CN113869771B - 基于局域疲劳载荷均衡的海上风电场功率调度方法 - Google Patents
基于局域疲劳载荷均衡的海上风电场功率调度方法 Download PDFInfo
- Publication number
- CN113869771B CN113869771B CN202111188074.9A CN202111188074A CN113869771B CN 113869771 B CN113869771 B CN 113869771B CN 202111188074 A CN202111188074 A CN 202111188074A CN 113869771 B CN113869771 B CN 113869771B
- Authority
- CN
- China
- Prior art keywords
- wind
- local
- fatigue load
- motors
- individual
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012423 maintenance Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 230000002040 relaxant effect Effects 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
-
- 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
Abstract
本发明公开了一种基于局域疲劳载荷均衡的海上风电场功率调度方法。本发明引入局域疲劳载荷均衡性指标对全场疲劳载荷均衡方法进行改进;引入局域规模参数,来设定需要进行载荷均衡的局域范围。引入局域风电机密度权重,来表征每台风电机形成的局域特征的重要程度。将风电场中所有风电机的桨距角可行取值范围作为搜索域,利用快速非支配排序遗传算法进行优化,其中优化目标的适应度由风电场产能指标和局域疲劳载荷均衡性指标两部分组成。本发明提出局域疲劳载荷均衡性指标,在提高海上风电场总产能的同时,有效减少疲劳载荷离群风电机(简称离群风电机)的数目,降低海上风电场维护频率,更符合海上风电场实际运维需求。
Description
技术领域
本发明涉及一种风电场功率调度优化方法,特别涉及一种基于局域疲劳载荷均衡的海上风电场功率调度方法。
背景技术
能源危机已经成为现代社会的主要问题之一,传统化石能源带来的环境污染问题日益严重,新能源利用领域亟待发展。风能是一种具有资源丰富、产业基础好、经济竞争力强且环境影响小的可再生能源。2020年,全球新安装的风电容量高达93GW,全球总装机容量已上升到743GW。随着全球总装机容量的增长,陆上可安装风电机的地点越来越少。相比陆上风电场,海上风电场具有可捕获风能更多和对居民的生活影响不大等优点。截至2020年末,海上风电装机容量仅32.5GW,远小于陆上风电容量。因此,海上风电场具有巨大的潜力,并获得越来越多的关注。
然而,海上风电利用也面临着一些弊端,如海上风电场维护成本高,以至于其经济效益并不优于陆上风电场。其主要原因之一是维护时应用直升机和船只访问海上风电机,单次维护费用较为昂贵。因而,海上风电场的维护成本与其维护频率直接相关。造成海上风电场维护频率较高的主要原因之一是风电机疲劳载荷分布不均衡。该不均衡的疲劳载荷分布是由使用传统风电场调度方法带来的严重尾流效应引起的。当材料受到反复加载和卸载时,会产生疲劳。在海上风电场中,短期风速波动或湍流等现象,使风电机部件出现疲劳,进而缩短整台风电机的使用寿命。作为一种新兴技术,适当的风电机调度方法可有效提高风电机的性能。一类风电机调度方法通过最大化风电产能,来增加风电场利润。其中,风电机的最大功率点跟踪(MPPT)方法是该类调度方法中最为典型的一种,MPPT方法主要调度内容是使每台风电机捕获最大风能。在MPPT的基础上,又有研究者提出风电场最大功率点跟踪方法,将调度目标改进为使风电场总产能最大。这类调度方法一般不考虑疲劳载荷,导致风电机承受更多的疲劳载荷或风电场疲劳分布的恶化。另一类调度方法旨在减少单台风电机的疲劳载荷;然而,由于单台风电机受到风电场内其他风电机的尾流效应叠加的影响,造成该风电机产能减少或疲劳载荷增大。上述的调度方法难以针对风电场中不均衡性的风电机疲劳分布进行有效的优化。因此,有必要提出考虑疲劳分布的风电场调度方法。
现有的考虑疲劳分布的风电场调度方法,大多采用全场疲劳载荷方差作为疲劳分布的均衡性指标。全场疲劳载荷方差可以反映整个风电场的疲劳载荷分布的均衡情况,作为目标函数进行优化,可以提高风电场内风电机的平均寿命、减少风电场平均维护频率,进而降低海上风电场的维护成本。然而,该类调度方法大多没有考虑离群风电机的存在(离群风电机定义为在疲劳分布上与周围风电机相差较大的风电机,这些离群风电机需要进行单独维护),实际风电场应用中该类调度方法难以令风电场达到最优效能。
发明内容
