CN112883652A - 考虑动态尾流的风电场有功功率离线预测控制器设计方法 - Google Patents

考虑动态尾流的风电场有功功率离线预测控制器设计方法 Download PDF

Info

Publication number
CN112883652A
CN112883652A CN202110271257.0A CN202110271257A CN112883652A CN 112883652 A CN112883652 A CN 112883652A CN 202110271257 A CN202110271257 A CN 202110271257A CN 112883652 A CN112883652 A CN 112883652A
Authority
CN
China
Prior art keywords
fan
wind
power plant
wind power
active power
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.)
Granted
Application number
CN202110271257.0A
Other languages
English (en)
Other versions
CN112883652B (zh
Inventor
魏善碧
王昱
余笑
王辉阳
肖勇
吴睿
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202110271257.0A priority Critical patent/CN112883652B/zh
Publication of CN112883652A publication Critical patent/CN112883652A/zh
Application granted granted Critical
Publication of CN112883652B publication Critical patent/CN112883652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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
    • Y02E10/72—Wind turbines with rotation axis in wind direction
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了考虑动态尾流的风电场有功功率离线预测控制器设计方法，主要涉及风电场有功功率控制技术领域；包括步骤：S1、建立风电场全场动态尾流模型；S2、基于风电场全场动态尾流模型，通过状态方程建立风电场有功功率预测模型；S3、基于风电场全场动态尾流模型，构建风电场有功功率优化模型；S4、采用PSO算法进行风电场有功功率优化求解；S5、通过CNN‑GRNN混合网络建立风电场系统状态与偏航角优化值、轴向推力系数优化值之间的映射关系；S6、构建风电场有功功率离线预测控制器；本发明能够减少风电场有功功率模型预测控制器的在线计算时间，保证控制精度。

