CN112990674A - 一种海上浮式风电场多目标运行调度方法 - Google Patents
一种海上浮式风电场多目标运行调度方法 Download PDFInfo
- Publication number
- CN112990674A CN112990674A CN202110226023.4A CN202110226023A CN112990674A CN 112990674 A CN112990674 A CN 112990674A CN 202110226023 A CN202110226023 A CN 202110226023A CN 112990674 A CN112990674 A CN 112990674A
- Authority
- CN
- China
- Prior art keywords
- offshore floating
- power plant
- wind
- fan
- wind 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.)
- Pending
Links
- 238000007667 floating Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000006870 function Effects 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 7
- 238000011176 pooling Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- 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
-
- 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
- H02J3/381—Dispersed generators
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明一种海上浮式风电场多目标运行调度方法，设定一个至少包含两个风机的海上浮式风电场，海上浮式风电场的单台风机模型相互独立，约束独立；建立基于CNN‑LSTM的海上浮式风电场预测模型；基于预测模型输出的预测步长内的风机预测功率，设定目标函数；对风机模型中的变量给定约束值；使用差分算法的方法进行求解。本发明综合考虑了风、浪、尾流效应和疲劳对海上浮式风电场发电量的影响，建立了具有深度学习结构的CNN‑LSTM混合模型来预测风电场出力；解决了海上浮式风电场的运行调度问题，减轻了风机系统的计算负担与通信负担，在保证风电场安全运行的前提下使风电场的输出可以达到最大的效益。
Description
技术领域
本发明涉及一种多目标运行调度方法，具体涉及一种海上浮式风电场多目标运行调度方法，属于海上浮式风电场优化运行领域。
背景技术
随着经济社会的进步和发展，人们对能源的需求越来越多，在陆地资源短缺和环境问题日益严重的背景下，逐渐把发展焦点转向了资源丰富的辽阔海域。海上风能因技术成熟、可靠和资源丰富等优点受到人们的广泛关注，发展海上风能是必然趋势。随着海洋深度的增加，其潜在的风能资源总量也逐渐变大，但在水深超过50米的区域内安装固定式风力机耗费成本极大，所以建造浮式风力机成为海上风电发展的趋势。但是，目前海上浮式风电场通常使用单台风机的控制方式，导致整个风电场不是以最佳方式运行。由于海上风电工况恶劣，相比于陆上风机，浮式风机会遇到风、浪、流的耦合作用，所受载荷比较复杂，另外，因尾流效应，风力机组间存在气动耦合。这些因素会造成风电场出力减少，产生机组疲劳。因此，有必要考虑风、浪和尾流效应的影响，预测海上风力发电机出力，并基于预测结果开发一种高效的海上浮式风电场控制策略来协调大规模风电场的机组运行，合理分配风电机组的调度计划。
海上浮式风电场的控制总目标为控制风机群输出的总功率最大，风机疲劳载荷最小、改变风力机桨矩、桨矩角及偏航角等控制命令最小。风机的功率输出受到输入风速、发电机转速、桨距角和偏航角多种因素的影响，疲劳载荷受到发电机转矩和桨距角的影响。目前已研究出一些方法来改进海上风电场运行的控制策略。利用有限的数据，探讨了用贝叶斯递增算法求解风电机组最优协调控制动作的可行性；使用多个估计梯度构建了基于群体博弈的分布式风电场控制模型；提出了一种以最小化尾流效应造成的功率损失为目标的预测控制。
然而，上述控制方案大多是基于解析风电场模型或大涡模拟研究而设计的，在模拟高维的湍流风场时计算量大，计算耗时长，难以满足实时控制与实时调度的要求。同时优化方法通常也是基于成本函数的估计梯度，可能导致局部次优解。
发明内容
