CN113033012A - 分层数据驱动的风电场发电功率优化方案 - Google Patents

分层数据驱动的风电场发电功率优化方案 Download PDF

Info

Publication number
CN113033012A
CN113033012A CN202110374351.9A CN202110374351A CN113033012A CN 113033012 A CN113033012 A CN 113033012A CN 202110374351 A CN202110374351 A CN 202110374351A CN 113033012 A CN113033012 A CN 113033012A
Authority
CN
China
Prior art keywords
wind
power generation
optimization
power
node
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
Application number
CN202110374351.9A
Other languages
English (en)
Inventor
耿华
许志伟
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110374351.9A priority Critical patent/CN113033012A/zh
Publication of CN113033012A publication Critical patent/CN113033012A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)

Abstract

本公开提供了一种分层数据驱动的风电场发电功率优化方案，包括：根据风电场的历史发电数据，计算风电场在所有风向下的发电效率数据；基于发电效率数据，将整个风向区间划分为m个风向子区间，其中风电场的发电效率对风向在每个风向子区间中的变化不敏感；对每个风向子区间定义风电场的发电效率优化子问题；针对每个优化子问题，利用提出的随机投影单纯形算法求解。提出的算法可利用实时测量的发电数据快速提升风电场的功率输出并有能力找到子问题的最优解。m个提出的算法并行执行，构成了整个风电场的发电功率优化方案。该方案可适应复杂风况。