Description

考虑动态尾流的风电场有功功率离线预测控制器设计方法
技术领域
本发明涉及风电场有功功率控制技术领域，具体是考虑动态尾流的风电场有功功率离线预测控制器设计方法。
背景技术
随着风电场的大规模开发利用，受到风电场场址范围限制和为节约土地资源、减少投资成本的需要，未来风电场布局会越来越紧凑，其次，风机容量和风轮直径越来越大，这会导致机组间的尾流效应变得更加明显，由于尾流效应的影响，上游风机吸收风能之后，下游风机的输入风速会明显降低，导致下游风机可捕获风能过小，造成风电场全场输出功率并非最大。因此，减少风电场尾流效应，提高风电场整体输出功率的研究具有重要的理论研究价值和实际应用价值。
在尾流的影响下，通常采用调整上游风机的偏航角度和轴向推力系数等参数，进而改变尾流的方向和强度，控制尾流对下游风机的影响，可以有效提高风电场全场功率。风电场系统具有非线性、时变性和强气动耦合等特点，而模型控制预测(MPC)对于具有非线性、随机、混杂等更加难以控制的动态特性的控制系统都够取得满意的控制效果，因此，越来越多的学者将MPC用于风电场功率控制。但是风电场布局紧凑，一般具有数十台甚至数百台风力发电机机组，使得MPC的控制参数过多，导致MPC的滚动优化过程计算更加复杂和求解时间过长；其次，随着风电场的智能化发展，风电场控制系统要求在一个控制周期内完成的计算任务越多越好，计算开销小的控制策略更利于其他控制和管理功能的集成。因此，设计风电场MPC时要尽可能减少运算量，缩短在线计算时间，而目前的研究往往只针对于风电场功率提升问题，鲜有关注风电场有功功率控制运算量和在线计算时间的问题。
发明内容
本发明的目的在于解决现有技术中存在的问题，提供一种考虑动态尾流的风电场有功功率离线预测控制器设计方法，能够减少风电场有功功率模型预测控制器的在线计算时间，保证控制精度。
本发明为实现上述目的，通过以下技术方案实现：
考虑动态尾流的风电场有功功率离线预测控制器设计方法，包括步骤：
S1、基于偏航角、轴向推力系数对尾流方向和强度的影响，考虑时间变量建立风电场全场动态尾流模型；
S2、基于风电场全场动态尾流模型，通过状态方程建立风电场有功功率预测模型；
S3、基于风电场全场动态尾流模型，构建风电场有功功率优化模型；
S4、采用PSO算法进行风电场有功功率优化求解；
S5、通过CNN-GRNN混合网络建立风电场系统状态与偏航角优化值、轴向推力系数优化值之间的映射关系；
S6、构建风电场有功功率离线预测控制器。
优选的，所述步骤S1具体包括步骤：
S11、构建考虑偏航角和轴向推力系数的静态尾流模型；
具体的，基于Jensen模型，当上风向风机i的输入风速为vi和输入风向为β时，定义尾流速度亏损因子gij，则相邻下风向风机j的输入风速vj为：
Figure BDA0002974495530000021
式中，CTi、ri分别为上风向风机i的轴向推力系数和风轮半径；
Figure BDA0002974495530000039
分别为上风向风机i与处在其尾流区域内下风向风机j之间的径向距离和轴向距离，计算公式如下：
Figure BDA0002974495530000031
式中，θi是上风向风机i的偏航角；Lij、βij分别为上风向风机i与处在其尾流区域内下风向风机j之间的距离和夹角；
S12、构建考虑时间变量的动态尾流模型；
具体的，风机i的尾流到下风向风机j的流动时间可表示为：
Figure BDA0002974495530000032
风机j在t时刻的输入风速为：
vj(t)＝vi(t-τi→j)[1-gij(t-τi→j)]；
Figure BDA0002974495530000033
式中，
Figure BDA0002974495530000034
计算公式如下：
Figure BDA0002974495530000035
S13、构建考虑尾流叠加的全场动态尾流模型；
具体的，当风电场输入风速为v0和输入风向为β时，风机j的输入风速vj为：
Figure BDA0002974495530000036
式中，
Figure BDA0002974495530000037
