CN111404203A - 一种基于鲸鱼群算法的风电场有功功率调度方法 - Google Patents

Abstract

本发明公开了一种基于鲸鱼群算法的风电场有功功率调度方法，包括以下步骤：步骤一：利用机器学习算法训练得到风速‑功率‑桨角之间的关系模型；步骤二：基于风速‑功率‑桨角之间的关系模型建立功率调度全场变桨角度最小化目标函数模型；步骤三：利用改进鲸鱼群算法求解最小化目标函数，得到每台机组的有功功率目标值；步骤四：将每台机组的有功功率目标值发送至风机。本发明在保证高精度有功功率调度的情况下，能使整场机组的变桨角度总和最小化，有效降低变桨轴承和叶片的疲劳载荷，在保证发电量的同时提升机组的安全性，延长机组的寿命。

Description

一种基于鲸鱼群算法的风电场有功功率调度方法

技术领域

本发明涉及风电领域，特别涉及一种基于鲸鱼群算法的风电场有功功率调度方法。

背景技术

风能是一种安全、生态的可再生能源，近年来，风力发电在中国以及全球已经成为发展最快的清洁能源之一。受电网输送能力以及网内火电机组备用容量的限制，早期风电全额上网的运营模式已对电网安全造成极大隐患。为此，在国家电网公司制定的风电场接入标准中明确要求风电场应具备有功功率调节能力，能根据电网调度部门指令控制其有功功率输出。

目前，每个风电场都要求配备能量管理平台，以应对电网的有功调度要求。特别是在三北地区，限电情况特别严重，导致风机需要频繁变桨。如果能使整场机组的变桨角度总和最小化，将可以有效降低变桨轴承和叶片的疲劳载荷，延长机组的寿命。

发明内容

为了解决上述技术问题，本发明提供一种算法简单、精度高的基于鲸鱼群算法的风电场有功功率调度方法。

本发明解决上述问题的技术方案是：一种基于鲸鱼群算法的风电场有功功率调度方法，包括以下步骤：

步骤一：利用机器学习算法训练得到风速-功率-桨角之间的关系模型；

步骤二：基于风速-功率-桨角之间的关系模型建立功率调度全场变桨角度最小化目标函数模型；

步骤三：利用改进鲸鱼群算法求解最小化目标函数，得到每台机组的有功功率目标值；

步骤四：将每台机组的有功功率目标值发送至风机。

上述基于鲸鱼群算法的风电场有功功率调度方法，所述步骤一具体步骤为：

1-1)将风速从切入风速到切出风速段以0.5的步长取样，将机组有功功率从最小设定功率到额定功率段按20kW的步长取样，得到各个取样点对应的风速-功率-桨角值；以这些风速-功率对值作为样本，对应的桨角值为样本的输出值；

1-2)设计双层神经网络架构为：输入层有2个节点，隐藏层有150个节点，输出层为一个节点；隐藏层的激活函数为ReLU函数，优化算法利用Adam算法；

1-3)将所有样本随机打乱，按照9:1的比例，选出训练集和测试集，利用步骤1-2)设计的神经网络进行训练，得到最终的权重和偏置参数值；

1-4)此双层神经网络结构、以及权重和偏置参数即为风速-功率-桨角之间的关系模型，将风速以及目标功率输入此神经网络即可得到目标桨角值。

上述基于鲸鱼群算法的风电场有功功率调度方法，所述步骤二中，变桨角度最小化目标函数为：

minf_β(Po)＝∑|Δβ_i|

其中，Po表示各台风机的有功功率目标值组成的向量；Δβ_i表示第i台风机的变桨角度。

上述基于鲸鱼群算法的风电场有功功率调度方法，所述步骤三具体步骤为：

3-1)接收有功功率调控目标值P_obj，建立功率调控目标函数min f_p(Po)＝|P_obj-∑Po_i|，其中Po_i代表第i台风机的有功功率目标值，执行步骤3-2)；

