CN113361103A - 一种尾流控制方法、装置、设备及存储介质 - Google Patents

一种尾流控制方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113361103A
CN113361103A CN202110625885.4A CN202110625885A CN113361103A CN 113361103 A CN113361103 A CN 113361103A CN 202110625885 A CN202110625885 A CN 202110625885A CN 113361103 A CN113361103 A CN 113361103A
Authority
CN
China
Prior art keywords
population
wind
fan
angle
omega
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.)
Withdrawn
Application number
CN202110625885.4A
Other languages
English (en)
Inventor
王梦雨
黄凌翔
张硕望
彭郎军
曾冰
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.)
Harbin Electric Wind Energy Co ltd
Original Assignee
Harbin Electric Wind Energy Co ltd
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 Harbin Electric Wind Energy Co ltd filed Critical Harbin Electric Wind Energy Co ltd
Priority to CN202110625885.4A priority Critical patent/CN113361103A/zh
Publication of CN113361103A publication Critical patent/CN113361103A/zh
Withdrawn legal-status Critical Current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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)

Abstract

本发明提供了一种尾流控制方法、装置、设备及存储介质。涉及风力发电领域。方法包括：获取风场风机的分布信息和各风机当前的风速和风向数据，并根据分布信息、风速和风向数据，通过多目标优化算法得到各风机的偏航控制角度，根据偏航控制角度，向各风机发送偏航控制指令。本发明综合考虑了尾流对风场的影响，通过控制偏航角度的方式，对尾流形成有效控制。

