是否可执行，可执行则进行步骤五，否则返回步骤一。设置输出功率偏差的死区阀值φ，将调度下发的功率输出目标值Ptarget与风电场当前时刻输出功率Preal之差的绝值记为ΔP＝|Ptarget-Preal|，若功率偏差ΔP大于死区阀值φ则根据风机可调约束和各风机控制效率，确定调度指令Ptarget是否可被执行
本实施例中，根据多目标优化的控制效率矩阵B中元素和判断调度Ptarget指令是否可被执行，主要体现在以下几个方面：
①风机控制效率矩阵B中，第一行中的元素对应于第i台风机控制效率，若风机可控则设为1，风机不可控则设为0。第二行中的元素b2,i对应于第i台风机对优化目标Ttarget的优化效率，该元素可根据优化目标设定，例如发电效益高的风机i对应的控制效率b2,i相比于其它发电效益低的风机j对应的优化效率b2,j更大。此外，功率分配优化目标值Ttarget也可设置为多维：
Figure BDA0002271080570000072
此时，各风机相应的优化目标效率b2,i可表示为：
Figure BDA0002271080570000081
②结合各风机控制效率和输出功率可调上边界ui,up、下边界ui,low，判断调度指令是否可被执行的依据为下式成立：
Figure BDA0002271080570000082
目标函数中各风机约束的上边界ui,up、下边界ui,low向量为：
Figure BDA0002271080570000083
步骤五，建立包含约束条件并且能同时优化多个目标的目标函数。综合考虑各风机约束条件和输出功率可调上边界ui,up、下边界ui,low根据控制指令ν,建立带约束的多目标优化的目标函数J,多目标优化时目标函数J展开表示为:
Figure BDA0002271080570000084
Figure BDA0002271080570000091
利用群智能算法求解目标函数，得到能同时满足约束条件和优化目标的最优解u作为各风机的功率输出指令：
u＝(u1 ··· ui ··· un)T
步骤六，利用群智能算法求解目标函数最优化解的步骤如下：
(a)鱼群算法在各风机可调功率上限uup和下限ulow所确定的多维空间中初始化产生m个鱼群算法个体uj，j∈[1，m]，上限uup和下限ulow所确定的多维空间的维度是与风电场风机数量相同的n维空间：
{(u1，low,u1,up)···(ui，low,ui,up)···(un，low,un,up)} (8)
(b)鱼群算法中的搜索个体uj依次代入到目标函数J中计算得到对应个体uj目标函数值Jj并对目标函数值进行排序，若本次迭代中的最优个体
Figure BDA0002271080570000092
对应的最优目标函数值
Figure BDA0002271080570000093
比公告牌中记录的Jbest更优秀，则将本次迭代中的最优个体
Figure BDA0002271080570000094
和对应的最优目标函数值
Figure BDA0002271080570000095
更新记录在公告牌上；
(c)追尾行为：当前人工鱼视野范围Visual内有本次循环中的最优个体
Figure BDA0002271080570000096
并且视野范围Visual内人工鱼数量为Nf与鱼群个体总数m的比值Nf/m小于拥挤因子δ，说明最优个体附近不拥挤，则按照式(9)向最优个体
Figure BDA0002271080570000097
位置搜索步长Step随机Rand()移动一步，否则执行聚群行为：
Figure BDA0002271080570000098
(d)聚群行为：当前人工鱼可视范围Visual内的人工鱼数量为Nf，并计算这些伙伴的中心位置
Figure BDA0002271080570000101
然后把新得到的中心位置的目标函数
Figure BDA0002271080570000102
与当前位置的目标函数相比较，如果中心位置的目标函数
Figure BDA0002271080570000103
优于当前位置的目标函数
Figure BDA0002271080570000104
并且Nf/m小于拥挤因子δ，则按照式(10)从当前位置向中心位置移动一步，否则执行觅食行为。
Figure BDA0002271080570000105
(e)觅食行为：搜索个体uj按照在其感知范围Visual内按照式(11)随机选择一个方向搜索得到一个新临时个体
Figure BDA0002271080570000106
如果得到的新个体
Figure BDA0002271080570000107
的目标函数
Figure BDA0002271080570000108
小于当前的个体J(uj)，则按照式(12)向新搜索得到的个体
Figure BDA0002271080570000109
按搜索步长Step随机移动一步作为下一次迭代的个体
