CN115713029A - 一种考虑迟延的风电场随机模型预测优化控制方法 - Google Patents

Abstract

本发明公开了一种考虑迟延的风电场随机模型预测优化控制方法，包括：利用稳态模型计算风电场稳态背景流场分布；根据机组空间位置与背景流速计算迟延时间，结合机组功率特性曲线构建考虑迟延的风电场准稳态功率预测模型；测量风电场边界不同位置入口自然来流风速，确定来流风速多场景时空特性；基于来流风速多场景时空特性，采用人工智能建模方法进行不同位置入口自然来流风速超短期多场景预测；结合考虑迟延的准稳态预测模型，兼顾风速不确定性的多场景超短期预测，设计风电场随机模型预测(SMPC)平稳控制器。本发明通过前馈补偿风速不确定性，同时处理尾流迟延特性，从而降低风电场出力波动性，提高风电场友好运行能力。

Description

一种考虑迟延的风电场随机模型预测优化控制方法

技术领域

本发明属于风电场自动控制领域，涉及一种考虑迟延与不确定性的风电场控制方法，具体涉及一种考虑迟延的风电场随机模型预测优化控制方法。

背景技术

风电场是风能利用的主要形式，在我国能源转型中起到重要作用。近年来，风电场规模不断扩大，应用场景更加多样，商业化程度逾加成熟，电网渗透率逐渐增加。这使得能够实现电网友好运行、提高风电场经济性的优化控制成为风电场重要的研究内容之一。风电场的大迟延和强不确定性导致风电场优化控制面临很多挑战。

在迟延方面，为了提高风能利用效率，风电机组之间必须保持一段距离以降低尾流效应影响，这就导致上游机组尾流流到下游机组需要一定迟延时间；在不确定性方面，受到气象条件、地形因素以及热稳定性等影响，大气边界内复杂湍流又导致风电场出力具有强不确定性。

风电场的这种尾流空间迟延特性和风速强不确定性加剧了机组功率的波动，不利于电网安全稳定运行。因此，如何在迟延条件与强不确定性下对风电场出力进行平稳控制成为风电场优化控制的关键点。

发明内容

为此，可从建立更准确的控制模型与采用更先进的控制方法两方面进行研究。

在控制模型方面，目前风电场模型主要分为高精度数值仿真、经验公式和数据驱动三类，比如，Jensen，Gaussian，Frandson等，但它们大都是稳态经验模型。稳态模型无法考虑流场的迟延特性，因而降低了风电场模型的准确性。

除控制模型外，能够处理迟延特性与不确定性的控制方法同样十分重要。在众多控制方法中，模型预测控制(Model predictive control,MPC)具有能够处理迟延、多变量与带约束的优势，并且其滚动优化和反馈校正的思想提高了扰动抑制能力，因而成为工程控制中最重要的方法之一。而随机模型预测控制(Stochastic MPC,SMPC)在传统MPC基础之上增加了不确定性抑制模块，提高了MPC的不确定性抑制能力。但目前SMPC在风电场中的应用很少，因此有必要进一步研究如何采用SMPC方法抑制风电场出力波动特性，提高风电场出力的平稳性。

发明目的：针对上述现有技术存在的问题和不足，本发明的目的是提供一种考虑迟延的风电场随机模型预测优化控制方法，能够同时处理尾流迟延与风速不确定性，并在保证求解效率和准确性的前提下有效抑制风电场出力波动，提高电网友好运行能力。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

第一方面，提供一种考虑迟延的风电场随机模型预测优化控制方法，包括：

步骤1)、获取历史实测风电场边界自然来流风速，分析自然来流风速多场景时空特性，确定典型场景数量N_s及各典型场景所对应的概率θ_s；

步骤2)、基于历史实测风电场边界自然来流风速和当前时刻的自然来流风速，利用采用人工智能建模方法预构建的预测模型对未来时刻的自然来流风速进行预测，得到所有典型场景的风电场边界自然来流风速v₀；

步骤3)、根据预测得到的各个典型场景的风电场边界自然来流风速v₀，基于稳态流场模型，计算得到考虑迟延的各机组风轮处有效来流风速v_τ,j，结合贝茨定理计算各台机组最大运行功率P_MPPT,j；