本发明目的在于克服上述现有技术存在的问题和缺陷,提出一种基于局域疲劳载荷均衡的海上风电场功率调度方法。
本发明的目的是通过以下技术方案实现的:一种基于局域疲劳载荷均衡的海上风电场功率调度方法,该方法包括以下步骤:
1)获取海上风电场气象参数和风电机排布位置信息,获得风电机推力系数和功率系数与桨距角的关联关系;
2)将桨距角作为风电场内风电机调度方案的优化变量,将风电场中所有风电机的桨距角可行取值范围作为搜索域,应用快速非支配排序遗传算法在搜索域内对所有风电机的桨距角进行优化,在搜索域内随机生成风电机的初始调度方案矩阵作为算法初始解,矩阵的每一行代表风电场的一种调度方法,矩阵的行数代表算法每代种群的个体数,对矩阵进行编码;
3)计算当代每个个体的适应度值,其中适应度由风电场产能指标和局域疲劳载荷均衡性指标两部分组成;
4)根据每个个体的适应度值进行非支配排序和拥挤度计算,根据排序结果生成新的种群,并得到当代最优解集,结合历史最优解集记录,求出全局最优解集及其对应的个体群;
5)判断是否达到算法最大迭代次数或设定收敛标准,若是,则在全局最优解集对应的个体群中,挑选局域疲劳载荷均衡性指标对应的适应度值最小的个体,并解码作为优化后的调度方案,完成风电机功率调度优化,否则进行步骤6);
6)根据锦标赛选择方法,在当代所有个体中选择部分个体作为父代种群,以保证每一代种群大小相同,再根据设定的交叉率和变异率,进行交叉操作和变异操作后,将父子代种群合并,并返回步骤4)。
进一步地,所述步骤3)中,每个个体的适应度由两个适应度函数组成,个体适应度fitness计算公式为:
其中:fitness(1)是风电场产能指标对应的适应度值;fitness(2)是局域疲劳载荷均衡性指标对应的适应度值;AEP是风电场年平均发电量;N是风电场风电机总台数;每台风电机形成的局域是以该风电机为圆心,r为局域规模半径的圆形区域;fi,i=1,2,…,N是第i台风电机对应的局域疲劳载荷均衡性指标,其表达式为:
其中:对于第i台风电机,ni是该风电机形成的局域内的风电机总数(包括第i台风电机自身),是该风电机形成的局域内的风电机组疲劳载荷均值,fi,j,j=1,2,…,ni是属于该风电机局域内的第j台风电机的疲劳载荷,wi是该风电机的局域风电机密度权重,/>
进一步地,根据实际维护策略调整局域规模半径r大小,进一步降低维护频率,更符合海上风电场实际运维需求。
与现有技术相比,本发明具有以下优点:
1.提出局域疲劳载荷均衡性指标。对全场疲劳载荷均衡性指标进行改进,松弛全场疲劳载荷均衡方法对全场疲劳载荷分布的约束,在提高海上风电场总产能的同时,有效减少离群风电机的数目,降低海上风电场维护频率。
2.实用性强。因为是对运维结合起来进行研究的,在风电场功率调度过程考虑维护频率与疲劳载荷分布的相关性,在满足海上风电场产能需求的同时降低维护频率,更符合海上风电场实际运维需求。
3.灵活度高。可以根据实际维护策略调局域规模半径r大小,进一步降低维护频率。
附图说明
图1是本发明方法的流程图;
图2是实施例使用本发明进行功率调度后的疲劳载荷分布结果图;
图3是使用同时优化全场的疲劳载荷均衡性指标和产能指标的调度方法进行功率调度后的疲劳载荷分布结果图;
图4是使用风电场最大功率点跟踪调度方法进行功率调度后的疲劳载荷分布结果图。
具体实施方式
以下结合例图对本发明的实施作如下详述:
实施例
本实施例对某海上风电场进行功率调度优化。在该10×10正方形排布的海上风电场区域内装配有额定功率为5MW,风机叶轮面直径D为126m,相互之间距离为7D的风电机100台。假设风电机在额定工作状态下寿命为15年,考察功率调度1年后的风电场疲劳载荷分布情况。两个优化目标分别是风电场总产能量与局域疲劳载荷均衡性。整个过程的流程如图1所示,实施步骤具体如下:
1)获取海上风电场气象参数和风电机排布位置信息,获得风电机推力系数和功率系数与桨距角的关联关系;
2)将桨距角作为风电场内风电机调度方案的优化变量,将风电场中所有风电机的桨距角可行取值范围作为搜索域,应用快速非支配排序遗传算法在搜索域内对所有风电机的桨距角进行优化,在搜索域内随机生成风电机的初始调度方案矩阵作为算法初始解,矩阵的每一行代表风电场的一种调度方法,矩阵的行数代表算法每代种群的个体数,对矩阵进行编码;
3)计算当代每个个体的适应度值,其中适应度由风电场产能指标和局域疲劳载荷均衡性指标两部分组成;
4)根据每个个体的适应度值进行非支配排序和拥挤度计算,根据排序结果生成新的种群,并得到当代最优解集,结合历史最优解集记录,求出全局最优解集及其对应的个体群;
5)判断是否达到算法最大迭代次数或设定收敛标准,若是,则在全局最优解集对应的个体群中,挑选局域疲劳载荷均衡性指标对应的适应度值最小的个体,并解码作为优化后的调度方案,完成风电机功率调度优化,否则进行步骤6);
6)根据锦标赛选择方法,在当代所有个体中选择部分个体作为父代种群,以保证每一代种群大小相同,再根据设定的交叉率和变异率,进行交叉操作和变异操作后,将父子代种群合并,并返回步骤4)。
基于降低维护频率提出局域疲劳载荷均衡性指标,并将其作为优化目标之一,利用快速非支配排序遗传算法优化海上风电场的功率调度。每个个体的适应度由两个适应度函数组成,个体适应度fitness计算公式为:
