CN114169614B - 一种基于风力机尾流模型优化的风电场优化调度方法及系统 - Google Patents
一种基于风力机尾流模型优化的风电场优化调度方法及系统 Download PDFInfo
- Publication number
- CN114169614B CN114169614B CN202111501825.8A CN202111501825A CN114169614B CN 114169614 B CN114169614 B CN 114169614B CN 202111501825 A CN202111501825 A CN 202111501825A CN 114169614 B CN114169614 B CN 114169614B
- Authority
- CN
- China
- Prior art keywords
- wake
- wind
- power plant
- model
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000009792 diffusion process Methods 0.000 claims description 28
- 230000006735 deficit Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 10
- 238000011217 control strategy Methods 0.000 abstract description 3
- 238000012937 correction Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 241000341910 Vesta Species 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
-
- 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
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/335—Output power or torque
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- Y02E10/72—Wind turbines with rotation axis in wind direction
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Sustainable Development (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
本发明公开的一种基于风力机尾流模型优化的风电场优化调度方法及系统,属于风电场尾流计算技术领域。将SCADA数据用于解析尾流模型的修正工作,并结合智能优化算法,以最小化风电场功率计算误差为目标,对模型关键参数进行优化,使得本发明提出的尾流优化方法可以充分考虑风电场的实际情况,来定制化模型的参数。采用此方法进行尾流模型的优化后,可以大幅提升模型在实际风电场中的计算精度,从而更加准确地对风电场中的尾流效应进行建模,能够显著提高风电场的功率预测精度以及尾流控制策略的可靠性,进而基于优化后的尾流模型,通过尾流优化控制等方式提高风电场的整体发电效率和整体发电量。
Description
技术领域
本发明属于风电场尾流计算技术领域,具体涉及一种基于风力机尾流模型优化的风电场优化调度方法及系统。
背景技术
风电场的规模化开发可以降低前期用地、基建及后期的运维成本。但是,当风电机组达到一定数量后,继续增加布机台数反而会导致风电场发电量减少,这是因为风力机的尾流效应导致风电场发电量出现了一定的损失,这通常能占到年度发电量的10%至20%。与此同时,由于尾流区内湍流强度较高,下游机组会出现疲劳载荷增加,叶片和塔筒寿命降低的情况。
为了减少风电场中的尾流效应,在建设初期进行布局优化,在运行过程中进行机组间的协同控制是两个主要的技术手段。而能够恰当考虑风电场周围环境与来流条件的复杂性,建立起准确、高效、适应性强的尾流预测方法,则是将布局优化以及协同控制等研究应用于实际工作的关键。