步骤4)、基于P_MPPT,j预测各典型场景下各台机组的实际最大可用功率

步骤5)、基于典型场景数量N_s、各典型场景所对应的概率θ_s和各典型场景下各台机组的实际最大可用功率

利用预构建的风电场滚动优化控制目标函数进行滚动优化求解，得到各台机组在场景s下的功率设定值

步骤6)、基于各典型场景所对应的概率θ_s和各典型场景下的功率设定值

确定最终的第j台机组的功率设定值

在一些实施例中，所述步骤3)包括：

基于稳态流场模型考虑多个尾流效应叠加的影响，计算下游机组风轮处等效入口风速v_j：

式中，v_i是第i台机组有效风速，v_ij是第i台机组到第j台机组的尾流风速，A_ij为第i台机组到第j台机组处尾流重叠面积，v₀是风电场边界自然来流风速，r_d为机组风轮半径；

计算第i台机组到第j台机组的尾流迟延时间τ_ij：

式中，d_ij为第i台机组到第j台机组的距离，v₀是风电场边界自然来流风速；

计算考虑迟延的各机组风轮处有效来流风速v_τ,j：

式中，v_i是第i台机组有效风速，v_ij是第i台机组到第j台机组的尾流风速，A_ij为第i台机组到第j台机组处尾流重叠面积，v₀是风电场边界自然来流风速，r_d为机组风轮半径，t表示t时刻；

计算各台机组最大运行功率P_MPPT,j：

式中，ρ是空气密度，a_j为第j台机组的轴向诱导因子，A为风轮扫掠面积。

在一些实施例中，优选a_j为1/3。

在一些实施例中，步骤4)、基于P_MPPT,j预测各典型场景下各台机组的实际最大可用功率

包括：

当风电机组发电量低于最小出力时，需要切除该机组，若理论发电量高于最大功率则保持在最大功率运行，即考虑约束后的实际最大可用功率

为：

式中，P_min、P_max分别为保证机组的安全性设置的最小、最大功率约束。

在一些实施例中，所述步骤1)包括：

①测量风电场边界不同位置入口自然来流风速；

②确定相同位置处同一风速方向下风速大小时间波动特性；

③确定相同位置处不同风速方向下风速大小时间波动特性；

④改变空间位置，重复②和③，分析自然来流风速多场景时空特性；

⑤确定典型场景数量N_s及该场景所对应的概率θ_s。

在一些实施例中，所述步骤2)包括：

①构造某一典型场景下风电场边界自然来流风速的初始训练样本V＝{v_in,v_out}：

式中，N_p为超短期预测时长，N_w为训练样本长度，样本V中包含风速的大小和方向；v_in、v_out分别为输入风速样本与输出风速样本；k为采样时刻；

②更新训练样本：

根据当前k时刻的自然来流风速v₀(k)更新训练样本V_new(k)＝{v_in,new,v_out,new}

式中，v_in,new、v_out,new分别为样本更新后的输入风速样本与输出风速样本；

为更新后输入样本向量，

为更新后的输出样本；

③根据训练样本V_new(k)，基于人工智能建模方法拟合预测模型的参数和结构f_pred,k(·)；

④根据预测模型递推地预测未来N_p个时刻的自然来流风速：

记

为新的测试样本输入，预测k+1时刻的自然来流风速值

更新

再根据上式预测

依次类推，一直预测到

记风速预测序列为

⑤重复步骤①-④，预测得到所有典型场景的风电场边界自然来流风速。

在一些实施例中，所述步骤5)包括：

同时考虑典型场景下电网指令跟踪与机组出力波动特性，风电场滚动优化控制目标函数为：

式中，典型场景数量N_s及各典型场景所对应的概率θ_s；q_i,s为场景s下的权重系数，P_grid为电网设定值，

为第j台机组在场景s下的功率设定值，为待优化的变量；f_1,s、f_2,s分别为电网指令跟踪目标、机组出力波动目标；N_p为超短期预测时长；N_t为风电机组数，r_j,s为场景s下的权重系数，k+i|k为k时刻对k+i时刻的预测值。

