CN116667344B - 海上风电场自适应局域疲劳载荷均衡调度方法及装置 - Google Patents

海上风电场自适应局域疲劳载荷均衡调度方法及装置 Download PDF

Info

Publication number
CN116667344B
CN116667344B CN202310943558.2A CN202310943558A CN116667344B CN 116667344 B CN116667344 B CN 116667344B CN 202310943558 A CN202310943558 A CN 202310943558A CN 116667344 B CN116667344 B CN 116667344B
Authority
CN
China
Prior art keywords
wind
fatigue load
motor
local
adaptive
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
Application number
CN202310943558.2A
Other languages
English (en)
Other versions
CN116667344A (zh
Inventor
唐晓宇
林锟炜
宋炜廷
张怀治
王文海
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 CN202310943558.2A priority Critical patent/CN116667344B/zh
Publication of CN116667344A publication Critical patent/CN116667344A/zh
Application granted granted Critical
Publication of CN116667344B publication Critical patent/CN116667344B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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"
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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

Abstract

本发明公开了一种海上风电场自适应局域疲劳载荷均衡调度方法及装置，本发明引入每台风电机的局域规模半径，来设定针对每台风电机需要进行载荷均衡的局域范围；引入自适应性权重，设定每台风电机形成的局域特征的相对重要程度；将每台风电机的桨距角可行取值范围及其局域规模半径的可行取值范围作为搜索域，利用粒子群算法进行内层优化，内层优化目标为自适应局域疲劳载荷均衡和风电场产能最大；根据内层优化输出的初步风电场调度方案，通过动态更新每台风电机的自适应性权重进行外层优化，进一步优化疲劳载荷分布。在提高产能的同时，降低需要单独维护的疲劳载荷离群风电机数目、降低海上风电场维护频率，更符合实际运维需求。

Description

海上风电场自适应局域疲劳载荷均衡调度方法及装置
技术领域
本申请涉及风电场功率调度优化技术领域，尤其涉及一种海上风电场自适应局域疲劳载荷均衡调度方法及装置。
背景技术
风能是一种清洁无公害的可再生能源能源，利用风力发电非常环保，且风能蕴量巨大，因此日益受到世界各国的重视。陆上风电发展在我国发展状况一直较好，但由于陆上风电发展趋于饱和，可开发的土地资源越来越少，所以风电行业现在正朝着分散式风电和海上风电发展。海上风电利用具有风能资源优势、就近消纳优势和对居民基本无影响的优势，且可装风机容量更大，风机单机发电量更大，风资源利用率会更充分。因此，海上风电利用获得越来越多的关注。