Description

分层数据驱动的风电场发电功率优化方案
技术领域
本公开涉及优化方法，风电机组协同控制方法及风电场集中式控制器的设计领域，具体涉及数据驱动的随机投影单纯形法，分层数据驱动的风电场集中式发电功率优化方案。
背景技术
风电场的发电功率优化方法主要有两类：基于模型的方法和基于数据驱动的方法。
基于模型的方法主要利用建立的解析发电功率模型，设计功率优化方案，例如启发式算法、梯度法。由于风电机组间的尾流耦合非常复杂，解析的发电功率模型难以对其进行准确刻画，尤其是对于一些建立在高地或丘陵地带的风电场。于是，基于解析模型的方法难以有效提升风电场的功率输出。为了克服这种局限性，有作者研究基于计算流体动力学(Computational Fluid Dynamics(CFD))模型的控制方案，例如基于大涡模拟的共轭梯度法。尽管CFD模型的使用提高了建模精度，但基于这种模型的优化方案需要巨大的计算资源。这在实际中往往是不可行的。综上所述，基于模型的方法在风场功率优化问题中面临各种困难，导致其难以实用。
为了克服对发电功率模型的依赖性，基于数据驱动的优化方法得到了广泛关注。这类方法仅通过控制输入和测量的发电数据优化风电场的功率输出。提出的数据驱动方法包括安全实验动力学(Safe Experimentation Dynamics，SED)方法、逐步离散随机逼近法(Aggressive Discrete Stochastic Approximation Algorithm)、最佳相对步长随机搜索法(Optimized Relative Step Size Random Search，ORSSRS)、贝叶斯上升法(BayesianAscent Algorithm)、分布式同步扰动法(Distributed Simultaneous PerturbationApproach，D-SPA)等。上述大多数据驱动方法仅考虑了简单风况，例如静态或者缓慢时变的风况。实际风电场的风况常常非常复杂，可以随机快速地变化，而风电场的发电功率又与风况强相关，最优控制动作随着风况的变化而变化。这意味着存在的数据驱动的方法虽然不依赖于模型，但无法适应实际风场复杂时变的风况。因此，提出一种数据驱动的能在复杂时变风况下有效提升风场发电性能的功率优化方案变得十分迫切。
发明内容
为了能在复杂时变风况下有效提升风场发电性能，本公开提供了一种新颖的基于数据驱动的风电场发电功率优化方案，包括：
根据风电场的历史发电数据，计算风电场在所有风向下的发电效率数据；
基于发电效率数据，将整个风向区间划分为m个风向子区间，其中风电场的发电效率对风向在每个风向子区间中的变化不敏感；
对每个风向子区间定义发电效率优化子问题；
针对每个子问题，通过提出的随机投影单纯形算法求最优解；
为了适应复杂时变的风况，m个提出的优化算法并行执行，构成了风电场的发电功率优化方案。
当m个风向子区间的第i个风向子区间被风向访问时，m个优化算法的第i个优化算法将启动，对所述第i个风向子区间对应的第i个发电效率优化子问题进行优化求解。
当所述第i个风向子区间被风向再次访问时，则所述第i个优化算法将被再次启动，并根据之前的经验来搜索第i个发电效率优化子问题的最优解。
所述m个优化算法为m个随机投影单纯形法，并且所述随机投影单纯形法在每次迭代过程中，将所述发电性能最差节点以发电性能更好节点或者相同性能的节点替代，包括以下步骤：
定义单纯形的q+1个节点为所有风电机组的q+1个联合轴向诱导因子，即U＝{u0,u1,…,uq}，其中U为单纯形的节点集，
Figure BDA0003010573780000024
l＝0,1,…,q；
对Uk中q+1个节点排序，使得
Figure BDA0003010573780000021
Uk为第k步迭代时单纯形的节点集，
Figure BDA0003010573780000022
是Uk的第l个节点，
Figure BDA0003010573780000023
是风电场在节点
Figure BDA0003010573780000031
处的发电效率，l＝0,…,q，
Figure BDA0003010573780000032
和
Figure BDA0003010573780000033
分别是Uk中发电性能最好节点和发电性能最差节点；
求解Uk中性能最差节点
Figure BDA0003010573780000034
关于剩余q个节点质心
Figure BDA0003010573780000035
的反射节点ur＝uc+δr(uro-uc)，其中
Figure BDA00030105737800000329
是关于
Figure BDA00030105737800000330
的欧几里得投影算子，δro和δr是反射参数，ur是反射节点；评估ηr＝ηj(ur)。
如果
Figure BDA0003010573780000037
则通过ur替换
Figure BDA0003010573780000038
即
Figure BDA0003010573780000039
并终止迭代；
如果
Figure BDA00030105737800000310
则计算扩张点ue，ue＝uc+δe(uro-uc)，其中δe是扩张参数，并评估ηe＝ηj(ue)。如果ηe≥ηr，则通过ue替换
Figure BDA00030105737800000311
并终止迭代。否则，通过ur替换
Figure BDA00030105737800000312
并终止迭代；
如果
Figure BDA00030105737800000313
