CN113051774B - 基于模型和数据驱动的风电场发电功率优化方法 - Google Patents

基于模型和数据驱动的风电场发电功率优化方法 Download PDF

Info

Publication number
CN113051774B
CN113051774B CN202110392475.XA CN202110392475A CN113051774B CN 113051774 B CN113051774 B CN 113051774B CN 202110392475 A CN202110392475 A CN 202110392475A CN 113051774 B CN113051774 B CN 113051774B
Authority
CN
China
Prior art keywords
wind
model
power generation
action
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.)
Expired - Fee Related
Application number
CN202110392475.XA
Other languages
English (en)
Other versions
CN113051774A (zh
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 CN202110392475.XA priority Critical patent/CN113051774B/zh
Publication of CN113051774A publication Critical patent/CN113051774A/zh
Application granted granted Critical
Publication of CN113051774B publication Critical patent/CN113051774B/zh
Expired - Fee Related 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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Wind Motors (AREA)

Abstract

本公开提供了一种基于模型和数据驱动的风电场发电功率优化方法，包括：通过利用可获得风电场的发电功率模型和实时的发电数据，提出了一种模型指导的学习方法。提出的方法可以快速提升风电场的功率输出，确保实施的控制动作满足所有风机的控制约束，并有能力发现风电场功率优化问题的最优解。为了处理时变风况，基于模型指导的学习方法，提供了一种分层的风电场发电功率优化方案。