本发明的目的是为了提高风电场的功率输出而提供了一种海上浮式风电场多目标运行调度方法。
本发明的目的是这样实现的：
一种海上浮式风电场多目标运行调度方法，包括如下步骤:
步骤1，设定一个至少包含两个风机的海上浮式风电场，海上浮式风电场的单台风机模型相互独立，约束独立；
步骤2，建立基于CNN-LSTM的海上浮式风电场预测模型；风机附加考虑了浪、尾流效应和塔架的影响，风和浪的推力作用会使塔架偏移，造成作用到叶片上的有效风速发生变化；同时，尾流效应会显著影响下风向机组输入风速，风机预测模型的所有状态变量包括转子角速度、纵向和横向风速、压力、盘基推力系数、偏航角、发电机角速度、叶尖速比、桨距角、发电机转矩，控制变量包括发电机转矩、桨距角、偏航角，输出量包括风速、发电机转速和发电机功率；
步骤3，基于预测模型输出的预测步长内的风机预测功率，设定目标函数；目标函数的设定方法是：将整个海上浮式风电场设定为一盒综合实时优化对象，基于整个风电场拓扑确定控制信号，目标函数为所有风机的目标函数之和：
式中，q4n为第n台风机的权重，
以第n台风机模型为例，k时刻第n台风机的目标由三部分组成，
第一部分为输出功率最大化，第二部分为疲劳损失最小化，第三部分为控制命令最小化，N表示风电场内风机模型总数，Np是预测步长，Nc是控制步长，，Q1n为最大化风机发电的负权重，q2n为用于惩罚机组疲劳使用的权重，q3n是用于惩罚执行器使用的权重；
步骤4，对风机模型中的变量给定约束值；海上浮式电场的每一台风机模型需要约束的变量包括发电机转矩、发电机转矩增量、桨距角、桨距角增量、偏航角和偏航角增量，
式中，Tgnmin、Tgnmax、ΔTgnmin和ΔTgnmax分别是第n台风力机的发动机转矩和转矩增量的下限和上限，βgnmin、βgnmax、Δβgnmin,和Δβgnmax分别是第n台风力机的桨距角控制命令和桨距控制命令增量的下限和上限，γgnmin,γgnmax,Δγgnmin和Δγgnmax分别是第n台风力机的偏航角控制命令和偏航控制命令增量的下限和上限，ΔTgn(k+i|k),Δβrn(k+i|k)和Δγrn(k+i|k)分别是第n台风力机在时间步长k+i时的发电机转矩、变桨距控制命令和偏航控制命令的增量值；
步骤5，使用差分算法的方法进行求解，通过滚动时域，在时刻k优化后获得k-(k+Nc)时刻内的最优控制序列，并应用最优控制序列的第一步uk，通过海上浮式风电场模型获得k+1时刻的风速、桨距角和转矩，构成实时闭环反馈校正环节，随后重复该优化过程，直到求出调度周期内所有时刻风机的出力计划，完成海上浮式风电场的多目标运行调度。
所述预测步长为3，控制步长为2。
与现有技术相比，本发明的有益效果是：
本发明综合考虑了风、浪、尾流效应和疲劳对海上浮式风电场发电量的影响，建立了具有深度学习结构的CNN-LSTM混合模型来预测风电场出力；通过设定新的目标函数和模型以及使用差分算法的求解方法，解决了海上浮式风电场的运行调度问题，减轻了风机系统的计算负担与通信负担，在保证风电场安全运行的前提下使风电场的输出可以达到最大的效益。
附图说明
图1为本发明实施例的基于CNN-LSTM模型的海上浮式风电场预测架构；
图2为本发明实施例的分布式MPC方法流程图
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
参阅图1所示，其为本发明实施例的基于CNN-LSTM模型的海上浮式风电场预测架构，包括七个带权重的层，其中包含两个卷积层，每个卷积层之后都有MAX池化，一个LSTM层、一个丢弃层(图1中未示出)和一个用于输出预测的全连接的输出层。
继续参阅图1所示，输入数据经过预处理，每个数据记录包含50个时间片，第一个卷积层定义了核大小为3的卷积核，输出一个50*64的神经元矩阵。
继续参阅图1所示，第一卷积层之后使用第一个MAX池化层，以防止数据过拟合并降低输出的复杂性，该层的池长为3，即输出矩阵为输入矩阵的三分之一。
继续参阅图1所示，第一个MAX池化层后增加了LSTM隐藏层，形成了混合CNN-LSTM结构，每个LSTM单元由输入门、输出门和遗忘门三部分组成，具有从输入序列学习长程相关性的能力。
继续参阅图1所示，最后一层为全连通输出层，重组卷积层学习的内容，通过使用矩阵乘法将神经网络结构改变为单一的一维向量，降低了维数，加快了前向传播过程。
参阅图2所示，其为本发明实施例的分布式模型预测控制方法流程图，本实施例方法步骤包括：
步骤1，设定一个至少包含两个风机的海上浮式风电场，海上浮式风电场的单台风机模型相互独立，约束独立；
步骤2，建立基于CNN-LSTM的海上浮式风电场预测模型；风机附加考虑了浪、尾流效应和塔架的影响，风和浪的推力作用会使塔架偏移，造成作用到叶片上的有效风速发生变化。同时，尾流效应会显著影响下风向机组输入风速。风机预测模型的所有状态变量包括转子角速度、纵向和横向风速、压力、盘基推力系数、偏航角、发电机角速度、叶尖速比、桨距角、发电机转矩，控制变量包括发电机转矩、桨距角、偏航角，输出量包括风速、发电机转速和发电机功率。