则进行收缩操作：
Figure BDA00030105737800000314
并评估ηic＝ηj(uic)，这里δic是收缩参数，uic是收缩节点。如果
Figure BDA00030105737800000315
则通过uic替换
Figure BDA00030105737800000316
Figure BDA00030105737800000317
并终止迭代。否则通过改进的自适应随机搜索法来进行迭代。
改进的自适应随机搜索法中：
步骤1分别以概率ε1执行全局搜索，以概率1-ε1执行局部搜索。如果执行全局搜索，则进入步骤2a。否则进入步骤2b；
步骤2a以
Figure BDA00030105737800000318
为基准，选择采样动作us：us的第i个元素是以概率ε2＞0从
Figure BDA00030105737800000328
随机选择，以概率1-ε2设置为
Figure BDA00030105737800000319
的第i个元素，i＝1,2,…,n；
步骤2b在
Figure BDA00030105737800000320
的领域
Figure BDA00030105737800000321
中随机采样一个动作us：
Figure BDA00030105737800000322
步骤3评估ηs＝η(us)；
步骤4中，如果
Figure BDA00030105737800000323
或者
Figure BDA00030105737800000324
且
Figure BDA00030105737800000325
则通过us替换
Figure BDA00030105737800000326
Figure BDA00030105737800000327
并终止迭代，否则返回步骤1。
本公开的实施方式为：
测量风电场的发电数据和风况数据；
确定风况数据对应的风向子区间及优化算法；
根据对应的优化算法计算当前风况下需执行的动作；
将计算得到的执行动作作为控制命令下发给风电机组；
风电机组执行收到的控制命令。
附图说明
附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，是对本公开的进一步解释。这些附图包含在本说明书中并构成了本说明书的一部分。
图1示出了本公开的一个实施方式流程图。
图2示出了风电机组的尾流示意图。
图3示出了不同风向下两个风电机组的尾流耦合示意图。
图4示出了风向区间分割示意图。
图5示出了风电场的功率优化方案架构示意图。
图6示出了风电场功率优化方案的通信网络及求解示意图。
图7示出了SPS算法的工作流程示意图。
图8示出了SPS算法的原理图。
图9示出了风电场布局示意图。
图10至图15示出了仿真测试结果示意图。
具体实施方式
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开的技术方案。
除非另有说明，否则示出的示例性实施方式/实施例可理解为提供可以在实践中实施本公开技术构思的一些方式的各种细节。因此，除非另有说明，否则在不脱离本公开的技术构思的情况下，各种实施方式/实施例的特征可以另外地组合、分离、互换和/或重新布置。
在本公开中，提出了一种分层的基于随机投影单纯形法的数据驱动功率优化方案。
使用实际风电场的历史发电数据，计算得到风电场在所有风向下的发电效率。通过分析风电场内多台风电机组间的功率耦合机理，设计了风向区间的分割规则，并根据获得的发电效率数据，分割整个风向区间为若干子区间，使得风电场的发电效率对风向在每个风向子区间内的变化不敏感。针对分割的每个风向子区间，定义风电场的发电效率优化子问题，并将整个功率优化问题等价描述为定义在各子区间的效率优化子问题的求和，进而构建了一种分层的风电场发电功率优化方案架构。在该架构下，多个优化算法并行执行，且每个优化算法仅优化一个效率优化子问题。这种分层架构通过切换多个优化算法适应时变风向。
为了求解优化子问题，基于Nelder-Mead(NM)方法的框架，结合梯度投影法和改进的自适应随机搜索法，提出基于数据驱动的风电场功率优化算法。提出的算法称之为随机投影单纯形法。该算法使用了NM方法的框架，继承了其不依赖于模型,可快速收敛的优点；借鉴了梯度投影法的思想，通过引进的投影算子保证了提出的算法基于反射和扩张操作获得的迭代点满足所有风电机组的控制约束；同时，改进的自适应随机搜索使得提出的算法在不造成风电场出现高频大幅值发电性能震荡的情况下，找到全局最优解。
图1示出了本公开的风电场发电功率优化方案S100。
在步骤S102中，根据风电场的历史发电数据，计算风电场在所有风向下的发电效率数据。作为一个示例，风电场的历史发电数据可以是贪婪策略下的历史发电数据。
在步骤S104中，基于发电效率数据，将整个风向区间划分为m个风向子区间，其中风电场的发电效对风向在每个风向子区间中的变化不敏感，m为大于1的整数。
在步骤S106中，对每个风向子区间定义发电效率优化子问题。
在步骤S108中，对每个发电效率优化子问题，通过提出的随机投影单纯形法求最优解。
下面将对本公开的方法进行详细的描述。
假定风电场包括n台风电机组(n＞1)，记为N＝{1,2,…,n}。风电机组i∈N的控制动作选择为其轴向诱导因子(Axial Induction Factor(AIF))ui。轴向诱导因子ui可通过调节风电机组的叶片桨距角和发电力矩进行控制，对风电场的功率协同控制提供了一种相对简单的描述。轴向诱导因子ui的可行域定义为
Figure BDA0003010573780000062