Description

基于模型和数据驱动的风电场发电功率优化方法
技术领域
本公开涉及基于模型和数据驱动的优化方法，风电机组协同控制方法，以及风电场集中式发电功率优化控制器的设计领域。
背景技术
风电场的功率优化方法主要有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依靠解析的发电功率模型，设计风电场的功率优化方案，例如最速下降法、启发式算法、粒子群算法等。这类方法计算简单，收敛速度快，但由于风电机组间的尾流耦合高度复杂，解析的发电功率模型难以有效建模风场中所有的空气动力学，使得基于解析模型的方法有可能无法有效提升风电场的功率输出。另一方面，基于数据驱动的优化方法得到了广泛关注，包括逐步离散随机逼近法(Aggressive Discrete StochasticApproximation Algorithm)、最佳相对步长随机搜索法(Optimized Relative Step SizeRandom Search)、贝叶斯上升法(Bayesian Ascent Algorithm)、分布式同步扰动法(Distributed Simultaneous Perturbation Approach)等。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，一般可实现局部或全局最优。然而，这类方法收敛速度普遍较慢，要实现收敛需要大量的测量数据，使其对应的发电效率普遍较低。
通过上述分析，期望提出一种优化算法，融合基于模型的方法和数据驱动方法的优点，具有快速收敛性和全局最优的能力，从而实现风电场发电功率的有效提升。
发明内容
本公开提供了一种基于模型和数据驱动的风电场发电功率优化方案，包括：
针对定风向风电场的发电功率优化问题，提出了一种模型指导的学习方法，融合了基于模型的方法和数据驱动方法的优点。提出的方法包括：
动作更新：基于基准动作
Figure BDA0003017281520000021
使用解析模型近似的梯度搜索方向
Figure BDA0003017281520000022
和数据驱动的随机搜索方向
Figure BDA0003017281520000023
进行动作更新，其中迭代次数k＝0,1,…；
动作评估：通过实际风电场的发电效率评估新的控制动作uk+1；
基准更新：从新控制动作uk+1和基准控制动作
Figure BDA0003017281520000024
中，选择具有更高发电效率的动作作为下一步迭代的基准动作；从新控制动作uk+1对应的发电效率和基准控制动作
Figure BDA0003017281520000025
对应的发电效率中，选择更高的发电效率作为下一步迭代的基准效率；以及
参数更新：在迭代过程中，对控制动作更新步骤中所使用的参数进行更新。
根据至少一个实施方式，在所述控制动作更新的步骤中：采用以下公式进行新控制动作uk+1的更新，
Figure BDA0003017281520000026
Figure BDA0003017281520000027
Figure BDA0003017281520000028
Figure BDA0003017281520000029
这里
Figure BDA00030172815200000210
被随机选择，
Figure BDA00030172815200000211
这里
Figure BDA00030172815200000212
Figure BDA00030172815200000213
被随机选择，
Figure BDA00030172815200000214
是
Figure BDA00030172815200000215
的第i个元素。
其中
Figure BDA00030172815200000320
为欧几里得投影算子；参数
Figure BDA0003017281520000031
的初始参数为
Figure BDA0003017281520000032
参数
Figure BDA0003017281520000033
的初始参数为
Figure BDA0003017281520000034
表示在基准动作
Figure BDA0003017281520000035
处发电效率模型的梯度；
Figure BDA0003017281520000036
和ωi分别是对
Figure BDA0003017281520000037
中第i个元素施加的局部和全局摄动；参数0＜ε1,ε2＜1。
根据至少一个实施方式，在所述控制动作评估的步骤中；通过以下公式对控制动作进行评估，
ηk+1＝η(uk+1)
其中，ηk+1表示第k+1次迭代时测量的风电场发电效率。
根据至少一个实施方式，在基准更新的步骤中，如果
Figure BDA0003017281520000038
则使用新控制动作uk+1和对应的发电效率ηk+1替代基准动作
Figure BDA0003017281520000039
和基准效率
Figure BDA00030172815200000310
否则继续使用基准动作
Figure BDA00030172815200000311
和基准效率
Figure BDA00030172815200000312
根据至少一个实施方式，在所述参数更新的步骤中，在第k+1次迭代，将所述控制动作更新步骤中所使用的参数按照以下公式进行更新：
Figure BDA00030172815200000313
Figure BDA00030172815200000314
其中，参数μ1设定为0＜μ1＜1，参数μ2设定为0＜μ2，参数μ3设定为0＜μ3＜1。
根据至少一个实施方式，采用中心差分公式估计
Figure BDA00030172815200000315
关于第i个分量ui的导数，
Figure BDA00030172815200000316
其中ε是一个非常小的正常数；ei是一个单位向量，其第i个元素为1，其余元素均为0，i＝1,…,n；在估计出
Figure BDA00030172815200000317
关于u中所有分量的导数后，梯度
Figure BDA00030172815200000318
由
Figure BDA00030172815200000319