目前海上风电利用面临的主要问题之一是缺少有效的海上风电场功率调度方法，导致风电场内疲劳载荷分布的不均衡，使得风电场内部分风电机使用寿命变短、维护频率升高、维护成本提高，从而使海上风电利用的经济效益大大降低。风电场功率调度方法主要分为两种，一种只关注产能最大化，以传统的风电机最大功率点跟踪调度方法（MPPT）为代表性调度方法，之后研究者们在MPPT的基础上考虑风电场内尾流因素，并提出风电场最大功率点跟踪调度方法，进一步优化风电场总产能，这种调度方法一般没有考虑风电场内的风电机疲劳载荷，导致风电场内疲劳载荷分布恶化；另一种调度方法在产能满足需求的基础上开始关注风电场内疲劳载荷分布，以场级疲劳载荷均衡、风电机使用寿命延长及对部分疲劳载荷过高的风电机进行减载为目标，进行风电场调度优化研究，该调度方法大都以全场疲劳载荷方差作为疲劳分布均衡性指标，没有考虑到需要进行单独维护的离群风电机的存在，在实际海上风电场中，没有使其经济效益达到最优。
发明内容
本申请实施例的目的是提供一种海上风电场自适应局域疲劳载荷均衡调度方法及装置，以解决相关技术中存在的没有考虑到需要单独维护的离群风电机的存在，引起的海上风电运维成本较高的技术问题。
根据本申请实施例的第一方面，提供一种海上风电场自适应局域疲劳载荷均衡调度方法，包括：
S1：获取海上风电场风速风向测量数据和风电机排布位置信息，再获取风电机桨距角分别与推力系数和功率系数的关联关系；
S2：将每台风电机的局域规模半径和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及所有风电机的局域规模半径可行取值范围作为搜索域，再结合海上风电场风速风向测量数据、风电机排布位置信息、风电机推力系数和桨距角的关联关系、风电机功率系数和桨距角的关联关系，建立风电场尾流模型、产能模型及疲劳载荷模型；
S3：应用粒子群算法在所述搜索域内对所有风电机的桨距角和局域规模半径进行内层优化，获得初步风电场调度方案，其中所述适应度函数由自适应局域疲劳载荷均衡指标和风电场产能指标组成，由风电场尾流模型、产能模型及疲劳载荷模型计算得到；
S4：根据所述初步风电场调度方案，通过更新每台风电机的自适应权重，进一步优化风电场疲劳载荷分布情况，获得局域疲劳载荷均衡的海上风电场调度方案，完成外层优化，并返回S3。
可选的，应用粒子群算法在所述搜索域内对所有风电机的桨距角和局域规模半径进行内层优化，获得初步风电场调度方案，其中所述适应度函数由自适应局域疲劳载荷均衡指标和风电场产能指标组成，由风电场尾流模型、产能模型及疲劳载荷模型计算得到，包括：
S31：应用粒子群算法在所述搜索域内对所有风电机的桨距角和局域规模半径进行内层优化，其中所述适应度函数由自适应局域疲劳载荷均衡指标和风电场产能指标组成，由风电场尾流模型、产能模型及疲劳载荷模型计算得到，并进行S32；
S32：根据内层优化最大迭代次数或设定收敛条件，判断粒子群算法优化是否停止，若是，则将全局最优解即适应度最小对应的个体解码，输出初步风电场调度方案，进行S4，否则进行S33；
S33：进行粒子群算法内的速度更新和位置更新，继续内层优化，并返回S31；
可选的，所述适应度函数fitness的计算公式为：
其中：是风电场产能指标对应的适应度值；是自适应局域载荷均衡 性指标对应的适应度值；是风电场产能水平，，为第台风电机功率输出；N是 风电场风电机总台数；对第i台风电机，其形成的局域是以该风电机为圆心，为局域规模 半径的圆形区域，是自适应权重，是局域对应的局域疲劳载荷均衡性指标，所述局域对 应的局域疲劳载荷均衡性指标的表达式为：
其中：对第i台风电机，是该风电机形成的局域内的风电机数目，是该风 电机形成的局域内的风电机组疲劳载荷均值，是属于该风电机局域内的第j台风电机的 疲劳载荷，其中，是该风电机的局域风电机密度权重，。
可选的，根据所述初步风电场调度方案，通过更新每台风电机的自适应权重，进一步优化风电场疲劳载荷分布情况，获得局域疲劳载荷均衡的海上风电场调度方案，完成外层优化，包括：
S41：根据所述初步风电场调度方案，得到风电场的产能水平和疲劳载荷分布，进一步引入疲劳载荷分布中离群风电机数目和离群风电机的相对偏差，根据最优调度方案更新条件，判断最优调度方案是否更新，若更新，则初始化最优解保持次数，进行S43，否则进行S42；
