CN111327070B - 风电场能量管理方法及系统 - Google Patents
风电场能量管理方法及系统 Download PDFInfo
- Publication number
- CN111327070B CN111327070B CN201811542454.6A CN201811542454A CN111327070B CN 111327070 B CN111327070 B CN 111327070B CN 201811542454 A CN201811542454 A CN 201811542454A CN 111327070 B CN111327070 B CN 111327070B
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- power generation
- prediction model
- load
- 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
Links
- 238000007726 management method Methods 0.000 title claims abstract description 69
- 230000006870 function Effects 0.000 claims abstract description 183
- 238000010248 power generation Methods 0.000 claims abstract description 106
- 238000011156 evaluation Methods 0.000 claims description 48
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008685 targeting Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 22
- 238000007781 pre-processing Methods 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 14
- 238000013135 deep learning Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000013480 data collection Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
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)
- Wind Motors (AREA)
Abstract
本发明提供一种风电场能量管理方法及系统。所述风电场能量管理方法可以由风电场能量管理系统来执行。所述风电场能量管理方法包括：基于所述多个风力发电机组的发电功率、载荷和寿命，生成以寿命为约束条件、以风电场能量最大为目标的多个目标函数，其中，所述风电场能量为所述多个风力发电机组的发电功率总和；对所述多个目标函数进行评估，以从所述多个目标函数中选择最优目标函数；基于与所述最优目标函数对应的风电场能量控制所述多个风力发电机组的发电功率。采用本发明的风电场能量管理方法及系统可以均衡单个或多个风电场中的多个风力发电机组的发电功率、载荷和寿命三者之间的关系，降低风电场的成本并提高收益率。
Description
技术领域
本申请涉及风力发电技术领域，具体涉及一种风电场能量管理方法及系统。
背景技术
随着中国风电可再生能源产业的加速发展，度电成本的稳步降低成为最基本的要求，使风电场业主更加看重项目的投资收益率。
风电场能量的合理分配是实现风电场投资收益最大化的重要手段。目前的能量分配方法大都是以发电量最大化为目标，力求通过提升风电厂投资收益来提高产品的竞争力。然而，在实现发电量最大化的同时未考虑分配方案对风力发电机组的载荷和寿命的影响，极有可能导致机组的响应载荷过载，寿命减少。
因此，亟需开发一种能够均衡机组发电量、机组关键部位载荷以及机组寿命的能量调度方法及系统。
发明内容
根据本发明提供一种风电场能量管理方法，在风电场中设置有多个风力发电机组，所述风电场能量管理方法包括：基于所述多个风力发电机组的发电功率、载荷和寿命，生成以寿命为约束条件、以风电场能量最大为目标的多个目标函数，其中，所述风电场能量为所述多个风力发电机组的发电功率总和；对所述多个目标函数进行评估，以从所述多个目标函数中选择最优目标函数；基于与所述最优目标函数对应的风电场能量控制所述多个风力发电机组的发电功率。
优选地，基于所述多个风力发电机组的发电功率、载荷和寿命生成多个目标函数的步骤包括：基于所述多个风力发电机组的运行数据和风资源数据预测所述多个风力发电机组的发电功率、载荷以及寿命；基于所述多个风力发电机组的发电功率、载荷以及寿命生成所述多个目标函数。
优选地，基于所述多个风力发电机组的运行数据和风资源数据预测所述多个风力发电机组的发电功率、载荷以及寿命的步骤包括：基于所述运行数据和所述风资源数据产生尾流数据；基于所述运行数据、所述风资源数据和所述尾流数据，预测所述多个风力发电机组的发电功率、载荷以及寿命。
优选地，基于所述多个风力发电机组的发电功率、载荷以及寿命生成所述多个目标函数的步骤包括：基于所述运行数据、所述风资源数据和所述尾流数据，建立发电功率预测模型、载荷预测模型和寿命预测模型；基于发电功率预测模型的输出、载荷预测模型的输出和寿命预测模型的输出，生成所述多个目标函数。
优选地，所述尾流数据包括与所述多个风力发电机组对应的多个机位点的尾流影响风速数据、尾流影响区域数据和湍流强度数据。
优选地，基于发电功率预测模型的输出、载荷预测模型的输出和寿命预测模型的输出生成所述多个目标函数的步骤包括：基于发电功率预测模型的输出、载荷预测模型的输出和寿命预测模型的输出，利用神经网络算法生成所述多个目标函数；其中，所述发电功率预测模型的输出包括所述多个风力发电机组各自的发电功率，所述载荷预测模型的输出包括所述多个风力发电机组各自的载荷以及所述寿命预测模型的输出包括所述多个风力发电机组各自的寿命。
优选地，基于发电功率预测模型的输出、载荷预测模型的输出和寿命预测模型的输出，利用神经网络算法生成所述多个目标函数的步骤包括：针对发电功率、载荷、寿命以及对应的风资源数据与尾流数据分配权重，并按照分配的权重将所述多个风力发电机组各自的发电功率、载荷、寿命以及对应的风资源数据与尾流数据作为输入样本，利用神经网络算法生成所述多个目标函数。