近似。
针对时变风向下风电场的发电功率优化问题，基于模型指导的学习方法，提出了一种分层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，通过提出的模型指导的学习方法求最优解；
当m个模型指导的学习方法中第j个模型指导的学习方法所对应的m个风向子区间中第j个风向子区间被风向访问时，则启动所述第j个模型指导的学习方法对所述第j个风向子区间对应的第j个发电效率优化子问题进行优化以搜索最优解。
当所述第j个风向子区间被再次访问时，则所述第j个模型指导的学习方法被再次启动，并且根据之前的经验来搜索第j个发电效率优化子问题的最优解。
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。这些附图进一步提供对本公开的解释，且包括在本说明书中并构成了本说明书的一部分。
图1示出了模型指导的学习方法原理图。
图2示出了风电场功率优化方案的架构图。
图3示出了风电场功率优化方案的工作流程图。
图4示出了风电场布局的示意图。
图5示出了简单风况及仿真结果示意图。
图6示出了复杂风况及仿真结果示意图。
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。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。
在本公开中，首先描述风电场的发电功率模型以及发电功率优化问题；其次，提出模型指导的学习方法；接着，提出分层的风电场发电功率优化方案；最后，通过仿真案例说明了本公开的有效性。
Figure BDA0003017281520000058
风电场的发电功率模型
假定风电场含有n台风电机组，并用N＝{1,2,…,n}表示。风电机组i∈N的控制动作选择为其轴向诱导因子(axial induction factor)ui。轴向诱导因子ui可通过调节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。ui的可行域定义为
Figure BDA0003017281520000059
其中ui,min和ui,max分别是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 BDA00030172815200000510
其中×为笛卡尔乘积。
到达风电机组i的集成风速
Figure BDA0003017281520000051
可表示为
Figure BDA0003017281520000052
其中
Figure BDA0003017281520000053
表示沿着风向，风电机组i的上游风电机组的集合，
Figure BDA0003017281520000054
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，V∞是自由流风速，
Figure BDA0003017281520000055
是风电机组i的风速赤字并度量了风电机组i处风速的减少比例。风电机组i∈N的发电功率模型可表示为
Figure BDA0003017281520000056
其中
Figure BDA0003017281520000057
ρ为空气密度，Ai是风电机组i的叶片扫掠面积，Cp,i(ui)是风电机组i的发电功率系数并且表示为
Cp,i(ui)＝4ui(1-ui)2 (3)
风电场的总发电功率是所有风电机组发电功率的和，即
Figure BDA0003017281520000061
尾流耦合模型的目标是有效辨识式(1)中的风速赤字
Figure BDA0003017281520000062
然而，由于尾流特性非常复杂，如蜿蜒和对环境参数的依赖性等，所以建立精确的尾流耦合模型极具挑战。Park模型是常用的尾流模型之一，在风电场协同控制中有着广泛的应用。因此，下面基于Park模型集成风电机组间的尾流耦合。根据Park模型，风速赤字
Figure BDA0003017281520000063
为
Figure BDA0003017281520000064
其中Dj表示风电机组j的叶片直径，κ表示粗糙系数，度量尾流扩张，xi表示沿着风向θ，风电机组i与公共节点的距离，
Figure BDA0003017281520000065
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。
复杂的尾流耦合导致无法准确建模风电场的发电功率模型。只能获得标称的发电功率模型
Figure BDA0003017281520000066
这就意味着
Figure BDA0003017281520000067
这里ΔP(u；V∞,θ)可看作是风电场的不确定性模型。
Figure BDA0003017281520000068
风电场的发电功率优化问题
风电场协同控制的目标是最大化风电场总的输出功率。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 BDA0003017281520000069
上述优化问题是一个具有有界约束的非线性优化问题。值得一提的是，因为不确定性模型ΔP(u；V∞,θ)的存在，传统的基于标称模型
Figure BDA00030172815200000610
的方法无法保证满意的发电性能。此外，时变风向导致风电机组之间存在不同的尾流耦合模式，进而风电场发电功率优化问题(7)的最优解时变。为了有效提升风电场的功率输出，提出的功率优化方案需跟踪风向的变化。
为了便于评估不同控制方案的性能，使用以下风电场的发电效率函数
Figure BDA0003017281520000071
这里P*是风电机组在自由流风速时的最大输出功率。根据式(4)，(6)以及(8)，可得
Figure BDA0003017281520000072
其中
Figure BDA0003017281520000073
是标称的功率效率模型，Δη(u；θ)＝ΔP/(nP*)是模型不确定性。定义风电场的功率效率优化问题为
Figure BDA0003017281520000074