这里ui,min和ui,max分别是轴向诱导因子ui的上界和下界。所有风电机组的联合控制动作由u＝(u1,…,un)表示，可行域为
Figure BDA0003010573780000063
这里×表示笛卡尔乘积。
风电机组从风中提取功率时将会导致下游的风速降低。这种速度降低的风称为尾流。上游风电机组所形成的尾流将会降低到达下游风电机组的风速，进而降低了下游风电机组的输出功率和整个风电场的发电功率。尾迹有很多复杂的特征，例如恢复、蜿蜒等。因此，对风电机组尾流的有效建模是风电场协同控制一个关键挑战。在本公开中，采用Park模型刻画风电机组的尾流，并基于Park模型集成风电机组间的尾流耦合，进而建模风电场的发电功率模型。
图2示出了根据Park模型所描述的风电机组尾流，其中V∞是自由流风速，箭头表示风向，Di表示第i个风电机组i的叶片直径，x表示沿着风向与风电机组i之间的距离，y是正交于风向与尾流中心线的距离。由图1中上侧点线和下侧点线所包围的区域称为风电机组i的尾流区。定义Vi(x,y,ui,V∞)为点(x,y)处，风电机组i在控制动作ui作用下生成的尾流速度分布，其表示为：
Vi(x,y,ui,V∞)＝V∞(1-δVi(x,y,ui)) (1)
在Park模型中，风速赤字δVi(x,y,ui)建模为：
Figure BDA0003010573780000061
其中κ表示粗糙系数，度量尾流扩张。
这样，到达风电机组i的集成风速可以表示为
Figure BDA0003010573780000071
这里
Figure BDA0003010573780000072
表示沿着风向，风电机组i的上游风电机组的集合，
Figure BDA0003010573780000073
中的每个元素通过尾流对风电机组i的输出功率产生影响，θ为风向。根据Park模型，风电机组i的集成速度赤字
Figure BDA0003010573780000074
可以表示为：
Figure BDA0003010573780000075
这里xi表示沿着风向θ，风电机组i与公共节点的距离，Ai是风电机组i的叶片扫掠面积，
Figure BDA0003010573780000076
是风电机组j生成尾流区域与风电机组i的叶片扫掠面积Ai的重合面积。
图2示出了不同风向下两个风电机组的尾流耦合案例。这里风电机组i由Wi表示。从图3(a)到图3(b)，
Figure BDA0003010573780000077
和风电机组间的距离xi-xj随着风向θ的变化而变化，导致了风电机组间不同的尾流耦合模式。
风电机组i∈N的发电功率模型可表示为
Figure BDA0003010573780000078
这里ρ为空气密度，Cp,i(ui)是风电机组i的发电功率系数且表示为：
Cp,i(ui)＝4ui(1-ui)2 (6)
风电场的总发电功率是所有风电机组发电功率的和，即：
Figure BDA0003010573780000079
尾流模型及尾流耦合模型的目标分别是有效辨识式(1)中的风速赤字δVi(x,y,ui)和式(3)中的集成风速赤字
Figure BDA00030105737800000710
然而，因为尾流的复杂性，很难实现上述目标。于是，Park模型仅用于模拟尾流，不会用于优化方案的设计过程。因此，它的不确定性不会影响到提出方案在风场功率优化问题中的性能评估。
风电场协同控制的目标为提升总的输出功率，进而实现发电功率优化。具体的就是通过求解下面的风电场发电功率优化问题，获得最优的联合控制动作uopt：
Figure BDA0003010573780000081
上述优化问题是一个非凸动态优化问题，具有难以精确解析建模、高度非线性、强耦合、时变性、有界约束等特征。因为风向的时变性导致机组间的尾流耦合模式时变，所以优化问题(8)的最优解并不固定。因而，为了实现风场优化的目标，研究的优化方案需要跟踪风向的变化。
风电场的发电效率函数定义为
Figure BDA0003010573780000082
这里
Figure BDA0003010573780000083
表示风电机组i的发电效率函数，
Figure BDA0003010573780000084
是风电机组i在没有尾流耦合时的输出功率，Cp,max是最大功率系数。从式(3)和式(5)可以得出：
Figure BDA0003010573780000085
假定所有风电机组具有相同的结构，则风电机组i和j在没有尾流耦合时的输出功率相等，即
Figure BDA0003010573780000086
定义
Figure BDA0003010573780000087
则
Figure BDA0003010573780000088
定义风电场的功率效率优化问题为：
Figure BDA0003010573780000089
式(11)表明风电场的发电效率可视为其输出功率的泛化，基准值为假定机组间无尾流耦合时总的输出功率。这意味着风电场发电效率η(u；θ)的最大化可保证其输出功率的最大化。式(9)和(10)表明风电场发电效率η(u；θ)无关于自由流风速V∞。
虽然贪婪策略下的历史发电数据没有考虑尾流效应，但风电场在该策略下的发电效率依然隐含了风电机组间的尾流耦合。因为尾流效应是风电机组发电的固有特性。风电场发电效率η(u；θ)越小意味着风电机组间的尾流耦合越强。如果风向在一个区间内的变化仅仅导致风电场的功率效率发生微小变化，则可近似认为在该风向区间内风电机组间的尾流耦合类似，且只有一种尾流耦合模式需要被考虑。基于此，整个风向区间在下面被分割为若干子区间。图4示出了整个风向区间的子区间划分。