优选地，对所述多个目标函数进行评估，以从所述多个目标函数中选择最优目标函数的步骤包括：将与最小值的成本函数对应的目标函数作为最优目标函数。
优选地，基于与所述最优目标函数对应的风电场能量控制所述多个风力发电机组的发电功率的步骤包括：获取与所述最优目标函数对应的所述风电场能量，以及与所述风电场能量对应的所述多个风力发电机组的各自发电功率；基于所述获取的各自发电功率确定与所述多个风力发电机组对应的各自控制参数；基于所述确定的各自控制参数分别控制所述多个风力发电机组，以使得所述多个风力发电机组按照所述获取的各自发电功率运行。
优选地，对所述多个风力发电机组的各自控制参数进行评估，如果存在至少一个风力发电机组不能按照所述控制参数运行，则排除当前最优目标函数并重新选择。
优选地，所述风电场能量管理方法还包括：反馈所述最优目标函数，并基于所述最优目标函数优化所述多个目标函数。
根据本发明提供一种风电场能量管理系统，在风电场中设置有多个风力发电机组，所述风电场能量管理系统包括：预测模块、评估模块和控制模块。预测模块用于基于所述多个风力发电机组的发电功率、载荷和寿命生成以寿命为约束条件、以风电场能量最大为目标的多个目标函数，将所述多个目标函数发送到评估模块，其中，所述风电场能量为所述多个风力发电机组的发电功率总和。评估模块用于对所述多个目标函数进行评估，以从所述多个目标函数中选择最优目标函数，将所述最优目标函数发送到控制模块。控制模块用于基于与所述最优目标函数对应的风电场能量控制所述多个风力发电机组的发电功率。
优选地，预测模块用于执行以下操作：基于所述多个风力发电机组的运行数据和风资源数据预测所述多个风力发电机组的发电功率、载荷以及寿命；基于所述多个风力发电机组的发电功率、载荷以及寿命生成所述多个目标函数。
优选地，风电场能量管理系统还包括尾流计算模块。尾流计算模块用于基于所述运行数据和所述风资源数据产生尾流数据，将所述尾流数据发送到预测模块。预测模块用于基于所述运行数据、所述风资源数据和所述尾流数据，预测所述多个风力发电机组的发电功率、载荷以及寿命。
优选地，预测模块还用于基于发电功率预测模型的输出、载荷预测模型的输出和寿命预测模型的输出，利用神经网络算法生成所述多个目标函数。
优选地，预测模块还用于执行以下操作：基于所述运行数据、所述风资源数据和所述尾流数据，建立发电功率预测模型、载荷预测模型和寿命预测模型；基于发电功率预测模型的输出、载荷预测模型的输出和寿命预测模型的输出，生成所述多个目标函数。
优选地，所述尾流数据包括与所述多个风力发电机组对应的多个机位点的尾流影响风速数据、尾流影响区域数据和湍流强度数据。
优选地，预测模块还用于基于发电功率预测模型的输出、载荷预测模型的输出和寿命预测模型的输出，利用神经网络算法生成所述多个目标函数。所述发电功率预测模型的输出包括所述多个风力发电机组各自的发电功率，所述载荷预测模型的输出包括所述多个风力发电机组各自的载荷以及所述寿命预测模型的输出包括所述多个风力发电机组各自的寿命。
优选地，预测模块还用于针对发电功率、载荷、寿命以及对应的风资源数据与尾流数据分配权重，并按照分配的权重将所述多个风力发电机组各自的发电功率、载荷、寿命以及对应的风资源数据与尾流数据作为输入样本，利用神经网络算法生成所述多个目标函数。
优选地，评估模块还用于将与最小值的成本函数对应的目标函数作为最优目标函数。
优选地，评估模块还用于获取与所述最优目标函数对应的所述风电场能量，以及与所述风电场能量对应的所述多个风力发电机组的各自发电功率；基于所述获取的各自发电功率确定与所述多个风力发电机组对应的各自控制参数；将所述最优目标函数和所述各自控制参数发送到控制模块。控制模块用于基于所述确定的各自控制参数分别控制所述多个风力发电机组，以使得所述多个风力发电机组按照所述获取的各自发电功率运行。
优选地，评估模块还用于对所述多个风力发电机组的各自控制参数进行评估，如果存在至少一个风力发电机组不能按照所述各自控制参数运行，则排除当前最优目标函数并重新选择优选地，评估模块还用于将所述最优目标函数反馈到预测模块，预测模块基于所述最优目标函数优化所述多个目标函数。
根据本发明提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序在被处理器执行时实现如上所述的根据本发明的风电场能量管理方法。
根据本发明提供一种风力发电机组场群控制器，所述风力发电机组场群控制器包括：处理器和存储器，所述存储器存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的根据本发明的风电场能量管理方法。
根据本发明提供一种风电场能量管理系统，所述风电场能量管理系统包括多个风力发电机组和控制器，所述控制器用于执行如上所述的根据本发明的风电场能量管理方法。
如上所述，根据本发明的风电场能量管理系统和方法可通过精准控制和调度策略来均衡单个或多个风电场中的多个风力发电机组的发电功率、载荷和寿命三者之间的关系，实现在降低风力发电机组的载荷的同时，使能量利用率最大化，进一步提高风力发电机组的安全性和经济性，实现多尺度时间和空间上的精细化的能量优化管理和发电量最优化，达到降低技术成本并增加项目整体投资收益率的目标。
附图说明
通过下面结合附图进行的描述，本发明的上述和其他目的和特点将会变得更加清楚，其中：
图1是示出根据本发明的示例性实施例的风电场能量管理系统的框图。
图2是示出根据本发明的另一示例性实施例的风电场能量管理系统的一部分的示意图。
图3是示出根据本发明的示例性实施例的风电场能量管理方法的流程图。
具体实施方式
为了应对风电行业的新规则，进一步控制成本，对于风电场亟需开发一种可以通过智能控制策略来均衡风力发电机组发电量、风力发电机组关键部位载荷以及风力发电机组寿命的风电场能量管理方法及系统，以实现降低风电场的风力发电机组载荷、保障机组寿命，同时使能量利用最大化。根据本发明的风电场能量管理系统可进一步提高机组安全性和经济性，在保证机组安全的前提下实现多尺度时间和空间上的精细化的能量优化管理和发电量最优，达到降低技术成本并增加项目整体投资收益率的目标。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供一种风电场能量管理系统及风电场能量管理方法。图1是示出根据本发明的示例性实施例的风电场能量管理系统1的框图。
