CN115333168A - 一种基于分布式滚动优化的海上风电场场级控制策略 - Google Patents

一种基于分布式滚动优化的海上风电场场级控制策略 Download PDF

Info

Publication number
CN115333168A
CN115333168A CN202211142888.3A CN202211142888A CN115333168A CN 115333168 A CN115333168 A CN 115333168A CN 202211142888 A CN202211142888 A CN 202211142888A CN 115333168 A CN115333168 A CN 115333168A
Authority
CN
China
Prior art keywords
wind
optimization
power plant
control
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.)
Pending
Application number
CN202211142888.3A
Other languages
English (en)
Inventor
张大海
孙吉莉
司玉林
钱鹏
应有
孙勇
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202211142888.3A priority Critical patent/CN115333168A/zh
Publication of CN115333168A publication Critical patent/CN115333168A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于分布式滚动优化的海上风电场场级控制策略，包括：实时获取风电场流场分布信息，并作为风电场预测代理模型的环境输入，利用预测代理模型预测风电场在不同控制策略下的动态运行特性；在闭环控制中，将大规模风电场系统集中式优化问题按照机组空间排布规律分解为多个分布式局部优化子问题，建立考虑功率优化调度和疲劳载荷的多目标优化函数，依次求解各个风电场子系统在单位优化时域周期内的局部控制最优解；在下一个滚动优化时域周期内重复上述过程，最终实现大规模风电场在动态环境风况变化下的多目标滚动最优控制。本发明可以解决大规模海上风电场在变化风况下优化困难、计算成本高等问题，实现有功优化调度和载荷降低。

Description

一种基于分布式滚动优化的海上风电场场级控制策略
技术领域
本发明涉及海上风电场的智能控制技术领域，尤其是涉及一种基于分布式滚动优化的海上风电场场级控制策略。
背景技术
风能是一种重要的可再生清洁能源，然而，在风力发电技术的应用中，为防止风能的不稳定性对电网安全造成隐患，提高系统的稳定性，要求接入电网的风电场应具备一定的有功功率控制能力，能根据电网调度要求控制其有功功率输出，提高电力系统工作稳定水平。
目前，传统的最大功率跟踪技术仍然无法实现精准跟踪电网调度曲线，因此有待开发新型的智能有功功率控制方法，在实现风电场动态功率优化调度同时，降低场内机组关键部位所受疲劳载荷情况，提升风电场系统的经济效益。
公开号为CN104917204A的中国专利文献公开了一种风电场有功功率优化控制方法，首先采集当前控制周期风电场风电机组运行状态数据、当前控制周期风电机组所处位置风速、当前控制周期风电机组出力和下一控制周期风电机组所处位置预测风速，并实时接收调度中心下发的风电场有功功率计划值，风电场有功功率控制系统根据采集的各风电机组数据通过有功功率控制优化算法合理安排风电场各风电机组的出力值并下发给每台参与调节的风电机组，实现整个风电场的有功功率出力值跟踪调度下发的计划值。
公开号为CN103296701A的中国专利文献公开了一种风电场有功功率控制方法，包括以下步骤：计算风电场各预测点有功功率预测误差，并建立风电场有功功率预测误差分布函数；依次建立风电场有功功率预测误差分布模型、风电场有功功率预测置信度模型和风电场有功功率控制模型；对风电场有功功率控制模型进行优化，获得各机组群的优化置信权重，进而控制风电场有功功率。
随着风电装机容量的大幅提升，风电场建设逐渐呈现大容量和大规模化。而对于大规模的风电场，要实现其在变化环境风况下的智能优化控制，具有优化计算成本高、难度大等问题。
发明内容
本发明提供了一种基于分布式滚动优化的海上风电场场级控制策略，可以实现大规模海上风电场在变化环境风况下的动态智能优化控制。
一种基于分布式滚动优化的海上风电场场级控制策略，包括：