目前的研究重点主要是对尾流模型进行优化和调整,其中解析式尾流模型以其计算效率高且精度较好的优势是近年来尾流建模工作的研究重点。其中,Jensen等人最早提出的一维线性模型作为最经典的尾流模型得到了广泛的关注和研究,且被一些成熟的风电场评估及设计软件所应用。Bastankhah等人则认为风力机尾流中的速度呈现高斯分布的形式,因此提出了一种基于高斯分布函数的二维尾流模型,经风洞试验验证相比于Jensen模型该模型的精度具有显著提高。由于解析式尾流模型在建立过程中存在较多的假设条件,这使得模型中存在一些待定参数需要指定,如:Jensen模型中的尾流扩散系数(kw)等。传统的模型参数确定方法都是基于模拟或简单的风洞试验进行拟合。Niayifar等人通过分析大涡模拟数据后建议尾流扩张系数和环境湍流强度呈正比,Fuertes等人沿用这一思想并采用风场实测数据拟合提出了一个新的模型,Ishihara等人通过对风洞测量结果进行拟合得到了一个关于湍流强度和风力机推力系数的非线性模型。虽然这些方法可以使模型在特定的模拟和试验结果对比中表现良好,但是其在实际的风电场环境中仍会具有较大的误差。
由于解析式尾流模型的特征参数本质上受到当地的环境和来流条件的影响,但实际情况过于复杂难以通过纯粹的理论手段建立其精确的关系。并且基于简单模拟和风洞试验获得的模型参数在实际风电场中不能具有良好的计算精度。因此上述模型已经不能满足工程实际的需求。
发明内容
为了解决上述问题,本发明的目的在于提供一种基于风力机尾流模型优化的风电场优化调度方法及系统,能够结合风电场运行数据,更加贴近实际地修正尾流模型中的关键参数,提高尾流模型在实际情况下的计算精度,进而提高风电场的整体发电量。
本发明是通过以下技术方案来实现:
本发明公开了一种基于风力机尾流模型优化的风电场优化调度方法,包括:
S1:获取风电场的布局信息和风力机基本参数;
S2:根据S1获取的风力机的基本参数,基于动量守恒原理和质量守恒原理,对单台风力机的尾流效应建模,得到单台风力机的尾流模型;
S3:利用S2得到的单台风力机的尾流模型,基于速度亏损的平方和叠加原理,对整个风电场的尾流效应建模,得到风电场尾流模型;
S4:根据S1获取的风电场的布局信息和S3得到的风电场尾流模型,建立来流信息和模型输出功率之间的关系;
S5:根据风电场SCADA数据,提取各个时刻的来流信息和各机组的实际输出功率;根据模型输出功率和实际输出功率得到功率计算误差;
S6:根据S4和S5的结果,给定风电场尾流模型尾流扩散系数的初始值,建立各时刻尾流扩散系数与功率计算误差之间的关系,在SCADA数据集下建立尾流扩散系数和总体均方根误差之间的关系,并以误差最小为目标,对模型参数进行优化,最终得到适用于该风电场的最佳尾流模型参数。
优选地,S1中,风电场的布局信息包括风力机的数目和每个风力机的坐标;风力机的基本参数包括叶轮直径、轮毂高度、功率曲线和推力系数曲线。
优选地,S2中,采用Jensen尾流模型描述单台风力机的尾流效应:
dw=d+2kwx
其中,dw为尾流直径,Uw为尾流中的速度,d为风力机直径,x为尾流扩散距离,CT为推力系数,kw为尾流扩散系数,U0为来流速度。
优选地,S3中,跟据平方和叠加原理对整个风电场中描述多个尾流的耦合影响:
其中,Δui是要计算的下游风力机位置处的速度亏损,n是该处的尾流数目,Δuij是第j个上游风力机尾流在该处的造成的速度亏损。
优选地,S4具体为:考虑尾流影响对各个风力机进行迭代判断,以计算在给定风况下的模型输出功率:
其中,N是风电场内的机组数目,uo是风力机的切出风速,uc是风力机的切入风速,PWT是风力机功率曲线,u’i是考虑尾流影响后第i个风力机处的来流风速。
优选地,S5中,各个时刻的来流信息包括风速和风向;得到各机组的实际输出功率后加和得到各个时刻风电场的总实际输出功率Pmeasured。
进一步优选地,S6中,建立各时刻尾流扩散系数与功率计算误差之间的关系,并以误差最小为目标,得到:
其中,N是风电场中的风力机的数目,Pi,measured是SCADA记录的i时刻各个风力机的输出功率,Pi,calculated是解析尾流模型计算得到的各个风力机功率。
优选地,S6中,采用遗传算法对模型参数进行优化。
本发明公开了一种基于风力机尾流模型优化的风电场优化调度系统,包括:
风电场的布局信息和风力机基本参数获取模块,获取风电场的布局信息和风力机基本参数;
单台风力机的尾流模型建立模块,根据获取的风力机的基本参数,基于动量守恒原理和质量守恒原理,对单台风力机的尾流效应建模;
风电场尾流模型建立模块,利用得到的单台风力机的尾流模型,基于速度亏损的平方和叠加原理,对整个风电场的尾流效应建模;