是风电场输入风速到风机j所需要的时间；假设风机i是对风机j的产生影响的上风向风机，则自由风流到风机j所需要的时间为：
Figure BDA0002974495530000038
此时，风机j可捕获的功率为：
Figure BDA0002974495530000041
风电场全场可捕获功率为各台风机可捕获功率之和，可表示为：
Figure BDA0002974495530000042
式中，n代表风电场风机数量。
优选的，所述步骤S2具体包括步骤：
S21、建立系统连续状态方程：
Figure BDA0002974495530000043
其中，Δt表示单位时间间隔；
S22、建立预测模型；
具体的，首先定义系统变量，如下：
Figure BDA0002974495530000044
其中，x(k+1|k)表示当前时刻k的系统状态变量x(k)在未来k+1时刻的预测值；prate代表风机的额定功率；θ(k)和CT(k)分别表示各个风机在k时刻的偏航角和轴向推力系数的集合；
Δt取1时，x(k+1|k)可以进一步表示为：
Figure BDA0002974495530000045
在预测步长m内的输出预测为：
X(k)＝[x(k+1|k),…,x(k+i|k),…,x(k+m|k)]；
其中，x(k+j|k)表示当前时刻k的系统状态变量x(k)在未来时刻k+i的预测值，其计算公式如下：
Figure BDA0002974495530000051
优选的，所述步骤S3中的优化模型为：
Figure BDA0002974495530000052
优选的，所述步骤S4具体包括步骤：
S41、初始化；
S42、计算目标函数；
S43、粒子更新速度，粒子速度和位置的更新公式可表示为：
Figure BDA0002974495530000053
式中，Vi(t)代表第i个粒子在第t-1次迭代过程中的粒子速度；C1和C2为粒子群的学习因子；G(t-1)为粒子群在第t-1次迭代过程中的最优位置；Pi(t-1)为第i个粒子在第t-1次迭代过程中的最优位置；Xi(t-1)第i个粒子在第t-1次迭代过程中的位置；Vmax是粒子移动的最大速度；
S44、判断结束条件，当目标函数适应度达到预设要求或迭代次数达到最大迭代次数，则算法结束，保存偏航角和轴向推力系数的优化值，否则返回继续迭代。
优选的，所述步骤S5具体包括步骤：
S51、建立样本数据；
S52、进行CNN训练；
S53、进行GRNN训练。
优选的，所述步骤S6中的风电场有功功率离线预测控制器包括离线计算和在线计算；
离线计算时，在不同输入风速和输入风向下，通过基于PSO的功率优化求解，可以离线得到相应的控制律；
在线计算时，只需要通过反馈控制确定当前系统状态，继而用已建立的CNN-GRNN网络计算出当前系统状态下相应的控制律，就能得到相应的控制信号。
对比现有技术，本发明的有益效果在于：
1、针对尾流影响下的风电场有功功率控制问题，从控制角度出发构建了动态尾流模型，可以有效减少控制误差，进一步增加风电场有功功率提升效果；
2、通过深度学习建立风电场系统状态与控制律之间的映射关系，将模型预测控制的在线优化计算过程转化为CNN-GRNN混合网络计算过程，可以大大减少在线运算时间，同时保证了风电场有功功率控制精度。
附图说明
附图1是本发明的算法流程图；
附图2是本发明PSO算法进行功率优化求解的流程图；
附图3是本发明CNN-GRNN混合网络的结构示意图；
附图4是本发明风电场有功功率离线预测控制器原理示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
实施例：如附图1-4所示，本发明所述是考虑动态尾流的风电场有功功率离线预测控制器设计方法，包括步骤：
S1、基于偏航角和轴向推力系数对尾流方向和强度的影响，考虑时间变量建立风电场全场动态尾流模型。具体包括步骤：
S11、构建考虑偏航角和轴向推力系数的静态尾流模型。基于Jensen模型，根据偏航角和轴向推力系数对尾流的方向和强度的影响，考虑尾流模型在尾流边界是连续的，当上风向风机i的输入风速为vi和输入风向为β时，定义尾流速度亏损因子gij，则相邻下风向风机j的输入风速vj为：