Figure BDA00022710805700001010
反之，重新选取新的搜索个体，判断是否满足条件，选择Try-N次后，如果未找到满足条件，则随机移动一步；
Figure BDA00022710805700001011
Figure BDA00022710805700001012
(f)若当迭代得到的最优目标函数值
Figure BDA00022710805700001013
满足迭代停止要求或达到迭代次数则转入步骤(g)，否则转入步骤(c)；
(g)将算法迭代后得到的最优目标函数值
Figure BDA00022710805700001014
对应的最优个体
Figure BDA00022710805700001015
作为算法输出的各风机控制指令u。
步骤七，等待风电机组执行指令动作完成后，返回步骤一。
基于上述，本发明以风电场输出功率和相对应的优化目标为控制目标，以各风机输出功率为调整量。根据调度下发的功率输出需求，对风电场各风机的功率输出进行分配，实现风电场在满足调度下发功率输出指令的同时优化各风机功率输出，从而实现风电场收益最优化；控制方法充分考虑到了风电机组的保护约束条件。
此外，本发明通过上述控制分配方法能够使得风电场在执行调度下发功率输出指令时能综合考量风电场实际情况，同时实现功率控制、最大发电收益等多个目标同时优化的功能，从而获得最优收益。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种带约束多目标优化风电场功率控制方法，其特征在于：包括以下步骤：
步骤a，获取当前时刻风电场实际输出功率Preal；
步骤b，生成多目标优化控制指令ν，调度下发的功率输出目标值记为Ptarget，风电场根据调度下发功率输出目标值Ptarget制定相应的优化目标Ttarget，将两者组合生成多目标优化的控制指令ν；
Figure FDA0002928342130000011
步骤c，根据各风机当前的保护约束，确定各风机可调功率约束范围；步骤d，根据风机可控制状态和优化目标，设定风机控制效率矩阵B，风机控制效率矩阵B表示如下:
Figure FDA0002928342130000012
其中第一行中的元素b1,i对应于第i台风机对功率输出目标值Ptarget的控制效率，第二行中的元素b2,i表示第i台风机对于设定的优化目标Ttarget的优化效率，n为风机总个数；
步骤e，判断调度下发功率输出指令是否可执行，可执行则进行步骤f，否则返回步骤a；
步骤f，建立包含约束条件并且能同时优化多个目标的目标函数J，根据控制指令ν、控制效率矩阵B和风机功率输出指令u，建立一个考虑风机约束条件并能同时优化多个目标的目标函数用于求解各风机功率输出指令u，目标函数J：
Figure FDA0002928342130000013
Figure FDA0002928342130000021
其中，uup和ulow分别代表各风机输出功率ui可增加的上边界和下边界；步骤g，利用群智能算法求解目标函数J，得到同时满足约束条件和优化目标的最优解u作为各风机的功率输出指令；
步骤h，待风机执行指令动作完成后，返回步骤a。
2.根据权利要求1所述的一种带约束多目标优化风电场功率控制方法，其特征在于：步骤e中，设置输出功率偏差的死区阀值φ，将调度下发的功率输出目标值Ptarget与风电场当前时刻输出功率Preal之差的绝值记为ΔP＝|Ptarget-Preal|，若功率偏差ΔP大于死区阀值φ，则根据风机可调约束和各风机控制效率，确定调度指令Ptarget是否可被执行，判断调度指令是否可被执行的依据为：
Figure FDA0002928342130000022
其中，公式(3)成立则表示调度指令可执行，否则表示指令不可执行，ui，up和ui，low分别代表第i台风机输出功率ui可调的上边界和下边界。
3.根据权利要求1所述的一种带约束多目标优化风电场功率控制方法，其特征在于：步骤b中，功率分配优化目标值Ttarget并不限于一维，可设置为多维：
Figure FDA0002928342130000031
其中，Ttarget，k代表第k个优化目标；
此时，步骤d中描述的风机控制效率矩阵B中对应各风机优化目标效率b2,i可表示为列向量形式：
Figure FDA0002928342130000032
其中，b2,k,i代表第i台风机对于第k个优化目标Ttarget，k的优化效率。
4.根据权利要求1所述的一种带约束多目标优化风电场功率控制方法，其特征在于：步骤f中，目标函数中各风机输出指令和约束的上下边界向量为：
u＝(u1···ui···un)T
ulow＝(u1,low···ui,low···un,low)T
uup＝(u1,up···ui,up···un,up)T (7)。
5.根据权利要求2所述的一种带约束多目标优化风电场功率控制方法，其特征在于：步骤g中，群智能算法为鱼群算法，具体步骤如下：