S42：根据整个流程设定的终止条件，判断整个流程的优化进程是否停止，若是，则将所述初步风电场调度方案作为优化后的风电场调度方案，完成风电场功率调度优化，否则更新最优解保持次数，并进行S43；
S43：根据离群风电机的相对偏差，动态更新每台风电机的自适应权重，进而动态更新自适应局域载荷均衡性指标对应的适应度函数，完成外层优化，并返回S3。
可选的，所述疲劳载荷分布中离群风电机数目和所述离群风电机的相对 偏差的计算公式分别为：
其中：为二元变量，表征第i台风电机为离群风电机，为离群风 电机的偏差阈值，为第i台风电机的疲劳载荷与其形成的局域内的疲劳载荷均值的相对 偏差，其表达式为：
其中：为第i台风电机的疲劳载荷。
可选的，根据最优调度方案更新条件，判断最优调度方案是否更新，包括：
根据产能水平和离群风电机数目两个指标，将初步风电场调度方案与历史记录的 当前最优调度方案进行非支配排序，若初步风电场调度方案支配当前最优调度方案，即 且，则更新最优调度方案，并初始化最优解保持次数，即；
其中：是风电场产能水平，，为第台风电机功率输出；和分别是当前最优调度方案对应的产能水平和离群风电机数目。
可选的，根据整个流程设定的终止条件，判断整个流程的优化进程是否停止，包括：
根据整个流程设定的终止条件，即，判断整个流程的优化进程是 否停止，若是，则将该调度方案作为优化后的风电场调度方案，完成风电场功率调度优化， 否则，其中为最优解保持次数，为最优解最大保持次数。
可选的，根据离群风电机的相对偏差，动态更新每台风电机的自适应权重，进而动态更新自适应局域载荷均衡性指标对应的适应度函数，进行外层优化，包括：
根据离群风电机的相对偏差，更新每台风电机的自适应权重，所述自适应权 重的计算公式如下：
其中：为第t次动态更新后第i台风电机的自适应权重，为更新步长，为自 适应权重更新中的过程变量，对其进行归一化，以保证适应度函数值上的可比较性，得到更 新后每台风电机的自适应权重，计算公式为：
根据更新后的自适应权重，返回S3，并代入自适应局域载荷均衡性指标对应的 适应度函数中，进行所述的适应度函数更新，完成外层优化。
根据本申请实施例的第二方面，提供一种海上风电场自适应局域疲劳载荷均衡调度装置，包括：
获取模块，用于获取海上风电场风速风向测量数据和风电机排布位置信息，再获取风电机桨距角分别与推力系数和功率系数的关联关系；
风电场建模和优化框架搭建模块，将每台风电机的局域规模半径和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及所有风电机的局域规模半径可行取值范围作为搜索域，再结合海上风电场风速风向测量数据、风电机排布位置信息、风电机推力系数和桨距角的关联关系、风电机功率系数和桨距角的关联关系，建立风电场尾流模型、产能模型及疲劳载荷模型；
内层优化模块，用于应用粒子群算法在所述搜索域内对所有风电机的桨距角和局域规模半径进行内层优化，获得初步风电场调度方案，其中所述适应度函数由自适应局域疲劳载荷均衡指标和风电场产能指标组成，由风电场尾流模型、产能模型及疲劳载荷模型计算得到；
外层优化模块，用于根据所述初步风电场调度方案，通过更新每台风电机的自适应权重，进一步优化风电场疲劳载荷分布情况，获得局域疲劳载荷均衡的海上风电场调度方案，完成外层优化，并返回内层优化模块。
根据本申请实施例的第三方面，提供一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
本申请的实施例提供的技术方案可以包括以下有益效果：
1. 实用性强。提出了自适应局域性疲劳载荷均衡指标，对全场的疲劳载荷均衡性指标进行改进，放松了疲劳载荷分布的约束，在减少离群风电机数目、降低海上风电场维护频率的同时，有效提高风电场总产能，更符合调度的产能要求和后期维护的需求。
2. 本发明方法实现框架先进。采用双层嵌套优化框架，内层应用粒子群算法对每台风电机的桨距角及其规模半径进行优化，外层通过更新每台风电机的自适应权重，进一步优化风电场疲劳载荷分布情况，获得局域疲劳载荷均衡的海上风电场调度方案。