来流信息和模型输出功率之间的关系建立模块,根据获取的风电场的布局信息和得到的风电场尾流模型,建立来流信息和模型输出功率之间的关系;
实际输出功率提取模块,根据风电场SCADA数据,提取各个时刻的来流信息和各机组的实际输出功率;
误差计算模块,根据模型输出功率和实际输出功率得到功率计算误差;
模型参数优化模块,给定风电场尾流模型尾流扩散系数的初始值,建立各时刻尾流扩散系数与功率计算误差之间的关系,在SCADA数据集下建立尾流扩散系数和总体均方根误差之间的关系,并以误差最小为目标,对模型参数进行优化,最终得到适用于该风电场的最佳尾流模型参数;
优化调度模块,根据得到的具有最佳尾流模型参数的尾流模型实现风电场的优化调度。
与现有技术相比,本发明具有以下有益的技术效果:
本发明公开的一种基于风力机尾流模型优化的风电场优化调度方法,创造性地将SCADA数据用于解析尾流模型的修正工作,并结合智能优化算法,以最小化风电场功率计算误差为目标,对尾流模型的关键参数进行优化,使得本发明提出的尾流模型优化方法可以充分考虑风电场的实际情况,来定制化模型的参数。采用此方法对尾流模型进行优化,考虑了风力机运行的实际数据,修正了模型的关键参数,可以大幅提升模型在实际风电场中的计算精度,从而更加准确地对风电场中的尾流效应进行建模,能够显著提高风电场的功率预测精度以及尾流控制策略的可靠性,进而基于优化后的尾流模型,通过尾流优化控制等方式提高风电场的整体发电效率和整体发电量。
附图说明
图1为本发明的方法流程示意图;
图2为实施例中所用风电场布局示意图;
图3为实施例中所用尾流模型示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细描述,其内容是对本发明的解释而不是限定:
如图1,本发明的基于风力机尾流模型优化的风电场优化调度方法,包括:
S1:获取风电场的布局信息和风力机基本参数;风电场的布局信息包括风力机的数目和每个风力机的坐标;风力机的基本参数包括叶轮直径、轮毂高度、功率曲线和推力系数曲线。
S2:根据S1获取的风力机的基本参数,基于动量守恒原理和质量守恒原理,对单台风力机的尾流效应建模,得到单台风力机的尾流模型;具体地:采用Jensen尾流模型描述单台风力机的尾流效应:
dw=d+2kwx
其中,dw为尾流直径,Uw为尾流中的速度,d为风力机直径,x为尾流扩散距离,CT为推力系数,kw为尾流扩散系数,U0为来流速度。
S3:利用S2得到的单台风力机的尾流模型,基于速度亏损的平方和叠加原理,对整个风电场的尾流效应建模,得到风电场尾流模型;跟据平方和叠加原理对整个风电场中描述多个尾流的耦合影响:
其中,Δui是要计算的下游风力机位置处的速度亏损,n是该处的尾流数目,Δuij是第j个上游风力机尾流在该处的造成的速度亏损。
S4:根据S1获取的风电场的布局信息和S3得到的风电场尾流模型,建立来流信息和模型输出功率之间的关系;具体为:考虑尾流影响对各个风力机进行迭代判断,以计算在给定风况下的模型输出功率:
其中,N是风电场内的机组数目,uo是风力机的切出风速,uc是风力机的切入风速,PWT是风力机功率曲线,u’i是考虑尾流影响后第i个风力机处的来流风速。
S5:根据风电场SCADA数据,提取各个时刻的来流信息和各机组的实际输出功率;根据模型输出功率和实际输出功率得到功率计算误差;各个时刻的来流信息包括风速和风向;得到各机组的实际输出功率后加和得到各个时刻风电场的总实际输出功率Pmeasured。
S6:根据S4和S5的结果,给定风电场尾流模型尾流扩散系数的初始值,建立各时刻尾流扩散系数与功率计算误差之间的关系,在SCADA数据集下建立尾流扩散系数和总体均方根误差之间的关系,并以误差最小为目标,采用遗传算法对模型参数进行优化,最终得到适用于该风电场的最佳尾流模型参数。
建立各时刻尾流扩散系数与功率计算误差之间的关系,并以误差最小为目标,得到:
其中,N是风电场中的风力机的数目,Pi,measured是SCADA记录的i时刻各个风力机的输出功率,Pi,calculated是解析尾流模型计算得到的各个风力机功率。
本发明的基于风力机尾流模型优化的风电场优化调度系统,包括:
风电场的布局信息和风力机基本参数获取模块,获取风电场的布局信息和风力机基本参数;
单台风力机的尾流模型建立模块,根据获取的风力机的基本参数,基于动量守恒原理和质量守恒原理,对单台风力机的尾流效应建模;
风电场尾流模型建立模块,利用得到的单台风力机的尾流模型,基于速度亏损的平方和叠加原理,对整个风电场的尾流效应建模;