(1)利用风电场感知系统实时获取风电场内部流场分布情况，记录动态变化的环境风参数和各机组当前时刻运行状态信息；
(2)建立海上风电场协同控制的预测代理模型，包括环境风子模型、风力机子模型和尾流子模型；利用风电场感知系统获取的风电场内部流场分布情况对预测代理模型进行参数校正；
(3)将步骤(1)获得的环境风参数和各机组当前时刻运行状态信息作为输入，利用预测代理模型表征和预测实际风电场在未来时刻的运行特征，获得各机组在不同协同控制策略下的输出功率和关键部位载荷的时域变化；
(4)综合考虑风电场在单位优化时域周期内的运行特征，建立实现有功功率优化调度下最小化疲劳载荷的多目标优化函数，通过最小化目标函数实现风电场有功优化调度和机组关键部件疲劳寿命的提升；
(5)将多目标优化问题分解为若干个小规模分布式局部动态优化子系统的子问题，利用智能优化算法对各个子问题的目标函数进行求解，并通过各问题之间的通信来综合获得分布式整体最优，最终获得该优化周期内的最优控制；
(6)将求解获得每台机组的最优控制参数目标值发送到各台风力机的执行器，通过单一控制或联合控制方法，实现在未来有限时域内风电场功率的动态优化调度和疲劳载荷优化；
(7)在下一个滚动优化周期内重复步骤(1)-步骤(5)，并在其对应的控制周期内执行当前优化周期内的最优控制策略，从而实现风电场在动态变化风况下的多目标滚动优化和最优控制。
本发明根据风电场感知系统实时获取风电场流场分布信息，并作为风电场预测代理模型的环境输入，利用风电场预测代理模型获得风电场在不同控制策略下的动态运行特性。将大规模风电场系统集中式优化问题按照机组空间排布规律分解为多个分布式局部优化子问题，建立考虑功率优化调度和疲劳载荷的多目标优化函数，通过智能优化算法依次求解各个风电场子系统在单位优化时域周期内的局部控制最优解，从而实现整体控制最优。并在下一个滚动优化时域周期内重复上述优化求解过程，最终实现大规模风电场在动态环境风况变化下的多目标滚动最优控制。
进一步地，步骤(1)中，环境风参数包含有尾流影响和无尾流影响下的风信息参数；有尾流影响下的风信息参数包括尾流风速赤字和尾流膨胀、尾流蜿蜒；通过测量风力机下游尾流区域风速分布情况获得；
无尾流影响下的风信息参数包括环境风的平均风速、风向和湍流强度；通过激光雷达测风技术，利用多普勒原理扫描实时感知风电场流场风速空间分布情况，反演推算获得；
各机组当前时刻运行状态信息包含偏航角、桨距角，利用风力机SCADA系统获得。
步骤(2)中，所述的环境风子模型利用Taylor湍流冻结假设完成风电场流场的空间传播；所述的风力机子模型采用制动盘模型，根据仿真要求设定机组转子面半径和轮毂高度参数；所述的尾流子模型用于捕捉和预测与风电场输出功率、风力机负载相关的关键尾流特征，包括尾流风速赤字、尾流膨胀以及尾流蜿蜒。
步骤(4)中，建立综合考虑增效降载的优化目标函数，使得风电场实现有功功率的优化调度和各机组所受最大疲劳载荷最小化，从而提高风电场的经济效益和工作寿命。建立多目标优化函数的具体过程为：
(4-1)计算风电场内机组i的输出功率，计算公式如下：
Figure BDA0003854220550000041
式中，Pi为风电场内机组i发电机的输出功率(W)，Tq,i(t)为机组i发电机在t时刻的瞬时扭矩(N-m)，ωi为机组i发电机在t时刻的瞬时转速(rpm)，tk为当前时刻，ΔT为单位优化时域周期。在本发明中可通过变桨控制和转矩控制改变桨距角和叶尖速比，从而实现风电场输出功率的优化；也可以通过偏航控制改变环境风入流角，实现风电场运行性能的优化。
根据上述单台机组的功率计算公式，求解风电场系统的总发电功率即为风电场系统内所有风力发电机组在单位时间内的发电功率之和
Figure BDA0003854220550000045
为：
Figure BDA0003854220550000042
(4-2)计算风力发电机组i所受等效疲劳载荷：
利用预测代理模型获得风电场内风力发电机组i关键部位所受载荷时域变化情况，包括塔筒底部和叶片根部的载荷变化情况；通过雨流计数法，对风力发电机组i所受时域变化的载荷进行等效分析，获得关键部位等效疲劳载荷DEL：
Figure BDA0003854220550000043
式中，DEL为等效疲劳载荷，
Figure BDA0003854220550000044
为时间序列ΔT内的等效循环次数，NΔT,i为第i个工况在时间序列ΔT内发生的次数，LΔT,i为第i个工况在时间序列ΔT内的载荷范围，m为材料S-N曲线的斜率；
(4-3)建立多目标优化的目标函数模型：
为实现风电场有功功率的优化调度，使风电场的输出功率满足有功功率期望值，并降低机组关键部位所受疲劳载荷，建立目标函数如下：