在一些实施例中，所述步骤5)包括：

式中，

为第j台机组的功率设定值，N_s为典型场景数量，θ_s为各典型场景所对应的概率，

为第j台机组在场景s下的功率设定值。

第二方面，本发明提供了一种考虑迟延的风电场随机模型预测优化控制装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。

第三方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述方法的步骤。

有益效果：与现有技术相比，本发明具有以下优点：本发明所建立的面向控制的风电场准稳态模型基于稳态背景流场外加迟延处理，因而能进一步提高尾流模型的准确性，并能实现风电场动态流场快速估计；此外，所提出的基于SMPC的风电场平稳控制方法，可同时处理风速不确定性与尾流迟延特性，从而在保证求解效率和准确性的前提下降低风电场出力的波动性，提高电网友好运行能力。

进一步地，所述发明2)采用背景自然来流风速计算迟延时间，将其与稳态流场模型结合得到该准稳态流场模型，既保留了传统稳态模型便捷的尾流耦合关系，又考虑了尾流迟延的动态特性，从而能够近似模拟出风电场主要动态特性，并可适用于大规模风电场甚至风电基地的尾流快速在线计算。

进一步地，所述发明3)中的自然来流风速多场景时空特性分析可获得风电场边界不同空间位置来流风速波动特性，以更全面地模拟风电场实际复杂风况。

进一步地，所述发明4)因风速具有强非线性，并且还需要满足在线快速求解，故采用人工智能建模方法对风电场风速进行超短期预测。该方法属于数据驱动建模方法，能充分挖掘数据中的非线性信息在线高效快速地求解。

进一步地，所述发明5)采用一种间接处理方法处理风电场平稳控制的强非线性问题。该方法并非直接对公式中的轴向诱导因子进行优化求解，而是利用所构建功率预测模型先计算各风电机组最大功率值。之后以各机组发电量为优化变量，并利用该最大功率值限制该优化变量。通过这种间接转换处理，强非线性优化控制问题转化为弱非线性优化问题，该类优化问题可直接在调用Gorubi求解器优化求解，从而可以极大地提高控制求解速度，保证所提方法实用性。

附图说明

图1为本发明的基于SMPC风电场优化控制示意图；

图2为本发明具体实施方式中的风电场机组布置结构图；

图3为本发明具体实施方式中所输入的阶跃风速；

图4为本发明的风电场准稳态模型示意图；

图5为本发明的基于LS-SVM的风速超短期多场景预测示意图；

图6为本发明具体实施方式中的典型日下不同控制方法风电场出力特性对比图。

具体实施方式

下面结合附图和具体实例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

实施例1

如图1所示，一种考虑迟延的风电场随机模型预测优化控制方法，包括：

步骤1)、获取历史实测风电场边界自然来流风速，分析自然来流风速多场景时空特性，确定典型场景数量N_s及各典型场景所对应的概率θ_s；

步骤2)、基于历史实测风电场边界自然来流风速和当前时刻的自然来流风速，利用采用人工智能建模方法预构建的预测模型对未来时刻的自然来流风速进行预测，得到所有典型场景的风电场边界自然来流风速v₀；

步骤3)、根据预测得到的各个典型场景的风电场边界自然来流风速v₀，基于稳态流场模型，计算得到考虑迟延的各机组风轮处有效来流风速v_τ,j，结合贝茨定理计算各台机组最大运行功率P_MPPT,j；