步骤3，基于预测模型输出的预测步长内的风机预测功率，设定目标函数；目标函数的设定方法是：将整个海上浮式风电场设定为一盒综合实时优化对象，基于整个风电场拓扑确定控制信号，目标函数为所有风机的目标函数之和。
式中，q4n为第n台风机的权重。
以第n台风机模型为例，k时刻第n台风机的目标由三部分组成，
第一部分为输出功率最大化，第二部分为疲劳损失最小化，第三部分为控制命令最小化。N表示风电场内风机模型总数，Np是预测步长，本发明设定为3，Nc是控制步长，本发明设定为2。Q1n为最大化风机发电的负权重，q2n为用于惩罚机组疲劳使用的权重，q3n是用于惩罚执行器使用的权重。
步骤4，对风机模型中的变量给定约束值；海上浮式电场的每一台风机模型需要约束的变量包括发电机转矩、发电机转矩增量、桨距角、桨距角增量、偏航角和偏航角增量。
式中，Tgnmin、Tgnmax、ΔTgnmin和ΔTgnmax分别是第n台风力机的发动机转矩和转矩增量的下限和上限，βgnmin、βgnmax、Δβgnmin,和Δβgnmax分别是第n台风力机的桨距角控制命令和桨距控制命令增量的下限和上限。γgnmin,γgnmax,Δγgnmin和Δγgnmax分别是第n台风力机的偏航角控制命令和偏航控制命令增量的下限和上限，ΔTgn(k+i|k),Δβrn(k+i|k)和Δγrn(k+i|k)分别是第n台风力机在时间步长k+i时的发电机转矩、变桨距控制命令和偏航控制命令的增量值。
步骤5，使用差分算法的方法进行求解，通过滚动时域，在时刻k优化后获得k-(k+Nc)时刻内的最优控制序列，并应用最优控制序列的第一步uk，通过海上浮式风电场模型获得k+1时刻的风速、桨距角和转矩，构成实时闭环反馈校正环节，随后重复该优化过程，直到求出调度周期内所有时刻风机的出力计划，完成海上浮式风电场的多目标运行调度。
针对现有技术存在的问题，本发明提供了一种基于深度学习预测和MPC控制的海上浮式风电场多目标运行调度方法，用以提高风电场的功率输出。
本发明采用的技术方案是：包括以下步骤
1：建立海上动态浮式风电场模型:；
一般采用标准的不可压缩三维Navier-Stokes方程对风电场的流体动力学模型进行建模，
E(q(k)q(k+1))＝Aq(k)+b(q(k),w(k)) (1)
式中:E(q(k))是包含空间离散化后的扩散项和对流项的非奇异平方描述符矩阵，q(k)是包括沿时间步长k的网格点的纵向和横向流速和压力变量的状态向量，A是表示取决于所选采样时间的流动的时间离散化的常数矩阵，b(q(k),w(k))包含涡轮强迫项和边界条件，w(k)是控制变量的矢量，包括在时间步长k处的盘基推力系数c(k)和偏航角γ(k)。
(1)是可以表示复杂的尾迹相互作用和湍流。
对于Np个时间步长提前预测，(1)式可以扩展为
风力涡轮机的流入风速可以用状态变量q(k)来表示：
式中，Vn表示涡轮机n的流入风速
2：建立海上动态风力机模型；
式中，βn、βrn和τβ分别是桨距系统的桨距角度、桨距控制命令和时间常数。
利用与桨距系统相似的原理，偏航机构动力学可表示为
式中，γn、γrn和τβ分别是偏航机构的偏航角度、偏航控制命令和时间常数。
3：建立基于CNN-LSTM的混合预测模型
共分为7个带权重的层，包括两个卷积层，每个卷积层后两个MAX池化层，一个LSTM层，一个丢弃层和一个用于输出预测的全连接的输出层。
经过预处理输入数据后，输出一个50*64的神经元矩阵。在第一个卷积层后使用第一max池化层，以防止数据过拟合并降低输出的复杂性。之后的LSTM层具有从输入序列学习长程相关性的能力，为了减少过拟合，在LSTM层后增加了一个丢弃层。
4：基于CNN-LSTM的风电场预测模型设计MPC控制策略
单台风机的目标函数为
式中，q1n是用于最大化风力机发电的负权重，q2n为用于惩罚机组疲劳使用的权重，q3n是用于惩罚执行器使用的权重。
式中，Vn表示流入风机的风速，
表示发电机转速，βn表示桨距角，γn表示偏航角。
Fn(k+i|k)＝fF(Vn(k+i|k),Tn(k+i|k)) (8)
式中，Vn表示流入风机的风速，Tn表示发电机桨矩。
un(k+i|k)＝[Tgn(k+i|k),βrn(k+i|k),γrn(k+i|k)]T (9)
式中，Tgn表示发电机桨矩，βrn表示桨距角，γrn表示偏航角。该式表示在时刻k+i处的控制输入向量。
整个风电场的目标函数为
式中，q4n表示第n台发电机的权重。Jn表示第n台发电机的目标函数。
此外，为了保证风电场的安全运行，需要满足以下对实际控制输入的约束。