如图1所示，在风电场中设置有多个风力发电机组20以及与所述多个风力发电机组20连接的风电场能量管理系统1。风电场能量管理系统1包括数据收集模块10、数据预处理模块11、尾流计算模块12、预测模块13、评估模块14和控制器(也可称为控制模块)15。在本发明的实施例中，数据收集模块10可以电连接至数据预处理模块11，数据预处理模块11可以电连接至尾流计算模块12，数据预处理模块11和尾流计算模块12可以电连接至预测模块13，预测模块13还可以电连接至评估模块14，评估模块14可以电连接至控制器15，控制器15可以电连接至所述多个风力发电机组20。
在图1所示的实施例中，预测模块13可以基于所述多个风力发电机组的发电功率、载荷(即，疲劳载荷)和寿命，生成以寿命为约束条件、以风电场能量最大为目标的多个目标函数，其中，所述风电场能量为所述多个风力发电机组的发电功率总和。预测模块13包括发电功率预测模块131、寿命预测模块132、载荷预测模块133和神经网络训练模块134，其中，发电功率预测模块131、寿命预测模块132和载荷预测模块133可以分别电连接至数据预处理模块11、尾流计算模块12和神经网络训练模块134。神经网络训练模块134还可以电连接至评估模块14。如图1所示，发电功率预测模块131、寿命预测模块132、载荷预测模块133和神经网络训练模块134可以集成在预测模块13中。可选地，发电功率预测模块131、寿命预测模块132、载荷预测模块133和神经网络训练模块134可以是分立的器件。
数据收集模块11用于收集所述多个风力发电机组20的运行数据和风资源数据，并将所述运行数据和所述风资源数据发送到数据预处理模块11和尾流计算模块12。所述运行数据包括指示所述多个风力发电机组20各自的转速、转矩、桨距角、功率、机位点排布信息、轮毂高度和叶轮直径等信息的数据。可选地，所述运行数据包括实时运行数据和/或历史运行数据，其中，所述历史运行数据包括SCADA(数据采集与监视控制)系统(未示出)存储的指示所述多个风力发电机组20的转速、转矩等信息的数据(例如，采样周期为7s)。所述风资源数据包括指示与所述多个风力发电机组20对应的多个机位点的风速和风向等信息的数据。可选地，所述风资源数据包括实时风资源数据和/或历史风资源数据。其中，实时风资源数据可以通过诸如激光雷达测风系统的遥感测风系统(未示出)或其它测风传感器来测量，所述历史风资源数据包括指示SCADA(数据采集与监视控制)系统存储的指示多个机位点的风速、风向等信息的数据。
数据预处理模块11接收所述运行数据(包括实时运行数据和历史运行数据)和所述风资源数据(包括实时风资源数据和历史风资源数据)，并对所述运行数据和所述风资源数据分别进行预处理。由于实时运行数据的频率较高，不能直接用于控制，数据预处理模块11对实时运行数据进行滤波，以去除实时运行数据的毛刺，避免异常值信息流入控制，对频域产生影响。同时，数据预处理模块11对实时风资源数据进行风速重构和相位处理。风速重构方式因测量实时风资源数据的遥感测风系统的探测方式不同而不同。例如，如果遥感测风系统对所述多个风力发电机组20的叶轮前方的多个空间位置的风速、风向信息进行探测，则数据预处理模块11将通过对探测点在叶轮平面上的位置权重进行处理来对探测到的实时风资源数据进行风速重构。可选地，如果遥感测风系统仅探测一个空间位置的风速，则可以不需要对探测到的实时风资源数据进行风速重构。数据预处理模块11还对实时风资源数据进行风速相位处理，以去除入流风在从探测距离点到风轮平面的距离内所需要的时间、机组响应时间等因素。然后，数据预处理模块11还可以对历史风资源数据进行统计和分类，以产生预处理后的历史风资源数据，预处理后的历史风资源数据包括各个机位点处的风资源数据，例如不同风速和风向的发生概率、实际功率曲线、年平均风速和韦布尔分布等。可选地，数据预处理模块11还可以对整个风电场或多个风电场的运行数据和风资源数据进行整合处理等操作，以获得所述风电场的基本信息类数据(例如，包括机位点排布信息、各个风力发电机组的轮毂高度和叶轮直径、评估常数等数据)。
然后，数据预处理模块11将预处理后的运行数据(包括预处理后的实时运行数据和/或历史运行数据)和风资源数据(包括预处理后的实时风资源数据和/或历史风资源数据)发送到尾流计算模块12，尾流计算模块12基于接收到的所述运行数据和所述风资源数据进行当前风速下整个风电场的各个风力发电机组之间的尾流影响评估，以产生与所述多个风力发电机组对应的、受尾流影响的多个机位点的尾流数据。所述尾流数据包括与所述多个风力发电机组对应的多个机位点的尾流影响风速数据、尾流影响区域数据和湍流强度数据。在本发明的实施例中，尾流计算模块12可以采用参数化的快速评估平台，以计算尾流影响数据。可选地，尾流计算模块12还可以采用其它能够计算尾流影响数据的系统或方法，例如，CFD(计算流体动力学)方法、半CFD-半模型方法、半CFD-半经验公式等方法。
针对与所述多个风力发电机组20对应的多个机位点，尾流计算模块12将尾流影响风速数据与从数据预处理模块11接收到的风速数据进行比较。如果尾流影响风速数据与对应的机位点处的风速数据一致，则尾流计算模块12将对应的机位点处的尾流影响区域数据和湍流强度数据发送到发电功率预测模块131和载荷预测模块133。如果尾流影响风速数据与对应的机位点处的风速数据不一致，则尾流计算模块12继续基于接收到的所述运行数据和所述风资源数据产生尾流数据，直到产生的尾流影响风速数据与从数据预处理模块11接收到的风速数据相一致。
发电功率预测模块131可以基于接收到的运行数据(包括实时运行数据和历史运行数据)、风资源数据(包括实时风资源数据和历史风资源数据)、尾流影响区域数据和湍流强度数据中的至少一部分，利用深度学习算法建立发电功率预测模型，以预测并输出风电场中的所述多个风力发电机组20各自的发电功率以及关联的发电功率预测参数，所述发电功率预测参数可以包括与所述发电功率关联的预测的所述多个风力发电机组20各自的转速、扭矩、桨距角、偏航角、和/或对应的风资源风速数据与尾流数据(例如，包括对应的机位点的风速和湍流强度)等参数。在本发明的实施例中，发电功率预测模块131可以基于接收到的风资源数据、运行数据和尾流影响区域数据，利用深度学习算法建立发电功率预测模型，以预测并输出所述多个风力发电机组20各自的发电功率以及关联的发电功率预测参数。