式(8)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，即问题(7)等价于问题(10)。
Figure BDA0003017281520000075
模型指导的学习方法
在这一部分，假定风向θ恒定。这意味着问题(10)的最优解固定。针对固定风向下的优化问题(10)，虽然可采用其他方法求最优解，但在本公开中进一步提供了融合解析模型和实时数据的模型指导的学习(Model-Guided Learning，MGL)方法(见算法1)，其原理如图1所示。
Figure BDA0003017281520000076
Figure BDA0003017281520000081
在不考虑约束的情况下，基于梯度法，问题(10)的动作更新公式为
Figure BDA0003017281520000082
根据(9)，可得
Figure BDA0003017281520000083
因为尾流的高度复杂性，对于问题(10)，无法准确获得解析的风电场功率效率函数η(u)。因而难以准确计算▽η(uk)。这使得动作更新公式(11)难以直接执行。于是，采用解析模型
Figure BDA0003017281520000084
在迭代点uk处的梯度
Figure BDA0003017281520000085
近似估计▽η(uk)。对于一个有效的风电场发电效率模型
Figure BDA0003017281520000086
而言，这似乎是合理的。式(12)表明由于不确定性函数Δη(uk)的存在，
Figure BDA0003017281520000087
并不等于▽η(uk)，进而
Figure BDA0003017281520000091
在uk处有可能导致一个错误的搜索方向，尤其是当迭代点uk接近最优解uopt的时候。针对这个问题，提出的MGL方法在步骤1中基于基准动作
Figure BDA0003017281520000092
使用解析模型的梯度搜索方向
Figure BDA0003017281520000093
和数据驱动的随机搜索方向
Figure BDA0003017281520000094
完成动作更新。
Figure BDA0003017281520000095
以概率ε1选择为局部搜索方向
Figure BDA0003017281520000096
并以概率ε2选择为全局搜索方向
Figure BDA0003017281520000097
Figure BDA0003017281520000098
的使用实现了围绕基准动作
Figure BDA0003017281520000099
的局部搜索。
Figure BDA00030172815200000910
利用基准动作
Figure BDA00030172815200000911
实现了全空间的搜索。此外，为了保证新的迭代点uk+1满足所有风电机组的控制约束，欧几里得投影算子
Figure BDA00030172815200000912
被使用。在步骤2中，为了获得新动作uk+1对应的发电功率数据，通过实际风电场评估动作uk+1。
步骤3表明基准动作
Figure BDA00030172815200000913
相比动作uk具有更高或相等的发电效率。因此，
Figure BDA00030172815200000914
的使用可为下一步迭代点uk+1的计算提供一个更好的基准，进而加快算法的收敛速度且避免了沿着错误的搜索方向持续迭代。
Figure BDA00030172815200000915
作为一个有效的解析模型，在迭代点uk远离最优解uopt时，通常可以提供一个与精确模型诱导的梯度搜索方向呈锐角的搜索方向。于是，搜索方向
Figure BDA00030172815200000916
可快速改善风电场的发电性能。在步骤4中，伴随着迭代次数k的增加，参数
Figure BDA00030172815200000917
单调递减而
Figure BDA00030172815200000918
逐渐递增。这意味在早期阶段，动作更新主要以
Figure BDA00030172815200000919
为基准，沿着搜索方向
Figure BDA00030172815200000920
完成。伴随着
Figure BDA00030172815200000921
的减小和
Figure BDA00030172815200000922
的增加，搜索方向
Figure BDA00030172815200000923
在步骤1中扮演越来越重要的角色，进而保证当k→+∞时，算法收敛到全局最优。
注意到即便是不精确的解析模型
Figure BDA00030172815200000924
也非常复杂导致难以直接计算它的梯度。于是，采用中心差分公式估计
Figure BDA00030172815200000925
关于第i个变量ui的导数，即
Figure BDA00030172815200000926
其中ε是一个非常小的正常数，ei是一个单位向量，它的第i个元素为1，其余元素均为0，i＝1,…,n。在式(13)中，导数的估计误差为o(ε2)。这意味着选择小的ε可保证比较高的估计精度。在估计出
Figure BDA0003017281520000101
关于所有变量的导数后，进一步，梯度
Figure BDA0003017281520000102
由
Figure BDA0003017281520000103
近似。
Figure BDA0003017281520000104
是一个有界约束。因此，
Figure BDA0003017281520000105
为
Figure BDA0003017281520000106
Figure BDA0003017281520000107
分层的风电场发电功率优化方案
在这一部分，为了处理时变风向，基于提出的模型指导的学习方法，研究了一种分层的风电场发电功率优化方案。
因为尾流效应是风电机组发电的固有特性，所以即使贪婪策略没有考虑尾流效应，但风电场在该策略下的发电效率依然包含了风电机组间的尾流耦合。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。