3. 扩展性好。本发明的嵌套优化框架可以有效推广拓展至类似的问题求解中，解决相应的问题。
4. 灵活度高。可以通过具体的维护策略来调整局域规模半径的约束范围，从而达到维护策略与功率调度更高的契合度，有效地减少维护频率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种海上风电场自适应局域疲劳载荷均衡调度方法的流程图。
图2是根据一示例性实施例示出的使用风电场最大功率点跟踪调度策略进行功率调度后的疲劳载荷分布结果图。
图3是根据一示例性实施例示出的使用传统场级疲劳载荷均衡调度策略进行功率调度后的疲劳载荷分布结果图。
图4是根据一示例性实施例示出的使用本发明进行功率调度后的疲劳载荷分布结果图。
图5是根据一示例性实施例示出的一种海上风电场自适应局域疲劳载荷均衡调度装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
图1是根据一示例性实施例示出的一种海上风电场自适应局域疲劳载荷均衡调度方法的流程图，如图1所示，该方法可以包括以下步骤：
S1：获取海上风电场风速风向测量数据和风电机排布位置信息，再获取风电机桨距角分别与推力系数和功率系数的关联关系；
S2：将每台风电机的局域规模半径和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及所有风电机的局域规模半径可行取值范围作为搜索域，再结合海上风电场风速风向测量数据、风电机排布位置信息、风电机桨距角与推力系数的关联关系、风电机桨距角与功率系数的关联关系，建立风电场尾流模型、产能模型及疲劳载荷模型；
S3：应用粒子群算法在所述搜索域内对所有风电机的桨距角和局域规模半径进行内层优化，获得初步风电场调度方案，所述粒子群算法中的适应度函数由自适应局域疲劳载荷均衡指标和风电场产能指标组成，由风电场尾流模型、产能模型及疲劳载荷模型计算得到；
S4：根据所述初步风电场调度方案，通过更新每台风电机的自适应权重，进一步优化风电场疲劳载荷分布情况，获得局域疲劳载荷均衡的海上风电场调度方案，完成外层优化，并返回S3。
由上述实施例可知，本申请通过引入离群风电机的概念，将维护频率转换为需要单独维护的离群风电机数目，融合双层嵌套优化算法框架，内层优化应用粒子群算法对自适应局域疲劳载荷均衡指标和风电场产能指标进行优化，旨在提高产能的同时优化疲劳载荷分布以降低离群风电机数目；根据内层优化输出的初步风电场调度方案计算得到的离群风电机相对偏差，动态更新每台风电机的自适应权重进行外层优化，实现对内层优化的适应度函数更新，旨在进一步降低离群风电机数目，进而降低海上风电场维护频率，降低海上风电场运维成本，提高海上风电场经济效益。
所述的海上风电场自适应局域疲劳载荷均衡调度方法主要包含参数初始化、引入自适应权重、引入每台风电机的局域规模半径、引入嵌套优化算法框架、应用粒子群算法对所有风电机的桨距角和局域规模半径进行优化、自适应权重更新、适应度函数更新等环节构成。
在S1：获取海上风电场风速风向测量数据和风电机排布位置信息，再获取风电机桨距角分别与推力系数和功率系数的关联关系；
具体地，上述实施例对某海上风电场进行功率调度优化。在该7×7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49台。现设风电机在额定工作状态下寿命为20年，在风速为10米/秒、风向为西风的情况下进行风电场功率调度优化研究，并分析海上风电场疲劳载荷分布情况。
在S2的具体实施中：将每台风电机的局域规模半径和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及所有风电机的局域规模半径可行取值范围作为搜索域，再结合海上风电场风速风向测量数据、风电机排布位置信息、风电机桨距角与推力系数的关联关系、风电机桨距角与功率系数的关联关系，建立风电场尾流模型、产能模型及疲劳载荷模型。
具体地，风电场产能模型计算公式为：
其中，为第j台风电机的输出功率，为空气密度，为第台风电机的叶轮面半 径，分别是切入风速、切出风速和额定风速，和分别为第j台风电机的 额定功率和功率系数，为第j台风电机桨距角，为第j台风电机的来流风速，来流风速 由尾流模型进行计算。