Description

一种尾流控制方法、装置、设备及存储介质
技术领域
本发明涉及风力发电领域，具体而言，涉及一种尾流控制方法、装置、设备及存储介质。
背景技术
随着风力发电技术的发展，风电机组的发电容量迅速扩大，塔架设计高度及叶片长度也随之增长。叶片的加长，会增大扫风面积，从而增大尾流区，塔架的增高，使得尾流效应的性质更加复杂。由于尾流效应对风机承载部件的疲劳载荷和风电机组输出功率都有着重要的影响，为保证大型风电机组的正常运行，尾流效应的作用更是不容忽视。现有技术往往没有综合考虑尾流对风场的影响，不能对尾流形成有效地控制。
发明内容
本发明的目的在于提供一种尾流控制方法、装置、设备及存储介质，综合考虑尾流对风场的影响，对尾流形成有效控制，有效降低尾流效应的影响。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，一种尾流控制方法，应用于尾流控制设备，所述尾流控制设备与两个以上风机通信连接，所述方法包括：
获取风场风机的分布信息；
获取各风机当前的风速和风向数据；
根据所述分布信息、风速和风向数据，通过多目标优化算法得到各风机的偏航控制角度；
根据所述偏航控制角度，向各风机发送偏航控制指令。
可选的，所述多目标优化算法为带有精英策略的快速非支配排序遗传算法NSGA-II。
可选的，所述通过多目标优化算法得到各风机的偏航控制角度包括：
设置NSGA-II算法参数，包括种群个数Ps、迭代次数gen和最大迭代次数N，并初始化迭代次数gen＝0。
随机初始化种群个体Xi，根据所述分布信息、风速和风向数据，计算种群个体Xi的目标函数值，得到初始种群Ω。
对初始种群Ω进行快速非支配排序，将位于非支配前沿第一层级的所有个体构成最优解集P*。
执行gen＝gen+1，判断gen是否等于N，若等于，则输出最优解集P*，得到角度集合，若不等于，则更新初始种群Ω。
比较初始种群Ω和最优解集P*中的个体，移除最优解集P*中被其他个体支配的个体，将初始种群Ω中未被支配的个体添加至最优解集P*，并执行所述执行gen＝gen+1，判断gen是否等于N，若等于，则输出最优解集P*，得到角度集合，若不等于，则更新初始种群Ω的步骤。
根据所述角度集合，得到所述偏航控制角度。
可选的，所述随机初始化种群个体Xi通过以下公式实现：
Figure BDA0003102103940000031
Xi＝{xi，1，xi，2，...，xi，D}(i＝1，2，...，Ps)
其中，D表示风场风机的数量，j表示风机编号，j∈[1，2，3，...，D]，xi，j表示种群个体Xi在第j个位置的值，LBj表示j号风机的偏航角度的下限值，UBj表示j号风机的偏航角度的上限值，rand(LBj，UBj)表示基于区间[LBj，UBj]上的均匀分布产生一个随机数。
可选的，所述根据所述分布信息、风速和风向数据，计算种群个体Xi的目标函数值包括：
根据所述分布信息、风速和风向数据，通过Gaussian尾流模型建立各风机的上游风速v；
所述目标函数值包括场群功率f1(Xi)和场群载荷f2(Xi)；
所述场群功率f1(Xi)通过以下公式建立：
Figure BDA0003102103940000032
其中，ρ表示空气密度，
Figure BDA0003102103940000033
表示j号风机的风能利用系数，Sj表示j号风机的风轮扫风面积，vj表示j号风机的上游风速，xj表示j号风机的偏航角度，
Figure BDA0003102103940000034
所述场群载荷f2(Xi)通过以下公式建立：
Figure BDA0003102103940000035
其中，A表示机组载荷相对偏航角度变化的速率。
通过设置场群功率f1(Xi)和场群载荷f2(Xi)作为目标函数值，综合考虑了尾流对场群功率和场群载荷的影响，可以有效降低尾流效应对风场的影响。
可选的，所述更新初始种群Ω包括：
计算初始种群Ω中各个体的拥挤距离distΩ；
根据初始种群Ω中各个体的拥挤距离distΩ，获得子代种群Ω′；
合并初始种群Ω和子代种群Ω′，得到种群Φ，并对种群Φ进行快速非支配排序，计算种群Φ中各个体的拥挤距离distΦ；
根据种群Φ中各个体的拥挤距离distΦ，采用精英保留策略从种群Φ中选出最优的Ps个个体，并更新初始种群Ω。
第二方面，一种尾流控制装置，应用于风力发电系统，包括：
第一获取模块，用于获取风场的风机的地理位置分布信息；
第二获取模块，用于获取各风机当前的风速和风向数据；
算法模块，根据所述地理位置分布信息、风速和风向数据，得到各风机的偏航控制角度；
发送模块，用于各风机向偏航系统发送偏航控制指令。
可选的，所述算法模块应用带有精英策略的快速非支配排序遗传算法NSGA-II得到各风机组的偏航控制角度。
第三方面，一种尾流控制设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述尾流控制方法的步骤。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述尾流控制方法的步骤。
相对于现有技术，本发明具有以下有益效果：
本发明提供了一种尾流控制方法、装置、设备及存储介质。获取风场风机的分布信息和各风机当前的风速和风向数据，并根据分布信息、风速和风向数据，通过多目标优化算法得到各风机的偏航控制角度，根据偏航控制角度，向各风机发送偏航控制指令。本发明综合考虑了尾流对风场的影响，通过控制偏航角度的方式，对尾流形成有效控制，有效降低尾流效应对风场的影响，提升了风场的综合收益。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种应用场景示意图；
图2为本发明实施例提供的尾流控制方法的流程图；
图3为本发明实施例提供的多目标算法的流程图；
图4为本发明实施例提供的获得子代个体的流程图；
图5为本发明实施例提供的尾流控制装置的结构框图。
附图标号：100-电子设备；110-尾流控制装置；111-第一获取模块；112-第二获取模块；113-算法模块；114-发送模块；120-存储器；130-处理器；140-通信单元。
具体实施方式