Figure BDA0002974495530000071
式中，
Figure BDA0002974495530000072
ri分别为上风向风机i的轴向推力系数和风轮半径；
Figure BDA0002974495530000073
分别为上风向风机i与处在其尾流区域内下游风机j之间的径向距离和轴向距离，计算公式如下：
Figure BDA0002974495530000074
式中，θi是上风向风机i的偏航角；Lij、βij分别为风向风机i与处在其尾流区域内下游风机j之间的距离和夹角；
S12、构建考虑时间变量的动态尾流模型。动态尾流模型需要考虑上风向风机尾流到下风向风机的延迟时间，同时需要考虑上风向风机控制参数对尾流影响的延迟时间。根据相关研究，风机i的尾流到下风向风机j的流动时间可表示为：
Figure BDA0002974495530000075
在风机i的尾流在经过时间τi→j后才会对下风向风机j产生影响，同时考虑上风向风机控制参数的延时效应，则风机j在t时刻的输入风速为：
vj(t)＝vi(t-τi→j)[1-gij(t-τi→j)]；
Figure BDA0002974495530000081
式中，
Figure BDA0002974495530000082
计算公式如下：
Figure BDA0002974495530000083
S13、构建考虑尾流叠加的全场动态尾流模型。采用平方和模型进行尾流叠加，当风电场输入风速为v0和输入风向为β时，风机j的输入风速vj为：
Figure BDA0002974495530000084
式中，
Figure BDA0002974495530000085
是风电场输入风速到风机j所需要的时间。根据风向对风电场坐标进行变换，从而确定风机迎风顺序。假设风机i是对风机j的产生影响的上风向风机，则自由风流到风机j所需要的时间
Figure BDA0002974495530000086
为：
Figure BDA0002974495530000087
此时，风机j可捕获的功率为：
Figure BDA0002974495530000088
风电场全场可捕获功率为各台风机可捕获功率之和，可表示为:
Figure BDA0002974495530000089
式中，n代表风电场风机数量。
S2、基于风电场动态尾流模型，通过状态方程建立风电场有功功率预测模型。具体包括步骤：
S21、建立系统连续状态方程。p(t)对t求导，可得：
Figure BDA0002974495530000091
根据导数的定义，
Figure BDA0002974495530000092
又可以表达为：
Figure BDA0002974495530000093
其中，Δt表示单位时间间隔。
因此，系统的非线性连续状态方程可以表示为：
Figure BDA0002974495530000094
S22、建立预测模型。首先定义系统变量，如下：
Figure BDA0002974495530000095
其中，x(k+1|k)表示当前时刻k的系统状态变量x(k)在未来k+1时刻的预测值；prate代表风机的额定功率；θ(k)和CT(k)分别表示各个风机在k时刻的偏航角和轴向推力系数的集合。
Δt取1时，x(k+1|k)可以进一步表示为：
Figure BDA0002974495530000096
在预测步长m内的输出预测为：
X(k)＝[x(k+1|k),…,x(k+i|k),…,x(k+m|k)]；
其中，x(k+i|k)表示当前时刻k的系统状态变量x(k)在未来时刻k+i的预测值，其计算公式如下：
Figure BDA0002974495530000097
S3、基于风电场动态尾流模型，构建风电场有功功率优化模型。根据系统状态变量的选取，风电场有功功率最大化也可以表示为：
Figure BDA0002974495530000101
当风机偏航角度过大时，风机的不平衡载荷会随着增加，导致风机产生剧烈振动，严重影响风机寿命。因此需要对风机偏航角进行约束，可表示为：
θmin≤θj≤θmax；
