CN111404203B - 一种基于鲸鱼群算法的风电场有功功率调度方法 - Google Patents

一种基于鲸鱼群算法的风电场有功功率调度方法 Download PDF

Info

Publication number
CN111404203B
CN111404203B CN202010277333.4A CN202010277333A CN111404203B CN 111404203 B CN111404203 B CN 111404203B CN 202010277333 A CN202010277333 A CN 202010277333A CN 111404203 B CN111404203 B CN 111404203B
Authority
CN
China
Prior art keywords
whale
omega
active power
executing
steps
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
CN202010277333.4A
Other languages
English (en)
Other versions
CN111404203A (zh
Inventor
曾冰
彭郎军
黄凌翔
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.)
XEMC Windpower Co Ltd
Original Assignee
XEMC Windpower 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 XEMC Windpower Co Ltd filed Critical XEMC Windpower Co Ltd
Priority to CN202010277333.4A priority Critical patent/CN111404203B/zh
Publication of CN111404203A publication Critical patent/CN111404203A/zh
Application granted granted Critical
Publication of CN111404203B publication Critical patent/CN111404203B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Robotics (AREA)
  • Feedback Control In General (AREA)

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：
minfβ(Po)＝∑|Δβi|
其中，Po表示各台风机的有功功率目标值组成的向量；Δβi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Pobj，建立功率调控目标函数min fp(Po)＝|Pobj-∑Poi|，其中Poi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Ts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Ωj＝Po1,Po2,…,Poi,…,Pot，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fgbest设置为0，目标函数如下所示：min f(Po)＝fβ(Po)·fp(Po)＝|Pobj-∑Poi|·∑|Δβi|
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Ωj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Ωj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)；
Figure BDA0002445286330000031
式中，
Figure BDA0002445286330000032
和
Figure BDA0002445286330000033
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；
Figure BDA0002445286330000034
指鲸鱼Y的第k个元素在第t步迭代时的位置；dX,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；
Figure BDA0002445286330000035
表示产生0到
Figure BDA0002445286330000036
Figure BDA0002445286330000037
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(Ωj)，若是，执行步骤3-9)；否则执行步骤3-10)；
3-9)将X赋值给Ωj，将鲸鱼Ωj的迭代计数器Ωj.c设置为0，执行步骤3-18)；
3-10)判断鲸鱼Ωj的迭代计数器Ωj.c是否小于Ts，若是，将Ωj.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Ωj，并计算鲸鱼Ωj的目标函数值f(Ωj)，执行步骤3-18)；
3-12)生成鲸鱼Ωj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(Ωj)，若是，执行步骤3-14)；否则执行步骤3-15)；
3-14)将X′赋值给Ωj，将鲸鱼Ωj的迭代计数器Ωj.c设置为0，执行步骤3-18)；
3-15)判断鲸鱼Ωj的迭代计数器Ωj.c是否小于Ts，若是，将Ωj.c加1，执行步骤3-18)；否则执行步骤3-16)；
3-16)判断鲸鱼Ωj的目标函数值f(Ωj)是否大于fgbest，若是，则将fgbest设置为f(Ωj)，最优解GBest设置为Ωj，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Ωj，并计算鲸鱼Ωj的目标函数值f(Ωj)，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：
minfβ(Po)＝∑|Δβi|
其中，Po表示各台风机的有功功率目标值组成的向量；Δβi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Pobj，建立功率调控目标函数min fp(Po)＝|Pobj-∑Poi|，其中Poi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Ts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Ωj＝Po1,Po2,…,Poi,…,Pot，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fgbest设置为0，目标函数如下所示：
minf(Po)＝fβ(Po)·fp(Po)＝|Pobj-∑Poi|·∑|Δβi|
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Ωj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Ωj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)；
