CN111682592A - 一种分布式风电场功率优化方法及装置 - Google Patents

Abstract

本发明公开了一种分布式风电场功率优化方法及装置，其方法包括：构建风电场中风机的尾迹风机功率模型：根据所述尾迹风机功率模型构建所述风电场的风向无向图和尾流有向图的网络拓扑结构；计算所述风电场中风机相互之间的尾流权重，采用图论的最近邻算法进行聚类分析，将所述风电场划分为多组聚类子风电场；利用交替乘子方向法建立分布式风电场功率模型，求解功率最优值。本发明根据风机的偏航角对风机尾流的影响行为，构建尾迹风机功率模型，最小化风机的尾流相互作用，利用分布式算法实现风电场功率优化控制，建立的分布式功率优化框架可以降低计算复杂度且提升风电场发电总功率。

Description

一种分布式风电场功率优化方法及装置

【技术领域】

本发明涉及大型风电场输出功率控制优化技术领域，具体地说，是一种考虑风机偏航尾流效应的分布式风电场功率优化方法及装置。

【背景技术】

随着风力发电技术的不断进步,风力发电机组的单机容量在不断增大,在一个较大型的风电场内,会安装尽可能多的风力发电机组,从而获得尽量多的发电量，随着风电场规模的扩大和相关模型变得越来越复杂，需要高效计算的算法来执行实时优化和控制。与此同时，风电场功率模型的建模和控制必须考虑风机之间的尾流相互作用，优化偏航角、横截因子等控制参数增加风电场总功率。因此，如何分析和掌握尾流效应的空间变化规律，建立符合风机尾流效应的风电场功率优化模型成为迫切要求解决的问题。针对风电场特殊的尾流特性，风机通过尾流效应相互连接的结构，使其适合作为分布式系统控制框架的应用对象。为此，亟待解决的是如何通过分布式优化框架和具有计算效率的尾流转向风电场控制策略，优化风机的偏航角对风机尾流的影响行为，并最小化风机的尾流相互作用，提升风电场发电量。

目前，在建立风电场功率优化模型时，大多数只考虑了横截因子、俯仰角的尾流效应模型，由于未考虑到偏航角的影响，优化效果不能满足高效率的要求；在建立风电场功率优化控制模型时，只涉及到集中式风电场功率控制模型，计算过程复杂。

【发明内容】

本发明的目的是针对现有技术中的不足，提供一种分布式风电场功率优化方法及装置，根据风机的偏航角对风机尾流的影响行为，构建尾流风机功率模型，最小化风机的尾流相互作用，并进一步采用网络拓扑结构构建分布式优化框架，基于偏航尾流效应构建聚类子风电场的功率模型，采用有限差分梯度序列二次规划法求解功率最优值，实现风电场功率优化控制。

为实现上述目的，第一方面，本发明采取的技术方案是：一种分布式风电场功率优化方法，包括：

构建风电场中风机的尾流风机功率模型：

根据所述尾流风机功率模型构建所述风电场的风向无向图和尾流有向图的网络拓扑结构,其中所述风电场中的风机构成所述网络拓扑结构的节点,所述风电场中相邻风机之间的尾流强度权重构成所述网络拓扑结构的边，所述节点连线上的数值表示尾流强度；

计算所述风电场中风机相互之间的尾流权重，采用图论的最近邻算法进行聚类分析，将所述风电场划分为多组聚类子风电场；

基于分组的所述聚类子风电场，利用交替乘子方向法建立分布式风电场功率模型，求解功率最优值。

优选的，所述构建风电场中风机的尾流风机功率模型的步骤包括：

计算风电场的风向，并确定风电场中的风机位置坐标；

根据所述风机位置坐标计算所述风电场中上风风机在其每一个下风风机处的尾流中心线角度以及尾流偏转中心位置；

基于所述尾流偏转中心位置构建风电场中风机的尾流风机功率模型。

优选的，所述计算风电场的风向，并确定风电场中的风机位置坐标的步骤包括：

以所述风电场中的风机为原点建立笛卡尔坐标系，其中，所述笛卡尔坐标系中的x轴为流入风电场的顺风方向，y轴为横风方向，所述y轴在水平方向上与所述x轴正交，z轴为风机中心高度；

测量得到所述风电场中每个风机轮毂处顺风流动方向的测量值，并进行平均得到所述风电场的风向初始估计值φ；

将所述初始估计值φ代入坐标变换公式对每个所述风机进行顺风-横风坐标变换，所述坐标变换公式为：

其中，

为以风机i为坐标原点建立的笛卡尔坐标系，(X_i,Y_i,Z_i)为变换后的风机位置；

对所述风电场中每一个风机顺风方向坐标进行排序，其中顺风方向X_i值最小的风机为上风风机，相对于该上风风机的所述风电场中其他风机为下风风机；

用所述上风风机轮毂处的顺风流动方向的测量值替换所述初始估计值，代入所述坐标变换公式进行迭代至收敛，确定收敛得到的上风风机为最前风机，所述最前风机轮毂处的顺风流动方向即为所述风电场的风向。