具体地，的计算公式为：
其中，为风电场输入风速，为第台风电机的尾流效应造成的第台风电机 的来流风速衰减，的计算公式为：
其中，为第台风电机的叶轮面半径，为第台风电机的叶轮面旋转面积，为第台风电机的旋转面和第台风电机的尾流区域的交叠面积，分别是第 台风电机的推力系数和第台风电机在第台风电机叶轮面上的尾流区域半径。
具体地，风电场疲劳载荷模型计算公式为：
其中，为第台风电机截止t时刻的疲劳载荷，为第台风电机的额定工作 寿命，和分别为维护补偿因子和湍流疲劳贡献系数。
在S3的具体实施中：应用粒子群算法在所述搜索域内对所有风电机的桨距角和局域规模半径进行内层优化，获得初步风电场调度方案，所述粒子群算法中的适应度函数由自适应局域疲劳载荷均衡指标和风电场产能指标组成，由风电场尾流模型、产能模型及疲劳载荷模型计算得到；可以包括以下子步骤：
S31：应用粒子群算法在所述搜索域内对所有风电机的桨距角和局域规模半径进行内层优化，所述粒子群算法中的适应度函数由自适应局域疲劳载荷均衡指标和风电场产能指标组成，由风电场尾流模型、产能模型及疲劳载荷模型计算得到，并进行S32；
具体地，风电场调度优化问题为混合整数非线性规划问题，不能使用凸优化进行求解，因此使用启发式算法进行求解，同时粒子群算法求解的快速性满足实际工业现场应用的实时性需求。进一步通过引入自适应局域疲劳载荷均衡指标，引入降低需要单独维护的离群风电机数目的概念，以降低实际海上风电场的维护频率。同时，引入每台风电机的局域规模半径，来设定针对每台风电机需要进行载荷均衡的局域范围；引入自适应性权重，设定每台风电机形成的局域特征的相对重要程度；从而进一步优化局域，降低离群风电机数目。
所述适应度函数fitness的计算公式为：
其中：是风电场产能指标对应的适应度值；是自适应局域载荷 均衡性指标对应的适应度值；是风电场产能水平，；N是风电场风电机总台 数；对第i台风电机，其形成的局域是以该风电机为圆心，为局域规模半径的圆形区域，在 具体实施中设置三档规模半径，分别设为7D、9D和13D，为风电场中每台风电机的自适应 性权重，且满足，初始化时，是局域对应的局域疲劳载荷均衡 性指标，所述局域对应的局域疲劳载荷均衡性指标的表达式为：
其中：对第i台风电机，是该风电机形成的局域内的风电机数目，是该风 电机形成的局域内的风电机组疲劳载荷均值，是属于该风电机局域内的第j台风电机的 疲劳载荷，其中，是该风电机的局域风电机密度权重，。
S32：根据内层优化最大迭代次数或设定收敛条件，判断粒子群算法优化是否停止，若是，则将全局最优解即适应度最小对应的个体解码，输出初步风电场调度方案，进行S4，否则进行S33；
具体地，实施中最大迭代次数设置为500代。
S33：进行粒子群算法内的速度更新和位置更新，继续内层优化，并返回S31；
在S4的具体实施中：根据所述初步风电场调度方案，通过更新每台风电机的自适应权重，进一步优化风电场疲劳载荷分布情况，获得局域疲劳载荷均衡的海上风电场调度方案，完成外层优化，并返回S3。可以包括以下子步骤：
S41：根据所述初步风电场调度方案，得到风电场产能水平和疲劳载荷分布，进一步引入疲劳载荷分布中离群风电机数目和离群风电机的相对偏差，根据最优调度方案更新条件，判断最优调度方案是否更新，若更新，则初始化最优解保持次数，进行S43，否则进行S42；
具体地，所述疲劳载荷分布中离群风电机数目和所述离群风电机的相对 偏差的计算公式分别为：
其中：为二元变量，表征第i台风电机为离群风电机，为离群风 电机的偏差阈值，在具体实施中设为5%，为第i台风电机的疲劳载荷与其形成的局域内 的疲劳载荷均值的相对偏差，其表达式为：
其中：为第i台风电机的疲劳载荷。
根据最优调度方案更新条件，判断最优调度方案是否更新，包括：
根据产能水平和离群风电机数目两个指标，将初步风电场调度方案与历史记录的 当前最优调度方案进行非支配排序，若初步风电场调度方案支配当前最优调度方案，即 且，则更新最优调度方案，并初始化最优解保持次数，即。
其中：是风电场产能水平，，为第台风电机功率输出；和分别是当前最优调度方案对应的产能水平和离群风电机数目。