来流信息和模型输出功率之间的关系建立模块,根据获取的风电场的布局信息和得到的风电场尾流模型,建立来流信息和模型输出功率之间的关系;
实际输出功率提取模块,根据风电场SCADA数据,提取各个时刻的来流信息和各机组的实际输出功率;
误差计算模块,根据模型输出功率和实际输出功率得到功率计算误差;
模型参数优化模块,给定风电场尾流模型尾流扩散系数的初始值,建立各时刻尾流扩散系数与功率计算误差之间的关系,在SCADA数据集下建立尾流扩散系数和总体均方根误差之间的关系,并以误差最小为目标,对模型参数进行优化,最终得到适用于该风电场的最佳尾流模型参数;
优化调度模块,根据得到的具有最佳尾流模型参数的尾流模型实现风电场的优化调度。
下面以一个具体实施例来对本发明进行进一步的解释说明:
本实施例所应用数据来自加拿大某风电场。
给定输入参数,其布局信息如图2所示,其中WT4的机型为Vestas V802MW,其余5台机器为VestasV80 1.8MW,各风力机的功率及推力系数曲线均来源于文献[1]:M.F.Howland,S.K.Lele,and J.O.Dabiri,“Wind farm power optimization throughwake steering,”Proc Natl Acad Sci U S A,vol.116,no.29,pp.14495-14500,Jul 16,2019.该文献公开了上述风力机的参数信息以及功率及推力系数曲线,为本实施例提供基础数据。
建立图3所示的Jensen模型描述当地的风力机尾流影响。
结合尾流叠加模型与风电场的布局信息,在给定任意风况计算考虑尾流影响下的各台机组的来流风速,进而得到全场功率输出。
从风电场记录的SCADA数据中,按照各个时刻提取其来流信息和相应的全场总功率数据;
根据步骤得到的关系和数据,建立Jensen模型中参数kw与计算误差之间的关系。
使用遗传算法以最小化尾流计算误差为目标优化尾流参数;设置其初始值为常用的0.075,经过约200次迭代得到最终的优化结果。参数经过优化更新为0.092,为更加适用于该风电场的尾流参数,可以使尾流计算更加准确,其功率计算的均方根误差可由0.174降低为0.105。
利用优化后的风电场尾流模型,对风电场中风力机的尾流进行评估,然后根据评估结果,采用合适的风电场尾流优化控制策略,提高风电场的整体发电效率和整体发电量。
以上所述,仅为本发明实施方式中的部分,本发明中虽然使用了部分术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了方便的描述和解释本发明的本质,把它们解释成任何一种附加的限制都是与本发明精神相违背的。以上所述仅以实施例来进一步说明本发明的内容,以便于更容易理解,但不代表本发明的实施方式仅限于此,任何依本发明所做的技术延伸或再创造,均受本发明的保护。
Claims (9)
1.一种基于风力机尾流模型优化的风电场优化调度方法,其特征在于,包括:
S1:获取风电场的布局信息和风力机基本参数;
S2:根据S1获取的风力机的基本参数,基于动量守恒原理和质量守恒原理,对单台风力机的尾流效应建模,得到单台风力机的尾流模型;
S3:利用S2得到的单台风力机的尾流模型,基于速度亏损的平方和叠加原理,对整个风电场的尾流效应建模,得到风电场尾流模型;
S4:根据S1获取的风电场的布局信息和S3得到的风电场尾流模型,建立来流信息和模型输出功率之间的关系;
S5:根据风电场SCADA数据,提取各个时刻的来流信息和各机组的实际输出功率;根据模型输出功率和实际输出功率得到功率计算误差;
S6:根据S4和S5的结果,给定风电场尾流模型尾流扩散系数的初始值,建立各时刻尾流扩散系数与功率计算误差之间的关系,在SCADA数据集下建立尾流扩散系数和总体均方根误差之间的关系,并以误差最小为目标,对尾流模型参数进行优化,最终得到适用于该风电场的最佳尾流模型参数;根据得到的具有最佳尾流模型参数的尾流模型实现风电场的优化调度。
2.根据权利要求1所述的基于风力机尾流模型优化的风电场优化调度方法,其特征在于,S1中,风电场的布局信息包括风力机的数目和每个风力机的坐标;风力机的基本参数包括叶轮直径、轮毂高度、功率曲线和推力系数曲线。
6.根据权利要求1所述的基于风力机尾流模型优化的风电场优化调度方法,其特征在于,S5中,各个时刻的来流信息包括风速和风向;得到各机组的实际输出功率后加和得到各个时刻风电场的总实际输出功率Pmeasured。
8.根据权利要求1所述的基于风力机尾流模型优化的风电场优化调度方法,其特征在于,S6中,采用遗传算法对模型参数进行优化。