Figure BDA0003854220550000051
式中，Pdes为风电场系统的总输出功率期望值，
Figure BDA0003854220550000052
为风电场系统的总发电功率，
Figure BDA0003854220550000053
为归一化后的功率偏差值，DELnorm为归一化后的各台风力发电机组关键部位所受最大疲劳载荷，α为权重系数。
大规模风电场内所含机组数量往往巨大，利用步骤(4)建立目标函数进行集中式优化计算成本较高。步骤(5)旨在降低大规模风电场求解最优控制的计算成本，通过分布式优化策略将动态多目标优化问题分解为若干个小规模分布式局部动态优化子问题，也就是将大规模海上风电场按照机组空间排布特征，选择空间排布临近的部分机组组成一个子系统，计算各个子系统的目标函数，通过求解各个子系统的最优控制策略来计算整体最优解。
步骤(5)中，若干个小规模分布式局部动态优化子系统的子问题求解过程是按照特定顺序依次完成对所有子问题的求解，先固定其他子系统当前的最优控制和状态作为初值条件，计算求解第i个分布式子系统的极小化问题，再依次求解多个线性极小化问题来更新其他各个子系统的最优控制。当所有子系统完成一次迭代求解后得到的各子系统的最优控制参数与上一次迭代结果进行比较，若某个子系统当前迭代得到的最优控制与上一次迭代得到的结果差大于阈值，则未收敛的子系统进入下一次迭代计算过程，已收敛的子系统不再进行迭代求解，并更新当前求解顺序，重复上述优化求解直到所有子系统最优控制实现收敛。
每个分布式子系统通过最小化自身目标函数，从而在实现整体系统的性能最优的同时，降低场级整体优化的计算成本。第i个分布式局部动态优化子问题在优化时间t∈[kΔT,(k+P)ΔT]内的表达形式为：
Figure BDA0003854220550000054
其中，t∈[kΔT,(k+P)ΔT],k∈{0,...,M}，x(t)和u(t)分别是各个风电场子系统的状态变量和控制变量，系统模型
Figure BDA0003854220550000061
由海上风电场协同控制预测代理模型决定，将求解得到的最优控制u(t)在控制周期t∈[kΔT,(k+L)ΔT]内进行执行输出；
其中，J为子系统的目标函数，ΔT为采样周期，k表示当前采样周期，M为采样周期的个数，P为优化时域周期，L为控制时域周期；在上述第i个分布式局部动态优化子系统在第k个优化周期内的优化求解时，需要其他风电场子系统不断迭代和提供其当前的最优控制作为控制输入的初值，通过动态博弈优化获得第k个优化周期内最优控制。
步骤(5)中，所述的智能优化算法包含遗传算法、粒子群算法和博弈论算法。
步骤(6)中，所述控制参数包括但不限于桨距角和偏航角；通过风电场协同变桨控制、转矩控制或偏航控制改变各机组的控制参数，实现在控制时域L内有功功率的实时优化调度与机组的减载。
与现有技术相比，本发明具有以下有益效果：
1、本发明基于分布式滚动优化完成海上风电场协同控制，旨在跟踪风电场内动态风况变化，在每一优化周期内实现控制最优解的搜索并随着时间推移实现滚动寻优，从而完成风电场在复杂环境工况下的智能控制和优化。
2、本发明针对大规模海上风电场集中式优化计算成本高、难度大等问题，引入分布式优化调度方法，将风电场系统按照机组排布规律分为多个子系统，利用智能优化算法完成求解子系统的调度问题，通过不断优化局部最优实现全局优化，提高系统优化调度的计算灵活度。
附图说明
图1为本发明一种基于分布式滚动优化的海上风电场场级控制策略的系统结构图；
图2为本发明中分布式滚动优化的流程图；
图3为本发明中海上风电场基于时间的窗口滚动优化示意图；
图4为本发明实施例中3×4阵列分布的海上风电场协同控制预测代理模型示意图；
图5为海上风电场预测代理模型在单位优化时域周期内进行优化控制前后的运行状态结果比较示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，一种基于分布式滚动优化的海上风电场场级控制策略，针对待优化的海上风电场，按照空间分布情况划分为多个子系统，利用实时感知系统完成对风电场内部流场分布情况的测量。基于风电场测量数据，建立风电场预测代理模型完成对风电场系统在不同工况下的仿真预测，获得风场内各机组的运行状态特征，包括功率和载荷时域变化情况等。建立多目标优化函数，利用智能优化算法完成单位优化时域周期内的最优控制寻优，利用执行器完成当前控制周期内的控制输出。具体包括以下步骤：