Figure BDA0002445286330000071
式中，
Figure BDA0002445286330000072
和
Figure BDA0002445286330000073
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；
Figure BDA0002445286330000074
指鲸鱼Y的第k个元素在第t步迭代时的位置；dX,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；
Figure BDA0002445286330000075
表示产生0到
Figure BDA0002445286330000076
Figure BDA0002445286330000077
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(Ωj)，若是，执行步骤3-9)；否则执行步骤3-10)；
3-9)将X赋值给Ωj，将鲸鱼Ωj的迭代计数器Ωj.c设置为0，执行步骤3-18)；
3-10)判断鲸鱼Ωj的迭代计数器Ωj.c是否小于Ts，若是，将Ωj.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Ωj，并计算鲸鱼Ωj的目标函数值f(Ωj)，执行步骤3-18)；
3-12)生成鲸鱼Ωj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(Ωj)，若是，执行步骤3-14)；否则执行步骤3-15)；
3-14)将X′赋值给Ωj，将鲸鱼Ωj的迭代计数器Ωj.c设置为0，执行步骤3-18)；
3-15)判断鲸鱼Ωj的迭代计数器Ωj.c是否小于Ts，若是，将Ωj.c加1，执行步骤3-18)；否则执行步骤3-16)；
3-16)判断鲸鱼Ωj的目标函数值f(Ωj)是否大于fgbest，若是，则将fgbest设置为f(Ωj)，最优解GBest设置为Ωj，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Ωj，并计算鲸鱼Ωj的目标函数值f(Ωj)，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：
minfβ(Po)＝∑|Δβi|
其中，Po表示各台风机的有功功率目标值组成的向量；Δβi表示第i台风机的变桨角度。
4.根据权利要求3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，所述步骤三具体步骤为：
3-1)接收有功功率调控目标值Pobj，建立功率调控目标函数min fp(Po)＝|Pobj-∑Poi|，其中Poi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Ts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Ωj＝Po1,Po2,…,Poi,…,Pot，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fgbest设置为0，目标函数如下所示：minf(Po)＝fβ(Po)·fp(Po)＝|Pobj-∑Poi|·∑|Δβi|
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Ωj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Ωj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)；
Figure FDA0003012305520000031
式中，
Figure FDA0003012305520000032
和
Figure FDA0003012305520000033
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；
Figure FDA0003012305520000037
指鲸鱼Y的第k个元素在第t步迭代时的位置；dX,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；
Figure FDA0003012305520000034
表示产生0到
Figure FDA0003012305520000035
Figure FDA0003012305520000036
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(Ωj)，若是，执行步骤3-9)；否则执行步骤3-10)；
3-9)将X赋值给Ωj，将鲸鱼Ωj的迭代计数器Ωj.c设置为0，执行步骤3-18)；
3-10)判断鲸鱼Ωj的迭代计数器Ωj.c是否小于Ts，若是，将Ωj.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Ωj，并计算鲸鱼Ωj的目标函数值f(Ωj)，执行步骤3-18)；
3-12)生成鲸鱼Ωj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(Ωj)，若是，执行步骤3-14)；否则执行步骤3-15)；
3-14)将X′赋值给Ωj，将鲸鱼Ωj的迭代计数器Ωj.c设置为0，执行步骤3-18)；
3-15)判断鲸鱼Ωj的迭代计数器Ωj.c是否小于Ts，若是，将Ωj.c加1，执行步骤3-18)；否则执行步骤3-16)；
3-16)判断鲸鱼Ωj的目标函数值f(Ωj)是否大于fgbest，若是，则将fgbest设置为f(Ωj)，最优解GBest设置为Ωj，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Ωj，并计算鲸鱼Ωj的目标函数值f(Ωj)，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4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4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)。
CN202010277333.4A 2020-04-10 2020-04-10 一种基于鲸鱼群算法的风电场有功功率调度方法 Active CN111404203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010277333.4A CN111404203B (zh) 2020-04-10 2020-04-10 一种基于鲸鱼群算法的风电场有功功率调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010277333.4A CN111404203B (zh) 2020-04-10 2020-04-10 一种基于鲸鱼群算法的风电场有功功率调度方法

Publications (2)

Publication Number Publication Date
CN111404203A CN111404203A (zh) 2020-07-10
CN111404203B true CN111404203B (zh) 2021-05-25