寿命预测模块132可以基于接收到的运行数据(包括实时运行数据和历史运行数据)、风资源数据(包括实时风资源数据和历史风资源数据)、尾流影响区域数据和湍流强度数据中的至少一部分，利用深度学习算法建立寿命预测模型，以预测并输出风电场中的所述多个风力发电机组20各自的寿命以及关联的寿命预测参数。所述寿命预测参数可以包括与所述寿命关联的预测的所述多个风力发电机组20各自的转速、扭矩、桨距角、偏航角、和/或对应的风资源风速数据与尾流数据(例如，包括对应的机位点的风速和湍流强度)等参数。在本发明的实施例中，寿命预测模块132可以基于接收到的风资源数据和运行数据，利用深度学习算法建立寿命预测模型，以预测并输出风电场中所述多个风力发电机组20各自的寿命以及关联的寿命预测参数。
载荷预测模块133可以基于接收到的运行数据(包括实时运行数据和历史运行数据)、风资源数据(包括实时风资源数据和历史风资源数据)、尾流影响区域数据和湍流强度数据中的至少一部分，利用深度学习算法建立载荷预测模型，以预测并输出风电场中的所述多个风力发电机组20各自的载荷以及关联的载荷预测参数。所述载荷预测参数可以包括与所述载荷关联的预测的所述多个风力发电机组20各自的转速、扭矩、桨距角、偏航角、和/或对应的风资源风速数据与尾流数据(例如，包括对应的机位点的风速和湍流强度)等参数。在本发明的实施例中，载荷预测模块133可以基于接收到的风资源数据、运行数据和湍流强度数据，利用深度学习算法建立载荷预测模型，以预测并输出风电场中所述多个风力发电机组20各自的载荷以及关联的载荷预测参数。
然后，发电功率预测模块131可以将发电功率预测模型的输出发送到神经网络训练模块134，其中，发电功率预测模型的输出包括所述多个风力发电机组20各自的发电功率以及关联的发电功率预测参数。寿命预测模块132可以将寿命预测模型的输出发送到神经网络训练模块134，其中，寿命预测模型的输出包括所述多个风力发电机组20各自的寿命以及关联的寿命预测参数。载荷预测模块133可以将载荷预测模型的输出发送到神经网络训练模块134，其中，载荷预测模型的输出包括所述多个风力发电机组20各自的载荷以及关联的载荷预测参数。
进而，神经网络训练模块134可以基于发电功率预测模型的输出、寿命预测模型的输出和载荷预测模型的输出来利用神经网络算法生成多个目标函数，所述多个目标函数以寿命为约束条件并且以风电场能量最大为目标，其中，所述风电场能量为所述多个风力发电机组的发电功率总和。
在本发明的实施例中，神经网络训练模块134基于神经网络计算目标函数，所述神经网络可以包括前馈(FF)神经网络、深度前馈(DFF)神经网络、BP神经网络、递归神经网络等等。但是可选地，还可以利用其它类型的模块来基于其它方法计算目标函数，例如，其它方法可以包括梯度下降法、共轭梯度法、启发式优化方法等方法，其中，启发式优化方法包括经典的模拟退火方法、遗传算法、蚁群算法以及粒子群算法等等。
在本发明的实施例中，神经网络训练模块134可以将发电功率预测模型的输出、寿命预测模型的输出和载荷预测模型的输出作为输入，利用神经网络算法生成所述多个目标函数。可选地，神经网络训练模块134可以针对所述多个风力发电机组的发电功率、载荷、寿命以及相应的风资源数据与尾流数据分配权重，并按照分配的权重将所述多个风力发电机组各自的发电功率、载荷、寿命以及相应的风资源数据与尾流数据作为输入样本，利用神经网络算法生成所述多个目标函数。在神经网络训练模块134的神经网络算法运行过程中，建立关键目标指标及相应权重分配关系，以在至少保证各个风力发电机组的关键部位的使用寿命不受损的前提下使得风电场的能量最优。例如，神经网络训练模块134可以对风电场中的所述多个风力发电机组20的载荷、寿命和发电量的权重分配采用不同的权重，其可以是线性权重，并且设置发电量的权重比值最高。
可选地，在本发明的另一实施例中，神经网络训练模块134可以基于发电功率预测模型的输出、载荷预测模型的输出和寿命预测模型的输出计算所述多个风力发电机组20各自的发电功率的权重以及关联的发电功率预测参数的权重、所述多个风力发电机组20各自的寿命的权重以及关联的寿命预测参数的权重、所述多个风力发电机组20各自的载荷的权重以及关联的载荷预测参数的权重、以及相应的风资源数据的权重与尾流数据的权重。神经网络训练模块134还可以通过相关性分析对所述多个风力发电机组20各自的发电功率的权重以及关联的发电功率预测参数的权重、所述多个风力发电机组20各自的寿命的权重以及关联的寿命预测参数的权重、所述多个风力发电机组20各自的载荷的权重以及关联的载荷预测参数的权重、以及相应的风资源数据的权重与尾流数据的权重进行自动分配。可选地，神经网络训练模块134可以通过寻优算法对所述多个风力发电机组20各自的发电功率的权重以及关联的发电功率预测参数的权重、所述多个风力发电机组20各自的寿命的权重以及关联的寿命预测参数的权重、所述多个风力发电机组20各自的载荷的权重以及关联的载荷预测参数的权重、以及相应的风资源数据的权重与尾流数据的权重进行组合和分配。
然后，神经网络训练模块134可以将发电功率预测模型的输出、载荷预测模型的输出、寿命预测模型的输出、所述多个风力发电机组20各自的发电功率的权重以及关联的发电功率预测参数的权重、所述多个风力发电机组20各自的寿命的权重以及关联的寿命预测参数的权重、所述多个风力发电机组20各自的载荷的权重以及关联的载荷预测参数的权重、以及相应的风资源数据的权重与尾流数据的权重作为输入，利用神经网络算法生成所述多个目标函数。在神经网络训练模块134的神经网络算法运行过程中，建立关键目标指标及相应权重分配关系，以在至少保证各个风力发电机组的关键部位的使用寿命不受损的前提下使得风电场的能量最优。例如，神经网络训练模块134可以对风电场中的所述多个风力发电机组20的载荷、寿命和发电量的权重分配采用不同的权重，其可以是线性权重，并且设置发电量的权重比值最高。
如图1所示，神经网络训练模块134可以将生成的所述多个目标函数发送到评估模块14，评估模块14可以对所述多个目标函数进行评估，以从所述多个目标函数中选择最优目标函数，然后将所述最优目标函数发送到控制器15。在评估所述多个目标函数的过程中，评估模块14可以利用与所述多个目标函数对应的多个成本函数衡量所述多个目标函数的预测效果，例如，可以利用成本函数计算对应的目标函数的预测误差，即，目标函数的拟合结果与实际结果之间的误差。在本发明的实施例中，与最小值的成本函数对应的目标函数的预测误差最小。因此，评估模块14可以将从所述多个目标函数选择的与最小值的成本函数对应的目标函数作为最优目标函数。在本发明的实施例中，评估模块14还可以根据年总发电量的大小来对所述多个目标函数进行排序，以将年总发电量最大的目标函数作为最优目标函数。可选地，评估模块14还可以根据年总发电量的大小以外的其它风电场性能指标或多个指标的组合来评估所述多个目标函数。