根据风电场在贪婪策略下的历史发电数据，利用式(8)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，满足当
Figure BDA0003017281520000108
有
Figure BDA0003017281520000109
其中，
Figure BDA00030172815200001010
是一个小的正常数。选择的
Figure BDA00030172815200001011
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 BDA00030172815200001012
其中，ηj(u)表示风向θ∈Θj时风电场的发电效率模型，j＝1,2,…,m。定义
Figure BDA0003017281520000111
则风电场的发电效率优化问题可进一步描述为
Figure BDA0003017281520000112
式(18)表明风电场的发电效率优化问题可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。由于每个风向子区间内风电机组间的尾流耦合模型几乎不变，所以对应的子问题可视为静态优化问题。
图2示出了提出的风电场发电功率优化方案的架构。可见，为了获得风电场功率优化问题的最优解，m个算法1并行执行。这m个算法构成了风电场的功率优化方案，简称为MGL策略。每个算法仅优化定义在一个风向子区间的优化子问题。
图3示出了风电场功率优化方案的工作流程图。当算法对应的风向子区间被风向访问时，它将被启动；当风向离开这个子区间时，它将被停止运行。以此来适应风向的改变。如图3所示，当θt∈Θh，为了获得uopt,h，算法Algh被运行。其中的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Θh切换到Θl，算法Algl将被启动运行。同时，算法Algh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Θh被风向θ再次访问时，算法Algh将被再次启动并基于之前的经验搜索uopt,h。显然，提出的方案架构可利用已经学到的经验知识。这有利于加快算法的收敛速度，并在时变风况下快速提升风电场的功率输出。
发明优点
本公开的技术方案能够快速提升风电场的功率输出。这受益于可获得的解析发电功率模型和分层的优化架构。解析的发电功率模型可以反映真实风场的关键特征，尤其是对于简单地形或海上的风电场。因此，解析模型通常可以在优化的初期阶段提供一个满意的搜索方向，或者说与真实的梯度方向呈锐角的方向。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。
本公开的技术方案可发现全局最优解，补偿模型不确定性对风电场发电性能的影响。
正因为以上优点，提出的方案可有效提升风电场的发电性能。
性能验证
在这一部分，分别在简单风况和复杂风况下测试提出方案的优化性能。
采用含25台风电机组的风电场测试提出方案的性能，其布局如图4所示。假定所有的风电机组具有相同的大小，直径均为126m，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。
FLORIS模型主要由代尔夫特理工大学和美国可再生能源实验室的一些学者，如Gebraad，Wingerden，Fleming等合作研发，用于做风电场发电功率优化方案的设计和验证。该模型是Park模型和Jiménez模型的组合以及进一步的修订。Jimenez模型建模了偏航控制引起的尾流倾斜，同时对风的垂直切变和尾流旋转引起的尾流偏移做了刻画。为了更好地建模尾流速度分布，Gebraad等对FLORIS模型做了进一步的改进。他们将尾流区分割为三块区域，分别为近尾流区(near wake)，远尾流区(far wake)，以及混合尾流区(mixingzone)，并对不同的尾流区域，设置了不同的参数。假定基于Park模型建立的解析的风电场发电功率模型为包含关键特征的标称模型
Figure BDA0003017281520000131
基于FLORIS模型建立的风电场发电功率模型模拟精确的未知模型P(u；V∞,θ)。
Figure BDA0003017281520000132
简单风况下的性能测试
表1相比基准策略，风电场在MGL策略作用下的效率提升百分比
Figure BDA0003017281520000133
图5(a)示出了模拟的简单风况。图5(b)给出了简单风况下，基于最优策略、MGL策略、离线策略以及贪婪策略的风电场发电效率轨迹。最优策略为基于模拟的精确模型通过梯度法获得的策略。离线策略为基于模拟的不精确(标称)模型通过梯度法获得的策略。贪婪策略在很多实际风场中得到广泛应用，常被选择为基准策略，用于测试各种功率优化方案的有效性。
图5(b)可见MGL策略在0度和45度风向均收敛到了最优值。表1表明相比贪婪策略和离线策略，提出的策略有效提升了风电场的发电效率。这意味着MGL策略有能力补偿模型不确定性对风场发电性能的影响。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。
Figure BDA0003017281520000134
复杂风况下的性能测试
将贪婪策略应用到模拟的精确的风电场发电功率模型，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(8)计算得到风电场在所有风向下的发电效率。设置常数
Figure BDA0003017281520000135
为0.02。根据式(15)，整个风向区间可分为203个子区间。因此，风电场的发电效率优化问题可分解为203个优化子问题。为了求解这些子问题，将有203个MGL算法并行执行，构成了MGL策略。
图6(a)示出了用于仿真测试的复杂时变风况。图6(b)给出了复杂风况下，四种策略对应的风电场平均发电效率轨迹。图6(b)中，在t∈(250000,300000]时，MGL策略对应的风电场平均发电效率达到了最优值的99.8％，相比贪婪策略和离线策略，分别提升了2.4％和1.0％。因此，提出的方案能够在复杂风况下有效提升风电场的发电效率。