Family

ID=71431527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010277333.4A Active CN111404203B (zh) 2020-04-10 2020-04-10 一种基于鲸鱼群算法的风电场有功功率调度方法

Country Status (1)

Country Link
CN (1) CN111404203B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112653142B (zh) * 2020-12-18 2022-09-02 武汉大学 优化深度Transformer网络的风电功率预测方法及系统
CN116667344B (zh) * 2023-07-31 2023-10-10 浙江大学 海上风电场自适应局域疲劳载荷均衡调度方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103410660B (zh) * 2013-05-14 2016-08-03 湖南工业大学 基于支持向量机的风力发电变桨距自学习控制方法
CN105673325A (zh) * 2016-01-13 2016-06-15 湖南世优电气股份有限公司 基于rbf神经网络pid的风电机组独立变桨控制方法
CN108223274B (zh) * 2017-12-04 2019-11-12 重庆邮电大学 基于优化rbf神经网络的大型风力机变桨距系统辨识方法
EP3517774A1 (en) * 2018-01-25 2019-07-31 Siemens Gamesa Renewable Energy A/S Method and apparatus for cooperative controlling wind turbines of a wind farm
CN109347142B (zh) * 2018-10-30 2022-02-11 湘电风能有限公司 一种风电场有功功率调度方法
CN110425084B (zh) * 2019-08-09 2020-09-22 湘电风能有限公司 一种大型风电机组的鲸鱼群pid独立变桨控制方法

Also Published As

Publication number Publication date
CN111404203A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
Ferreira et al. Aerofoil optimization for vertical‐axis wind turbines
CN111404203B (zh) 一种基于鲸鱼群算法的风电场有功功率调度方法
Giguère et al. Blade design trade-offs using low-lift airfoils for stall-regulated HAWTs
CN113783224A (zh) 一种考虑多种分布式能源运行的配电网双层优化规划方法
CN104299173A (zh) 一种适用于多种能源接入的鲁棒优化日前调度方法
CN112012875B (zh) 一种水轮机调节系统pid控制参数的优化方法
CN116191544A (zh) 一种基于改进K-means算法的分布式发电集群划分方法
CN112886036A (zh) 一种基于改进灰狼优化的pemfc供气系统控制策略
Sabarinath et al. Optimal sitting and sizing of renewable energy resources for power loss reduction in radial distribution systems using whale optimization algorithm
CN117039926A (zh) 风电场多集群可用惯量评估方法及装置
CN109787217A (zh) 基于风电多状态模型及机会成本修正的备用出清方法
CN113869771B (zh) 基于局域疲劳载荷均衡的海上风电场功率调度方法
CN109598053A (zh) 低风速风电机组传动部件布局构建、智能优化方法和装置
CN113381447B (zh) 适应电网调频需求的风电响应能力状态划分方法及系统
CN115241922A (zh) 风电场参与电网频率支撑的机组组合确定方法与系统
Alexander et al. An Improved Two-Stage Optimization Procedure for Optimal Power Flow Calculation
Wang et al. PSO-based multi-criteria economic dispatch considering wind power penetration subject to dispatcher's attitude
Badran et al. Evaluation of factors affecting wind power generation in Jordan
Rajakumar et al. Optimization of power coefficient of wind turbine using genetic algorithm
CN110970939A (zh) 一种分布式能源集群优化方法及系统
Moschos et al. A Suitable Controller for Frequency Control of Solar-thermal/Biodiesel/Biomass/Micro-hydro Generation of a Remote Community or Farm with Energy Storage.
Li et al. Wind farm clustering method based on ASSCW-FCM algorithm
Nagireddy et al. Optimal placement and sizing of multiple distributed generation using combined differential evaluation—HPSO method
Sağol Site specific design optimization of a horizontal axis wind turbine based on minimum cost of energy
Biswas et al. Modeling and optimization of performance of a straight bladed H-Darrieus vertical-axis wind turbine in low wind speed condition: a hybrid multicriteria decision-making approach

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