步骤(1)，利用海上风电场感知系统实时获取风电场流场风速分布情况，记录动态变化的环境风参数和各机组当前时刻运行状态信息。海上风电场环境风信息分布具有较高的不确定性，为了获取风电场内部流场动态分布信息，本发明利用激光雷达测风技术，基于多普勒效应进行三维风场探测从而反演推算获得输入环境风的平均风速、风向和湍流强度等环境风况参数，即无尾流影响下的风信息参数；测量风力机下游尾流区域风速分布情况，获得尾流特征参数，包括量化尾流风速赤字和尾流膨胀、尾流蜿蜒等参数；利用风力机SCADA系统获得风力机当前时刻的状态参数，包含偏航角、桨距角等。
上述感知系统获取的实时风信息参数用于步骤(2)和(3)的仿真预测，在本发明实施例中，选择海上风电场的输入平均风速为8m/s，输入环境风风向为270°，平均湍流强度为6％。
步骤(2)，建立海上风电场协同控制预测代理模型，具体包括环境风子模型、风力机子模型和尾流子模型等，利用步骤(1)中的风电场感知系统测得数据对建立的预测代理模型进行参数校正。
上述海上风电场协同控制预测代理模型用于预测风电场内的各机组的功率性能和结构载荷。环境风子模型利用Taylor湍流冻结假设完成风电场流场的空间传播。风力机子模型采用制动盘模型，根据仿真要求设定机组转子面半径和轮毂高度等参数。尾流子模型用于捕捉与预测与风电场输出功率和风力机负载相关的关键尾流特征，包括尾流风速赤字、尾流膨胀以及尾流蜿蜒等。在准稳态条件下，风电场采用雷诺平均纳维－斯托克斯方程的薄剪切层近似来模拟尾流风速赤字的动态变化，湍流闭合模型采用涡粘性方程来描述。
为了仿真预测实际海上风电场的动态运行特征，如图4所示，本发明实施例建立3×4阵列分布的海上风电场协同控制预测代理模型，该风电场模型由12台NREL 5MW风力机子模型组成，用于预测风电场内的各机组的功率性能和结构载荷，具体利用动态尾流蜿蜒模型捕捉与预测与风电场输出功率和风力机负载相关的关键尾流特征，包括尾流风速赤字、尾流膨胀以及尾流蜿蜒等。
步骤(3)，利用步骤(2)建立的风电场预测代理模型表征和预测实际风电场在未来有限时间内的运行状态，获得风电场内各风力发电机组在尾流相互作用影响下输出功率和关键部位载荷的时域变化，从而完成对风电场在单位优化时域周期内运行性能的评估。
步骤(4)，综合考虑风电场在单位优化时域周期内的运行特征，建立实现有功功率优化调度下最小化疲劳载荷的多目标优化函数，通过最小化目标函数实现风电场有功优化调度和机组部件疲劳寿命的提升。
具体地，计算风电场内机组i的输出功率，计算公式如下：
Figure BDA0003854220550000091
式中，Pi为风电场内机组i发电机的输出功率(W)，Tq,i(t)为机组i发电机在t时刻的瞬时扭矩(N-m)，ωi为机组i发电机在t时刻的瞬时转速(rpm)，tk为当前时刻，ΔT为单位优化时域周期。本发明实施例选择优化时域周期ΔT为630s，以使得海上风电场系统达到流场稳定状态。在本发明专利中可通过变桨控制和转矩控制改变桨距角和叶尖速比，从而实现风电场输出功率的优化；也可以通过偏航控制改变环境风入流角，实现风电场运行性能的优化。
根据上述单台机组的功率计算公式，求解风电场系统的总发电功率即为风电场系统内所有风力发电机组在单位时间内的发电功率之和
Figure BDA0003854220550000097
为：
Figure BDA0003854220550000092
4-1)计算风力发电机组i所受等效疲劳载荷：
利用风电场协同控制预测代理模型获得风电场内风力发电机组i关键部位所受载荷时域变化情况，包括塔筒底部和叶片根部的载荷变化情况。通过雨流计数法，对风力发电机组i所受时域变化的载荷进行等效分析，获得关键部位等效疲劳载荷DEL：
Figure BDA0003854220550000093
式中，DEL为等效疲劳载荷，
Figure BDA0003854220550000094
为时间序列ΔT内的等效循环次数，NΔT,i为第i个工况在时间序列ΔT内发生的次数，LΔT,i为第i个工况在时间序列ΔT内的载荷范围，m为材料S-N曲线的斜率。
4-2)建立多目标优化的目标函数模型：
为实现风电场有功功率的优化调度，使风电场的输出功率满足有功功率期望值，并降低机组关键部位所受疲劳载荷，建立目标函数如下：
Figure BDA0003854220550000095
式中，Pdes为风电场系统的总输出功率期望值，
Figure BDA0003854220550000096
为风电场系统的总发电功率，
Figure BDA0003854220550000101
为归一化后的功率偏差值，DELnorm为归一化后的各台风力发电机组关键部位所受最大疲劳载荷，α为权重系数，本实施例选择权重系数α为0.5。
步骤(5)，基于步骤(4)建立的优化目标函数，将海上风电场集中式动态多目标优化问题分解为若干个小规模分布式局部动态优化子问题，利用智能优化算法对各子问题的多目标优化函数进行求解，并通过各问题之间的通信来综合获得分布式整体最优，最终获得单位优化周期内的最优控制。