在本发明的实施例中，评估模块14还可以对所述多个风力发电机组20的各自控制参数进行评估，如果存在所述多个风力发电机组20中的至少一个风力发电机组不能按照所述各自控制参数运行，则排除当前最优目标函数并重新选择。例如，评估模块14可以从根据年总发电量的大小排序后的所述多个目标函数中依次排除所述多个风力发电机组20不能按照与目标函数对应的各自控制参数运行的该目标函数，然后从剩余的目标函数中选择年总发电量最大的目标函数作为最优目标函数。
例如但不限于，评估模块14可以依次地对排序后的所述多个目标函数的各自控制参数(包括所述多个风力发电机组20各自的转速、扭矩、桨距角、偏航角以及功率状态极限等)进行评估，以确定所述多个风力发电机组20是否能够执行与目标函数的各自控制参数对应的操作。例如但不限于，排序后的所述多个目标函数可以包括第一目标函数、第二目标函数等等。如果所述多个风力发电机组20能够按照与第一目标函数的控制参数运行，则可以选择第一目标函数作为最优目标函数。如果所述多个风力发电机组20不能够按照与第一目标函数的控制参数运行，则评估模块14继续对第二目标函数进行评估，直到选出所述多个风力发电机组20可执行的最优目标函数为止。
在评估模块14选择了最优目标函数之后，评估模块14还可以获取与所述最优目标函数对应的所述风电场能量，以及与所述风电场能量对应的所述多个风力发电机组20的各自发电功率。然后，评估模块14可以基于所述获取的各自发电功率确定与所述多个风力发电机组20对应的各自控制参数，并将所述最优目标函数和所述各自控制参数发送到控制器15。
最后，控制器15可以基于与从评估模块14接收到的所述最优目标函数对应的风电场能量控制所述多个风力发电机组20的发电功率，以执行风电场能量管理，从而实现整个风电场能量管理平台拓扑。在本发明的实施例中，控制器15可以基于从评估模块14接收到的所述多个风力发电机组20的所述各自控制参数分别控制所述多个风力发电机组20，以使得所述多个风力发电机组20按照所述获取的各自发电功率运行。
图2是示出根据本发明的另一示例性实施例的风电场能量管理系统的一部分的示意图。如图2所示，根据本发明的另一实施例，评估模块14还可以电连接至发电功率预测模块131、寿命预测模块132和载荷预测模块133。评估模块14可以将最优目标函数反馈或发送到发电功率预测模块131、寿命预测模块132和载荷预测模块133，以用于优化发电功率预测模型、寿命预测模型和载荷预测模型，从而进一步优化生成的所述多个目标函数和最优目标函数。
图3是示出根据本发明的示例性实施例的风电场能量管理方法的流程图。所述方法的各个步骤可以通过图1和图2所示的组件来分别执行。为了简洁，在下文中省略了与参照图1至图2的描述重复的部分。
在步骤101，可以通过数据收集模块10执行数据收集，以收集所述多个风力发电机组20的运行数据和风资源数据。在步骤102，可以通过数据预处理模块11执行数据预处理，以对所述运行数据和所述风资源数据分别进行预处理，并将预处理后的运行数据和风资源数据发送到预测模块13。
在步骤103，执行尾流评估，以基于预处理后的运行数据和风资源数据进行当前风速下整个风电场的各个风力发电机组之间的尾流影响评估，以产生受尾流影响的各个下游机位点的尾流数据。所述尾流数据包括与所述多个风力发电机组对应的多个机位点的尾流影响风速数据、尾流影响区域数据和湍流强度数据。
在步骤104，针对与所述多个风力发电机组20对应的多个机位点，可以利用尾流计算模块12将尾流影响风速数据与从数据预处理模块11接收到的风速数据进行比较。如果尾流影响风速数据与对应的机位点处的风速数据一致，则执行步骤105。在步骤105，尾流计算模块12可以输出或发送对应的机位点处的尾流影响区域数据和湍流强度数据，例如可以将对应的机位点处的尾流影响区域数据和湍流强度数据发送到预测模块13中的发电功率预测模块131和载荷预测模块133。如果尾流影响风速数据与对应的机位点处的风速数据不一致，则尾流计算模块12继续执行步骤103。
在完成步骤105之后继续执行步骤106，预测模块13可以基于接收到的运行数据、风资源数据、尾流影响区域数据和湍流强度数据中的至少一部分，利用深度学习算法建立发电功率预测模型、寿命预测模型和载荷预测模型。然后执行步骤107，神经网络训练模块134可以基于发电功率预测模型的输出、寿命预测模型的输出和载荷预测模型的输出来利用神经网络算法生成以寿命为约束条件、以风电场能量最大为目标的所述多个目标函数，其中，所述风电场能量为所述多个风力发电机组的发电功率总和。
如上所述，所述风电场能量管理方法可以基于所述多个风力发电机组20的发电功率、载荷和寿命，生成以寿命为约束条件、以风电场能量最大为目标的多个目标函数。
在步骤108，评估模块14对所述多个目标函数进行评估，以从所述多个目标函数中选择最优目标函数。在本发明的实施例中，评估模块14可以根据年总发电量的大小和/或其它风电场性能指标来对所述多个目标函数进行排序。可选地，评估模块14还可以利用与所述多个目标函数对应的多个成本函数衡量所述多个目标函数的预测效果，以将与最小值的成本函数对应的目标函数(即，预测误差最小的目标函数)作为最优目标函数。
在步骤109，评估模块14可以依次地对排序后的所述多个目标函数的控制参数(包括所述多个风力发电机组20的转速、扭矩、桨距角、偏航角以及功率状态极限等)进行评估，以确定所述多个风力发电机组20是否能够执行与目标函数的控制参数对应的操作。例如，排序后的所述多个目标函数包括第一目标函数、第二目标函数等等。
如果所述多个风力发电机组20能够按照与第一目标函数的控制参数运行，则选择第一目标函数作为最优目标函数，并执行步骤110。在步骤110，评估模块14将最优目标函数发送到控制器15。
如果所述多个风力发电机组20不能够按照与第一目标函数的控制参数运行，则评估模块14继续执行步骤109，继续对第二目标函数进行评估。评估模块14可以重复执行步骤109，直到选出所述多个风力发电机组20可运行的最优目标函数。在步骤109，在评估模块14选择了最优目标函数之后，评估模块14还可以获取与所述最优目标函数对应的所述风电场能量，以及与所述风电场能量对应的所述多个风力发电机组20的各自发电功率。然后，评估模块14可以基于所述获取的各自发电功率确定与所述多个风力发电机组20对应的各自控制参数。