目前，随着风力发电技术的发展，风电机组的发电容量迅速扩大，塔架设计高度及叶片长度也随之增长。叶片的加长，会增大扫风面积，从而增大尾流区，塔架的增高，使得尾流效应的性质更加复杂。由于尾流效应对风机承载部件的疲劳载荷和风电机组输出功率都有着重要的影响，为保证大型风电机组的正常运行，尾流效应的作用更是不容忽视。现有技术往往没有综合考虑尾流对风场的影响，不能对尾流形成有效地控制。
针对现有技术所存在的问题，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案，都应该是发明人在发明过程中做出的贡献。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“包括”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、物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、物品或者设备所固有的要素。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
下面结合附图，对本发明的一些实施方式作详细说明。需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
本实施例提供一种可以对尾流进行控制的电子设备。在一种可能的实现方式中，所述电子设备可以为用户终端，例如，电子设备可以是，但不限于，服务器、智能手机、个人电脑(Personal Computer，PC)、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、移动上网设备(Mobile Internet Device，MID)以及图像采集装置等。
在另一种可能的实现方式中，所述电子设备也可以为能够与用户终端通信的服务器。该服务器可以根据分布信息、风速和风向数据，得到各风机的偏航控制角度，对尾流形成有效控制。
请参照图1所示的该电子设备100的结构示意图。该电子设备100包括尾流控制装置110、存储器120、处理器130以及通信单元140。
该存储器120、处理器130以及通信单元140各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。该尾流控制装置110包括至少一个可以软件或固件(Firmware)的形式存储于存储器120中或固化在电子设备100的操作系统(Operating System，OS)中的软件功能模块。处理器130用于执行存储器120中存储的可执行模块，例如尾流控制装置110所包括的软件功能模块及计算机程序等。该尾流控制装置110中的计算机可执行指令被处理器130执行时，实现该尾流控制方法。
其中，该存储器120可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器120用于存储程序，该处理器130在接收到执行指令后，执行该程序。该通信单元140用于通过网络收发数据。
该处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器130可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器130也可以是任何常规的处理器等。
应当理解的是，图1所示的结构仅为电子设备100的结构示意图，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示的不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请结合参阅图2，为本发明实施例提供的一种尾流控制方法，应用于尾流控制设备，尾流控制设备与两个以上风机通信连接，基于该尾流控制方法可以得到各风机的偏航控制角度。该尾流控制方法可以由图1所述电子设备100执行，例如可以由电子设备100中的处理器130执行。该尾流控制方法包括以下步骤：
步骤101：获取风场风机的分布信息。
步骤102：获取各风机当前的风速和风向数据。
步骤103：根据分布信息、风速和风向数据，通过多目标优化算法得到各风机的偏航控制角度。
步骤104：根据偏航控制角度，向各风机发送偏航控制指令。
风场风机的分布信息包括风场中各个风机的地理位置分布信息。
可选的，多目标优化算法为带有精英策略的快速非支配排序遗传算法NSGA-II。
可选的，通过多目标优化算法得到各风机的偏航控制角度包括：
步骤201：设置NSGA-II算法参数，包括种群个数Ps、迭代次数gen和最大迭代次数N，并初始化迭代次数gen＝0。
步骤202：随机初始化种群个体Xi，根据所述分布信息、风速和风向数据，计算种群个体Xi的目标函数值，得到初始种群Ω。
步骤203：对初始种群Ω进行快速非支配排序，将位于非支配前沿第一层级的所有个体构成最优解集P*。
步骤204：执行gen＝gen+1，判断gen是否等于N，若等于，则输出最优解集P*，得到角度集合，若不等于，则更新初始种群Ω。
步骤205：比较初始种群Ω和最优解集P*中的个体，移除最优解集P*中被其他个体支配的个体，将初始种群Ω中未被支配的个体添加至最优解集P*，并转至步骤204。
步骤206：根据所述角度集合，得到所述偏航控制角度。
需要说明的是，角度集合中包含多个偏航控制角度，每一个偏航控制角度对应一个控制方案，每一个控制方案中都包含有各个风机的偏航控制角度。
其中，对初始种群Ω进行快速非支配排序包括：
步骤301：将种群个体两两进行比较，记录各种群个体被支配的次数nd，用种群个体中被支配次数nd的最大值初始化支配层级数Nd。
步骤302：根据种群个体被支配次数将各种群个体分配到相应的非支配层中，即将所有nd＝0的种群个体位于非支配前沿的第一层级，表示这些个体不被种群中任何其他个体支配，所有nd＝1的种群个体位于非支配前沿的第二层级，表示种群中有且仅有一个个体支配这些个体，以此类推，所有nd＝Nd的个体位于非支配前沿的第Nd+1个层级。
可选的，随机初始化种群个体Xi通过以下公式实现：
Figure BDA0003102103940000111
Xi＝{xi，1，xi，2，...，xi，D}(i＝1，2，...，Ps)