步骤4)、基于P_MPPT,j预测各典型场景下各台机组的实际最大可用功率

步骤5)、基于典型场景数量N_s、各典型场景所对应的概率θ_s和各典型场景下各台机组的实际最大可用功率

利用预构建的风电场滚动优化控制目标函数进行滚动优化求解，得到各台机组在场景s下的功率设定值

步骤6)、基于各典型场景所对应的概率θ_s和各典型场景下的功率设定值

确定最终的第j台机组的功率设定值

较佳地，所述步骤3)中，稳态流场模型包括：

①采用一种稳态流场模型计算尾流参数：

选择一种稳态流场模型计算尾流参数：机组下游x处的尾流半径r_x和尾流风速v_x；

②计算背景流场分布：

基于稳态流场模型考虑多个尾流效应叠加的影响，计算下游机组风轮处等效入口风速：

式中，v_j是第j台机组有效风速，v_ij和A_ij分别是第i台机组到第j台机组的尾流风速和尾流重叠面积，v₀是风电场边界自然来流风速，r_d为机组风轮半径。

在一些实施例中，步骤3)、根据预测得到的各个典型场景的风电场边界自然来流风速v₀，基于稳态流场模型，计算得到考虑迟延的各机组风轮处有效来流风速v_τ,j，结合贝茨定理计算各台机组最大运行功率P_MPPT,j，包括：

①计算第i台机组到第j台机组的尾流迟延时间：

式中，d_ij为第i台机组到第j台机组的距离；

②计算考虑迟延的各机组风轮处有效来流风速：

③计算各台机组最大运行功率：

式中，ρ是空气密度，a_j为第j台机组的轴向诱导因子。

在一些实施例中，步骤4)、基于P_MPPT,j预测各典型场景下各台机组的实际最大可用功率

包括：

当风电机组发电量低于最小出力时，需要切除该机组，若理论发电量高于最大功率则保持在最大功率运行，即考虑约束后的实际最大可用功率为：

式中，P_min、P_max分别为保证机组的安全性设置的最小、最大功率约束。

在一些实施例中，步骤1)、获取历史实测风电场边界自然来流风速，分析自然来流风速多场景时空特性，确定典型场景数量N_s及各典型场景所对应的概率θ_s，包括：

①测量风电场边界不同位置入口自然来流风速；

②确定相同位置处同一风速方向下风速大小时间波动特性；

③确定相同位置处不同风速方向下风速大小时间波动特性；

④改变空间位置，重复②和③，分析自然来流风速多场景时空特性；

⑤确定典型位置场景数N_s及该场景所对应的概率θ_s。

在一些实施例中，步骤2)包括：

①构造某一典型场景下风电场边界自然来流风速的初始训练样本V＝{v_in,v_out}：

式中，N_p为超短期预测时长，N_w为训练样本长度，样本V中包含风速的大小和方向；v_in、v_out分别为输入风速样本与输出风速样本；k为采样时刻；

②更新训练样本：

根据当前k时刻的自然来流风速v₀(k)更新训练样本V_new(k)＝{v_in,new,v_out,new}

式中，v_in,new、v_out,new分别为样本更新后的输入风速样本与输出风速样本；

为更新后输入样本向量，

为更新后的输出样本；

③根据训练样本V_new(k)，基于人工智能建模方法拟合预测模型的参数和结构f_pred,k(·)；

④根据预测模型递推地预测未来N_p个时刻的自然来流风速：

记

为新的测试样本输入，预测k+1时刻的自然来流风速值

更新

再根据上式预测

依次类推，一直预测到

记风速预测序列为

⑤重复步骤①-④，预测所有典型场景的风电场边界自然来流风速。

在一些实施例中，所述风电场随机模型预测平稳控制器的设计步骤具体包括：

①预测各个典型场景下单台风电机组的实际最大出力：

根据各个典型场景下超短期边界自然来流风速预测结果和式(1)-(3)预测考虑迟延后不同机组风轮处等效风速v_τ,j，根据贝茨定理确定风电机组轴向诱导因子a为1/3时各台机组最大出力运行状态P_MPPT,j，并根据式(4)-(5)预测各典型场景下各台机组的实际最大可用功率