其中:fitness(1)是风电场产能指标对应的适应度值;fitness(2)是局域疲劳载荷均衡性指标对应的适应度值;AEP是风电场年平均发电量;N是风电场风电机总台数;每台风电机形成的局域是以该风电机为圆心,r为局域规模半径的圆形区域;fi,i=1,2,…,N是第i台风电机对应的局域疲劳载荷均衡性指标,其表达式为:
其中:对于第i台风电机,ni是该风电机形成的局域内的风电机总数(包括第i台风电机自身),是该风电机形成的局域内的风电机组疲劳载荷均值,fi,j,j=1,2,…,ni是属于该风电机局域内的第j台风电机的疲劳载荷,wi是该风电机的局域风电机密度权重,/>
可以根据实际维护策略调整局域规模半径r大小,进一步降低维护频率,更符合海上风电场实际运维需求。
上述的基于局域疲劳载荷均衡的海上风电场功率调度方法主要包含种群初始化(种群中的每一个个体都代表风电场的一种功率调度方法)、编码、计算当代个体的适应值、进行非支配排序和拥挤度计算、通过选择操作、交叉操作和变异操作生成子代种群、将子代种群与父代种群合并等环节。整个实施例是按照图1中所示的流程,进行风电场功率调度方法相关计算。使用美国国家可再生能源实验室(NREL)的海上风资源信息输入本发明中设计的风电场功率调度方法中。图2是使用本发明的基于局域疲劳载荷均衡的海上风电场功率调度方法对100台风电机进行功率调度后的疲劳载荷分布结果图,其中引入离群风电机来进一步表征疲劳载荷分布的不均衡性,离群风电机定义为疲劳载荷与其局域内疲劳载荷均值的相对偏差超过一定阈值的风电机,以百分比形式表征,图2、图3和图4中标注的圆点即为在该定义下相对偏差大于10%的离群风电机位置。
图3给出本实施例使用传统的基于全场疲劳载荷均衡的调度方法得到的疲劳载荷分布结果图,可以看出虽然全场的疲劳载荷分布均衡性得到初步实现,但存在较多与其周围疲劳载荷值相差较大的离群风电机,这将导致需要对这些风电机进行单独维护,从而提高维护频率;而采用本发明的基于局域疲劳载荷均衡的海上风电场功率调度方法,松弛全场疲劳载荷均衡方法对全场疲劳载荷分布的约束,可以有效地使这些离群风电机聚拢成为属于它们自己的局域,从而在维护该局域内的一台风电机时可以有选择地对其周围风电机同时考虑维护措施(如:机会性维护),有效地降低维护频率。
图4给出本实施例使用传统的风电场最大功率点跟踪调度方法得到的疲劳载荷分布结果图,可以看出风向上游的风电机组的疲劳载荷水平较高,与内部风电机的疲劳载荷差距较大,致使风电场外围风电机的维护需求频率较高,同时存在较多与其周围疲劳载荷值相差较大的离群风电机,增加风电场维护频率,从而使海上风电场的运维成本较高。
表1
表1给出以上三个调度方法关于产能、全场疲劳载荷方差及离群风电机三个指标的对比,可以看出,本发明基于局域载荷均衡的调度方法在保证产能与风电场最大功率点跟踪调度方法接近的同时,优化风电场的疲劳载荷分布的均衡性,而相较于基于全场疲劳载荷均衡的调度方法,基于局域载荷均衡的调度方法不仅提高产能水平,还降低离群风电机数目,减少需要进行单独维护的离群风电机数目,更适用于实际的维护行为。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (2)
1.一种基于局域疲劳载荷均衡的海上风电场功率调度方法,其特征在于,包括以下步骤:
1)获取海上风电场气象参数和风电机排布位置信息,获得风电机推力系数和功率系数与桨距角的关联关系;
2)将桨距角作为风电场内风电机调度方案的优化变量,将风电场中所有风电机的桨距角可行取值范围作为搜索域,应用快速非支配排序遗传算法在搜索域内对所有风电机的桨距角进行优化,在搜索域内随机生成风电机的初始调度方案矩阵作为算法初始解,矩阵的每一行代表风电场的一种调度方法,矩阵的行数代表算法每代种群的个体数,对矩阵进行编码;
3)计算当代每个个体的适应度值,其中适应度由风电场产能指标和局域疲劳载荷均衡性指标两部分组成;每个个体的适应度由两个适应度函数组成,个体适应度fitness计算公式为:
其中:fitness(1)是风电场产能指标对应的适应度值;fitness(2)是局域疲劳载荷均衡性指标对应的适应度值;AEP是风电场年平均发电量;N是风电场风电机总台数;每台风电机形成的局域是以该风电机为圆心,r为局域规模半径的圆形区域;fi,i=1,2,…,N是第i台风电机对应的局域疲劳载荷均衡性指标,其表达式为:
其中:对于第i台风电机,ni是该风电机形成的局域内的风电机总数,是该风电机形成的局域内的风电机组疲劳载荷均值,fi,j,j=1,2,…,ni是属于该风电机局域内的第j台风电机的疲劳载荷,wi是该风电机的局域风电机密度权重,/>
4)根据每个个体的适应度值进行非支配排序和拥挤度计算,根据排序结果生成新的种群,并得到当代最优解集,结合历史最优解集记录,求出全局最优解集及其对应的个体群;
5)判断是否达到算法最大迭代次数或设定收敛标准,若是,则在全局最优解集对应的个体群中,挑选局域疲劳载荷均衡性指标对应的适应度值最小的个体,并解码作为优化后的调度方案,完成风电机功率调度优化,否则进行步骤6);