式中，Tgnmin、Tgnmax、ΔTgnmin和ΔTgnmax分别是第n台风力机的发动机转矩和转矩增量的下限和上限，βgnmin、βgnmax、Δβgnmin,和Δβgnmax分别是第n台风力机的桨距角控制命令和桨距控制命令增量的下限和上限。γgnmin,γgnmax,Δγgnmin和Δγgnmax分别是第n台风力机的偏航角控制命令和偏航控制命令增量的下限和上限，ΔTgn(k+i|k),Δβrn(k+i|k)和Δγrn(k+i|k)分别是第n台风力机在时间步长k+i时的发电机转矩、变桨距控制命令和偏航控制命令的增量值。
基于协调的分布式MPC可以定义为
目标函数10使得风电场开发的分布式MPC不同于前述的分散式MPC，它是一种协作式风电场级闭环控制范例。
5：求解算法
为了解决上述控制问题，采用差分进化算法，该算法收敛速度快，适用于大规模风电场的迭代优化。在每个控制步长进行优化之后，可以在每个有限时间范围内获得最优控制序列，并应用最优控制序列的第一步，通过海上浮式风电场模型获得下一个时刻的风速、桨距角和转矩，形成实时闭环反馈校正，然后重复该优化过程，直到求出调度周期内所有时刻风机的出力计划，完成海上浮式风电场的多目标运行调度。
Claims (2)
1.一种海上浮式风电场多目标运行调度方法，其特征在于，包括如下步骤:
步骤1，设定一个至少包含两个风机的海上浮式风电场，海上浮式风电场的单台风机模型相互独立，约束独立；
步骤2，建立基于CNN-LSTM的海上浮式风电场预测模型；风机附加考虑了浪、尾流效应和塔架的影响，风和浪的推力作用会使塔架偏移，造成作用到叶片上的有效风速发生变化；同时，尾流效应会显著影响下风向机组输入风速，风机预测模型的所有状态变量包括转子角速度、纵向和横向风速、压力、盘基推力系数、偏航角、发电机角速度、叶尖速比、桨距角、发电机转矩，控制变量包括发电机转矩、桨距角、偏航角，输出量包括风速、发电机转速和发电机功率；
步骤3，基于预测模型输出的预测步长内的风机预测功率，设定目标函数；目标函数的设定方法是：将整个海上浮式风电场设定为一盒综合实时优化对象，基于整个风电场拓扑确定控制信号，目标函数为所有风机的目标函数之和：
式中，q4n为第n台风机的权重，
以第n台风机模型为例，k时刻第n台风机的目标由三部分组成，
第一部分为输出功率最大化，第二部分为疲劳损失最小化，第三部分为控制命令最小化，N表示风电场内风机模型总数，Np是预测步长，Nc是控制步长，，Q1n为最大化风机发电的负权重，q2n为用于惩罚机组疲劳使用的权重，q3n是用于惩罚执行器使用的权重；
步骤4，对风机模型中的变量给定约束值；海上浮式电场的每一台风机模型需要约束的变量包括发电机转矩、发电机转矩增量、桨距角、桨距角增量、偏航角和偏航角增量，
式中，Tgnmin、Tgnmax、ΔTgnmin和ΔTgnmax分别是第n台风力机的发动机转矩和转矩增量的下限和上限，βgnmin、βgnmax、Δβgnmin,和Δβgnmax分别是第n台风力机的桨距角控制命令和桨距控制命令增量的下限和上限，γgnmin,γgnmax,Δγgnmin和Δγgnmax分别是第n台风力机的偏航角控制命令和偏航控制命令增量的下限和上限，ΔTgn(k+i|k),Δβrn(k+i|k)和Δγrn(k+i|k)分别是第n台风力机在时间步长k+i时的发电机转矩、变桨距控制命令和偏航控制命令的增量值；
步骤5，使用差分算法的方法进行求解，通过滚动时域，在时刻k优化后获得k-(k+Nc)时刻内的最优控制序列，并应用最优控制序列的第一步uk，通过海上浮式风电场模型获得k+1时刻的风速、桨距角和转矩，构成实时闭环反馈校正环节，随后重复该优化过程，直到求出调度周期内所有时刻风机的出力计划，完成海上浮式风电场的多目标运行调度。
2.根据权利要求1所述的一种海上浮式风电场多目标运行调度方法，其特征在于，所述预测步长为3，控制步长为2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110226023.4A CN112990674A (zh) | 2021-03-01 | 2021-03-01 | 一种海上浮式风电场多目标运行调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110226023.4A CN112990674A (zh) | 2021-03-01 | 2021-03-01 | 一种海上浮式风电场多目标运行调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112990674A true CN112990674A (zh) | 2021-06-18 |
Family