②确定电网指令跟踪目标：

风电场出力应尽可能的接近电网设定值以保证其跟踪性能，故优化控制目标中包含：

式中，q_i,s为场景s下的权重系数，P_grid为电网设定值，

为第j台机组在场景s下的功率设定值，为待优化的变量；

③确定出力波动目标：

风速的强不确定性导致风电机组出力波动很大，为了提高发电平稳性，各机组出力变化不应过于剧烈，即

式中，N_t为风电机组数，r_j,s为场景s下的权重系数，k+i|k为k时刻对k+i时刻的预测值；

④出力波动目标归一化处理：

由于风速的强不确定性，机组出力不可避免地存在很大波动，为降低波动量级影响，利用过去历史时刻机组波动特性对未来风电机组出力波动特性进行归一化处理：

⑤确定滚动优化控制目标：

同时考虑典型场景下电网指令跟踪与机组出力波动特性，风电场滚动优化控制目标为：

⑥计算第j台机组的下发指令

并下发到风电机组：

在一些具体实施例中，考虑迟延的风电场随机模型预测优化控制方法，包括：1)计算风电场稳态背景流场：

根据附图2所示风电场，该风电场长为两千米，宽一千米，第一二排、二三排的间距分别为11D(D为风机风轮直径)与15D，组内间距为1.5D。空气密度假设为1.25kg/m³。风电场机组型号为NREL5MW(NERL为美国国家可再生实验室，5MW为机组额定功率)机组，该风电场模型基于WFSim(一个面向控制的风电场中等保真度的仿真模型)构建。输入附图3所示阶跃风速，初始风速为8m/s，11s时突变为10m/s，28s时突变增加至12m/s，而后40s和57s处再次分别突变减小至10m/s和8m/s，总时长70s。

采用经典的Jensen尾流模型计算单台机组的尾流效应：

基础上为了考虑多个尾流效应影响，采用上式的平方和叠加方法计算下游第j台机组风轮处等效入口风速v_j，从而得到整个背景流场的分布。

2)构建考虑迟延的风电场准稳态功率预测模型：

①根据公式(2)计算第i台机组到第j台机组的尾流迟延时间τ_ij；

②结合迟延时间与背景风速，由公式(3)计算各机组风轮处有效来流风速v_τ,j；

③根据公式(4)计算各台机组最大运行功率P_MPPT,j；

④由公式(5)计算考虑约束后的各台风电机组实际最大可用功率

3)在风电场边界随机选择100个不同位置，测量这100个位置处的自然来流风速，并分析各个位置处风速方向和大小的时空特性。在此基础上，利用后向场景削减法确定典型位置场景数N_s及该场景所对应的概率θ_s以处理风速不确定性。

4)构建基于最小二乘支持向量机法(LS-SVM)的风速超短期典型场景预测模型：

①根据公式(6)构造初始训练样本V＝{v_in,v_out}；

②根据当前k时刻的自然来流风速v_0,k和公式(7)更新训练样本V_new,k＝{v_in,new,v_out,new}；

③根据最新的训练样本V_new,k，拟合LS-SVM预测模型(14)：

式中，N为样本数量，K(·)为高斯核函数，α＝[α₁,…,α_N]和b为待拟合的模型参数；

④根据预测模型(14)递推地预测未来N_p个时刻的自然来流风速，得到k时刻的风速预测向量

具体预测过程如附图5所示；

⑤重复步骤①-④，预测所有典型场景的风电场边界自然来流风速。需要说明的是，LS-SVM所得风速是风速平均值。为了模型风速的不确定性，一般的是在确定性风速基础之上，加入高斯函数以模拟瞬时风速波动。但实际上风速波动还具有空间特性，同一时刻不同边界风速也存在很大差异。为此，本发明对风电场不同空间位置边界风速分别进行预测，以便更真实地模拟实际风速的波动特征。

5)设计基于随机模型预测控制(SMPC)的风电场平稳控制模型：

①预测单台风电机组实际最大可用功率：

根据各个典型场景下超短期边界自然来流风速预测结果

和式(1)-(3)预测考虑迟延后不同机组风轮处等效风速v_τ,j，根据贝茨定理确定风电机组轴向诱导因子a为1/3时各台机组最大出力运行状态P_MPPT,j，并根据式(4)-(5)预测各典型场景下各台机组的实际最大可用功率