随着千万千兆级海上风电场大基地建设，风电场集中式管理和优化往往计算成本高昂。如图2所示，本发明将大规模海上风电场按照机组空间排布特征，选择空间排布临近的部分机组组成一个子系统，计算各个子系统的目标函数，通过求解各个子系统的最优控制策略来计算整体最优解。各个子系统的系统模型
Figure BDA0003854220550000102
由风电场代理预测模型得到。
具体地，本发明实施例将步骤(2)中建立的3×4阵列分布的海上风电场协同控制预测代理模型按照空间排布分为4个子系统，每个子系统包含3个风电机组子模型。
在分布式优化计算时，先固定其他子系统当前的最优控制和状态作为初值条件，计算求解第i个(i＝1,2,3,4)分布式子系统的极小化问题，再依次求解多个线性极小化问题来更新其他各个子系统的最优控制。当所有子系统完成一次迭代求解后得到的各子系统的最优控制参数与上一次迭代结果进行比较，若某个子系统当前迭代得到的最优控制与上一次迭代得到的结果差大于阈值，则未收敛的子系统进入下一次迭代计算过程，已收敛的子系统不再进行迭代求解，并更新当前求解顺序，重复上述优化求解直到所有子系统最优控制实现收敛。
上述小规模分布式局部动态优化子问题共同求解步骤(4)建立的优化目标函数，每个分布式子系统通过最小化自身目标函数，从而在实现整体系统的性能最优，并降低场级整体优化的计算成本。具体地，所述第i个分布式局部动态优化子问题在优化时间t∈[kΔT,(k+P)ΔT]内的表达形式为：
Figure BDA0003854220550000111
其中，t∈[kΔT,(k+P)ΔT],k∈{0,...,M}，x(t)和u(t)分别是各个风电场子系统的状态变量和控制变量，系统模型
Figure BDA0003854220550000112
由风电场仿真数值模型决定，将求解得到的最优控制u(t)在控制周期t∈[kΔT,(k+L)ΔT]内进行执行输出。其中，J为子系统的目标函数，ΔT为采样周期，k表示当前采样周期，M为采样周期的个数，P为优化时域周期，L为控制时域周期。在上述第i个分布式局部动态优化子系统的第k个优化周期内优化求解时，需要其他风电场子系统不断迭代和提供其当前的最优控制作为控制输入的初值，通过动态博弈优化获得第k个优化周期内最优控制。
基于建立的分布式局部动态优化子系统的优化目标函数，利用智能优化算法对各子问题的多目标优化函数进行求解，并通过各问题之间的通信来综合获得分布式整体最优，最终获得该优化周期内的全局最优控制。本发明实施例选择遗传优化算法完成该算例最优解的搜索。
步骤(6)，将步骤(5)通过智能优化算法计算得到的系统最优控制目标序列发送到各台风机，所述控制参数包括但不限于桨距角和偏航角等。通过风电场协同变桨控制、转矩控制或偏航控制改变各机组的控制参数，实现在控制时域L内有功功率的实时优化调度与机组的减载。其中，各控制变量的约束条件为：
0°/s≤|ωyaw|≤0.3°/s
0°≤β≤90°
0°/s≤|ωpitch|≤8°/s
Tgen≤47402.91N·m
TrqRate≤15000N·m/s
式中，ωyaw为机组机舱的偏航角速度，β为机组的桨距角，ωpitch为桨距角角速度，Tgen为发电机扭矩，TrqRate为发电机扭矩变化率。
步骤(7)，以优化时域周期ΔT为时间单位，随着风电场感知系统采样时间的推进，重复上述步骤(1)-步骤(5)在线优化控制过程，并在控制时域周期内执行和输出当前优化周期内的最优控制策略，从而实现风电场在变化环境风况下的多目标滚动优化和最优控制。
如图3所示，本发明中，利用目标函数和智能优化算法求解海上风电场系统单位优化时域区间内的最优控制，在当前tk时刻将求解得到的第1个优化时域周期内的最优控制进行控制输出，经过单位控制周期ΔT后在tk+ΔT开始进行新的优化计算，求解第2个优化时域周期内的最优控制，并进行控制输出，以此重复。其中，每个优化时域周期的预测窗口步长为ΔTP。在基于时间的周期性滚动机制下，滚动调度的次数和风电场系统对动态因素的适应能力由ΔT决定，由此完成海上风电场系统在变化环境风况下的动态调度优化。
如图5所示，本发明实施例选择优化时域周期ΔT为630s，以使得海上风电场系统达到流场稳定状态。结果显示海上风电场模型在30s～630s之间的时域变化性能参数，具体包括海上风电场预测代理模型的环境风输入风速、风电场系统的总输出功率和机组所受塔筒俯仰弯矩和叶片俯仰弯矩。其中，无优化控制工况为风电场系统在贪心算法应用下的运行结果。通过比较发现，在相同的环境风输入下，风电场系统在400s～600s达到尾流稳定状态，优化控制可显著实现功率的优化调度，本实施例中功率可提升12.43％。利用雨流计数法计算机组的塔筒和叶片在单位优化时域周期内的最大疲劳载荷，由结果可得，塔筒的最大疲劳载荷可降低0.3％。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于分布式滚动优化的海上风电场场级控制策略，其特征在于，包括：