根据风电场在贪婪策略下的历史发电数据，利用式(11)计算得到风电场在所有风向下的发电效率。基于获得的发电效率数据，分割整个风向区间为若干子区间Θ1,Θ2,…,Θm(如图4所示)，满足当t1时刻和t2时刻的风向
Figure BDA0003010573780000091
则：
Figure BDA0003010573780000092
这里
Figure BDA0003010573780000093
是一个小的正常数。选择的
Figure BDA0003010573780000094
应保证风电场的发电效率η(u；θ)针对风向θ在子区间Θj内的变化不敏感，j＝1,2,…,m。因此，针对每个风向子区间，只需要考虑一种尾流耦合模式。
针对风向子区间Θj，定义风电场的发电效率优化子问题为
Figure BDA0003010573780000095
这里ηj(u)表示风向θ∈Θj时风电场的发电效率模型，j＝1,2,…,m。由于θ∈Θj时，风电机组间的尾流耦合模型几乎不变，所以子问题(14)可视为静态优化问题，并且对应的最优解可视为常值向量。定义：
Figure BDA0003010573780000096
α(θ)＝{aj(θ),j＝1,2,…,m}，则风电场的发电效率优化问题可进一步描述为
Figure BDA0003010573780000097
这里风电场的发电效率优化问题被描述为定义在风向子区间的风电场发电效率优化子问题的求和。不同的子问题具有不同的尾流耦合模式，导致具有不同的最优解。
下面将详细描述基于数据驱动的风电场功率优化方案。
在这一部分，首先提出了风电场功率优化方案的架构。接着，提出了基于数据驱动的功率优化算法。最后通过仿真案例验证了提出方案的有效性。
图5示出了风电场功率优化方案的架构。图5(a)示出，为了获得风电场功率优化问题的最优解，m个优化算法并行执行。每个优化算法仅优化定义在一个子区间的功率优化子问题。当某个算法对应的风向子区间被风向访问时，该算法将被启动。当风向离开这个子区间时，该算法将被停止运行。如图5(b)所示，当θt∈Θj，为了获得uopt,j，算法Algj被运行。这里的t表示控制方案与风电场交互的时刻。交互是为了获得实时的发电数据，用于指导算法的运行。θt为在时刻t的交互中获得的风向数据。伴随着风向θ从区间Θj切换到Θl，算法Algl将被启动。同时，算法Algj将被终止运行并且它的相关运行数据被保存。当风向子区间Θj被风向θ再次访问时，算法Algj将被再次启动并基于之前的经验搜索uopt,j。显然，提出的方案架构可以利用学到的经验知识。这有利于加快算法的收敛速度，快速提升风电场的发电功率，同时进一步提高了优化方案在复杂风况下的发电性能。
图6示出了风电场功率优化方案的通信网络及求解程图。如图6(a)所示，提出的功率优化方案是集中式的，被存储在集中控制器中。该方案通过与风电场的多次交互学习最优策略。一次交互包括两步：第一步，优化方案根据从风电场测量的发电数据(V∞，θt，以及Pt)决策一个待执行的控制动作(即联合轴向诱导因子u(θt))并发送给风电场；第二步，风电场执行接收到的控制动作u(θt)，并反馈对应的发电数据给集中控制器。图6(b)展示了风电场功率优化方案的工作流程图。当集中控制单元收到从实际风电场测量的风向数据θt时，将根据式(15)计算α(θt)。在α(θt)中针对风向θt，只有一个单元等于1。这个单元决定了待求解的优化子问题。不失一般性，假定αj(θt)＝1且αl(θt)＝0,l≠j，则针对风向θt，控制命令u(θt)将由算法Algj给出。
为了求解定义的功率优化子问题，我们提出了随机投影单纯形法。
图7示出了本公开的SPS算法的流程图。提出SPS算法具体如下：
Figure BDA0003010573780000101
Figure BDA0003010573780000111
Figure BDA0003010573780000121
本公开的随机投影单纯形法中，首先完成单纯形节点集Uk中各节点发电性能的排序操作，识别出发电性能最好和最差的节点。接着，在可行域
Figure BDA0003010573780000122
中完成反射操作，计算获得性能最差节点关于质心的反射节点。为了生成新的单纯形节点集Uk+1，根据风电场在反射节点的发电效率，SPS算法将决定下一步操作，例如扩张，收缩，或者MARS。在每次迭代过程中，性能最差的节点
Figure BDA0003010573780000123
将由发电性能更好或者相同性能的节点代替。反射参数δro和δr决定了反射节点与质心的距离。当质心指向反射节点的方向是发电性能上升的方向时，扩张参数δe决定了扩张节点前进的步长。反之，收缩参数δic决定了一个收缩节点应该沿着从质心指向性能最差节点的方向走多远。MARS通过概率ε1在GS和LS之间做出了平衡。GS基于当前发电性能最好的单纯形节点
Figure BDA0003010573780000131
以概率ε2探索每一个动作的变量对应的整个空间。LS以
Figure BDA0003010573780000132
为基准，在
Figure BDA0003010573780000133
的领域中完成局部搜索。
以两台风电机组为例，图8示出了SPS算法的工作原理图，其中在图8(a)中示出了违背控制约束的情况，uro、ue、ur、uc、uic至
Figure BDA0003010573780000134
的连线为搜索路径。在图8(b)中示出了满足控制约束的情况，uro、ue、ur、uc、uic至
Figure BDA0003010573780000135