ID=76351613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110226023.4A Pending CN112990674A (zh) | 2021-03-01 | 2021-03-01 | 一种海上浮式风电场多目标运行调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112990674A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113375476A (zh) * | 2021-06-25 | 2021-09-10 | 新奥数能科技有限公司 | 冷却塔风机群组的功率控制方法、装置和计算机设备 |
| CN116667344A (zh) * | 2023-07-31 | 2023-08-29 | 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 |
| CN117418999A (zh) * | 2023-08-31 | 2024-01-19 | 广东电网有限责任公司 | 一种海上风电机组出力控制方法及相关装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190019080A1 (en) * | 2015-12-31 | 2019-01-17 | Vito Nv | Methods, controllers and systems for the control of distribution systems using a neural network architecture |
| CN109991851A (zh) * | 2019-04-16 | 2019-07-09 | 华北电力大学 | 一种应用于大规模风电场的分布式经济模型预测控制方法 |
| CN110033204A (zh) * | 2019-04-23 | 2019-07-19 | 上海电力学院 | 考虑海上风电场疲劳分布均匀性的发电检修联合调度方法 |
-
2021
- 2021-03-01 CN CN202110226023.4A patent/CN112990674A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190019080A1 (en) * | 2015-12-31 | 2019-01-17 | Vito Nv | Methods, controllers and systems for the control of distribution systems using a neural network architecture |
| CN109991851A (zh) * | 2019-04-16 | 2019-07-09 | 华北电力大学 | 一种应用于大规模风电场的分布式经济模型预测控制方法 |
| CN110033204A (zh) * | 2019-04-23 | 2019-07-19 | 上海电力学院 | 考虑海上风电场疲劳分布均匀性的发电检修联合调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| XIUXING YIN,ETC: "Deep Neural Learning Based Distributed Predictive Control for Offshore Wind Farm Using High-Fidelity LES Data", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113375476A (zh) * | 2021-06-25 | 2021-09-10 | 新奥数能科技有限公司 | 冷却塔风机群组的功率控制方法、装置和计算机设备 |
| CN116667344A (zh) * | 2023-07-31 | 2023-08-29 | 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 |
| 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 |
| CN117418999A (zh) * | 2023-08-31 | 2024-01-19 | 广东电网有限责任公司 | 一种海上风电机组出力控制方法及相关装置 |
| CN117418999B (zh) * | 2023-08-31 | 2024-09-13 | 广东电网有限责任公司 | 一种海上风电机组出力控制方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112990674A (zh) | 一种海上浮式风电场多目标运行调度方法 | |