在步骤110，评估模块14可以将所述最优目标函数和所述各自控制参数发送到控制器15。
在完成步骤110之后执行步骤111，控制器15可以基于与最优目标函数对应的控制参数控制所述多个风力发电机组20的发电功率，以使得所述多个风力发电机组20按照所述各自发电功率运行，即基于最优目标函数执行风电场能量管理，以实现整个风电场能量管理平台拓扑。
根据本发明，还可以提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序在被处理器执行时可以实现如上所述的根据本发明的风电场能量管理方法。
此外，还可以提供一种风力发电机组场群控制器，所述风力发电机组场群控制器可以包括处理器和存储器，所述存储器存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的根据本发明的风电场能量管理方法。
可选地，本发明还可以提供一种风电场能量管理系统，所述风电场能量管理系统可以包括多个风力发电机组和控制器，所述控制器可以执行如上所述的根据本发明的风电场能量管理方法。
上述根据本发明的方法或步骤可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
根据本发明的风电场能量管理系统和方法可通过精准控制和调度策略来均衡单个或多个风电场中的多个风力发电机组的发电功率、载荷和寿命三者之间的关系，实现在降低风力发电机组的载荷的同时，使能量利用率最大化，进一步提高风力发电机组的安全性和经济性，实现多尺度时间和空间上的精细化的能量优化管理和发电量最优化，达到降低技术成本并增加项目整体投资收益率的目标。
上述实施例中的实施方案可以进一步组合或者替换，且实施例仅仅是对本发明的优选实施例进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中专业技术人员对本发明的技术方案做出的各种变化和改进，均属于本发明的保护范围。
Claims (23)
1.一种风电场能量管理方法，在风电场中设置有多个风力发电机组，其特征在于，所述风电场能量管理方法包括：
基于所述多个风力发电机组的发电功率、载荷和寿命，生成以寿命为约束条件、以风电场能量最大为目标的多个目标函数，其中，所述风电场能量为所述多个风力发电机组的发电功率总和；
对所述多个目标函数进行评估，以从所述多个目标函数中选择最优目标函数；
基于与所述最优目标函数对应的风电场能量控制所述多个风力发电机组的发电功率；
其中，基于与所述最优目标函数对应的风电场能量控制所述多个风力发电机组的发电功率的步骤包括：
获取与所述最优目标函数对应的所述风电场能量，以及与所述风电场能量对应的所述多个风力发电机组的各自发电功率；
基于所述获取的各自发电功率确定与所述多个风力发电机组对应的各自控制参数；
基于所述确定的各自控制参数分别控制所述多个风力发电机组，以使得所述多个风力发电机组按照所述获取的各自发电功率运行。
2.根据权利要求1所述的风电场能量管理方法，其特征在于，基于所述多个风力发电机组的发电功率、载荷和寿命生成多个目标函数的步骤包括：
基于所述多个风力发电机组的运行数据和风资源数据预测所述多个风力发电机组的发电功率、载荷以及寿命；
基于所述多个风力发电机组的发电功率、载荷以及寿命生成所述多个目标函数。
3.根据权利要求2所述的风电场能量管理方法，其特征在于，基于所述多个风力发电机组的运行数据和风资源数据预测所述多个风力发电机组的发电功率、载荷以及寿命的步骤包括：
基于所述运行数据和所述风资源数据产生尾流数据；
基于所述运行数据、所述风资源数据和所述尾流数据，预测所述多个风力发电机组的发电功率、载荷以及寿命。
4.根据权利要求3所述的风电场能量管理方法，其特征在于，基于所述多个风力发电机组的发电功率、载荷以及寿命生成所述多个目标函数的步骤包括：
基于所述运行数据、所述风资源数据和所述尾流数据，建立发电功率预测模型、载荷预测模型和寿命预测模型；
基于发电功率预测模型的输出、载荷预测模型的输出和寿命预测模型的输出，生成所述多个目标函数。
5.根据权利要求3所述的风电场能量管理方法，其特征在于，所述尾流数据包括与所述多个风力发电机组对应的多个机位点的尾流影响风速数据、尾流影响区域数据和湍流强度数据。
6.根据权利要求4所述的风电场能量管理方法，其特征在于，基于发电功率预测模型的输出、载荷预测模型的输出和寿命预测模型的输出生成所述多个目标函数的步骤包括：
基于发电功率预测模型的输出、载荷预测模型的输出和寿命预测模型的输出，利用神经网络算法生成所述多个目标函数；
其中，所述发电功率预测模型的输出包括所述多个风力发电机组各自的发电功率，所述载荷预测模型的输出包括所述多个风力发电机组各自的载荷以及所述寿命预测模型的输出包括所述多个风力发电机组各自的寿命。
7.根据权利要求6所述的风电场能量管理方法，其特征在于，基于发电功率预测模型的输出、载荷预测模型的输出和寿命预测模型的输出，利用神经网络算法生成所述多个目标函数的步骤包括：针对发电功率、载荷、寿命以及对应的风资源数据与尾流数据分配权重，并按照分配的权重将所述多个风力发电机组各自的发电功率、载荷、寿命以及对应的风资源数据与尾流数据作为输入样本，利用神经网络算法生成所述多个目标函数。
8.根据权利要求1所述的风电场能量管理方法，其特征在于，对所述多个目标函数进行评估，以从所述多个目标函数中选择最优目标函数的步骤包括：
将与最小值的成本函数对应的目标函数作为最优目标函数。
9.根据权利要求1所述的风电场能量管理方法，其特征在于，对所述多个风力发电机组的各自控制参数进行评估，如果存在至少一个风力发电机组不能按照所述控制参数运行，则排除当前最优目标函数并重新选择最优目标函数。
10.根据权利要求1所述的风电场能量管理方法，其特征在于，所述风电场能量管理方法还包括：反馈所述最优目标函数，并基于所述最优目标函数优化所述多个目标函数。
11.一种风电场能量管理系统，在风电场中设置有多个风力发电机组，其特征在于，所述风电场能量管理系统包括：预测模块、评估模块和控制模块，
预测模块，用于基于所述多个风力发电机组的发电功率、载荷和寿命生成以寿命为约束条件、以风电场能量最大为目标的多个目标函数，将所述多个目标函数发送到评估模块，其中，所述风电场能量为所述多个风力发电机组的发电功率总和；