的连线为搜索路径。
将提出的分层架构和功率优化算法相结合，构建分层的基于随机投影单纯形法的风电场功率优化方案。根据图6所示风电场功率优化方案的架构，整个方案将由提出的m个SPS算法组成，简称为SPS策略。
发明优点
本公开的风电场发电功率优化方案具备以下优点：
(1)可快速提升风电场的功率输出；这受益于SPS算法的快速收敛性和分层的优化架构。提出的SPS算法利用了Nelder-Mead方法的优化架构，继承了快速收敛的性能。在提出的优化架构下，多个优化算法并行执行，并且当算法被重新激活时，它将基于之前学到的知识继续学习最优解，使得学到的知识得到了充分利用。
(2)可找到最优解。这主要得益于MARS的全局搜索能力。
正因为这些优点，提出的方案可在复杂风况下有效改善风电场的发电性能。
性能验证
在这一部分，分别在恒定风况和复杂时变风况下测试提出SPS策略的性能。
采用含16台风电机组的风电场测试提出方案的性能，其布局如图9所示。假定所有风电机组具有相同的大小，直径均为80m，机组间距为560m，粗糙系数为κ＝0.025，空气密度为ρ＝1.225kg/m3，自由流风速为V∞＝8m/s。基于Park模型建立的风电场发电功率模型P(u；V∞,θ)模拟真实的风电场。如图9所示，q＝16。
SPS算法的参数包括q,δic,δro,δr,δe,ε1,ε2。根据Nelder-Mead方法，q和δic分别设置为16和-0.5。为了比较，ε2设置为0.05，与SED方法相同。针对剩余的参数，由δro＝1,2,3，δr＝0.1,0.3,0.5，δe＝0.6,0.8,1.0，ε1＝0.3,0.5,0.7构建81个参数组合。针对每个参数组合，做了大量的仿真测试。结果表明，参数组合δro＝2,δr＝0.5,δe＝0.8,ε1＝0.5具有最好的平均性能，故选择为SPS算法的参数。
初始单纯形的节点对SPS算法的性能具有影响。同时，SPS算法通过MARS寻找全局最优解。因而在给定风况下，任意两次优化测试中，因为算法的随机性会导致产生不一样的优化结果。于是，单纯的一次优化结果难以准确评估提出SPS策略的性能。为了客观评估提出策略的优化性能，在给定风况下，基于SPS策略分别独立完成大量的优化测试。然后通过这些优化测试中的平均性能评估策略性能。为此，针对提出的策略，定义两个性能指标如下：
Figure BDA0003010573780000141
Figure BDA0003010573780000142
这里L是总的优化测试次数，l表示第l次优化测试，ηl,t表示第l次优化测试中t时刻的风电场功率效率。
简单风况下的仿真测试
贪婪策略在实际中得到了广泛应用。SED策略常作为基准策略，用于评估各种控制策略在风场功率优化中的性能。需要注意的是，SED策略无法在时变风况下正常工作。于是，面对风向的变化，通过贪婪策略重新初始化SED策略，使其能够在时变风况下正常工作。
图10示出了模拟的简单风况。在该风况下，基于SPS策略，50次的功率优化测试独立完成。由于SED策略在运行时也具有随机性，于是通过SED策略，50次的功率优化测试也被独立完成。图11给出了简单风况下，分别基于SPS策略和SED策略，风电场发电效率η′t的轨迹。同时，也给出了贪婪策略以及最优策略的风电场发电效率轨迹。图12给出了风电场平均发电功率效率
Figure BDA0003010573780000151
的轨迹。
如图11所示，SPS策略在0度和45度风向均收敛到了最优的发电效率值，相比贪婪策略，在两个风向下分别提升了16％和5％。同时可以注意到，SPS策略针对之前出现过的风向，可以基于已经学到的知识继续学习最优解，进而展现出了很快的收敛速度。例如，SPS策略针对0度风向，在t＝1000时，基于t∈[0,500)时学到的知识选择动作。然而，SED策略面对风向的变化，必须重新学习控制动作。这导致SED策略展现了比较缓慢的速度。图12表明，相比贪婪策略和SED策略，SPS策略具有更高的平均发电效率。这意味着SPS策略产生了更高的发电量。因此，在简单风况下，提出的方案可有效提升风电场的发电效率。
复杂风况下的仿真测试
将贪婪策略应用到模拟的风电场，可获得所有风向对应的发电功率数据。假定这些数据为来自真实风电场的历史发电数据，包含了风电机组间的尾流耦合。基于这些发电数据，可根据式(11)计算得到风电场在所有风向下的发电效率。设置常数
Figure BDA0003010573780000152
为0.02。根据式(13)，整个风向区间可分为144个子区间。不失一般性，图13展示了风向θ∈[0°,45°]时风电场在贪婪策略下的发电效率及风向子区间编号。因此，风电场的发电效率优化问题可分解为144个优化子问题。为了求解这些子问题，将有144个SPS算法并行执行，构成了SPS策略。
图14示出了模拟的复杂时变风况。在该风况下，基于SPS策略和SED策略，分别完成了50次的功率优化测试。风电场平均发电功率效率的轨迹在图15中给出。如图15所示，除了初始阶段，SPS策略相比Greedy策略，SED策略具有更优越的发电性能。在初始阶段，所有子问题中初始单纯性节点的性能差异较大，进而导致了基于SPS策略的风电场展示出了较差的发电性能。随着迭代次数的增加，单纯形的节点集不断被更新，各节点对应的发电性能越来越高，进而使得在SPS策略作用下，风电场的发电性能逐步改善。在t∈(150000,300000]时，相比SED策略和贪婪策略，SPS策略提升风电场的平均发电效率分别达到1.6％和1.1％。因此，提出的功率优化方案能够在复杂时变风况下，有效提升风电场的发电效率。