3-2)设置鲸鱼群算法参数，包括迭代次数n、稳定性阈值T_s和邻域搜索半径r：每一维度邻域边界设置为0.1～0.5；执行步骤3-3)；

3-3)初始化每条鲸鱼个体，得到初始鲸鱼种群Ω，其中第j条鲸鱼Ω_j＝Po₁,Po₂,…,Po_i,…,Po_t，t表示风机的数量，执行步骤3-4)；

3-4)计算每条鲸鱼个体的目标函数值f，将当前全局最优目标函数值f_gbest设置为0，目标函数如下所示：min f(Po)＝f_β(Po)·f_p(Po)＝|P_obj-∑Po_i|·∑|Δβ_i|

执行步骤3-5)；

3-5)设置编号j＝1，执行步骤3-6)；

3-6)寻找第j条鲸鱼Ω_j的“较优且最近”的鲸鱼Y，若Y存在，则执行步骤3-7)，否则执行步骤3-12)；“较优且最近”的鲸鱼是当前鲸鱼的引导个体，是所有优于当前鲸鱼的鲸鱼中，离当前鲸鱼最近的鲸鱼；执行步骤3-7)；

3-7)生成鲸鱼Ω_j的副本X，X在Y的引导下根据如下位置更新公式进行移动，执行步骤3-8)；

式中，

和

分别指鲸鱼X的第k个元素在第t步与t+1步迭代时的位置；

指鲸鱼Y的第k个元素在第t步迭代时的位置；d_X,Y指X与Y之间的距离；ρ₀表示超声波初始强度；η表示超声波衰减因子；

表示产生0到

之间的一个随机数；

3-8)计算X的目标函数值f(X)，判断f(X)是否大于f(Ω_j)，若是，执行步骤3-9)；否则执行步骤3-10)；

3-9)将X赋值给Ω_j，将鲸鱼Ω_j的迭代计数器Ω_j.c设置为0，执行步骤3-18)；

3-10)判断鲸鱼Ω_j的迭代计数器Ω_j.c是否小于T_s，若是，将Ω_j.c加1，执行步骤3-18)；否则执行步骤3-11)；

3-11)重新初始化鲸鱼Ω_j，并计算鲸鱼Ω_j的目标函数值f(Ω_j)，执行步骤3-18)；

3-12)生成鲸鱼Ω_j的副本X′，对副本X′执行邻域搜索，执行步骤3-13)；

3-13)计算邻域搜索后的目标函数值f(X′)，判断f(X′)是否大于f(Ω_j)，若是，执行步骤3-14)；否则执行步骤3-15)；

3-14)将X′赋值给Ω_j，将鲸鱼Ω_j的迭代计数器Ω_j.c设置为0，执行步骤3-18)；

3-15)判断鲸鱼Ω_j的迭代计数器Ω_j.c是否小于T_s，若是，将Ω_j.c加1，执行步骤3-18)；否则执行步骤3-16)；

3-16)判断鲸鱼Ω_j的目标函数值f(Ω_j)是否大于f_gbest，若是，则将f_gbest设置为f(Ω_j)，最优解GBest设置为Ω_j，执行步骤3-17)；否则直接执行步骤3-17)；

3-17)重新初始化鲸鱼Ω_j，并计算鲸鱼Ω_j的目标函数值f(Ω_j)，执行步骤3-18)；

3-18)设置j＝j+1，判断j是否小于鲸鱼个体数量，若是，执行步骤3-6)；否则执行步骤3-19)；

3-19)如果达到迭代次数n，执行步骤3-20)；否则执行步骤3-2)；

3-20)判断最后一代种群中是否有比GBest更好的鲸鱼个体，若有，则将GBest替换为该鲸鱼个体。

上述基于鲸鱼群算法的风电场有功功率调度方法，所述步骤3-12)中，邻域搜索方案为：对鲸鱼个体的每一维变量在邻域搜索半径r内随机扰动。

上述基于鲸鱼群算法的风电场有功功率调度方法，所述步骤四中，将最优的有功功率值发送给风机控制系统，判断是否结束有功功率调度，若是，则结束功率调度，否则，返回步骤3-1)

本发明的有益效果在于：本发明首先利用机器学习算法训练得到风速-功率-桨角之间的关系模型；然后基于风速-功率-桨角之间的关系模型建立功率调度全场变桨角度最小化目标函数模型；接着利用改进鲸鱼群算法求解最小化目标函数，得到每台机组的有功功率目标值；最后将每台机组的有功功率目标值发送至风机；在保证高精度有功功率调度的情况下，能使整场机组的变桨角度总和最小化，有效降低变桨轴承和叶片的疲劳载荷，在保证发电量的同时提升机组的安全性，延长机组的寿命。