评估模块，用于对所述多个目标函数进行评估，以从所述多个目标函数中选择最优目标函数，将所述最优目标函数发送到控制模块；
控制模块，用于基于与所述最优目标函数对应的风电场能量控制所述多个风力发电机组的发电功率；
其中，评估模块还用于获取与所述最优目标函数对应的所述风电场能量，以及与所述风电场能量对应的所述多个风力发电机组的各自发电功率，基于所述获取的各自发电功率确定与所述多个风力发电机组对应的各自控制参数，将所述最优目标函数和所述各自控制参数发送到控制模块；
控制模块用于基于所述确定的各自控制参数分别控制所述多个风力发电机组，以使得所述多个风力发电机组按照所述获取的各自发电功率运行。
12.根据权利要求11所述的风电场能量管理系统，其特征在于，预测模块用于执行以下操作：
基于所述多个风力发电机组的运行数据和风资源数据预测所述多个风力发电机组的发电功率、载荷以及寿命；
基于所述多个风力发电机组的发电功率、载荷以及寿命生成所述多个目标函数。
13.根据权利要求12所述的风电场能量管理系统，其特征在于，风电场能量管理系统还包括尾流计算模块，尾流计算模块用于基于所述运行数据和所述风资源数据产生尾流数据，将所述尾流数据发送到预测模块；
预测模块用于基于所述运行数据、所述风资源数据和所述尾流数据，预测所述多个风力发电机组的发电功率、载荷以及寿命。
14.根据权利要求13所述的风电场能量管理系统，其特征在于，预测模块还用于执行以下操作：
基于所述运行数据、所述风资源数据和所述尾流数据，建立发电功率预测模型、载荷预测模型和寿命预测模型；
基于发电功率预测模型的输出、载荷预测模型的输出和寿命预测模型的输出，生成所述多个目标函数。
15.根据权利要求13所述的风电场能量管理系统，其特征在于，所述尾流数据包括与所述多个风力发电机组对应的多个机位点的尾流影响风速数据、尾流影响区域数据和湍流强度数据。
16.根据权利要求14所述的风电场能量管理系统，其特征在于，预测模块还用于基于发电功率预测模型的输出、载荷预测模型的输出和寿命预测模型的输出，利用神经网络算法生成所述多个目标函数；
其中，所述发电功率预测模型的输出包括所述多个风力发电机组各自的发电功率，所述载荷预测模型的输出包括所述多个风力发电机组各自的载荷以及所述寿命预测模型的输出包括所述多个风力发电机组各自的寿命。
17.根据权利要求16所述的风电场能量管理系统，其特征在于，预测模块还用于针对发电功率、载荷、寿命以及对应的风资源数据与尾流数据分配权重，并按照分配的权重将所述多个风力发电机组各自的发电功率、载荷、寿命以及对应的风资源数据与尾流数据作为输入样本，利用神经网络算法生成所述多个目标函数。
18.根据权利要求11所述的风电场能量管理系统，其特征在于，评估模块还用于将与最小值的成本函数对应的目标函数作为最优目标函数。
19.根据权利要求11所述的风电场能量管理系统，其特征在于，评估模块还用于对所述多个风力发电机组的各自控制参数进行评估，如果存在至少一个风力发电机组不能按照所述各自控制参数运行，则排除当前最优目标函数并重新选择最优目标函数。
20.根据权利要求11所述的风电场能量管理系统，其特征在于，评估模块还用于将所述最优目标函数反馈到预测模块，预测模块还用于基于所述最优目标函数优化所述多个目标函数。
21.一种存储有计算机程序的计算机可读存储介质，其特征在于，当所述计算机程序在被处理器执行时实现如权利要求1-10中的任意一项所述的风电场能量管理方法。
22.一种风力发电机组场群控制器，其特征在于，所述风力发电机组场群控制器包括：处理器和存储器，所述存储器存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-10中的任意一项所述的风电场能量管理方法。
23.一种风电场能量管理系统，其特征在于，所述风电场能量管理系统包括多个风力发电机组和控制器，所述控制器用于执行如权利要求1-10中的任意一项所述的风电场能量管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811542454.6A CN111327070B (zh) | 2018-12-17 | 2018-12-17 | 风电场能量管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811542454.6A CN111327070B (zh) | 2018-12-17 | 2018-12-17 | 风电场能量管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111327070A CN111327070A (zh) | 2020-06-23 |
| CN111327070B true CN111327070B (zh) | 2024-06-04 |
Family
ID=71171029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811542454.6A Active CN111327070B (zh) | 2018-12-17 | 2018-12-17 | 风电场能量管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111327070B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112459965B (zh) * | 2020-11-18 | 2022-03-01 | 上海电气风电集团股份有限公司 | 考虑风电场尾流的偏航优化控制方法、装置、设备及介质 |
| CN112260325A (zh) * | 2020-11-24 | 2021-01-22 | 武汉大学 | 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 |
| CN114692369A (zh) * | 2020-12-30 | 2022-07-01 | 新疆金风科技股份有限公司 | 风电机组运行控制方法、装置、控制器及存储介质 |
| CN112685955A (zh) * | 2020-12-30 | 2021-04-20 | 上海亿边科技有限公司 | 一种基于风电预测的能量管理系统 |
| CN112855443A (zh) * | 2021-02-25 | 2021-05-28 | 国电联合动力技术有限公司 | 风电场控制策略确定方法、装置及电子设备 |