②根据公式(9)确定电网指令跟踪目标；

③根据公式(10)确定出力波动目标；

④根据公式(11)对出力波动目标进行归一化处理，SMPC的控制时域和预测时域都是5秒，控制周期是1分钟，风电场采样周期是30秒；

⑤根据目标函数(12)优化各台风电机组发电量，该优化问题可通过调用Gorubio求解器求解；

⑥评价指标与对比方法的确定：

本发明采用平均相对偏差ε_MRE用于评价电网设定值的跟踪性能和均方根偏差ε_RMSE用于评价出力波动，它们的计算公式如下

其中N_l为风电场整个仿真时长。

除此之外，由于风速是一种非平稳随机过程，为了评估不同时刻风电场出力平滑特性，本文采用动态波动指标，即每次计算出一个窗口内平均波动特性作为当前时刻的波动特性，窗口内均方根误差作为当前时刻滚动均方根误差，

其中，N_r为滚动窗口宽度，P_bar(k)为k时刻滚动窗口内的N_r个时刻的平均值，ε_ARMSE为窗口均方根误差值。

⑧仿真求解：

此外，为了证明本发明所提方法有效性，采用以下几种方法作为对比方法：

1.SMPC-D：即本文所提同时考虑不确定性与迟延特性的平稳控制方法；

2.SMPC-S：考虑不确定性但不考虑迟延特性的平稳控制方法；

3.MPC-D：考虑迟延但不考虑不确定性的平稳控制方法。

表1给出了不同方法的量化对比指标。从表中可以定量看出，不同方法平均相对偏差大体相同，表明不同方法都能较好地跟踪电网指令。

结合图6，从(a)中可以看出，无论在限功率运行还是MPPT运行，三种方法都能较好地满足电网指令跟踪情况，但是不同方法的波动情况存在很大差异，如(b)和表1数据所示，其中MPC方法均方根方差最大，这是因为MPC(模型预测控制)方法没有考虑风速不确定性的影响，导致实际设备很难充分抑制风速的不确定性。其次SMPC-D和SMPC-S方法均方根误差大体相同，但由于风速具有非平稳性，均方根误差并不能很好地量化风电场出力的不确定性。从滑动均方差可以看出，考虑SMPC-D方法具有最小的值，表明风电场出力更加平滑，证明了考虑尾流迟延的动态特性后可以改善风电场整体出力的平稳性。

三者对比说明了本发明对考虑迟延和不确定的风电场波动抑制的有效性。

表1不同方法的量化对比指标

实施例2

第二方面，本实施例提供了一种考虑迟延的风电场随机模型预测优化控制装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据实施例1所述方法的步骤。

实施例3

第三方面，本实施例提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种考虑迟延的风电场随机模型预测优化控制方法，其特征在于，包括：

步骤1)、获取历史实测风电场边界自然来流风速，分析自然来流风速多场景时空特性，确定典型场景数量N_s及各典型场景所对应的概率θ_s；

步骤2)、基于历史实测风电场边界自然来流风速和当前时刻的自然来流风速，利用采用人工智能建模方法预构建的预测模型对未来时刻的自然来流风速进行预测，得到所有典型场景的风电场边界自然来流风速v₀；

步骤3)、根据预测得到的各个典型场景的风电场边界自然来流风速v₀，基于稳态流场模型，计算得到考虑迟延的各机组风轮处有效来流风速v_τ,j，结合贝茨定理计算各台机组最大运行功率P_MPPT,j；

步骤4)、基于P_MPPT,j预测各典型场景下各台机组的实际最大可用功率

步骤5)、基于典型场景数量N_s、各典型场景所对应的概率θ_s和各典型场景下各台机组的实际最大可用功率

利用预构建的风电场滚动优化控制方法进行滚动优化求解，得到各台机组在场景s下的功率设定值

步骤6)、基于各典型场景所对应的概率θ_s和各典型场景下的功率设定值

确定最终的第j台机组的功率设定值

2.根据权利要求1所述的考虑迟延的风电场随机模型预测优化控制方法，其特征在于，所述步骤3)包括：

基于稳态流场模型考虑多个尾流效应叠加的影响，计算下游机组风轮处等效入口风速v_j：

式中，v_i是第i台机组有效风速，v_ij是第i台机组到第j台机组的尾流风速，A_ij为第i台机组到第j台机组处尾流重叠面积，v₀是风电场边界自然来流风速，r_d为机组风轮半径；