9.一种基于风力机尾流模型优化的风电场优化调度系统,其特征在于,包括:
风电场的布局信息和风力机基本参数获取模块,获取风电场的布局信息和风力机基本参数;
单台风力机的尾流模型建立模块,根据获取的风力机的基本参数,基于动量守恒原理和质量守恒原理,对单台风力机的尾流效应建模;
风电场尾流模型建立模块,利用得到的单台风力机的尾流模型,基于速度亏损的平方和叠加原理,对整个风电场的尾流效应建模;
来流信息和模型输出功率之间的关系建立模块,根据获取的风电场的布局信息和得到的风电场尾流模型,建立来流信息和模型输出功率之间的关系;
实际输出功率提取模块,根据风电场SCADA数据,提取各个时刻的来流信息和各机组的实际输出功率;
误差计算模块,根据模型输出功率和实际输出功率得到功率计算误差;
模型参数优化模块,给定风电场尾流模型尾流扩散系数的初始值,建立各时刻尾流扩散系数与功率计算误差之间的关系,在SCADA数据集下建立尾流扩散系数和总体均方根误差之间的关系,并以误差最小为目标,对模型参数进行优化,最终得到适用于该风电场的最佳尾流模型参数;
优化调度模块,根据得到的具有最佳尾流模型参数的尾流模型实现风电场的优化调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111501825.8A CN114169614B (zh) | 2021-12-09 | 2021-12-09 | 一种基于风力机尾流模型优化的风电场优化调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111501825.8A CN114169614B (zh) | 2021-12-09 | 2021-12-09 | 一种基于风力机尾流模型优化的风电场优化调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114169614A CN114169614A (zh) | 2022-03-11 |
CN114169614B true CN114169614B (zh) | 2022-12-13 |
Family
ID=80485080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111501825.8A Active CN114169614B (zh) | 2021-12-09 | 2021-12-09 | 一种基于风力机尾流模型优化的风电场优化调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169614B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511158B (zh) * | 2022-04-19 | 2022-06-21 | 南京理工大学 | 基于尾流偏转效应和2DJensen模型的风力机功率预测方法 |
CN116050287B (zh) * | 2022-12-12 | 2023-12-08 | 中广核风电有限公司 | 海上漂浮式风机尾流解析的建模方法和装置 |
CN116720027B (zh) * | 2023-08-10 | 2023-10-20 | 长江三峡集团实业发展(北京)有限公司 | 一种考虑风力机阻塞效应的风电场发电量计算方法及装置 |
CN117454721B (zh) * | 2023-12-21 | 2024-03-22 | 浙江远算科技有限公司 | 基于数字仿真实验的风电场尾流叠加效应评估方法和介质 |
CN118246820B (zh) * | 2024-05-30 | 2024-09-24 | 中国电建集团西北勘测设计研究院有限公司 | 一种上下游风场风资源评估与发电量计算方法及系统 |
CN118332831B (zh) * | 2024-06-11 | 2024-08-20 | 华电电力科学研究院有限公司 | 一种工程尾流模型参数校正方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107035618A (zh) * | 2017-06-12 | 2017-08-11 | 电子科技大学 | 一种基于尾流效应的风电场优化控制方法 |
CN113627097A (zh) * | 2021-07-22 | 2021-11-09 | 中国长江三峡集团有限公司 | 一种利用风力机scada数据校正尾流评估模型的方法 |