其中，D表示风场风机的数量，j表示风机编号，j∈[1，2，3，...，D]，xi，j表示种群个体Xi在第j个位置的值，LBj表示j号风机的偏航角度的下限值，UBj表示j号风机的偏航角度的上限值，rand(LBj，UBj)表示基于区间[LBj，UBj]上的均匀分布产生一个随机数。
可选的，根据分布信息、风速和风向数据，计算种群个体Xi的目标函数值包括以下步骤：
步骤401：根据分布信息、风速和风向数据，通过Gaussian尾流模型建立各风机的上游风速v；
步骤402：目标函数值包括场群功率f1(Xi)和场群载荷f2(Xi)：
场群功率f1(Xi)通过以下公式建立：
Figure BDA0003102103940000112
其中，ρ表示空气密度，
Figure BDA0003102103940000121
表示j号风机的风能利用系数，Sj表示j号风机的风轮扫风面积，vj表示j号风机的上游风速，xj表示j号风机的偏航角度，
Figure BDA0003102103940000122
场群载荷f2(Xi)通过以下公式建立：
Figure BDA0003102103940000123
其中，A表示机组载荷相对偏航角度变化的速率。
可选的，更新初始种群Ω包括：
步骤501：计算初始种群Ω中各个体的拥挤距离distΩ；
步骤502：根据初始种群Ω中各个体的拥挤距离distΩ和非支配前沿层级，并进行选择、交叉和变异操作获得子代种群Ω′；
步骤503：合并初始种群Ω和子代种群Ω′，得到种群Φ，并对种群Φ进行快速非支配排序，计算种群Φ中各个体的拥挤距离distΦ；
步骤504：根据种群Φ中各个体的拥挤距离distΦ和非支配前沿层级，并采用精英保留策略从种群Φ中选出最优(即支配层级数最低且拥挤距离最大)的Ps个个体，并更新初始种群Ω。
进一步的，计算初始种群Ω中各个体的拥挤距离distΩ包括：
步骤601：对位于非支配层级Nd＝0，1，...，Nd，Nd+1中的所有个体的拥挤距离
Figure BDA0003102103940000124
初始化为0。
步骤602：对于每个优化目标fj，(j＝1，2)，按目标值从小到大对个体进行排序，将边界处的两个个体(X1和XK)的拥挤距离设置为正无穷大，其他个体Xi的拥挤距离
Figure BDA0003102103940000131
依据以下公式计算：
Figure BDA0003102103940000132
其中，Xi-1和Xi+1分别表示与Xi相邻的两个个体，X1和XK分别表示位于边界处的两个个体，fj，(j＝1，2)表示优化目标值有f1和f2两个，即将场群功率f1(Xi)和场群载荷f2(Xi)按照公式分别计算拥挤距离。
进一步的，请结合参阅图4，根据初始种群Ω中各个体的拥挤距离distΩ和非支配前沿层级，并进行选择、交叉和变异操作获得子代种群Ω′包括以下步骤：
步骤701：设置参数，包括交叉概率Pc和变异概率Pm，并根据锦标赛法从初始种群Ω中选择两个个体X1和X2。
在本实施中，设置参数交叉概率Pc和变异概率Pm的步骤可以在上述步骤201中与参数种群个数Ps、迭代次数gen和最大迭代次数N一同设置。
具体包括：从初始种群Ω中随机选择两个个体，进行比较，优先选择非支配前沿层级较低、拥挤距离较大的个体，若这两个个体位于非支配前沿的同一层级且拥挤距离相同，则从这两个个体中随机选择一个个体，重复上述步骤直到从初始种群Ω中选出两个个体X1和X2。
步骤702：将X1＝{x1，1，x1，2，...，x1，D}和X2＝{x2，1，x2，2，...，x2，D}作为父代，随机生成区间[0，1]内的随机数r，若r大于交叉概率Pc，子代个体Y1和Y2与父代个体保持一致，即Y1＝X1，Y2＝X2，否则进行交叉操作，生成子代个体Y1和Y2，即随机生成一个区间[1，D]内的整数r，将X1第1至r个位置的值与X2相应位置的值互换，得到子代个体Y1＝{x1，1，x1，2，...，x1，r，x2，r+1，x2，D}和Y2＝{x2，1，x2，2，...，x2，r，x1，r+1，x1，D}。
步骤703：对个体Y1和Y2分别进行步骤704至步骤705所示的变异操作，得到子代个体Y1′和Y2′：
步骤704：对于j＝1，2，...，D，重复执行步骤705。
步骤705：生成区间[0，1]内的随机数r，若r大于变异概率Pm，子代个体第j个位置的值与父代保持一致，否则根据如下公式进行变异操作，得到子代个体第j个位置的值yj′：
yj′＝yj+δ·(UBj-LBj)
其中，yj是父代个体第j个位置的值，δ依据下式计算：
Figure BDA0003102103940000141
式中，λ1＝(yj-LBj)/(UBj-LBj)，λ2＝(UBj-yj)/(UBj-LBj)，u是区间[0，1]内的随机数，η是分布指数。
步骤706：重复执行步骤701至步骤703直至获得Ps个个体，构成子代种群Ω′。
请结合参阅图5，本实施例还提供了一种尾流控制装置110，应用于风力发电系统，包括：
第一获取模块111，用于获取风场的风机的地理位置分布信息；
第二获取模块112，用于获取各风机当前的风速和风向数据；
算法模块113，根据所述地理位置分布信息、风速和风向数据，得到各风机的偏航控制角度；
发送模块114，用于各风机向偏航系统发送偏航控制指令。
可选的，算法模块113应用带有精英策略的快速非支配排序遗传算法NSGA-II得到各风机组的偏航控制角度。
本实施例还提供了一种尾流控制设备，包括存储器120和处理器130，存储器120存储有计算机程序，处理器130执行计算机程序时实现尾流控制方法的步骤。
本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述尾流控制方法的步骤。
相对于现有技术，本发明具有以下有益效果：
本发明提供了一种尾流控制方法、装置、设备及存储介质。获取风场风机的分布信息和各风机当前的风速和风向数据，并根据分布信息、风速和风向数据，通过多目标优化算法得到各风机的偏航控制角度，根据偏航控制角度，向各风机发送偏航控制指令。本发明综合考虑了尾流对风场的影响，通过控制偏航角度的方式，对尾流形成有效控制，有效降低尾流效应对风场的影响，提升了风场的综合收益。