(1)利用风电场感知系统实时获取风电场内部流场分布情况，记录动态变化的环境风参数和各机组当前时刻运行状态信息；
(2)建立海上风电场协同控制的预测代理模型，包括环境风子模型、风力机子模型和尾流子模型；利用风电场感知系统获取的风电场内部流场分布情况对预测代理模型进行参数校正；
(3)将步骤(1)获得的环境风参数和各机组当前时刻运行状态信息作为输入，利用预测代理模型表征和预测实际风电场在未来时刻的运行特征，获得各机组在不同协同控制策略下的输出功率和关键部位载荷的时域变化；
(4)综合考虑风电场在单位优化时域周期内的运行特征，建立实现有功功率优化调度下最小化疲劳载荷的多目标优化函数，通过最小化目标函数实现风电场有功优化调度和机组关键部件疲劳寿命的提升；
(5)将多目标优化问题分解为若干个小规模分布式局部动态优化子系统的子问题，利用智能优化算法对各个子问题的目标函数进行求解，并通过各问题之间的通信来综合获得分布式整体最优，最终获得该优化周期内的最优控制；
(6)将求解获得每台机组的最优控制参数目标值发送到各台风力机的执行器，通过单一控制或联合控制方法，实现在未来有限时域内风电场功率的动态优化调度和疲劳载荷优化；
(7)在下一个滚动优化周期内重复步骤(1)-步骤(5)，并在其对应的控制周期内执行当前优化周期内的最优控制策略，从而实现风电场在动态变化风况下的多目标滚动优化和最优控制。
2.根据权利要求1所述的基于分布式滚动优化的海上风电场场级控制策略，其特征在于，步骤(1)中，环境风参数包含有尾流影响和无尾流影响下的风信息参数；有尾流影响下的风信息参数包括尾流风速赤字和尾流膨胀、尾流蜿蜒；通过测量风力机下游尾流区域风速分布情况获得；
无尾流影响下的风信息参数包括环境风的平均风速、风向和湍流强度；通过激光雷达测风技术，利用多普勒原理扫描实时感知风电场流场风速空间分布情况，反演推算获得；
各机组当前时刻运行状态信息包含偏航角、桨距角，利用风力机SCADA系统获得。
3.根据权利要求1所述的基于分布式滚动优化的海上风电场场级控制策略，其特征在于，步骤(2)中，所述的环境风子模型利用Taylor湍流冻结假设完成风电场流场的空间传播；所述的风力机子模型采用制动盘模型，根据仿真要求设定机组转子面半径和轮毂高度参数；所述的尾流子模型用于捕捉和预测与风电场输出功率、风力机负载相关的关键尾流特征，包括尾流风速赤字、尾流膨胀以及尾流蜿蜒。
4.根据权利要求1所述的基于分布式滚动优化的海上风电场场级控制策略，其特征在于，步骤(4)中，建立多目标优化函数的具体过程为：
(4-1)计算风电场内机组i的输出功率，计算公式如下：
Figure FDA0003854220540000021
式中，Pi为风电场内机组i发电机的输出功率，Tq,i(t)为机组i发电机在t时刻的瞬时扭矩，ωi为机组i发电机在t时刻的瞬时转速，tk为当前时刻，ΔT为单位优化时域周期；
根据上述单台机组的功率计算公式，求解风电场系统的总发电功率即为风电场系统内所有风力发电机组在单位时间内的发电功率之和
Figure FDA0003854220540000022
为：
Figure FDA0003854220540000023
(4-2)计算风力发电机组i所受等效疲劳载荷：
利用预测代理模型获得风电场内风力发电机组i关键部位所受载荷时域变化情况，包括塔筒底部和叶片根部的载荷变化情况；通过雨流计数法，对风力发电机组i所受时域变化的载荷进行等效分析，获得关键部位等效疲劳载荷DEL：
Figure FDA0003854220540000031
式中，DEL为等效疲劳载荷，
Figure FDA0003854220540000032
为时间序列ΔT内的等效循环次数，NΔT,i为第i个工况在时间序列ΔT内发生的次数，LΔT,i为第i个工况在时间序列ΔT内的载荷范围，m为材料S-N曲线的斜率；
(4-3)建立多目标优化的目标函数模型：
为实现风电场有功功率的优化调度，使风电场的输出功率满足有功功率期望值，并降低机组关键部位所受疲劳载荷，建立目标函数如下：
Figure FDA0003854220540000033
式中，Pdes为风电场系统的总输出功率期望值，
Figure FDA0003854220540000034
为风电场系统的总发电功率，
Figure FDA0003854220540000035