| CN114091197B (zh) * | 2021-11-22 | 2024-02-23 | 西安热工研究院有限公司 | 一种风电机组整机承载部件寿命评估方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101975140A (zh) * | 2010-09-08 | 2011-02-16 | 南京航空航天大学 | 基于功率反馈的风力发电机组全风速范围运行控制策略 |
| CN103850876A (zh) * | 2014-03-14 | 2014-06-11 | 华北电力大学 | 一种适用于无载荷测量的风电机组独立变桨控制方法 |
| CN107832899A (zh) * | 2017-12-13 | 2018-03-23 | 三重能有限公司 | 风电场出力的优化方法、装置和实现装置 |
| CN108320062A (zh) * | 2018-03-21 | 2018-07-24 | 广东电网有限责任公司电力科学研究院 | 一种基于多目标种群群搜索算法的联合调度方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160017681A (ko) * | 2014-07-31 | 2016-02-17 | 두산중공업 주식회사 | 풍력플랜트 관리 시스템 및 그 방법 |
-
2018
- 2018-12-17 CN CN201811542454.6A patent/CN111327070B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101975140A (zh) * | 2010-09-08 | 2011-02-16 | 南京航空航天大学 | 基于功率反馈的风力发电机组全风速范围运行控制策略 |
| CN103850876A (zh) * | 2014-03-14 | 2014-06-11 | 华北电力大学 | 一种适用于无载荷测量的风电机组独立变桨控制方法 |
| CN107832899A (zh) * | 2017-12-13 | 2018-03-23 | 三重能有限公司 | 风电场出力的优化方法、装置和实现装置 |
| CN108320062A (zh) * | 2018-03-21 | 2018-07-24 | 广东电网有限责任公司电力科学研究院 | 一种基于多目标种群群搜索算法的联合调度方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于降低风电场损耗的风电场优化调度研究;张晋华 等;《太阳能学报》;第39卷(第04期);第1085-1096页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111327070A (zh) | 2020-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111327070B (zh) | 风电场能量管理方法及系统 | |
| US9201410B2 (en) | Methods and systems for optimizing farm-level metrics in a wind farm | |
| CN104620458B (zh) | 确定发电站控制器中的各个设定点的方法和发电站控制器 | |
| CN113591359B (zh) | 一种风电机组切入/切出风速调优方法、系统及设备介质 | |
| CN105205569B (zh) | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 | |
| CN103423085A (zh) | 检测风电场中的尾流情况 | |
| CN117028147A (zh) | 一种风电变桨控制系统与风电变桨系统 | |
| CN117498555B (zh) | 一种基于云边融合的储能电站智能运维系统 | |
| CN115081346B (zh) | 一种风电机组尾流效应下的健康度判断方法、装置及介质 | |
| CN115221785A (zh) | 一种神经网络预测模型的构建方法、预测方法、系统 | |
| CN117748509A (zh) | 基于液冷储能系统的可再生能源系统并网调度控制方法 | |
| CN117175695B (zh) | 一种基于柴油发电机组的光伏微网发电方法及系统 | |
| EP3737857B1 (en) | A method for controlling a wind energy farm taking wake effects into account | |
| CN117833319A (zh) | 基于物联网的电力调峰系统 | |
| CN109872077B (zh) | 双水内冷同步调相机冷却水系统的状态评价方法及装置 | |
| Su et al. | Opportunistic maintenance optimisation for offshore wind farm with considering random wind speed | |
| CN103199616A (zh) | 大区电网风电群运行数据监测分析系统 | |
| Tao et al. | An opportunistic joint maintenance strategy for two offshore wind farms | |
| CN117595507A (zh) | 一种变电站远程运维管控方法及系统 | |
| CN115800306A (zh) | 考虑风机故障的风光储无功补偿方法、装置及介质 | |
| CN116292094A (zh) | 确定代表风力发电机组的方法和装置以及控制方法和装置 | |
| CN114595989A (zh) | 一种风电机组性能评估方法及装置 | |
| CN114330865A (zh) | 电网备用容量预测方法、系统、计算机设备及存储介质 | |
| CN112855464A (zh) | 一种基于特定场址湍流分布优化风电机组疲劳载荷的方法 | |
| CN117970009B (zh) | 填谷电路的电力采集终端及电能表 |
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 |