Claims (10)

1.一种尾流控制方法，其特征在于，应用于尾流控制设备，所述尾流控制设备与两个以上风机通信连接，所述方法包括：
获取风场风机的分布信息；
获取各风机当前的风速和风向数据；
根据所述分布信息、风速和风向数据，通过多目标优化算法得到各风机的偏航控制角度；
根据所述偏航控制角度，向各风机发送偏航控制指令。
2.根据权利要求1所述的尾流控制方法，其特征在于，所述多目标优化算法为带有精英策略的快速非支配排序遗传算法NSGA-II。
3.根据权利要求2所述的尾流控制方法，其特征在于，所述通过多目标优化算法得到各风机的偏航控制角度包括：
设置NSGA-II算法参数，包括种群个数Ps、迭代次数gen和最大迭代次数N，并初始化迭代次数gen＝0；
随机初始化种群个体Xi，根据所述分布信息、风速和风向数据，计算种群个体Xi的目标函数值，得到初始种群Ω；
对初始种群Ω进行快速非支配排序，将位于非支配前沿第一层级的所有个体构成最优解集P*；
执行gen＝gen+1，判断gen是否等于N，若等于，则输出最优解集P*，得到角度集合，若不等于，则更新初始种群Ω；
比较初始种群Ω和最优解集P*中的个体，移除最优解集P*中被其他个体支配的个体，将初始种群Ω中未被支配的个体添加至最优解集P*，并执行所述执行gen＝gen+1，判断gen是否等于N，若等于，则输出最优解集P*，得到角度集合，若不等于，则更新初始种群Ω的步骤；
根据所述角度集合，得到所述偏航控制角度。
4.根据权利要求3所述的尾流控制方法，其特征在于，所述随机初始化种群个体Xi通过以下公式实现：
Figure FDA0003102103930000021
Figure FDA0003102103930000022
其中，D表示风场风机的数量，j表示风机编号，j∈[1，2，3，...，D]，xi，j表示种群个体Xi在第j个位置的值，LBj表示j号风机的偏航角度的下限值，UBj表示j号风机的偏航角度的上限值，rand(LBj，UBj)表示基于区间[LBj，UBj]上的均匀分布产生一个随机数。
5.根据权利要求4所述的尾流控制方法，其特征在于，所述根据所述分布信息、风速和风向数据，计算种群个体Xi的目标函数值包括：
根据所述分布信息、风速和风向数据，通过Gaussian尾流模型建立各风机的上游风速v；
所述目标函数值包括场群功率f1(Xi)和场群载荷f2(Xi)；
所述场群功率f1(Xi)通过以下公式建立：
Figure FDA0003102103930000031
其中，ρ表示空气密度，
Figure FDA0003102103930000032
表示j号风机的风能利用系数，Sj表示j号风机的风轮扫风面积，vj表示j号风机的上游风速，xj表示j号风机的偏航角度，
Figure FDA0003102103930000033
所述场群载荷f2(Xi)通过以下公式建立：
Figure FDA0003102103930000034
其中，A表示机组载荷相对偏航角度变化的速率。
6.根据权利要求3所述的尾流控制方法，其特征在于，所述更新初始种群Ω包括：
计算初始种群Ω中各个体的拥挤距离distΩ；
根据初始种群Ω中各个体的拥挤距离distΩ，获得子代种群Ω′；
合并初始种群Ω和子代种群Ω′，得到种群Φ，并对种群Φ进行快速非支配排序，计算种群Φ中各个体的拥挤距离distΦ；
根据种群Φ中各个体的拥挤距离distΦ，采用精英保留策略从种群Φ中选出最优的Ps个个体，并更新初始种群Ω。
7.一种尾流控制装置，其特征在于，应用于风力发电系统，包括：
第一获取模块，用于获取风场的风机的地理位置分布信息；
第二获取模块，用于获取各风机当前的风速和风向数据；
算法模块，根据所述地理位置分布信息、风速和风向数据，得到各风机的偏航控制角度；
发送模块，用于各风机向偏航系统发送偏航控制指令。
8.根据权利要求7所述的尾流控制装置，其特征在于，所述算法模块应用带有精英策略的快速非支配排序遗传算法NSGA-II得到各风机组的偏航控制角度。
9.一种尾流控制设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述方法的步骤。
CN202110625885.4A 2021-06-04 2021-06-04 一种尾流控制方法、装置、设备及存储介质 Withdrawn CN113361103A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110625885.4A CN113361103A (zh) 2021-06-04 2021-06-04 一种尾流控制方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110625885.4A CN113361103A (zh) 2021-06-04 2021-06-04 一种尾流控制方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113361103A true CN113361103A (zh) 2021-09-07