S42：根据整个流程设定的终止条件，判断整个流程的优化进程是否停止，若是，则将所述初步风电场调度方案作为优化后的风电场调度方案，完成风电场功率调度优化，否则更新最优解保持次数，并进行S43；
具体地，根据整个流程设定的终止条件，判断整个流程的优化进程是否停止，包括：
根据整个流程设定的终止条件，即，判断整个流程的优化进程是 否停止，若是，则将该调度方案作为优化后的风电场调度方案，完成风电场功率调度优化， 否则。
其中：为最优解保持次数，为最优解最大保持次数，一般。
S43：根据离群风电机的相对偏差，动态更新每台风电机的自适应权重，进而动态更新自适应局域载荷均衡性指标对应的适应度函数，进行外层优化，并返回S3，进行内层优化。
具体地，根据离群风电机的相对偏差更新每台风电机的自适应权重，可以对离群程度高的风电机形成的局域均衡性赋予更高的权重，从而提高该风电机形成的局域疲劳载荷均衡的重要性，进一步降低海上风电场离群风电机数目。
根据离群风电机的相对偏差，更新每台风电机的自适应权重，所述自适应权 重的计算公式如下：
其中：为第t次动态更新后第i台风电机的自适应权重，为更新步长，为自 适应权重更新中的过程变量，对其进行归一化，以保证适应度函数值上的可比较性，得到更 新后每台风电机的自适应权重，计算公式为：
根据更新后的自适应权重，返回S3，并代入自适应局域载荷均衡性指标对应的 适应度函数中，进行所述的适应度函数更新，完成外层优化。
图2是根据一示例性实施例示出的使用风电场最大功率点跟踪调度策略进行功率调度后的疲劳载荷分布结果图。参考图2（图2、图3和图4中标注的圆点即为离群风电机位置），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，增加了风电场维护频率，从而使海上风电场的运维成本较高；
图3是根据一示例性实施例示出的使用传统场级疲劳载荷均衡调度策略进行功率调度后的疲劳载荷分布结果图。参考图3，该调度策略基于全场疲劳载荷方差进行疲劳载荷均衡性优化。虽然全场的疲劳载荷分布均衡性得到初步实现，但存在较多疲劳载荷离群风电机，致使这些风电机需要进行单独维护，从而提高维护频率；
图4是根据一示例性实施例示出的使用本发明进行功率调度后的疲劳载荷分布结果图。参考图4，采用本发明的自适应局域疲劳载荷均衡调度策略放松了全场疲劳载荷均衡的约束，有效提高产能的同时使局域内风电机群具有接近的疲劳载荷水平，实现对一台风电机进行维护时，可以有选择地对其局域内其他风电机考虑维护措施（如：机会性维护），有效降低维护频率。同时通过引入自适应局域规模和自适应局域权重，进一步优化局域，从而进一步降低离群风电机数目以降低维护频率；
下表给出了以上三个调度策略的关于产能、全场的疲劳载荷方差及离群风电机三个指标的对比：
可以看出，海上风电场自适应局域载荷均衡的调度策略，在保证产能与风电场最大功率点跟踪调度策略相差不大的前提下，优化了风电场疲劳载荷分布的均衡性。同时相较于传统场级疲劳载荷均衡的调度策略，自适应局域载荷均衡的调度策略不仅提高了产能水平，还降低了离群风电机数目，减少了需要进行单独维护的离群风电机数目，更适用于实际的海上风电场维护行为，达到更好的运维结合的契合度。
与前述的海上风电场自适应局域疲劳载荷均衡调度方法的实施例相对应，本申请还提供了海上风电场自适应局域疲劳载荷均衡调度装置的实施例。
图5是根据一示例性实施例示出的一种海上风电场自适应局域疲劳载荷均衡调度装置框图。参照图5，该装置包括：
获取模块1，用于获取海上风电场风速风向测量数据和风电机排布位置信息，再获取风电机桨距角分别与推力系数和功率系数的关联关系；
风电场建模和优化框架搭建模块2，将每台风电机的局域规模半径和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及所有风电机的局域规模半径可行取值范围作为搜索域，再结合海上风电场风速风向测量数据、风电机排布位置信息、风电机桨距角与推力系数的关联关系、风电机桨距角与功率系数的关联关系，建立风电场尾流模型、产能模型及疲劳载荷模型；