计算第i台机组到第j台机组的尾流迟延时间τ_ij：

式中，d_ij为第i台机组到第j台机组的距离，v₀是风电场边界自然来流风速；

计算考虑迟延的各机组风轮处有效来流风速v_τ,j：

式中，v_i是第i台机组有效风速，v_ij是第i台机组到第j台机组的尾流风速，A_ij为第i台机组到第j台机组处尾流重叠面积，v₀是风电场边界自然来流风速，r_d为机组风轮半径，t表示t时刻；

计算各台机组最大运行功率P_MPPT,j：

式中，ρ是空气密度，a_j为第j台机组的轴向诱导因子，A为风轮扫掠面积。

3.根据权利要求2所述的考虑迟延的风电场随机模型预测优化控制方法，其特征在于，a_j为1/3。

4.根据权利要求1所述的考虑迟延的风电场随机模型预测优化控制方法，其特征在于，步骤4)、基于P_MPPT,j预测各典型场景下各台机组的实际最大可用功率

包括：

当风电机组发电量低于最小出力时，需要切除该机组，若理论发电量高于最大功率则保持在最大功率运行，即考虑约束后的实际最大可用功率

为：

式中，P_min、P_max分别为保证机组的安全性设置的最小、最大功率约束。

5.根据权利要求1所述的考虑迟延的风电场随机模型预测优化控制方法，其特征在于，所述步骤1)包括：

①测量风电场边界不同位置入口自然来流风速；

②确定相同位置处同一风速方向下风速大小时间波动特性；

③确定相同位置处不同风速方向下风速大小时间波动特性；

④改变空间位置，重复②和③，分析自然来流风速多场景时空特性；

⑤确定典型场景数量N_s及该场景所对应的概率θ_s。

6.根据权利要求1所述的考虑迟延的风电场随机模型预测优化控制方法，其特征在于，所述步骤2)包括：

①构造某一典型场景下风电场边界自然来流风速的初始训练样本V＝{v_in,v_out}：

式中，N_p为超短期预测时长，N_w为训练样本长度，样本V中包含风速的大小和方向；v_in、v_out分别为输入风速样本与输出风速样本；k为采样时刻；

②更新训练样本：

根据当前k时刻的自然来流风速v₀(k)更新训练样本V_new(k)＝{v_in,new,v_out,new}

式中，v_in,new、v_out,new分别为样本更新后的输入风速样本与输出风速样本；

为更新后输入样本向量，

为更新后的输出样本；

③根据训练样本V_new(k)，基于人工智能建模方法拟合预测模型的参数和结构f_pred,k(·)；

④根据预测模型递推地预测未来N_p个时刻的自然来流风速：

记

为新的测试样本输入，预测k+1时刻的自然来流风速值

更新

再根据上式预测

依次类推，一直预测到

记风速预测序列为

⑤重复步骤①-④，预测得到所有典型场景的风电场边界自然来流风速。

7.根据权利要求1所述的考虑迟延的风电场随机模型预测优化控制方法，其特征在于，所述步骤5)包括：

同时考虑典型场景下电网指令跟踪与机组出力波动特性，风电场滚动优化控制目标函数为：

式中，典型场景数量N_s及各典型场景所对应的概率θ_s；q_i,s为场景s下的权重系数，P_grid为电网设定值，

为第j台机组在场景s下的功率设定值，为待优化的变量；f_1,s、f_2,s分别为电网指令跟踪目标、机组出力波动目标；N_p为超短期预测时长；N_t为风电机组数，r_j,s为场景s下的权重系数，k+i|k为k时刻对k+i时刻的预测值。

8.根据权利要求1所述的考虑迟延的风电场随机模型预测优化控制方法，其特征在于，所述步骤5)包括：

式中，

为第j台机组的功率设定值，N_s为典型场景数量，θ_s为各典型场景所对应的概率，

为第j台机组在场景s下的功率设定值。

9.一种考虑迟延的风电场随机模型预测优化控制装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至8任一项所述方法的步骤。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。

Images