Claims (9)

1.一种基于模型和数据驱动的风电场发电功率的优化方法，其特征在于，包括：
利用可获得风电场的发电功率模型和实时的发电数据，实施模型指导的学习方法；以及
基于模型指导的学习方法，实施分层融合模型与数据的风电场发电功率优化方案，以便对风电场的发电功率进行优化，
其中，所述模型指导的学习方法，包括：
动作更新：基于基准动作
Figure FDA0003579474640000011
使用解析模型近似的梯度搜索方向
Figure FDA0003579474640000012
和数据驱动的随机搜索方向
Figure FDA0003579474640000013
进行动作更新，其中迭代次数k＝0,1,…；
动作评估：通过实际风电场的发电效率评估新的控制动作uk+1；
基准更新：从新控制动作uk+1和基准控制动作
Figure FDA0003579474640000014
中，选择具有更高发电效率的动作作为下一步迭代的基准动作；从新控制动作uk+1对应的发电效率和基准控制动作
Figure FDA0003579474640000015
对应的发电效率中，选择更高的发电效率作为下一步迭代的基准效率；以及
参数更新：在迭代过程中，对控制动作更新步骤中所使用的参数进行更新。
2.如权利要求1所述的方法，其特征在于，在所述动作更新的步骤中：采用以下公式进行控制动作的更新，
Figure FDA0003579474640000016
Figure FDA0003579474640000017
Figure FDA0003579474640000018
Figure FDA0003579474640000021
这里
Figure FDA0003579474640000022
被随机选择，
Figure FDA0003579474640000023
这里
Figure FDA0003579474640000024
Figure FDA0003579474640000025
被随机选择，
Figure FDA0003579474640000026
是
Figure FDA0003579474640000027
的第i个元素，其中Πu(·)为欧几里得投影算子；
参数
Figure FDA0003579474640000028
的初始参数为
Figure FDA0003579474640000029
参数
Figure FDA00035794746400000210
的初始参数为
Figure FDA00035794746400000211
Figure FDA00035794746400000212
表示在基准迭代点
Figure FDA00035794746400000213
处发电效率模型的梯度，
Figure FDA00035794746400000214
和ωi分别为对
Figure FDA00035794746400000215
的第i个元素施加的局部和全局摄动；参数0＜ε1,ε2＜1。
3.如权利要求1所述的方法，其特征在于，在所述控制动作评估的步骤中；通过对控制动作uk+1进行评估，即
ηk+1＝η(uk+1)
其中，ηk+1表示第k+1次迭代时测量的风电场发电效率。
4.如权利要求1所述的方法，其特征在于，在基准更新的步骤中，如果
Figure FDA00035794746400000216
则使用新控制动作uk+1和对应的发电效率ηk+1替代基准动作
Figure FDA00035794746400000217
和基准效率
Figure FDA00035794746400000218
否则继续使用基准动作
Figure FDA00035794746400000219
和基准效率
Figure FDA00035794746400000220
5.如权利要求1所述的方法，其特征在于，在所述参数更新的步骤中，在第k+1次迭代，将所述控制动作更新步骤中所使用的参数按照以下公式进行更新：
Figure FDA00035794746400000221
Figure FDA00035794746400000222
其中，参数μ1设定为0＜μ1＜1，参数μ2设定为0＜μ2，参数μ3设定为0＜μ3＜1。
6.如权利要求2所述的方法，其特征在于，采用中心差分公式估计
Figure FDA0003579474640000031
关于第i个分量ui的导数，
Figure FDA0003579474640000032
其中ε是一个非常小的正常数；ei是一个单位向量，其第i个元素为1，其余元素均为0，i＝1,…,n；在估计出
Figure FDA0003579474640000033
关于u中所有分量的导数后，梯度
Figure FDA0003579474640000034
由
Figure FDA0003579474640000035
近似。
7.如权利要求1所述的方法，其特征在于，在所述分层融合模型与数据的风电场发电功率优化方案中，确定随着风向的变化，风电场中风电机组之间的不同尾流耦合模型，并将整个风向区间划分为m个风向子区间：针对每个风向子区间，只需考虑一种尾流耦合模型。
8.如权利要求1所述的方法，其特征在于，当m个模型指导的学习方法中第j个模型指导的学习方法所对应的m个风向子区间中第j个风向子区间被风向访问时，则启动所述第j个模型指导的学习方法对所述第j个风向子区间对应的发电效率优化子问题进行优化以搜索最优解。
9.如权利要求8 所述的方法，其特征在于，当所述第j个风向子区间被再次访问时，则所述第j个模型指导的学习方法被再次启动，并且根据之前的经验来搜索第j个发电效率优化子问题的最优解。
CN202110392475.XA 2021-04-13 2021-04-13 基于模型和数据驱动的风电场发电功率优化方法 Expired - Fee Related CN113051774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110392475.XA CN113051774B (zh) 2021-04-13 2021-04-13 基于模型和数据驱动的风电场发电功率优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110392475.XA CN113051774B (zh) 2021-04-13 2021-04-13 基于模型和数据驱动的风电场发电功率优化方法