为归一化后的功率偏差值，DELnorm为归一化后的各台风力发电机组关键部位所受最大疲劳载荷，α为权重系数。
5.根据权利要求1所述的基于分布式滚动优化的海上风电场场级控制策略，其特征在于，步骤(5)中，若干个小规模分布式局部动态优化子系统的子问题求解过程是按照特定顺序依次完成对所有子问题的求解，当所有子系统完成一次迭代求解后得到的各子系统的最优控制参数与上一次迭代结果进行比较，若某个子系统当前迭代得到的最优控制与上一次迭代得到的结果差大于阈值，则未收敛的子系统进入下一次迭代计算过程，已收敛的子系统不再进行迭代求解，并更新当前求解顺序，重复上述优化求解直到所有子系统最优控制实现收敛。
6.根据权利要求1所述的基于分布式滚动优化的海上风电场场级控制策略，其特征在于，步骤(5)中，第i个分布式局部动态优化子问题在优化时间t∈[kΔT,(k+P)ΔT]内的表达形式为：
Figure FDA0003854220540000041
其中，t∈[kΔT,(k+P)ΔT],k∈{0,...,M}，x(t)和u(t)分别是各个风电场子系统的状态变量和控制变量，系统模型
Figure FDA0003854220540000042
由海上风电场协同控制预测代理模型决定，将求解得到的最优控制u(t)在控制周期t∈[kΔT,(k+L)ΔT]内进行执行输出；
其中，J为子系统的目标函数，ΔT为采样周期，k表示当前采样周期，M为采样周期的个数，P为优化时域周期，L为控制时域周期；在上述第i个分布式局部动态优化子系统在第k个优化周期内的优化求解时，需要其他风电场子系统不断迭代和提供其当前的最优控制作为控制输入的初值，通过动态博弈优化获得第k个优化周期内最优控制。
7.根据权利要求1所述的基于分布式滚动优化的海上风电场场级控制策略，其特征在于，步骤(5)中，所述的智能优化算法包含遗传算法、粒子群算法和博弈论算法。
8.根据权利要求1所述的基于分布式滚动优化的海上风电场场级控制策略，其特征在于，步骤(6)中，所述控制参数包括但不限于桨距角和偏航角；通过风电场协同变桨控制、转矩控制或偏航控制改变各机组的控制参数，实现在控制时域L内有功功率的实时优化调度与机组的减载。
CN202211142888.3A 2022-09-20 2022-09-20 一种基于分布式滚动优化的海上风电场场级控制策略 Pending CN115333168A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211142888.3A CN115333168A (zh) 2022-09-20 2022-09-20 一种基于分布式滚动优化的海上风电场场级控制策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211142888.3A CN115333168A (zh) 2022-09-20 2022-09-20 一种基于分布式滚动优化的海上风电场场级控制策略

Publications (1)

Publication Number Publication Date
CN115333168A true CN115333168A (zh) 2022-11-11

Family

ID=83913506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211142888.3A Pending CN115333168A (zh) 2022-09-20 2022-09-20 一种基于分布式滚动优化的海上风电场场级控制策略

Country Status (1)

Country Link
CN (1) CN115333168A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116378897A (zh) * 2023-05-04 2023-07-04 华北电力大学 一种风电场偏航角控制方法及装置
CN116667344A (zh) * 2023-07-31 2023-08-29 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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116378897A (zh) * 2023-05-04 2023-07-04 华北电力大学 一种风电场偏航角控制方法及装置
CN116378897B (zh) * 2023-05-04 2023-12-26 华北电力大学 一种风电场偏航角控制方法及装置