附图说明

图1为本发明实施例的总流程图。

图2为本发明实施例中利用改进鲸鱼群算法求解最小化目标函数的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

如图1-图2所示，一种基于鲸鱼群算法的风电场有功功率调度方法，包括以下步骤：

步骤一：利用机器学习算法训练得到风速-功率-桨角之间的关系模型。

具体步骤为：

1-1)将风速从切入风速到切出风速段以0.5的步长取样，将机组有功功率从最小设定功率到额定功率段按20kW的步长取样，得到各个取样点对应的风速-功率-桨角值；以这些风速-功率对值作为样本，对应的桨角值为样本的输出值；

1-2)设计的双层神经网络架构为：输入层有2个节点，隐藏层有150个节点，输出层为一个节点；隐藏层的激活函数为ReLU函数，优化算法利用Adam算法；

1-3)将所有样本随机打乱，按照9:1的比例，选出训练集和测试集，利用步骤1-2)设计的神经网络进行训练，得到最终的权重和偏置参数值；

1-4)此双层神经网络结构、以及权重和偏置参数即为风速-功率-桨角之间的关系模型，将风速以及目标功率输入此神经网络即可得到目标桨角值。

步骤二：基于风速-功率-桨角之间的关系模型建立功率调度全场变桨角度最小化目标函数模型。

变桨角度最小化目标函数为：

minf_β(Po)＝∑|Δβ_i|

其中，Po表示各台风机的有功功率目标值组成的向量；Δβ_i表示第i台风机的变桨角度。

步骤三：利用改进鲸鱼群算法求解最小化目标函数，得到每台机组的有功功率目标值。

具体步骤为：

3-1)接收有功功率调控目标值P_obj，建立功率调控目标函数min f_p(Po)＝|P_obj-∑Po_i|，其中Po_i代表第i台风机的有功功率目标值，执行步骤3-2)；

3-2)设置鲸鱼群算法参数，包括迭代次数n、稳定性阈值T_s和邻域搜索半径r：每一维度邻域边界设置为0.1～0.5；执行步骤3-3)；

3-3)初始化每条鲸鱼个体，得到初始鲸鱼种群Ω，其中第j条鲸鱼Ω_j＝Po₁,Po₂,…,Po_i,…,Po_t，t表示风机的数量，执行步骤3-4)；

3-4)计算每条鲸鱼个体的目标函数值f，将当前全局最优目标函数值f_gbest设置为0，目标函数如下所示：

minf(Po)＝f_β(Po)·f_p(Po)＝|P_obj-∑Po_i|·∑|Δβ_i|

执行步骤3-5)；

3-5)设置编号j＝1，执行步骤3-6)；

3-6)寻找鲸鱼Ω_j的“较优且最近”的鲸鱼Y，若Y存在，则执行步骤3-7)，否则执行步骤3-12)；“较优且最近”的鲸鱼是当前鲸鱼的引导个体，是所有优于当前鲸鱼的鲸鱼中，离当前鲸鱼最近的鲸鱼；执行步骤3-7)；