优选的，所述基于所述尾流偏转中心位置构建风电场中风机的尾流风机功率模型的步骤包括：

根据所述尾流偏转中心位置，对风机尾流划分出不同的尾流区，分别计算每一个所述尾流区的区域扩展系数及其尾流衰减系数，计算公式如下：

其中，M_U，q、a_μ、b_μ是不同尾流区的模型参数，m_μ，q是尾流区q的区域扩展系数，γ_i为风机i的偏航角，c_i，q(x)表示尾流区q的尾流衰减系数，D_i是风机i的转子直径，k_e是尾流面积的扩展系数，x-X_i为风机i的下风位置；

通过计算所述风机的功率系数和有效风速构建尾流风机功率模型如下：

其中，P_i表示风机i的稳态电功率，ρ表示风电场中的空气密度，i表示风机编号，γ_i表示偏航角，a_i表示横截因子，A_i表示风机i的转子掠过面积，C_P表示风机的功率系数，U_i表示风机i的有效风速，模型参数η表示损耗因子，模型参数p_P表示偏航指数，

表示风机的集合，

表示风机i的尾流区q和下风风机j的转子之间的重叠区域，A_j表示风机j的转子掠过面积，c_i，q(x)表示尾流区q的尾流衰减系数。

优选的，所述计算所述风电场中风机相互之间的尾流权重的步骤包括：

根据所述风电场中上风风机的尾流和下风风机的转子盘之间的重叠关系定义所述风电场中风机相互之间的尾流权重；

基于所述风电场中上风风机的尾流对所述下风风机造成的风速衰减量以及所述上风风机和下风风机之间的相对距离，定义所述网络拓扑结构的边权重系数，所述权重系数计算公式如下：

其中，i表示上风风机的编号，j表示相对于风机i的下风风机编号，A_overlap表示风机i的尾流与风机j的转子盘之间重叠面积的比值，U_wake表示风机i的尾流造成风机j的风速衰减量，x是风机i和风机j之间的相对距离，D是下风风机的风叶转子直径。

优选的，每一组所述聚类子风电场中的风机属于同一个上风风机尾流的影响区域，一个风机同时分属于一个或多个聚类子风电场。

优选的，所述基于分组的所述聚类子风电场，利用交替乘子方向法建立分布式风电场功率模型，求解功率最优值的步骤包括：

根据所述尾流风机功率模型分别确定每组所述聚类子风电场的功率函数，基于所述网络拓扑结构构建风电场分布式功率函数参数映射关系图，得到所述风电场中每组聚类子风电场之间的共享风机集合，构建分布式风电场功率模型如下：

s.t x_k＝z_k，where Ω_np＝{T_n|T_n∈Ω_n∩Ω_p} (5)

其中，f(x_n)表示每组聚类子风电场的功率；x_n表示第n组聚类子风电场中所有风机的偏航角和横截因子；变量x_k，z_k∈R^k，k＝1，...，N_s，z是x的副本，R^k表示聚类子风电场中共享风机的参数集合；N_s表示聚类子风电场的组数；λ表示聚类子风电场中共享风机的惩罚系数；p表示与第n组聚类子风电场有共享风机的聚类子风电场；k表示在第n组聚类子风电场和第p组聚类子风电场之间共享的风机编号；Ω表示每一组聚类子风电场中的风机集合，T_n表示风电场中的风机编号；

将所述分布式风电场功率模型转化为增广拉格朗日函数求解功率最优值。

第二方面，本发明提供了一种分布式风电场功率优化装置，包括：

模型构建模块，用于构建风电场中风机的尾流风机功率模型；

定义模块，用于根据所述尾流风机功率模型构建所述风电场的风向无向图和尾流有向图的网络拓扑结构，定义所述网络拓扑结构的节点、边以及节点连线；

聚类分析模块，用于计算所述风电场中风机相互之间的尾流权重，采用图论的最近邻算法进行聚类分析，将所述风电场划分为多组聚类子风电场；

功率优化模块，用于基于分组的所述聚类子风电场，利用交替乘子方向法建立分布式风电场功率模型，求解功率最优值。

优选的，所述模型构建模块包括：

第一计算单元，用于计算风电场的风向，并确定风电场中的风机位置坐标；

第二计算单元，用于计算所述风电场中上风风机在其每一个下风风机处的尾流中心线角度；

第三计算单元，用于计算所述风电场中上风风机在其每一个下风风机处的尾流偏转中心位置。

优选的，所述功率优化模块包括；

函数构建单元，用于根据所述尾流风机功率模型构建每组聚类子风电场的功率函数；

共享风机分析单元，用于基于所述网络拓扑结构构建风电场分布式功率函数参数映射关系图，得到所述风电场中每组聚类子风电场之间的共享风机集合；

优化求解单元，用于构建分布式风电场功率模型，并将其转化为增广拉格朗日函数求解功率最优值。

本发明优点在于：

本发明根据风机的偏航角对风机尾流的影响行为，构建尾流风机功率模型，最小化风机的尾流相互作用，并进一步采用网络拓扑结构构建分布式优化框架，便于在多个计算节点并行计算和部署；基于偏航尾流效应构建聚类子风电场的功率模型，采用有限差分梯度序列二次规划法求解功率最优值，实现风电场功率优化控制，建立的分布式功率优化框架可以降低计算复杂度且为提升风电场发电总功率提供有效可行的优化策略。