Claims (9)

1.一种分层数据驱动的风电场发电功率优化方案，其特征在于，包括：
根据风电场的历史发电数据，计算风电场在所有风向下的发电效率数据；
基于发电效率数据，将整个风向区间划分为m个风向子区间，其中风电场的发电效率对风向在每个子区间中的变化不敏感；
对每个风向子区间定义发电效率优化子问题；以及
针对每个子问题，分别通过优化算法求最优解，其中m个优化算法并行求解，构成整个风电场的发电功率优化方案。
2.如权利要求1所述的方法，其特征在于，确定随着风向的变化，风电场的风电机组之间或许存在不同的尾流耦合模式，在所述m个风向子区间中：针对每个子区间，只需考虑一种尾流耦合模式。
3.如权利要求1所述的方法，其特征在于，当m个优化算法中的第i个优化算法所对应的m个风向子区间的第i个风向子区间被风向访问时，则启动所述第i个优化算法来对所述第i个风向子区间对应的第i个发电效率优化子问题进行优化以得到最优解。
4.如权利要求3所述的方法，其特征在于，当所述第i个风向子区间被再次访问时，则所述第i个优化算法被再次启动，并且根据之前的经验来搜索第i个发电效率优化子问题的最优解。
5.如权利要求1至4中任一项所述的方法，其特征在于，所述m个优化算法为m个提出的随机投影单纯形(Stochastic Projected Simplex，SPS)法，并且所述随机投影单纯形法包括以下步骤：
对单纯形节点集Uk中各节点的发电性能进行排序操作，识别发电性能最好节点和发电性能最差节点；
通过反射，扩张，收缩等操作完成迭代，并在每次迭代过程中，将所述发电性能最差节点以发电性能更好节点或者相同性能的节点替代。
6.如权利要求5所述的方法，其特征在于，所述随机投影单纯形法包括：
定义单纯形的q+1个节点为所有风电机组的q+1个联合轴向诱导因子，即U＝{u0,u1,…,uq}，其中U为单纯形的节点集，
Figure FDA0003010573770000021
对Uk中的q+1个节点进行排序，使得
Figure FDA0003010573770000022
Uk为第k步迭代时单纯形的节点集，
Figure FDA0003010573770000023
是Uk的第l个节点，
Figure FDA0003010573770000024
是风电场在节点
Figure FDA0003010573770000025
处的发电效率，l＝0,…,q
Figure FDA0003010573770000026
和
Figure FDA0003010573770000027
分别是Uk中发电性能最好节点和发电性能最差节点；
求解Uk中性能最差节点
Figure FDA0003010573770000028
关于剩余q个节点质心
Figure FDA0003010573770000029
的反射节点ur，ur＝uc+δr(uro-uc)，其中
Figure FDA00030105737700000210
Figure FDA00030105737700000211
是关于
Figure FDA00030105737700000212
的欧几里得投影算子，δr和δro是反射参数；评估ηr＝ηj(ur)；
如果
Figure FDA00030105737700000213
则通过ur替换
Figure FDA00030105737700000214
即
Figure FDA00030105737700000215
并终止迭代；
如果
Figure FDA00030105737700000216
则计算扩张点ue，ue＝uc+δe(uro-uc)，其中δe是扩张参数，并评估ηe＝ηj(ue)，如果ηe≥ηr，则通过ue替换
Figure FDA00030105737700000217
Figure FDA00030105737700000218
并终止迭代，否则，通过ur替换
Figure FDA00030105737700000219
Figure FDA00030105737700000220
并终止迭代；
如果
Figure FDA00030105737700000221
则进行收缩操作：
Figure FDA00030105737700000222
并评估ηic＝ηj(uic)，这里δic是收缩参数，uic是收缩节点，如果
Figure FDA00030105737700000223
则通过uic替换
Figure FDA00030105737700000224
Figure FDA00030105737700000225
并终止迭代，否则通过改进的自适应随机搜索(Modified Adaptive Random Search，MARS)法来进行迭代。
7.如权利要求6所述的方法，其特征在于，在改进的自适应随机搜索法中，
在步骤1，分别以概率ε1执行全局搜索，以概率1-ε1执行局部搜索，如果执行全局搜索，则进入步骤2a，否则进入步骤2b；
在步骤2a，以
Figure FDA0003010573770000031
为基准，选择采样动作us：us的第i个元素是以概率ε2＞0从
Figure FDA0003010573770000032
随机选择，以概率1-ε2设置为
Figure FDA0003010573770000033
的第i个元素，i＝1,2,…,n；
在步骤2b，从
Figure FDA0003010573770000034
的领域
Figure FDA0003010573770000035
中随机采样一个动作us，这里
Figure FDA0003010573770000036
在步骤3，评估ηs＝η(us)；
在步骤4，如果
Figure FDA0003010573770000037
或者
Figure FDA0003010573770000038
且
Figure FDA0003010573770000039
则通过us替换
Figure FDA00030105737700000310
Figure FDA00030105737700000311
并终止迭代，否则返回步骤1。
8.一种分层数据驱动的风电场控制方法，其特征在于，提供至风电机组的控制命令通过如权利要求1至7中任一项所述的方法得到，包括：
测量风电场的发电数据并且基于发电数据来确定对应的风向子区间及对应的优化算法；
根据对应的优化算法得到所述对应风向子区间的发电效率优化子问题的可行解；
将得到的解作为控制命令提供至风电机组；风电机组执行收到的控制命令，并且将对应的发电数据进行反馈。
9.一种分层数据驱动的风电场集中控制器，其特征在于，所述集中控制器用于执行如权利要求1至8中所述的方法。
CN202110374351.9A 2021-04-07 2021-04-07 分层数据驱动的风电场发电功率优化方案 Pending CN113033012A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110374351.9A CN113033012A (zh) 2021-04-07 2021-04-07 分层数据驱动的风电场发电功率优化方案