步骤g1，鱼群算法在各风机可调功率上限uup和下限ulow所确定的多维空间中初始化产生z个鱼群算法个体uj，j∈[1，z]，上限uup和下限ulow所确定的多维空间是与风电场风机数量相同的n维空间：
{(u1，low,u1,up)···(ui，low,ui,up)···(un，low,un,up)} (8)
步骤g2，鱼群算法中的搜索个体uj依次代入到目标函数J中计算得到对应个体uj目标函数值Jj并对目标函数值进行排序，若本次迭代中的最优个体
Figure FDA0002928342130000041
对应的最优目标函数值
Figure FDA0002928342130000042
比公告牌中记录的更优秀，则将本次迭代中的最优个体
Figure FDA0002928342130000043
和对应的最优目标函数值
Figure FDA0002928342130000044
更新记录在公告牌上；
步骤g3，追尾行为：若当前人工鱼视野范围Visual内有本次循环中的最优个体
Figure FDA0002928342130000045
并且视野范围Visual内人工鱼数量为Nf与鱼群个体总数z的比值Nf/z小于拥挤因子δ，说明最优个体附近不拥挤，则按照式(9)向最优个体
Figure FDA0002928342130000046
位置搜索步长Step随机Rand()移动一步，否则执行聚群行为：
Figure FDA0002928342130000047
步骤g4，聚群行为：当前人工鱼视野范围Visual内的人工鱼数量为Nf，并计算鱼群个体伙伴的中心位置
Figure FDA0002928342130000048
然后把新得到的中心位置的目标函数
Figure FDA0002928342130000049
与当前位置的目标函数相比较，如果中心位置的目标函数值
Figure FDA00029283421300000410
优于当前位置的目标函数J(uj)并且Nf/z小于拥挤因子δ，则按照式(10)从当前位置向中心位置移动一步，否则执行觅食行为；
Figure FDA00029283421300000411
步骤g5，觅食行为：搜索个体uj按照式(11)在其视野范围Visual内随机选择一个方向搜索得到一个新临时个体
Figure FDA00029283421300000412
如果得到的新个体
Figure FDA00029283421300000413
的目标函数
Figure FDA00029283421300000414
小于当前的个体J(uj)，则按式(12)向新搜索得到的个体
Figure FDA00029283421300000415
按搜索步长Step随机移动一步得到的新个体
Figure FDA00029283421300000416
并用
Figure FDA00029283421300000417
替代uj，反之，重新选取新的搜索个体，判断是否满足条件，选择Try-N次后，如果未找到满足条件，则随机移动一步；
Figure FDA00029283421300000418
Figure FDA00029283421300000419
步骤g6，若当迭代得到的最优目标函数值
Figure FDA0002928342130000051
满足迭代停止要求或达到迭代次数则转入步骤g7，否则转入步骤g3；
步骤g7，将算法迭代结束后得到的最优目标函数值
Figure FDA0002928342130000052
对应的最优个体
Figure FDA0002928342130000053
作为各风机功率输出指令u。
6.根据权利要求1所述的一种带约束多目标优化风电场功率控制方法，其特征在于：步骤c中，风机保护约束条件包括输出功率越限保护条件、功率调节速率保护条件和通信中断保护条件。
7.根据权利要求1所述的一种带约束多目标优化风电场功率控制方法，其特征在于：步骤d中，风机控制效率矩阵B中元素b1,i，若风机可控则设为1，风机不可控则设为0；第二行中的元素b2,i根据优化目标设定。
CN201911105190.2A 2019-11-13 2019-11-13 一种带约束多目标优化风电场功率控制方法 Active CN110932334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911105190.2A CN110932334B (zh) 2019-11-13 2019-11-13 一种带约束多目标优化风电场功率控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911105190.2A CN110932334B (zh) 2019-11-13 2019-11-13 一种带约束多目标优化风电场功率控制方法