【附图说明】

附图1是本发明一实施例中的分布式风电场功率优化方法流程示意图；

附图2是本发明一实施例中的分布式风电场功率优化装置的结构示意框图；

附图3是一实施例中基于尾流风机功率模型的风电场中风机尾流分布图；

附图4-1是本发明一实施例中K＝0阈值下的风机尾流的权重系数有向聚类图；

附图4-2是本发明一实施例中K＝1阈值下的风机尾流的权重系数有向聚类图；

附图5是本发明一实施例中风电场分布式功率函数参数映射关系图；

附图6-1是本发明一实施例中风电场中风机贪婪算法、考虑偏航角和横截因子优化的集中式算法和分布式算法产生的功率对比图；

附图6-2是本发明一实施例中分布式算法原始和对偶残差均方图；

附图7是本发明一实施例中横风坐标系下偏航角和功率因子优化后的尾流分布图。

【具体实施方式】

本发明提供的分布式风电场功率优化方法及装置，通过分析和掌握尾流效应的空间变化规律，建立符合风机尾流效应的风电场功率优化模型，从而可以针对风电场特殊的尾流特性，风机通过尾流效应相互连接的结构，构建分布式系统控制框架。具体的，本发明构建了一种分布式优化框架和具有计算效率的尾流转向风电场控制策略，该策略使用风机的偏航角来改变风机尾流的行为并最小化风机的尾流相互作用，提升了风电场发电量。

为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，本说明书中所描述的实施例仅是本发明的一部分实现方式，基于本发明实施例，本领域的普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例都应当视为属于本发明的保护范围。

如附图1所示，本发明提供了一种分布式风电场功率优化方法，可以应用于安装有多组风力发电机组的风电场内，特别是适用于大型风电场中，通过对风机的偏航角和横截因子进行调整制定风电场功率优化策略。其实施方式的具体流程如附图1所示，包括以下步骤：

步骤S101.构建风电场中风机的尾流风机功率模型。所述尾流风机功率模型建立在风电场中风速和风向恒定的基础上，综合分析风电场中风机的尾流空间分布特性和影响效应，从而得到的单个风机功率模型；

步骤S102.根据所述尾流风机功率模型构建所述风电场的风向无向图和尾流有向图的网络拓扑结构,其中所述风电场中的风机构成所述网络拓扑结构的节点,所述风电场中相邻风机之间的尾流强度权重构成所述网络拓扑结构的边，所述节点连线上的数值表示尾流强度；通过将整个风电场构建成网络拓扑结构，可以实现风电场的分布式功率计算方法，将大型优化问题转化为同类风机的分组优化问题，使用分布式优化算法来解决优化问题，在子集之间最大化了整个风电场的功率，提高运算效率；

步骤S103.计算所述风电场中风机相互之间的尾流权重，采用图论的最近邻算法进行聚类分析，将所述风电场划分为多组聚类子风电场；风电场中风机的尾流空间效应是不同的，相邻风机之间的尾流强度也不尽相同，计算风机相互之间的尾流权重需要考虑的影响因素包括但不限于：相邻风机之间转子盘交叠面积、风机之间的距离，以及上风风机的尾流造成相对其下风风机的风速衰减量等，优选的，采用聚类算法中的K阈值算法将整个风电场划分为多个聚类子风电场；

步骤S104.基于分组的所述聚类子风电场，利用交替乘子方向法建立分布式风电场功率模型，求解功率最优值。

作为一个优选的实施例，上述步骤S101中构建风电场中风机的尾流风机功率模型过程可以包括：

步骤S111.计算风电场的风向，并确定风电场中风机的位置坐标。具体的，根据风电场中风的流入方向，将相邻的风机看成是风向相同，用雷达测速方法进行测量，以测量时的风机为原点，沿着风的流入方向依次确定风电场中所有风机的位置坐标，风的流入方向应当包括顺风方向和横风方向；

步骤S112.根据所述风机位置坐标计算所述风电场中上风风机在其每一个下风风机处的尾流中心线角度以及尾流偏转中心位置。具体的，在一个风电场中，所述的上风风机是指在不考虑横风方向的前提下，沿着顺风方向靠近测量原点的风机为上风风机，在顺风方向上相对于该上风风机处于下风风向中的风机为下风风机，由于风机转子的偏航会导致转子对气流施加旋转推力，从而使风流转向与偏航旋转相反的方向，并对下风风机的有效风速造成影响，通过计算上风风机在其每个下风风机处的尾流中心线角度以及尾流偏转中心位置，可以计算出上风风机尾流区和下风风机的尾流重叠面积，进而确定上风风机的尾流衰减系数，根据尾流衰减系数调节偏航角度，可以达到优化风电场功率的目的；

步骤S113.基于所述尾流偏转中心位置构建风电场中风机的尾流风机功率模型。

优选的，步骤S111中所述计算风电场的风向，并确定风电场中风机的位置坐标，可以通过以下方法实现：

首先以所述风电场中的风机为原点建立笛卡尔坐标系，其中，所述笛卡尔坐标系中的x轴为流入风电场的顺风方向，y轴为横风方向，所述y轴在水平方向上与所述x轴正交，z轴为风机中心高度；