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110374351.9A CN113033012A (zh) 2021-04-07 2021-04-07 分层数据驱动的风电场发电功率优化方案

Publications (1)

Publication Number Publication Date
CN113033012A true CN113033012A (zh) 2021-06-25

Family

ID=76454076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110374351.9A Pending CN113033012A (zh) 2021-04-07 2021-04-07 分层数据驱动的风电场发电功率优化方案

Country Status (1)

Country Link
CN (1) CN113033012A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782276A (zh) * 2022-04-29 2022-07-22 电子科技大学 一种基于自适应梯度投影的电阻率成像错位校正方法
CN117421917A (zh) * 2023-11-02 2024-01-19 杭州泰极豫才软件有限公司 基于多变量系统辨识的风电场发电量优化方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109268205A (zh) * 2018-08-27 2019-01-25 华北电力大学 一种基于智能风力机的风电场优化控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109268205A (zh) * 2018-08-27 2019-01-25 华北电力大学 一种基于智能风力机的风电场优化控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHIWEI XU 等: "A Hierarchical Data–Driven Wind Farm Power Optimization Approach Using Stochastic Projected Simplex Method", 《IEEE TRANSACTIONS ON SMART GRID》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782276A (zh) * 2022-04-29 2022-07-22 电子科技大学 一种基于自适应梯度投影的电阻率成像错位校正方法
CN114782276B (zh) * 2022-04-29 2023-04-11 电子科技大学 一种基于自适应梯度投影的电阻率成像错位校正方法
CN117421917A (zh) * 2023-11-02 2024-01-19 杭州泰极豫才软件有限公司 基于多变量系统辨识的风电场发电量优化方法
CN117421917B (zh) * 2023-11-02 2024-05-28 杭州泰极豫才软件有限公司 基于多变量系统辨识的风电场发电量优化方法

Similar Documents

Publication Publication Date Title
CN102434391B (zh) 一种基于起始转速调整的改进最大功率点跟踪控制方法
CN110007652A (zh) 一种水电机组劣化趋势区间预测方法与系统
CN113033012A (zh) 分层数据驱动的风电场发电功率优化方案
CN106712075B (zh) 一种考虑风电并网系统安全约束的调峰策略优化方法
CN104810863B (zh) 一种考虑风电预测误差的机组有功实时调度方法
Kusiak et al. Anticipatory control of wind turbines with data-driven predictive models
CN109255477B (zh) 一种基于深度极限学习机的风速预测方法及其系统和机组
Jia et al. A reinforcement learning based blade twist angle distribution searching method for optimizing wind turbine energy power
CN110264012A (zh) 基于经验模态分解的可再生能源功率组合预测方法及系统
CN111310884B (zh) 一种基于数据驱动进化算法的风电机组最优布局方法
CN104217251A (zh) 基于k2算法的装备故障贝叶斯网络预测方法
CN114696351A (zh) 一种电池储能系统动态优化方法、装置、电子设备和存储介质
CN104915788B (zh) 一种考虑多风场相关性的电力系统动态经济调度的方法
Bui et al. Distributed operation of wind farm for maximizing output power: A multi-agent deep reinforcement learning approach
CN114626573A (zh) 基于改进多元宇宙算法优化极限学习机的负荷预测方法
CN104616072A (zh) 一种基于区间优化的提高谷氨酸发酵产物浓度的方法
Peng et al. A new fuzzy adaptive simulated annealing genetic algorithm and its convergence analysis and convergence rate estimation
Dong et al. Data-driven wind farm control via multiplayer deep reinforcement learning
CN111832911A (zh) 一种基于神经网络算法的水下作战效能评估方法
Abbaskhah et al. Optimization of horizontal axis wind turbine performance with the dimpled blades by using CNN and MLP models
CN105279575B (zh) 基于发电预测的多能源主体分布式博弈优化方法
Xu et al. Distributed power optimization of large wind farms using ADMM for real-time control
CN112084680A (zh) 一种基于dqn算法的能源互联网优化策略方法
CN107742000A (zh) 锅炉燃烧含氧量建模方法
CN109635999B (zh) 一种基于粒子群-细菌觅食的水电站调度方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210625