CN116667344A (zh) * 2023-07-31 2023-08-29 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
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

Similar Documents

Publication Publication Date Title
Song et al. Maximum power extraction for wind turbines through a novel yaw control solution using predicted wind directions
Andersson et al. Wind farm control‐Part I: A review on control system concepts and structures
CN108334672B (zh) 基于有效风速估计的变速风力发电机组最大风能捕获方法
Mérida et al. Analysis and synthesis of sliding mode control for large scale variable speed wind turbine for power optimization
CN115333168A (zh) 一种基于分布式滚动优化的海上风电场场级控制策略
CN106774276B (zh) 风电场自动发电控制系统测试平台
Kongnam et al. A particle swarm optimization for wind energy control problem
CN106058941B (zh) 一种基于场景分析的风电场随机优化调度方法
CN102434391A (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
CN106505631A (zh) 智能风电风功率预测系统
Jia et al. Combining LIDAR and LADRC for intelligent pitch control of wind turbines
Vali et al. Model predictive active power control for optimal structural load equalization in waked wind farms
CN109737008A (zh) 风电机组智能变桨控制系统及方法、风电机组
Kim et al. Maximum power point tracking of a wind power plant with predictive gradient ascent method
Zhang et al. Optimal power dispatch in wind farm based on reduced blade damage and generator losses
Shakeel Neural networks based prediction of wind energy using pitch angle control
CN114465287A (zh) 一种风电场快速有功功率优化方法及系统
Poushpas Wind farm simulation modelling and control
Zhang et al. Intelligent control for large-scale variable speed variable pitch wind turbines
CN112990674A (zh) 一种海上浮式风电场多目标运行调度方法
Bertašienė et al. Synergies of Wind Turbine control techniques
CN115167140B (zh) 风力发电机组多目标随机模型预测控制策略方法及系统
CN109611268A (zh) 一种双叶轮水平轴风力机设计优化方法
Gamel et al. Winds of Power: Data Analysis for the Relationship between Wind Speed, Gust, and Power Output
Yang et al. Non-linear autoregressive neural network based wind direction prediction for the wind turbine yaw system

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