轴向推力系数与风机的风能利用率有关，而风能利用率有一定极限，因此也需要对其进行限制，约束条件表示为：
Figure BDA0002974495530000105
同时，每台风机都有确定的额定功率，因此也需要对每台风机的功率进行约束，可表示为：
0≤pj≤prate；
因此，风电场全场功率优化模型可表示为：
Figure BDA0002974495530000102
S4、采用PSO算法进行风电场有功功率优化求解，如附图2所示，具体步骤包括：
S41、初始化。根据经验和理论分别设置θmin、θmax、
Figure BDA0002974495530000103
和
Figure BDA0002974495530000104
的大小，以及根据风机机型设置相应的风机额定功率。
设置风电场相应的输入风速和风向，初始化风场内各个风机的偏航角和轴向诱导因子，即：
Figure BDA0002974495530000111
S42、计算目标函数。根据全场动态尾流模型，可计算出在相应风况的各个风机输入风速，进而可以计算各个风机的功率pj。
S43、粒子更新速度。粒子的更新速度大小决定着粒子能否较快地寻找到最优解。但当粒子更新速度设置得过大，容易造成PSO算法得最优解来回波动，难以收敛；当粒子更新速度设置得过小，PSO算法容易陷入局部最优解。粒子速度和位置的更新公式可表示为：
Figure BDA0002974495530000112
式中，Vi(t)代表第i个粒子在第t-1次迭代过程中的粒子速度；C1和C2为粒子群的学习因子；G(t-1)为粒子群在第t-1次迭代过程中的最优位置；Pi(t-1)为第i个粒子在第t-1次迭代过程中的最优位置；Xi(t-1)第i个粒子在第t-1次迭代过程中的位置；Vmax是粒子移动的最大速度。
S44、判断结束条件。当目标函数适应度达到预设要求或迭代次数达到最大迭代次数，则算法结束，保存偏航角和轴向推力系数的优化值，否则返回继续迭代。
S5、通过CNN-GRNN混合网络建立风电场系统状态与偏航角优化值、轴向推力系数优化值之间的映射关系。具体步骤包括：
S51、建立样本数据。对风电场输入风向划分36个扇区，在每个扇区下划分输入风速，在这些不同风向和风速下，采用PSO算法进行优化求解，获取各个风机的偏航角优化值θ和轴向推力推力系数优化值CT，并通过全场动态尾流模型获取了各个风机的输入风速和输入风向，从而建立CNN-GRNN的样本数据。然后进行CNN-GRNN混合网络训练，训练可分为两部分：CNN训练和GRNN训练。
S52、进行CNN训练。在已建立的样本数据中，各个风机的输入风速和输入风向用作CNN-GRNN网络的输入；各个风机的偏航角优化值θ和轴向推力推力系数优化值CT用作CNN-GRNN网络的输出。首先，按照一定比例划分训练集和样本集，并进行归一化处理。然后将训练集样本数据输入CNN网络，通过反复训练和参数修改，确定了CNN网络部分的结构与参数。
S53、进行GRNN训练。通过已经训练完毕的CNN网络获取训练集和样本集的特征向量。然后将特征向量作为GRNN网络的输入，各个风机的偏航角优化值θ和轴向推力推力系数优化值CT作为GRNN网络的输出。通过交叉验证确定了GRNN网络的参数。最终，确定了CNN-GRNN混合网络的结构，如附图3所示，从而建立了建立风电场系统状态与偏航角优化值、轴向推力系数优化值之间的映射关系。
S6、构建风电场有功功率离线预测控制器。风电有功功率离线预测控制器可分为两部分：离线计算和在线计算，如附图4所示。离线计算时，在不同输入风速和输入风向下，通过基于PSO的功率优化求解，可以离线得到相应的控制律。在线计算时，只需要通过反馈控制确定当前系统状态，继而用已建立的CNN-GRNN网络计算出当前系统状态下相应的控制律，就能得到相应的控制信号。
本发明针对尾流影响下的风电场有功功率控制问题，从控制角度出发构建了动态尾流模型，可以有效减少控制误差，进一步增加风电场有功功率提升效果；通过深度学习建立风电场系统状态与控制律之间的映射关系，将模型预测控制的在线优化计算过程转化为CNN-GRNN混合网络计算过程，可以大大减少在线运算时间，同时保证了风电场有功功率控制精度。