Family

ID=77532362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110625885.4A Withdrawn CN113361103A (zh) 2021-06-04 2021-06-04 一种尾流控制方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113361103A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116771596A (zh) * 2023-06-30 2023-09-19 渤海石油航务建筑工程有限责任公司 海上风电场尾流转向控制方法及相关设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116771596A (zh) * 2023-06-30 2023-09-19 渤海石油航务建筑工程有限责任公司 海上风电场尾流转向控制方法及相关设备
CN116771596B (zh) * 2023-06-30 2024-06-04 渤海石油航务建筑工程有限责任公司 海上风电场尾流转向控制方法及相关设备

Similar Documents

Publication Publication Date Title
Jin et al. A framework for evolutionary optimization with approximate fitness functions
Liu et al. Fuzzy-based information decomposition for incomplete and imbalanced data learning
Li et al. Review of design optimization methods for turbomachinery aerodynamics
Mittal et al. A novel hybrid optimization methodology to optimize the total number and placement of wind turbines
Li et al. A two-stage approach for multi-objective decision making with applications to system reliability optimization
Li et al. Hybrid optimization algorithm based on chaos, cloud and particle swarm optimization algorithm
Long et al. A two-echelon wind farm layout planning model
Olhofer et al. Adaptive encoding for aerodynamic shape optimization using evolution strategies
Rizk-Allah et al. A hybrid equilibrium algorithm and pattern search technique for wind farm layout optimization problem
Syama et al. A hybrid extreme learning machine model with lévy flight chaotic whale optimization algorithm for wind speed forecasting
Campobasso et al. Aerodynamic design optimization of wind turbine rotors under geometric uncertainty
CN108647820A (zh) 基于改进粒子群算法的分布式电源选址定容优化方法及系统
CN106447085A (zh) 一种短期电力负荷预测方法、装置及计算设备
CN113361103A (zh) 一种尾流控制方法、装置、设备及存储介质
CN109298930A (zh) 一种基于多目标优化的云工作流调度方法及装置
Pollini Topology optimization of wind farm layouts
JP5909943B2 (ja) 情報処理装置、推定機生成方法、及びプログラム
Cui et al. Lazy Quantum clustering induced radial basis function networks (LQC-RBFN) with effective centers selection and radii determination
Kampolis et al. Multilevel optimization strategies based on metamodel-assisted evolutionary algorithms, for computationally expensive problems
CN108418247A (zh) 一种配电网中分布式电源优化配置方法及计算设备
CN117312865B (zh) 基于非线性动态优化的数据分类模型的构建方法及装置
CN104834957B (zh) 一种基于杜鹃搜索算法求解非线性规划模型的方法和装置
Goupee et al. A Calibrated Blade-Element/Momentum Theory Aerodynamic Model of the MARIN Stock Wind Turbine
Lattarulo et al. Application of the multi-objective alliance algorithm to a benchmark aerodynamic optimization problem
Kucuktezan et al. Dynamic security assessment of a power system based on probabilistic neural networks

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210907