3-7)生成鲸鱼Ω_j的副本X，X在Y的引导下根据如下位置更新公式进行移动，执行步骤3-8)；

式中，

和

分别指鲸鱼X的第k个元素在第t步与t+1步迭代时的位置；

指鲸鱼Y的第k个元素在第t步迭代时的位置；d_X,Y指X与Y之间的距离；ρ₀表示超声波初始强度；η表示超声波衰减因子；

表示产生0到

之间的一个随机数；

3-8)计算X的目标函数值f(X)，判断f(X)是否大于f(Ω_j)，若是，执行步骤3-9)；否则执行步骤3-10)；

3-9)将X赋值给Ω_j，将鲸鱼Ω_j的迭代计数器Ω_j.c设置为0，执行步骤3-18)；

3-10)判断鲸鱼Ω_j的迭代计数器Ω_j.c是否小于T_s，若是，将Ω_j.c加1，执行步骤3-18)；否则执行步骤3-11)；

3-11)重新初始化鲸鱼Ω_j，并计算鲸鱼Ω_j的目标函数值f(Ω_j)，执行步骤3-18)；

3-12)生成鲸鱼Ω_j的副本X′，对副本X′执行邻域搜索，邻域搜索方案为：对鲸鱼个体的每一维变量在邻域搜索半径r内随机扰动；执行步骤3-13)；

3-13)计算邻域搜索后的目标函数值f(X′)，判断f(X′)是否大于f(Ω_j)，若是，执行步骤3-14)；否则执行步骤3-15)；

3-14)将X′赋值给Ω_j，将鲸鱼Ω_j的迭代计数器Ω_j.c设置为0，执行步骤3-18)；

3-15)判断鲸鱼Ω_j的迭代计数器Ω_j.c是否小于T_s，若是，将Ω_j.c加1，执行步骤3-18)；否则执行步骤3-16)；

3-16)判断鲸鱼Ω_j的目标函数值f(Ω_j)是否大于f_gbest，若是，则将f_gbest设置为f(Ω_j)，最优解GBest设置为Ω_j，执行步骤3-17)；否则直接执行步骤3-17)；

3-17)重新初始化鲸鱼Ω_j，并计算鲸鱼Ω_j的目标函数值f(Ω_j)，执行步骤3-18)；

3-18)设置j＝j+1，判断j是否小于鲸鱼个体数量，若是，执行步骤3-6)；否则执行步骤3-19)；

3-19)如果达到迭代次数n，执行步骤3-20)；否则执行步骤3-2)；

3-20)判断最后一代种群中是否有比GBest更好的鲸鱼个体，若有，则将GBest替换为该鲸鱼个体。

步骤四：将每台机组最优的有功功率值发送给风机控制系统，判断是否结束有功功率调度，若是，则结束功率调度，否则，返回步骤3-1)。

本发明在保证高精度有功功率调度的情况下，能使整场机组的变桨角度总和最小化，有效降低变桨轴承和叶片的疲劳载荷，在保证发电量的同时提升机组的安全性，延长机组的寿命。

Claims (6)

1.一种基于鲸鱼群算法的风电场有功功率调度方法，其特征在于，包括以下步骤：

步骤一：利用机器学习算法训练得到风速-功率-桨角之间的关系模型；

步骤二：基于风速-功率-桨角之间的关系模型建立功率调度全场变桨角度最小化目标函数模型；

步骤三：利用改进鲸鱼群算法求解最小化目标函数，得到每台机组的有功功率目标值；

步骤四：将每台机组的有功功率目标值发送至风机。

2.根据权利要求1所述的基于鲸鱼群算法的风电场有功功率调度方法，其特征在于，所述步骤一具体步骤为：

1-1)将风速从切入风速到切出风速段以0.5的步长取样，将机组有功功率从最小设定功率到额定功率段按20kW的步长取样，得到各个取样点对应的风速-功率-桨角值；以这些风速-功率对值作为样本，对应的桨角值为样本的输出值；

1-2)设计双层神经网络架构为：输入层有2个节点，隐藏层有150个节点，输出层为一个节点；隐藏层的激活函数为ReLU函数，优化算法利用Adam算法；

1-3)将所有样本随机打乱，按照9:1的比例，选出训练集和测试集，利用步骤1-2)设计的神经网络进行训练，得到最终的权重和偏置参数值；

1-4)此双层神经网络结构、以及权重和偏置参数即为风速-功率-桨角之间的关系模型，将风速以及目标功率输入此神经网络即可得到目标桨角值。

3.根据权利要求1所述的基于鲸鱼群算法的风电场有功功率调度方法，其特征在于，所述步骤二中，变桨角度最小化目标函数为：

minf_β(Po)＝∑|Δβ_i|

其中，Po表示各台风机的有功功率目标值组成的向量；Δβ_i表示第i台风机的变桨角度。

4.根据权利要求1述的基于鲸鱼群算法的风电场有功功率调度方法，其特征在于，所述步骤三具体步骤为：

3-1)接收有功功率调控目标值P_obj，建立功率调控目标函数min f_p(Po)＝|P_obj-∑Po_i|，其中Po_i代表第i台风机的有功功率目标值，执行步骤3-2)；