6)根据锦标赛选择方法,在当代所有个体中选择部分个体作为父代种群,以保证每一代种群大小相同,再根据设定的交叉率和变异率,进行交叉操作和变异操作后,将父子代种群合并,并返回步骤4)。
2.根据权利要求1所述的基于局域疲劳载荷均衡的海上风电场功率调度方法,其特征在于,基于降低维护频率提出局域疲劳载荷均衡性指标,对全场疲劳载荷均衡方法进行改进,将全场疲劳载荷均衡性指标替代为N个局域疲劳载荷均衡性指标和;通过引入局域规模参数r,来设定需要进行载荷均衡的局域范围,松弛全场疲劳载荷均衡方法对全场疲劳载荷分布的约束,减小对每台风电机产能的限制;引入局域风电机密度权重,来表征每台风电机形成的局域特征的重要程度,减少风电机之间的运输费用,降低总维护费用;优化目标旨在使每台风电机作为中心的局域内的风电机具有相近的疲劳载荷,从而在完成中心风电机的维护后,对其局域内的近邻风电机进行机会性维护,从而降低维护频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111188074.9A CN113869771B (zh) | 2021-10-12 | 2021-10-12 | 基于局域疲劳载荷均衡的海上风电场功率调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111188074.9A CN113869771B (zh) | 2021-10-12 | 2021-10-12 | 基于局域疲劳载荷均衡的海上风电场功率调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113869771A CN113869771A (zh) | 2021-12-31 |
CN113869771B true CN113869771B (zh) | 2024-04-19 |
Family
ID=78999130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111188074.9A Active CN113869771B (zh) | 2021-10-12 | 2021-10-12 | 基于局域疲劳载荷均衡的海上风电场功率调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869771B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101312550A (zh) * | 2007-05-22 | 2008-11-26 | 株式会社Ntt都科摩 | 在混合网络中实现载荷均衡的方法和装置 |
WO2018115423A1 (en) * | 2016-12-23 | 2018-06-28 | Danmarks Tekniske Universitet | Fatigue load minimization in an operation of a wind farm |
CN112260325A (zh) * | 2020-11-24 | 2021-01-22 | 武汉大学 | 一种考虑风力发电机疲劳载荷的风电场有功功率控制方法 |
CN113394813A (zh) * | 2021-05-31 | 2021-09-14 | 南方电网海上风电联合开发有限公司 | 海上风电场的机组功率指令值计算方法和分布式调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2354541B1 (en) * | 2010-01-20 | 2014-09-17 | Siemens Aktiengesellschaft | Wind farm power control based on matrix reflecting a power load distribution between individual wind turbines |
-
2021
- 2021-10-12 CN CN202111188074.9A patent/CN113869771B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101312550A (zh) * | 2007-05-22 | 2008-11-26 | 株式会社Ntt都科摩 | 在混合网络中实现载荷均衡的方法和装置 |
WO2018115423A1 (en) * | 2016-12-23 | 2018-06-28 | Danmarks Tekniske Universitet | Fatigue load minimization in an operation of a wind farm |
CN112260325A (zh) * | 2020-11-24 | 2021-01-22 | 武汉大学 | 一种考虑风力发电机疲劳载荷的风电场有功功率控制方法 |