测量得到所述风电场中每个风机轮毂处的顺风流动方向的测量值，并进行平均得到所述风电场的风向初始估计值φ，需要说明的是，在一个风电场中，分别以每一个风机为原点建立一个独立的笛卡尔坐标系，并以该风机为测量点测量该风机轮毂处的顺风流动方向的测量值，定义风机编号为i，则得到的测量值为

例如当一个风电场中有36个风机时，此时就会得到36个测量值，通过对36个测量值进行平均，得到风电场平均流入风向作为风向初始估计值φ，计算方式可以表示为：

其中N为风电场中风机的总数量，此例中，N的取值即为36。

将上述通过测量和计算得到的初始估计值φ代入坐标变换公式对每个所述风机进行顺风-横风坐标变换，得到每个风机的位置坐标，通过位置坐标将风电场中风机之间的位置关系进行数字化，便于将风电场功率优化问题转化成最优值求解问题，从而简化运算过程。

所述坐标变换公式为：

其中，

为以风机i为坐标原点建立的笛卡尔坐标系，(X_i，Y_i，Z_i)为变换后的风机位置，经过上述顺风-横风坐标变换之后可以确定风电场中所有风机的位置坐标，对风机的位置进行坐标变换后，可以通过迭代收敛得到风电场的风向，通常在一个风电场中，风机的数量越多，通过上述方法计算得到的风向误差越小；

对所述风电场中每一个风机顺风方向坐标进行排序，其中顺风方向X_i值最小的风机为上风风机，相对于该上风风机的所述风电场中其他风机为下风风机；

用所述上风风机轮毂处的顺风流动方向的测量值替换所述初始估计值，代入所述坐标变换公式进行迭代至收敛，确定收敛得到的上风风机为最前风机，所述最前风机轮毂处的顺风流动方向即为所述风电场的风向。具体的，在每一次迭代时，假设风电场风向的平均流入风向等于通过顺风-横风坐标变换之后得到的上风风机(最前风机)处测量的风向，迭代至收敛，收敛即意味着平均流入风向φ不再变化，此时的上风风机即为风电场中的最前风机。具体的，计算风电场风向的过程可以表示为：

a.将测量得到的风向初始估计值φ代入坐标变换公式，根据坐标变换之后得到的风机位置坐标确定上风风机，

b.用该上风风机处测量得到的风向替换风向初始值：

其中

为风机的集合；

c.重复步骤a和b，直到收敛，即φ不再变化，此时得到的上风风机即为风电场中的最前风机，该最前风机处测量的风向即为整个风电场的风向。

进一步地，基于上述确定的风机位置坐标，步骤S112根据所述风机位置坐标计算所述风电场中上风风机在其每一个下风风机处的尾流中心线角度以及尾流偏转中心位置，可以通过以下方式实现：

首先，由于风机转子的偏航会导致转子对气流施加旋转推力，从而使风流转向与偏航旋转相反的方向，通过计算所述风电场中上风风机在其每一个下风风机处的尾流中心线角度，可以掌握相对于该上风风机的偏航角和横截因子所产生的偏转角。具体的，通过下列公式计算风机在其下风位置x处的尾流中心线角度ξ_i(x)：

其中，i为风机编号，γ_i为偏航角，a_i为横截因子，D_i是风机i的转子直径，X_i为风机的位置坐标，k_d＝0.15是尾流偏转敏感度参数，x-X_i为风机i的下风位置，ξ_init(a_i，γ_i)为偏转角初始值，C_T(a_i)为推力系数。

然后，根据尾流中心线角度，进一步可以计算出由偏航引起的尾流偏转中心位置，基于本实施例中所建立的笛卡尔坐标系，尾流偏转主要是指横风方向的偏移，其诱导因素包括偏航和旋转，计算尾流偏转中心位置的步骤包括：

1)通过在x轴方向上积分尾流中心线角度的切线，计算由上风风机i偏航引起的相对于该上风风机i的下风风机轮毂的横向偏移δy_w，yaw，i，计算公式表示为：

2)通过距离上风风机旋翼的下风距离的线性函数，计算由上风风机i旋转引起的相对于该上风风机i的下风风机的尾流横向偏移δy_{w，rotation，i}，计算公式表示为：

δy_{w，rotation，i}(x)＝a_d+b_d[x-X_i] (5)，

其中，参数a_d＝4.5，b_d＝-0.01；

3)结合上述公式(4)和公式(5)综合考虑上风风机i的偏航诱导和旋转诱导分量，该上风风机i在下风位置x＞X_i处的尾流偏转中心位置的计算公式表示为：

y_w，i(x)＝Y_i+δy_{w，rotation，i}(x)+δy_w，yaw，i(x) (6)，

其中，y_w，i(x)表示上风风机i在下风位置x＞X_i处受该上风风机i偏航尾流影响的y轴中心坐标，Y_i表示上风风机i在下风位置x＞X_i处不考虑偏航尾流影响的原始y轴中心坐标。