| Annoni et al. | Evaluating wake models for wind farm control | |
| Yin et al. | Deep neural learning based distributed predictive control for offshore wind farm using high-fidelity LES data | |
| CN101598109B (zh) | 一种风力发电机偏航系统的智能控制方法 | |
| CN114580152A (zh) | 一种基于多体耦合分析的浮式风电结构基础局部应力时域分析方法 | |
| US11629694B2 (en) | Wind turbine model based control and estimation with accurate online models | |
| Gu et al. | Cooperative multiagent optimization method for wind farm power delivery maximization | |
| CN112084727A (zh) | 一种基于神经网络的转捩预测方法 | |
| Froese et al. | Optimal layout design of floating offshore wind farms | |
| CN116221021A (zh) | 一种基于多层人工智能体系的风电场协同偏航控制方法 | |
| CN116628894B (zh) | 基于深度学习的水翼设计优化方法及水翼设计优化框架 | |
| CN105626378A (zh) | 基于rbf神经网络的大型风电机组独立变桨控制方法 | |
| Shu et al. | Decentralised optimisation for large offshore wind farms using a sparsified wake directed graph | |
| CN115544884A (zh) | 一种基于数据驱动的大型风电场尾流快速计算方法及系统 | |
| CN117313526A (zh) | 一种漂浮式海上风力机的耦合协同仿真计算方法 | |
| CN111897240B (zh) | 一种基于核动力系统运行的仿真方法及系统 | |
| CN115333168A (zh) | 一种基于分布式滚动优化的海上风电场场级控制策略 | |
| Ma et al. | An innovative aerodynamic design methodology of wind turbine blade models for wind tunnel real-time hybrid tests based on genetic algorithm | |
| CN116628854A (zh) | 一种翼型气动特性预测方法、系统、电子设备及存储介质 | |
| Yu et al. | Reinforcement learning-based multi-objective differential evolution for wind farm layout optimization | |
| Brown et al. | Rapidly recovering wind turbine wakes with dynamic pitch and rotor speed control | |
| Shektaei et al. | Multi model robust control design for a floating offshore variable speed wind turbine with tension leg platform | |
| Wang et al. | Construction of offline predictive controller for wind farm based on CNN–GRNN | |
| Poushpas | Wind farm simulation modelling and control | |
| Yin et al. | Deep learning-accelerated optimization algorithm for controller parameters optimization of doubly-fed induction generators |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |
|
| RJ01 | Rejection of invention patent application after publication |