-
2021
- 2021-12-09 CN CN202111501825.8A patent/CN114169614B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107035618A (zh) * | 2017-06-12 | 2017-08-11 | 电子科技大学 | 一种基于尾流效应的风电场优化控制方法 |
CN113627097A (zh) * | 2021-07-22 | 2021-11-09 | 中国长江三峡集团有限公司 | 一种利用风力机scada数据校正尾流评估模型的方法 |
Non-Patent Citations (2)
Title |
---|
基于高斯分布的风电场尾流效应计算模型;张晓东等;《华北电力大学学报(自然科学版)》;20170930(第05期);全文 * |
考虑尾流效应的风电场优化控制技术研究;顾波等;《太阳能学报》;20180228(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114169614A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114169614B (zh) | 一种基于风力机尾流模型优化的风电场优化调度方法及系统 | |
CN107654336B (zh) | 基于扇区分布的风电机组风场适应性快速评估优化方法 | |
Johnson et al. | Wind farm control: Addressing the aerodynamic interaction among wind turbines | |
CN112347611B (zh) | 一种风力机远场尾流流向湍流度计算方法 | |
CN112219028A (zh) | 风力涡轮机控制方法 | |
WO2020097979A1 (zh) | 一种风电场控制参数优化方法及系统 | |
CN114091265A (zh) | 一种基于局部搜索策略的风电场布局优化方法及系统 | |
CN102914969A (zh) | 一种短期风电功率预测系统的综合误差修正方法 | |
CN114021382A (zh) | 一种基于数学规划的风电场布局优化方法 | |
CN110365041B (zh) | 基于gan场景模拟的风电多场景鲁棒调度方法 | |
EP3741991A1 (en) | Method for dynamic real-time optimization of the performance of a wind park and wind park | |
CN113205210A (zh) | 复杂地形风电场风速与功率预测方法、系统、设备及存储介质 | |
CN116611714A (zh) | 一种基于风资源及机组发电量分析风电场后评估方法 | |
CN117713078A (zh) | 基于遥感观测的生成式海上风电功率超短期预测方法 | |
CN115030866A (zh) | 一种风电场场群控制系统 | |
CN114707437A (zh) | 一种水平轴风力机三维全尾流模型的建立方法 | |
Tahani et al. | Aerodynamic optimal design of wind turbine blades using genetic algorithm | |
CN114662423A (zh) | 一种风机排布优化方法 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN105370495B (zh) | 一种采用动态查表控制算法提高风力发电机组出力的方法 | |
CN116658359A (zh) | 一种风电场实时协同偏航控制方法 | |
Li et al. | Wind power forecasting based on time series and neural network | |
CN116163886A (zh) | 一种基于主动变桨策略的风电场协同控制方法及系统 | |
CN113627097B (zh) | 一种利用风力机scada数据校正尾流评估模型的方法 | |
CN115544907A (zh) | 基于尾流效应的风电功率预测及存量风电优化控制方法 |
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 |