作为一个优选的实施例，上述步骤S113中基于所述尾流偏转中心位置构建风电场中风机的尾流风机功率模型的步骤包括：

首先，根据所述尾流偏转中心位置，采用FLORIS模型构建尾流模型，对风机尾流划分出不同的尾流区，具体是通过构建尾流衰减函数定义不同的尾流区，对于x＞X_i，尾流衰减系数c_i(x，y)是第i个风机的相对于尾流中心的y轴方向偏移分段函数，具体定义如下：

withr＝y-y_w，i (x)

其中，y_w，i(x)表示受偏转尾流影响的y轴中心坐标，D_w，i，q(x)表示第i个风机相对于尾流中心的y轴方向偏移的不同尾流区域直径；

其次，基于上述定义将尾流区分为“近尾流”(q＝1)、“远尾流”(q＝2)和“混合区”(q＝3)，分别计算每一个所述尾流区的区域扩展系数及其尾流衰减系数，计算公式如下：

其中，M_U，q、a_μ、b_μ是不同尾流区的模型参数，m_μ，q是尾流区q的区域扩展系数，γ_i为风机i的偏航角，c_i，q(x)表示尾流区q的尾流衰减系数，D_i是风机i的转子直径，k_e是尾流面积的扩散系数，x-X_i为风机i的下风位置，优选的，公式中的参数初始化为M_U，1＝0.5，M_U，2＝1，M_U，3＝5.5，b_μ＝5，a_μ＝1.66，k_e＝0.065；

最后，通过计算所述风机的功率系数和有效风速构建尾流风机功率模型如下：

其中，P_i表示风机i的稳态电功率，ρ表示所述风电场中的空气密度，i表示风机编号，γ_i表示偏航角，a_i表示横截因子，A_i表示风机i的转子掠过面积，C_P表示风机的功率系数，U_i表示风机i的有效风速，模型参数η表示损耗因子，模型参数p_P表示偏航指数，

表示风机的集合，

表示风机i的尾流区q和下风风机j的转子之间的重叠区域，A_j表示风机j的转子掠过面积，c_i，q(x)表示为每个区域的局部尾流衰减系数。

根据上述计算过程，附图3示出的是本实施例中基于尾流风机功率模型的风电场中风机尾流分布图，该附图具体表示的是，在一个风电场中共有36个风机，其平均风向为30度，平均风速为10m/s，偏航角为0度，横截因子为1/3，该风电场中每一个风机在考虑偏航尾流效应基础上的顺风坐标系下和横风坐标系的中心坐标及其尾流分布图。

在一个优选的实施例中，步骤S103中计算所述风电场中风机相互之间的尾流权重的步骤具体包括：

步骤S311.根据所述风电场中上风风机的尾流和下风风机的转子盘之间的重叠面积关系定义所述风电场中风机相互之间的尾流权重；

步骤S312.基于所述风电场中上风风机的尾流对所述下风风机造成的风速衰减量以及所述上风风机和下风风机之间的相对距离，定义所述网络拓扑结构的边权重系数，所述权重系数计算公式如下：

其中，i表示上风风机的编号，j表示相对于风机i的下风风机编号，A_overlap表示风机i的尾流与风机j的转子盘之间重叠面积的比值，U_wake表示风机i的尾流造成风机j的风速衰减量，x是风机i和风机j之间的相对距离，D是下风风机的转子风叶直径。

步骤S313.根据风电场中的风力以及风机之间相互作用的尾流强度，每一组所述聚类子风电场中的风机属于同一个上风风机尾流的影响区域，一个风机可以同时分属于一个或多个聚类子风电场，此处计算设定尾流权重阈值的意义在于：通过不同的K阈值，定义较小的子集，采用分布式、易处理的方式解决大型优化问题；一旦将整个风电场的风机分组为不同子集，则使用分布式优化算法来解决单个聚类子风电场功率优化问题，通过同时优化多个聚类子风电场的功率达到整个风电场功率的最优化。

本实施例中，具体采用聚类算法中的K阈值算法，将整个风电场划分为多个聚类子风电场，简化计算复杂度。风电场中的风机被认为是网络拓扑结构中的节点(用WTn表示)，网络的边由相邻风机之间已建立的尾流强度权重组成，风机连线上的数值表示尾流强度。

参考附图4-1示出的本实施例中K＝0阈值下的风机尾流的权重系数有向聚类图，和附图4-2示出的本实施例中K＝1阈值下的风机尾流的权重系数有向聚类图，对应于该图，下表1示出的是本实施例中，在同一个风电场中，采用聚类算法在不同K阈值下将36个风机划分出的聚类子风电场的集合。

表1.