CN113394813A (zh) * | 2021-05-31 | 2021-09-14 | 南方电网海上风电联合开发有限公司 | 海上风电场的机组功率指令值计算方法和分布式调度方法 |
Non-Patent Citations (2)
Title |
---|
基于疲劳分布的风电场有功控制策略;张奔;徐伟;冯浩;;人民长江;20160514(09);全文 * |
苏永新 ; 段斌 ; 朱广辉 ; 樊勇华.海上风电场疲劳分布与有功功率统一控制.电工技术学报.30(22),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113869771A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104978608B (zh) | 一种风电功率预测装置及预测方法 | |
Huang et al. | 3-D layout optimization of wind turbines considering fatigue distribution | |
Beşkirli et al. | Optimal placement of wind turbines using novel binary invasive weed optimization | |
Tao et al. | Nonuniform wind farm layout optimization: A state-of-the-art review | |
CN113869771B (zh) | 基于局域疲劳载荷均衡的海上风电场功率调度方法 | |
CN106886833A (zh) | 一种适用于复杂约束条件的风力发电机选址选型优化方法 | |
CN104299173A (zh) | 一种适用于多种能源接入的鲁棒优化日前调度方法 | |
CN108717608A (zh) | 百万千瓦级滩涂光伏电站接入电网综合决策方法及系统 | |
CN106897793A (zh) | 一种可保证安全距离的基于遗传算法的风电场风力发电机排布优化方法 | |
Sun et al. | Study on offshore wind farm layout optimization based on decommissioning strategy | |
CN113962113B (zh) | 一种海上风电场风机优化排布方法及系统 | |
CN115807734A (zh) | 一种基于尾流跟踪的海上风电场场级协同控制策略 | |
Van Bussel | Offshore wind energy, the reliability dilemma | |
Ma et al. | Bi-objective layout optimization for multiple wind farms considering sequential fluctuation of wind power using uniform design | |
Duan et al. | Modified genetic algorithm for layout optimization of multi-type wind turbines | |
Ashuri et al. | Review of design concepts, methods and considerations of offshore wind turbines | |
CN116029404A (zh) | 一种台风环境下多源电力系统协调优化调度方法和系统 | |
CN111404203B (zh) | 一种基于鲸鱼群算法的风电场有功功率调度方法 | |
CN113555908A (zh) | 一种智能配电网储能优化配置方法 | |
CN109802440B (zh) | 基于尾流效应因子的海上风电场等值方法、系统和装置 | |
CN109598053A (zh) | 低风速风电机组传动部件布局构建、智能优化方法和装置 | |
Huang et al. | Selection of offshore wind turbine based on analytic hierarchy process | |
Sun et al. | Optimization Design of Wind Turbine Blade Based on an Improved Particle Swarm Optimization Algorithm Combined with Non‐Gaussian Distribution | |
CN115455731A (zh) | 一种海上风电场风电机组微观选址与电缆布局联合优化设计方法 | |
Mitiku et al. | Modeling of wind energy harvesting system: A systematic review |
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 |