Claims (7)

1.考虑动态尾流的风电场有功功率离线预测控制器设计方法，其特征在于,包括步骤：
S1、基于偏航角、轴向推力系数对尾流方向和强度的影响，考虑时间变量建立风电场全场动态尾流模型；
S2、基于风电场全场动态尾流模型，通过状态方程建立风电场有功功率预测模型；
S3、基于风电场全场动态尾流模型，构建风电场有功功率优化模型；
S4、采用PSO算法进行风电场有功功率优化求解；
S5、通过CNN-GRNN混合网络建立风电场系统状态与偏航角优化值、轴向推力系数优化值之间的映射关系；
S6、构建风电场有功功率离线预测控制器。
2.根据权利要求1所述的考虑动态尾流的风电场有功功率离线预测控制器设计方法，其特征在于，所述步骤S1具体包括步骤：
S11、构建考虑偏航角和轴向推力系数的静态尾流模型；
具体的，基于Jensen模型，当上风向风机i的输入风速为vi和输入风向为β时，定义尾流速度亏损因子gij，则相邻下风向风机j的输入风速vj为：
Figure FDA0002974495520000011
式中，
Figure FDA0002974495520000012
ri分别为上风向风机i的轴向推力系数和风轮半径；
Figure FDA0002974495520000013
分别为上风向风机i与处在其尾流区域内下风向风机j之间的径向距离和轴向距离，计算公式如下：
Figure FDA0002974495520000014
式中，θi是上风向风机i的偏航角；Lij、βij分别为上风向风机i与处在其尾流区域内下风向风机j之间的距离和夹角；
S12、构建考虑时间变量的动态尾流模型；
具体的，风机i的尾流到下风向风机j的流动时间可表示为：
Figure FDA0002974495520000021
风机j在t时刻的输入风速为：
vj(t)＝vi(t-τi→j)[1-gij(t-τi→j)]；
Figure FDA0002974495520000022
式中，
Figure FDA0002974495520000023
计算公式如下：
Figure FDA0002974495520000024
S13、构建考虑尾流叠加的全场动态尾流模型；
具体的，当风电场输入风速为v0和输入风向为β时，风机j的输入风速vj为：
Figure FDA0002974495520000025
式中，
Figure FDA0002974495520000026
是风电场输入风速到风机j所需要的时间；假设风机i是对风机j的产生影响的上风向风机，则自由风流到风机j所需要的时间为：
Figure FDA0002974495520000027
此时，风机j可捕获的功率为：
Figure FDA0002974495520000028
风电场全场可捕获功率为各台风机可捕获功率之和，可表示为：
Figure FDA0002974495520000029
式中，n代表风电场风机数量。
3.根据权利要求1所述的考虑动态尾流的风电场有功功率离线预测控制器设计方法，其特征在于，所述步骤S2具体包括步骤：
S21、建立系统连续状态方程：
Figure FDA0002974495520000031
其中，Δt表示单位时间间隔；
S22、建立预测模型；
具体的，首先定义系统变量，如下：
Figure FDA0002974495520000032
其中，x(k+1|k)表示当前时刻k的系统状态变量x(k)在未来k+1时刻的预测值；prate代表风机的额定功率；θ(k)和CT(k)分别表示各个风机在k时刻的偏航角和轴向推力系数的集合；
Δt取1时，x(k+1|k)可以进一步表示为：
Figure FDA0002974495520000033
在预测步长m内的输出预测为：
X(k)＝[x(k+1|k),…,x(k+i|k),…,x(k+m|k)]；
其中，x(k+j|k)表示当前时刻k的系统状态变量x(k)在未来时刻k+i的预测值，其计算公式如下：
Figure FDA0002974495520000034
4.根据权利要求1所述的考虑动态尾流的风电场有功功率离线预测控制器设计方法，其特征在于，所述步骤S3中的优化模型为：
Figure FDA0002974495520000041
5.根据权利要求1所述的考虑动态尾流的风电场有功功率离线预测控制器设计方法，其特征在于，所述步骤S4具体包括步骤：
S41、初始化；
S42、计算目标函数；
S43、粒子更新速度，粒子速度和位置的更新公式可表示为：
Figure FDA0002974495520000042
式中，Vi(t)代表第i个粒子在第t-1次迭代过程中的粒子速度；C1和C2为粒子群的学习因子；G(t-1)为粒子群在第t-1次迭代过程中的最优位置；Pi(t-1)为第i个粒子在第t-1次迭代过程中的最优位置；Xi(t-1)第i个粒子在第t-1次迭代过程中的位置；Vmax是粒子移动的最大速度；
S44、判断结束条件，当目标函数适应度达到预设要求或迭代次数达到最大迭代次数，则算法结束，保存偏航角和轴向推力系数的优化值，否则返回继续迭代。
6.根据权利要求1所述的考虑动态尾流的风电场有功功率离线预测控制器设计方法，其特征在于，所述步骤S5具体包括步骤：
S51、建立样本数据；
S52、进行CNN训练；
S53、进行GRNN训练。
7.根据权利要求1所述的考虑动态尾流的风电场有功功率离线预测控制器设计方法，其特征在于，所述步骤S6中的风电场有功功率离线预测控制器包括离线计算和在线计算；
离线计算时，在不同输入风速和输入风向下，通过基于PSO的功率优化求解，可以离线得到相应的控制律；
在线计算时，只需要通过反馈控制确定当前系统状态，继而用已建立的CNN-GRNN网络计算出当前系统状态下相应的控制律，就能得到相应的控制信号。
CN202110271257.0A 2021-03-12 2021-03-12 考虑动态尾流的风电场有功功率离线预测控制器设计方法 Active CN112883652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110271257.0A CN112883652B (zh) 2021-03-12 2021-03-12 考虑动态尾流的风电场有功功率离线预测控制器设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110271257.0A CN112883652B (zh) 2021-03-12 2021-03-12 考虑动态尾流的风电场有功功率离线预测控制器设计方法