进一步地，步骤S104中，基于上述分组的所述聚类子风电场，利用交替乘子方向法建立分布式风电场功率模型，进而求解功率最优值，其具体步骤可以包括：

步骤S411.根据所述尾流风机功率模型分别确定每组所述聚类子风电场的功率函数，基于所述网络拓扑结构构建风电场分布式功率函数参数映射关系图，得到所述风电场中每组聚类子风电场之间的共享风机集合，具体的，本实施例中根据K＝0确定的N_s＝12个聚类子风电场，进行风电场的分布式功率优化计算，得到附图5示出的本实施例中风电场分布式功率函数参数映射关系图，该附图5所体现的具体含义如下：

F(x₁)＝f(x₁，x₆，x₇，x₁₃，x₁₄，x₂₂)

F(x₂)＝f(x₂，x₇，x₁₄)

F(x₃)＝f(x₃)

F(x₄)＝f(x₄，x₁₁，x₁₂，x₂₀，x₂₁，x₂₂，x₂₉)

F(x₅)＝f(x₅，x₁₂，x₁₃，x₂₁，x₂₂)

F(x₆)＝f(x₈，x₁₇，x₁₈，x₂₆，x₂₇，x₂₈，x₃₃)

F(x₇)＝f(x₉，x₁₈，x₁₉，x₂₇，x₂₈，x₂₉)

F(x₈)＝f(x₁₀，x₁₉，x₂₀，x₂₈，x₂₉)

F(x₉)＝f(x₁₅，x₂₄，x₂₅，x₃₁，x₃₂，x₃₃，x₃₆)

F(x₁₀)＝f(x₁₆，x₂₅，x₂₆，x₃₂，x₃₃)

F(x₁₁)＝f(x₂₃，x₃₀，x₃₁，x₃₅，x₃₆)

F(x₁₂)＝f(x₃₄)

上述F(x_i)表示聚类子风电场的功率函数，x_i表示第i个聚类子风电场，图中z是x的副本，用以确保共享的风机控制参数收敛到相同的值，连线表示在聚类子风电场n和聚类子风电场p之间共享的风机集合，用K_Ns表示共享风机集合，其具体含义为：聚类子风电场N_s和其它聚类子风电场的共享风机集合，从附图5中可以看出每一个聚类子风电场的共享风机集合如下：{K1|7，13，14，22}、{K2|7，14}、{K3|空集}、{K4|12，20，21，22，29}、{K5|12，13，21，22}、{K6|18，26，27，28，33}、{K7|18，19，27，28，29}、{K8|19，20，28，29}、{K9|25，31，32，33，36}、{K10|25，26，32，33}、{K11|31，36}、{K12|空集}。

步骤S412.构建分布式风电场功率模型如下：

s.t x_k＝z_k，where Ω_np＝{T_n|T_n∈Ω_n∩Ω_p} (11)

其中，f(x_n)表示每组聚类子风电场的功率；x_n表示第n组聚类子风电场中所有风机的偏航角和横截因子；变量x_k，z_k∈R^k，k＝1，...，N_s，z是x的副本，R^k表示聚类子风电场中共享风机的参数集合；N_s表示聚类子风电场的组数；λ表示聚类子风电场中共享风机的惩罚系数，本例中优选的λ＝1；p表示与第n组聚类子风电场有共享风机的聚类子风电场；k表示在第n组聚类子风电场和第p组聚类子风电场之间共享风机的编号；Ω表示每一组聚类子风电场中的风机集合，T_n表示风电场中的风机编号；

步骤S413.根据上述确定好的聚类子风电场的功率函数和共享风机集合，按照下列公式将所述分布式风电场功率模型转化为增广拉格朗日函数求解功率最优值：

最小化

分别迭代更新x、z和u，m为迭代次数：

u^m+1：＝u^m+(x^m+1-z^m+1) (15)。

按照上述步骤的计算顺序不断计算和更新偏航角和横截因子，偏航角的变化范围为[-5°，5°]，横截因子变化范围[0，1/3]。直至风电场整体功率不再发生较大变化为止即可。

为验证本发明方法的计算优化效果，对比贪婪算法、考虑偏航角和横截因子优化的集中式算法和分布式算法的计算时间和功率优化结果。贪婪算法采用单个风机功率最大化参数设置，在一个设有36个风机的风电场中，每一个风机的偏航角为0，横截因子为1/3，风向为30度，风速为10m/s，K＝0；集中式算法直接将36个风机的参数放在一起进行优化计算；参照附图6中风电场中风机贪婪算法、考虑偏航角和横截因子优化的集中式算法和分布式算法产生的功率对比图和分布式算法原始和对偶残差均方图，图中，虚线表示贪婪算法的输出功率，实线表示集中式算法的输出功率，星号线表示分布式优化算法计算得到的风电场迭代功率输出，迭代次数为20次，从图中可以看到，优化后的风电场整体输出功率明显大于贪婪算法输出功率，略小于集中式算法的输出功率。基于附图6，得到风电场中风机贪婪算法、集中式算法和分布式算法产生的功率和计算时间对比表，如表2所示：

表2：

以在横风坐标系下，平均风向30度，平均风速10m/s为例，具体结合附图7所示出的横风坐标系下偏航角和功率因子优化后的尾流分布图和表2可以看出，贪婪算法的计算时间最短，但产生的功率与集中式和分布式优化算法相比，损失功率过多；采用分布式算法的上风风机WT1、WT2、WT4、WT5、WT8、WT9、WT10、WT15、WT16、WT23输出功率没有贪婪算法中的产生功率大，但下风风机功率输出增大，使风电场整体功率加大；采用风电场集中式算法的总体产生功率大于分布式算法的功率，但计算时间过长不利于风电场的实时控制；综合三种算法的计算效率和产生的功率，我们提出的基于考虑偏航尾流效应的分布式算法，功率损失不大又只用了较少的计算时间。