Publications (2)

Publication Number Publication Date
CN110932334A CN110932334A (zh) 2020-03-27
CN110932334B true CN110932334B (zh) 2021-05-07

Family

ID=69852738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911105190.2A Active CN110932334B (zh) 2019-11-13 2019-11-13 一种带约束多目标优化风电场功率控制方法

Country Status (1)

Country Link
CN (1) CN110932334B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111711229B (zh) * 2020-06-09 2023-07-21 华能安徽怀宁风力发电有限责任公司 可同时调节有功和无功的风电场功率控制方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102510093A (zh) * 2011-12-19 2012-06-20 国网电力科学研究院 基于功率预测信息的风电场有功功率控制方法
CN102969722A (zh) * 2012-11-12 2013-03-13 南京中德保护控制系统有限公司 风电场无功电压控制方法
CN104319793A (zh) * 2014-09-29 2015-01-28 上海交通大学 一种平抑长短期风电功率波动的风储协调控制方法
CN104866898A (zh) * 2015-05-22 2015-08-26 大连理工大学 一种基于协同混合人工鱼群模型的多目标柔性作业车间调度方法
CN105634017A (zh) * 2014-11-28 2016-06-01 南车株洲电力机车研究所有限公司 一种基于风电场能量管理系统的功率控制方法
CN110336298A (zh) * 2019-08-17 2019-10-15 广东博慎智库能源科技发展有限公司 一种基于混合智能算法的含分布式电源配网无功规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100332373A1 (en) * 2009-02-26 2010-12-30 Jason Crabtree System and method for participation in energy-related markets

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102510093A (zh) * 2011-12-19 2012-06-20 国网电力科学研究院 基于功率预测信息的风电场有功功率控制方法
CN102969722A (zh) * 2012-11-12 2013-03-13 南京中德保护控制系统有限公司 风电场无功电压控制方法
CN104319793A (zh) * 2014-09-29 2015-01-28 上海交通大学 一种平抑长短期风电功率波动的风储协调控制方法
CN105634017A (zh) * 2014-11-28 2016-06-01 南车株洲电力机车研究所有限公司 一种基于风电场能量管理系统的功率控制方法
CN104866898A (zh) * 2015-05-22 2015-08-26 大连理工大学 一种基于协同混合人工鱼群模型的多目标柔性作业车间调度方法
CN110336298A (zh) * 2019-08-17 2019-10-15 广东博慎智库能源科技发展有限公司 一种基于混合智能算法的含分布式电源配网无功规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多场景变权多目标优化的UPFC在风电并网系统中的配置方案研究;张大波 等;《电网技术》;20190228;第43卷(第2期);第638-345页 *

Also Published As

Publication number Publication date
CN110932334A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
CN113822496A (zh) 一种多机组热电厂供热模式及参数在线寻优方法
CN108512258B (zh) 一种基于改进多智能体一致性算法的风电场有功调度方法
CN113471989B (zh) 基于灰狼优化法的微电网智能二次频率控制方法
CN111339713A (zh) 风电场的优化设计方法、系统、电子设备和存储介质
CN113255138B (zh) 一种电力系统负荷分配优化方法
CN111509785A (zh) 一种用于电网多源最优协同控制的方法、系统及存储介质
CN106777521B (zh) 基于双链量子遗传算法的发电机组涉网参数优化方法
CN112636368A (zh) 针对多源多区域互联电力系统的自动发电控制方法
CN110932334B (zh) 一种带约束多目标优化风电场功率控制方法
CN114021346B (zh) 一种基于尾流有向图的风电场分布式运行优化方法
CN111245032B (zh) 一种计及风电场集电线路降损优化的电压预测控制方法
CN112163808A (zh) 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法
CN110397553B (zh) 一种不基于模型的风电场尾流管理方法及系统
CN116108982A (zh) 一种水库群多目标调度合作搜索方法及系统
CN115860169A (zh) 一种火电机组深度调峰改造多目标优化规划方法及系统
CN113555908A (zh) 一种智能配电网储能优化配置方法
CN109635999B (zh) 一种基于粒子群-细菌觅食的水电站调度方法及系统
CN112448411A (zh) 多风电场接入系统的汇集站选址和外送容量规划方法
CN114971207A (zh) 基于改进人工蜂群算法的负荷优化分配方法
CN109672197A (zh) 一种考虑分布式电源出力不确定性的储能运行优化方法
CN114493090A (zh) 工业园区综合能源智能管控方法及装置
CN112152267B (zh) 一种计及源荷不确定性的电网随机无功优化调度方法
CN114123216A (zh) 新能源电力系统的经济负荷分配方法、系统及介质
CN113410872A (zh) 一种风电场内机组间的功率优化分配算法
CN116451824B (zh) 一种基于神经网络和蜜罐优化的光伏功率预测方法

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