Publications (2)

Publication Number Publication Date
CN112883652A true CN112883652A (zh) 2021-06-01
CN112883652B CN112883652B (zh) 2022-10-28

Family

ID=76041526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110271257.0A Active CN112883652B (zh) 2021-03-12 2021-03-12 考虑动态尾流的风电场有功功率离线预测控制器设计方法

Country Status (1)

Country Link
CN (1) CN112883652B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688581A (zh) * 2021-07-28 2021-11-23 国网冀北张家口风光储输新能源有限公司 风电场有功出力优化控制的方法、装置、电子设备及介质
CN114006411A (zh) * 2021-09-28 2022-02-01 中南大学 一种基于lstm-cnn联合模型的风电功率预测方法和系统
CN114417692A (zh) * 2021-11-24 2022-04-29 中国电建集团华东勘测设计研究院有限公司 带约束的风电场尾流效应粒子群优化方法
CN114511158A (zh) * 2022-04-19 2022-05-17 南京理工大学 基于尾流偏转效应和2DJensen模型的风力机功率预测方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN105868848A (zh) * 2016-03-25 2016-08-17 湘潭大学 一种机组间偏航和有功功率综合协调的风电场增效方法
US20170051723A1 (en) * 2014-02-12 2017-02-23 Vestas Wind Systems A/S Active power boost during wake situation
CN108368827A (zh) * 2015-05-18 2018-08-03 Abb瑞士股份有限公司 风电场惯性响应
CN108446515A (zh) * 2018-03-30 2018-08-24 河海大学 一种基于双馈风力发电机组短路电流特征分析的风电场等值方法
CN108547735A (zh) * 2018-04-17 2018-09-18 中南大学 风电场有功输出和机组疲劳的综合优化控制方法
CN108708825A (zh) * 2018-05-15 2018-10-26 浙江运达风电股份有限公司 一种考虑机组尾流的风电场偏航控制方法
US20190081478A1 (en) * 2017-09-12 2019-03-14 Schneider Electric Industries Sas Method for monitoring and controlling an electrical network
CN110175684A (zh) * 2019-05-30 2019-08-27 上海电力学院 一种海上风电场运维方法及装置
CN110535174A (zh) * 2019-07-23 2019-12-03 电子科技大学 一种考虑风电场疲劳载荷分布和产能的有功功率控制方法
CN110728066A (zh) * 2019-10-18 2020-01-24 华北电力大学 一种风电场扇区优化方法及系统
CN111342489A (zh) * 2020-02-28 2020-06-26 重庆大学 基于双馈风电场主动功率控制的电网故障电压提升方法
CN111476293A (zh) * 2020-04-03 2020-07-31 河海大学 一种计及风速风向的风电场分群方法
CN111608868A (zh) * 2020-05-27 2020-09-01 上海海事大学 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
US20170051723A1 (en) * 2014-02-12 2017-02-23 Vestas Wind Systems A/S Active power boost during wake situation
CN108368827A (zh) * 2015-05-18 2018-08-03 Abb瑞士股份有限公司 风电场惯性响应
CN105868848A (zh) * 2016-03-25 2016-08-17 湘潭大学 一种机组间偏航和有功功率综合协调的风电场增效方法
US20190081478A1 (en) * 2017-09-12 2019-03-14 Schneider Electric Industries Sas Method for monitoring and controlling an electrical network
CN108446515A (zh) * 2018-03-30 2018-08-24 河海大学 一种基于双馈风力发电机组短路电流特征分析的风电场等值方法
CN108547735A (zh) * 2018-04-17 2018-09-18 中南大学 风电场有功输出和机组疲劳的综合优化控制方法
CN108708825A (zh) * 2018-05-15 2018-10-26 浙江运达风电股份有限公司 一种考虑机组尾流的风电场偏航控制方法
CN110175684A (zh) * 2019-05-30 2019-08-27 上海电力学院 一种海上风电场运维方法及装置
CN110535174A (zh) * 2019-07-23 2019-12-03 电子科技大学 一种考虑风电场疲劳载荷分布和产能的有功功率控制方法
CN110728066A (zh) * 2019-10-18 2020-01-24 华北电力大学 一种风电场扇区优化方法及系统
CN111342489A (zh) * 2020-02-28 2020-06-26 重庆大学 基于双馈风电场主动功率控制的电网故障电压提升方法
CN111476293A (zh) * 2020-04-03 2020-07-31 河海大学 一种计及风速风向的风电场分群方法
CN111608868A (zh) * 2020-05-27 2020-09-01 上海海事大学 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KUICHAO MA等: "《Optimal Power Dispatch of an Offshore Wind Farm under Generator Fault》", 《APPLIED SCIENCES 2019》 *
李景瑞: "《考虑风机布局的风场出力预测研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
舒鹏 等: "《基于DPC-SVM策略的双馈感应电机风力发电系统的研究》", 《中国电力教育》 *
陈刚 等: "《电液位置伺服系统的多滑模神经网络控制》", 《控制与决策》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688581A (zh) * 2021-07-28 2021-11-23 国网冀北张家口风光储输新能源有限公司 风电场有功出力优化控制的方法、装置、电子设备及介质
CN114006411A (zh) * 2021-09-28 2022-02-01 中南大学 一种基于lstm-cnn联合模型的风电功率预测方法和系统
CN114417692A (zh) * 2021-11-24 2022-04-29 中国电建集团华东勘测设计研究院有限公司 带约束的风电场尾流效应粒子群优化方法
CN114417692B (zh) * 2021-11-24 2022-12-13 中国电建集团华东勘测设计研究院有限公司 带约束的风电场尾流效应粒子群优化方法
CN114511158A (zh) * 2022-04-19 2022-05-17 南京理工大学 基于尾流偏转效应和2DJensen模型的风力机功率预测方法
CN114511158B (zh) * 2022-04-19 2022-06-21 南京理工大学 基于尾流偏转效应和2DJensen模型的风力机功率预测方法