基于本发明分布式风电场功率优化方法的上述各个实施例相同的构思，下面对本发明实施例提供的分布式风电场功率优化装置进行介绍，下文描述的分布式风电场功率优化装置与上文描述的分布式风电场功率优化方法可以相互对应参照。请参考附图2，本发明实施例提供了一种分布式风电场功率优化装置，该装置包括：模型构建模块101、定义模块102、聚类分析模块103和功率优化模块104。

其中，模型构建模块101，用于构建风电场中风机的尾流风机功率模型；定义模块102，用于根据所述尾流风机功率模型构建所述风电场的风向无向图和尾流有向图的网络拓扑结构,定义所述网络拓扑结构的节点、边以及节点连线；聚类分析模块103，用于计算所述风电场中风机相互之间的尾流权重，采用图论的最近邻算法进行聚类分析，将所述风电场划分为多组聚类子风电场；功率优化模块104，用于基于分组的所述聚类子风电场，利用交替乘子方向法建立分布式风电场功率模型，求解功率最优值。

进一步地，所述模型构建模块101包括：第一计算单元111，用于计算风电场的风向，并确定风电场中的风机位置坐标；第二计算单元112，用于计算所述风电场中上风风机在其每一个下风风机处的尾流中心线角度；第三计算单元113，用于计算所述风电场中上风风机在其每一个下风风机处的尾流偏转中心位置。

进一步地，所述功率优化模块104包括；函数构建单元141，用于根据所述尾流风机功率模型构建每组聚类子风电场的功率函数；共享风机分析单元142，用于基于所述网络拓扑结构构建风电场分布式功率函数参数映射关系图，得到所述风电场中每组聚类子风电场之间的共享风机集合；优化求解单元143，用于构建分布式风电场功率模型，并将其转化为增广拉格朗日函数求解功率最优值。

本实施例中分布式风电场功率优化装置用于实现前述的分布式风电场功率优化方法，因此分布式风电场功率优化装置的具体实施方式可以参考前文中的分布式风电场功率优化方法的实施例部分，例如：模型构建模块101，用于实现上述分布式风电场功率优化方法的步骤S101；定义模块102，用于实现上述分布式风电场功率优化方法的步骤S102；聚类分析模块103，用于实现上述分布式风电场功率优化方法的步骤S103；功率优化模块104，用于实现上述分布式风电场功率优化方法的步骤S104。所以，起其具体实施方式可以参照相应的各部分实施例的描述，在此不再赘述。

本发明的分布式风电场功率优化方法可以通过装载有计算机系统的电子设备实现，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。

上述实施例阐明的装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法和装置的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

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，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。

Claims (10)

1.一种分布式风电场功率优化方法，其特征在于，包括：

构建风电场中风机的尾流风机功率模型：

根据所述尾流风机功率模型构建所述风电场的风向无向图和尾流有向图的网络拓扑结构,其中所述风电场中的风机构成所述网络拓扑结构的节点,所述风电场中相邻风机之间的尾流强度权重系数构成所述网络拓扑结构的边，所述节点连线上的数值表示尾流强度；

计算所述风电场中风机相互之间的尾流权重，采用图论的最近邻算法进行聚类分析，将所述风电场划分为多组聚类子风电场；

基于分组的所述聚类子风电场，利用交替乘子方向法建立分布式风电场功率模型，求解功率最优值。

2.根据权利要求1所述的分布式风电场功率优化方法，其特征在于，所述构建风电场中风机的尾流风机功率模型的步骤包括：

计算风电场的风向，并确定风电场中的风机位置坐标；

根据所述风机位置坐标计算所述风电场中上风风机在其每一个下风风机处的尾流中心线角度以及尾流偏转中心位置；

基于所述尾流偏转中心位置构建风电场中风机的尾流风机功率模型。

3.根据权利要求2所述的分布式风电场功率优化方法，其特征在于，所述计算风电场的风向，并确定风电场中的风机位置坐标的步骤包括：

以所述风电场中的风机为原点建立笛卡尔坐标系，其中，所述笛卡尔坐标系中的x轴为流入风电场的顺风方向，y轴为横风方向，所述y轴在水平方向上与所述x轴正交，z轴为风机中心高度；

测量得到所述风电场中每个风机轮毂处的顺风流动方向的测量值，并进行平均得到所述风电场的风向初始估计值φ；

将所述初始估计值φ代入坐标变换公式对每个所述风机进行顺风-横风坐标变换，所述坐标变换公式为：

其中，

为以风机i为坐标原点建立的笛卡尔坐标系，(X_i,Y_i,Z_i)为变换后的风机位置；

对所述风电场中每一个风机顺风方向坐标进行排序，其中顺风方向X_i值最小的风机为上风风机，相对于该上风风机的所述风电场中其他风机为下风风机；

用所述上风风机轮毂处的顺风流动方向的测量值替换所述初始估计值，代入所述坐标变换公式进行迭代至收敛，确定收敛得到的上风风机为最前风机，所述最前风机轮毂处的顺风流动方向即为所述风电场的风向。