Publications (2)

Publication Number Publication Date
CN113051774A CN113051774A (zh) 2021-06-29
CN113051774B true CN113051774B (zh) 2022-06-24

Family

ID=76519412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110392475.XA Expired - Fee Related CN113051774B (zh) 2021-04-13 2021-04-13 基于模型和数据驱动的风电场发电功率优化方法

Country Status (1)

Country Link
CN (1) CN113051774B (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018178900A (ja) * 2017-04-18 2018-11-15 株式会社日立製作所 風力発電システム
CN110518580B (zh) * 2019-08-15 2023-04-28 上海电力大学 一种考虑微网主动优化的主动配电网运行优化方法

Also Published As

Publication number Publication date
CN113051774A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN105179164B (zh) 基于t-s模糊模型的风能转换系统滑模控制方法及装置
Deshmukh et al. Multidisciplinary dynamic optimization of horizontal axis wind turbine design
Bottasso et al. Multi-disciplinary constrained optimization of wind turbines
Andersson et al. Wind farm control‐Part I: A review on control system concepts and structures
Bai et al. Wind farm layout optimization using adaptive evolutionary algorithm with Monte Carlo Tree Search reinforcement learning
Astolfi et al. Precision computation of wind turbine power upgrades: An aerodynamic and control optimization test case
Jia et al. A reinforcement learning based blade twist angle distribution searching method for optimizing wind turbine energy power
Beus et al. Application of an adaptive model predictive control algorithm on the Pelton turbine governor control
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
Bortolotti et al. Challenges, opportunities, and a research roadmap for downwind wind turbines
Xu et al. A hierarchical data–driven wind farm power optimization approach using stochastic projected simplex method
Zheng et al. Deep reinforcement learning based active disturbance rejection load frequency control of multi-area interconnected power systems with renewable energy
Wei et al. Power Prediction‐Based Model Predictive Control for Energy Management in Land and Air Vehicle with Turboshaft Engine
Song et al. Deep optimization of model predictive control performance for wind turbine yaw system based on intelligent fuzzy deduction
CN113033012A (zh) 分层数据驱动的风电场发电功率优化方案
Xu et al. Distributed power optimization of large wind farms using ADMM for real-time control
Ayoubi et al. Intelligent control of a large variable speed wind turbine
Huang et al. Multi-agent reinforcement learning control of a hydrostatic wind turbine-based farm
CN113051774B (zh) 基于模型和数据驱动的风电场发电功率优化方法
Cai et al. Data-driven predictive based load frequency robust control of power system with renewables
Feil et al. Distributed aerodynamic control using active trailing-edge flaps for large wind turbines
Hawkins et al. Region II wind power capture maximization using robust control and estimation with alternating gradient search
Kong et al. Offshore wind turbines real-time control using convex nonlinear economic MPC scheme
CN111222718A (zh) 一种风能转换系统的最大功率点跟踪方法与装置
Bhadoria et al. A chaotic hybrid optimization technique for solution of dynamic generation scheduling problem considering effect of renewable energy sources

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220624

CF01 Termination of patent right due to non-payment of annual fee