Also Published As

Publication number Publication date
CN112883652B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
CN112883652B (zh) 考虑动态尾流的风电场有功功率离线预测控制器设计方法
WO2017186178A1 (zh) 储能电站自适应动态规划的控制方法、系统和存储介质
CN111158349B (zh) 基于多步线性化策略的无人驾驶车辆模型预测控制方法
CN101598109B (zh) 一种风力发电机偏航系统的智能控制方法
CN104595106B (zh) 基于强化学习补偿的风力发电变桨距控制方法
CN111173678B (zh) 一种rbf神经网络俯仰干扰补偿的风力机舱悬浮控制方法
CN110888317A (zh) 一种pid控制器参数智能优化方法
CN105888971B (zh) 一种大型风力机叶片主动降载控制系统及方法
CN105673325A (zh) 基于rbf神经网络pid的风电机组独立变桨控制方法
CN102589092A (zh) 基于新型模糊控制器的室内环境热舒适度控制方法
CN101286044A (zh) 一种燃煤锅炉系统混合建模方法
CN113852098B (zh) 一种基于多目标蜻蜓算法的自动发电控制调度方法
CN112632774A (zh) 一种基于动态模态分解的数据驱动风电场频率控制方法
CN104500336A (zh) 一种基于Hammerstein-Wiener模型的风电机组恒功率广义预测控制方法
CN111781835A (zh) 一种镇定二阶惯性加纯滞后系统的线性自抗扰控制器设计方法
CN105116733A (zh) 改良型粒子群寻优神经网络超声波电机控制系统及其方法
CN117093033A (zh) 基于粒子群算法优化pid参数的电阻加热炉温度控制系统
CN114722693A (zh) 一种水轮机调节系统二型模糊控制参数的优化方法
Ayoubi et al. Intelligent control of a large variable speed wind turbine
CN112990674A (zh) 一种海上浮式风电场多目标运行调度方法
Wang et al. Construction of offline predictive controller for wind farm based on CNN–GRNN
Wu et al. Artificial intelligence in agricultural picking robot displacement trajectory tracking control algorithm
Kou et al. Neural network intelligent control based on MPSO
CN112894819A (zh) 一种基于双神经网络的机器人动力学运动控制方法及装置
Chen et al. Generalized predictive control application scheme for nonlinear hydro-turbine regulation system: Based on a precise novel control structure

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