4.根据权利要求3所述的分布式风电场功率优化方法，其特征在于，所述基于所述尾流偏转中心位置构建风电场中风机的尾流风机功率模型的步骤包括：

根据所述尾流偏转中心位置，对风机尾流划分出不同的尾流区，分别计算每一个所述尾流区的区域扩展系数及其尾流衰减系数，计算公式如下：

其中，M_U,q、a_μ、b_μ是不同尾流区的模型参数，m_μ,q是尾流区q的区域扩展系数，γ_i为风机i的偏航角，c_i,q(x)表示尾流区q的尾流衰减系数，D_i是风机i的转子直径，k_e是尾流面积的扩展系数，x-X_i为风机i的下游位置；

通过计算所述风机的功率系数和有效风速构建尾流风机功率模型如下：

其中，P_i表示风机i的稳态电功率，ρ表示风电场中的空气密度，i表示风机编号，γ_i表示偏航角，a_i表示横截因子，A_i表示风机i的转子掠过面积，C_P表示风机的功率系数，U_i表示风机i的有效风速，模型参数η表示损耗因子，模型参数p_P表示偏航指数，

表示风机的集合,

表示风机i的尾流区q和下风风机j的转子之间的重叠区域,A_j表示风机j的转子掠过面积，c_i,q(x)表示尾流区q的尾流衰减系数。

5.根据权利要求1所述的分布式风电场功率优化方法，其特征在于，所述计算所述风电场中风机相互之间的尾流权重的步骤包括：

根据所述风电场中上风风机的尾流和下风风机的转子盘之间的重叠关系定义所述风电场中风机相互之间的尾流权重；

基于所述风电场中上风风机的尾流对所述下风风机造成的风速衰减量以及所述上风风机和下风风机之间的相对距离，定义所述网络拓扑结构的边权重系数，所述权重系数计算公式如下：

其中，i表示上风风机的编号，j表示相对于风机i的下风风机编号，A_overlap表示风机i的尾流与风机j的转子盘之间重叠面积的比值，U_wake表示风机i的尾流造成风机j的风速衰减量,x是风机i和风机j之间的相对距离，D是下风风机的风叶转子直径。

6.根据权利要求1所述的分布式风电场功率优化方法，其特征在于，每一组所述聚类子风电场中的风机属于同一个上风风机尾流的影响区域，一个风机同时分属于一个或多个聚类子风电场。

7.根据权利要求6所述的分布式风电场功率优化方法，其特征在于，所述基于分组的所述聚类子风电场，利用交替乘子方向法建立分布式风电场功率模型，求解功率最优值的步骤包括：

根据所述尾流风机功率模型分别确定每组所述聚类子风电场的功率函数，基于所述网络拓扑结构构建风电场分布式功率函数参数映射关系图，得到所述风电场中每组聚类子风电场之间的共享风机集合，构建分布式风电场功率模型如下：

s.tx_k＝z_k,whereΩ_np＝{T_n|T_n∈Ω_n∩Ω_p} (5)，

其中，f(x_n)表示每组聚类子风电场的功率；x_n表示第n组聚类子风电场中所有风机的偏航角和横截因子；变量x_k,z_k∈R^k,k＝1,...,N_s，z是x的副本，R^k表示聚类子风电场中共享风机的参数集合；N_s表示聚类子风电场的组数；表示聚类子风电场中共享风机的惩罚系数；p表示与第n组聚类子风电场有共享风机的聚类子风电场；k表示在第n组聚类子风电场和第p组聚类子风电场之间共享的风机编号；Ω表示每一组聚类子风电场中的风机集合，T_i表示风电场中的风机编号；

将所述分布式风电场功率模型转化为增广拉格朗日函数求解功率最优值。

8.一种分布式风电场功率优化装置，其特征在于，包括：

模型构建模块，用于构建风电场中风机的尾流风机功率模型；

定义模块，用于根据所述尾流风机功率模型构建所述风电场的风向无向图和尾流有向图的网络拓扑结构,定义所述网络拓扑结构的节点、边以及节点连线；

聚类分析模块，用于计算所述风电场中风机相互之间的尾流权重，采用图论的最近邻算法进行聚类分析，将所述风电场划分为多组聚类子风电场；

功率优化模块，用于基于分组的所述聚类子风电场，利用交替乘子方向法建立分布式风电场功率模型，求解功率最优值。

9.根据权利要求8所述的分布式风电场功率优化装置，其特征在于，所述模型构建模块包括：

第一计算单元，用于计算风电场的风向，并确定风电场中的风机位置坐标；

第二计算单元，用于计算所述风电场中上风风机在其每一个下风风机处的尾流中心线角度；

第三计算单元，用于计算所述风电场中上风风机在其每一个下风风机处的尾流偏转中心位置。

10.根据权利要求8所述的分布式风电场功率优化装置，其特征在于，所述功率优化模块包括；

函数构建单元，用于根据所述尾流风机功率模型构建每组聚类子风电场的功率函数；

共享风机分析单元，用于基于所述网络拓扑结构构建风电场分布式功率函数参数映射关系图，得到所述风电场中每组聚类子风电场之间的共享风机集合；

优化求解单元，用于构建分布式风电场功率模型，并将其转化为增广拉格朗日函数求解功率最优值。

Images