3-2)设置鲸鱼群算法参数，包括迭代次数n、稳定性阈值T_s和邻域搜索半径r：每一维度邻域边界设置为0.1～0.5；执行步骤3-3)；

3-3)初始化每条鲸鱼个体，得到初始鲸鱼种群Ω，其中第j条鲸鱼Ω_j＝Po₁,Po₂,…,Po_i,…,Po_t，t表示风机的数量，执行步骤3-4)；

3-4)计算每条鲸鱼个体的目标函数值f，将当前全局最优目标函数值f_gbest设置为0，目标函数如下所示：minf(Po)＝f_β(Po)·f_p(Po)＝|P_obj-∑Po_i|·∑|Δβ_i|

执行步骤3-5)；

3-5)设置编号j＝1，执行步骤3-6)；

3-6)寻找第j条鲸鱼Ω_j的“较优且最近”的鲸鱼Y，若Y存在，则执行步骤3-7)，否则执行步骤3-12)；“较优且最近”的鲸鱼是当前鲸鱼的引导个体，是所有优于当前鲸鱼的鲸鱼中，离当前鲸鱼最近的鲸鱼；执行步骤3-7)；

3-7)生成鲸鱼Ω_j的副本X，X在Y的引导下根据如下位置更新公式进行移动，执行步骤3-8)；

式中，

和

分别指鲸鱼X的第k个元素在第t步与t+1步迭代时的位置；

指鲸鱼Y的第k个元素在第t步迭代时的位置；d_X,Y指X与Y之间的距离；ρ₀表示超声波初始强度；η表示超声波衰减因子；

表示产生0到

之间的一个随机数；

3-8)计算X的目标函数值f(X)，判断f(X)是否大于f(Ω_j)，若是，执行步骤3-9)；否则执行步骤3-10)；

3-9)将X赋值给Ω_j，将鲸鱼Ω_j的迭代计数器Ω_j.c设置为0，执行步骤3-18)；

3-10)判断鲸鱼Ω_j的迭代计数器Ω_j.c是否小于T_s，若是，将Ω_j.c加1，执行步骤3-18)；否则执行步骤3-11)；

3-11)重新初始化鲸鱼Ω_j，并计算鲸鱼Ω_j的目标函数值f(Ω_j)，执行步骤3-18)；

3-12)生成鲸鱼Ω_j的副本X′，对副本X′执行邻域搜索，执行步骤3-13)；

3-13)计算邻域搜索后的目标函数值f(X′)，判断f(X′)是否大于f(Ω_j)，若是，执行步骤3-14)；否则执行步骤3-15)；

3-14)将X′赋值给Ω_j，将鲸鱼Ω_j的迭代计数器Ω_j.c设置为0，执行步骤3-18)；

3-15)判断鲸鱼Ω_j的迭代计数器Ω_j.c是否小于T_s，若是，将Ω_j.c加1，执行步骤3-18)；否则执行步骤3-16)；

3-16)判断鲸鱼Ω_j的目标函数值f(Ω_j)是否大于f_gbest，若是，则将f_gbest设置为f(Ω_j)，最优解GBest设置为Ω_j，执行步骤3-17)；否则直接执行步骤3-17)；

3-17)重新初始化鲸鱼Ω_j，并计算鲸鱼Ω_j的目标函数值f(Ω_j)，执行步骤3-18)；

3-18)设置j＝j+1，判断j是否小于鲸鱼个体数量，若是，执行步骤3-6)；否则执行步骤3-19)；

3-19)如果达到迭代次数n，执行步骤3-20)；否则执行步骤3-2)；

3-20)判断最后一代种群中是否有比GBest更好的鲸鱼个体，若有，则将GBest替换为该鲸鱼个体。

5.根据权利要求3述的基于鲸鱼群算法的风电场有功功率调度方法，其特征在于，所述步骤3-12)中，邻域搜索方案为：对鲸鱼个体的每一维变量在邻域搜索半径r内随机扰动。

6.根据权利要求1述的基于鲸鱼群算法的风电场有功功率调度方法，其特征在于，所述步骤四中，将最优的有功功率值发送给风机控制系统，判断是否结束有功功率调度，若是，则结束功率调度，否则，返回步骤3-1)。

Images