内层优化模块3，用于应用粒子群算法在所述搜索域内对所有风电机的桨距角和局域规模半径进行内层优化，获得初步风电场调度方案，其中所述适应度函数由自适应局域疲劳载荷均衡指标和风电场产能指标组成，由风电场尾流模型、产能模型及疲劳载荷模型计算得到；
外层优化模块4，用于根据所述初步风电场调度方案，通过更新每台风电机的自适应权重，进一步优化风电场疲劳载荷分布情况，获得局域疲劳载荷均衡的海上风电场调度方案，完成外层优化，并返回内层优化模块。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的海上风电场自适应局域疲劳载荷均衡调度方法。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述的海上风电场自适应局域疲劳载荷均衡调度方法。
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (8)

1.一种海上风电场自适应局域疲劳载荷均衡调度方法，其特征在于，包括：
S1：获取海上风电场风速风向测量数据和风电机排布位置信息，再获取风电机桨距角分别与推力系数和功率系数的关联关系；
S2：将每台风电机的局域规模半径和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及所有风电机的局域规模半径可行取值范围作为搜索域，再结合海上风电场风速风向测量数据、风电机排布位置信息、风电机桨距角与推力系数的关联关系、风电机桨距角与功率系数的关联关系，建立风电场尾流模型、产能模型及疲劳载荷模型；
S3：应用粒子群算法在所述搜索域内对所有风电机的桨距角和局域规模半径进行内层优化，获得初步风电场调度方案，所述粒子群算法中的适应度函数由自适应局域疲劳载荷均衡指标和风电场产能指标组成，由风电场尾流模型、产能模型及疲劳载荷模型计算得到；
S4：根据所述初步风电场调度方案，通过更新每台风电机的自适应权重，进一步优化风电场疲劳载荷分布情况，获得局域疲劳载荷均衡的海上风电场调度方案，完成外层优化，并返回S3；
其中根据所述初步风电场调度方案，通过更新每台风电机的自适应权重，进一步优化风电场疲劳载荷分布情况，获得局域疲劳载荷均衡的海上风电场调度方案，完成外层优化，包括：
S41：根据所述初步风电场调度方案，得到风电场的产能水平和疲劳载荷分布，进一步引入疲劳载荷分布中离群风电机数目和离群风电机的相对偏差，根据最优调度方案更新条件，判断最优调度方案是否更新，若更新，则初始化最优解保持次数，进行S43，否则进行S42；
S42：根据整个流程设定的终止条件，判断整个流程的优化进程是否停止，若是，则将所述初步风电场调度方案作为优化后的风电场调度方案，完成风电场功率调度优化，否则更新最优解保持次数，并进行S43；
S43：根据离群风电机的相对偏差，动态更新每台风电机的自适应权重，进而动态更新自适应局域疲劳载荷均衡指标对应的适应度函数，完成外层优化，并返回S3；
其中根据离群风电机的相对偏差，动态更新每台风电机的自适应权重，进而动态更新自适应局域疲劳载荷均衡指标对应的适应度函数，进行外层优化，包括：
根据离群风电机的相对偏差，更新每台风电机的自适应权重/>，所述自适应权重/>的计算公式如下：
；
其中：为第t次动态更新后第i台风电机的自适应权重，/>为更新步长，/>为自适应权重更新中的过程变量，/>为二元变量，/>表征第i台风电机为离群风电机；对其进行归一化，以保证适应度函数值上的可比较性，得到更新后每台风电机的自适应权重，计算公式为：
；
根据更新后的自适应权重，返回S3，并代入自适应局域疲劳载荷均衡指标对应的适应度函数中，进行所述的适应度函数更新，完成外层优化。
2.根据权利要求1所述的方法，其特征在于，应用粒子群算法在所述搜索域内对所有风电机的桨距角和局域规模半径进行内层优化，获得初步风电场调度方案，所述粒子群算法中的适应度函数由自适应局域疲劳载荷均衡指标和风电场产能指标组成，由风电场尾流模型、产能模型及疲劳载荷模型计算得到，包括：
S31：应用粒子群算法在所述搜索域内对所有风电机的桨距角和局域规模半径进行内层优化，所述粒子群算法中的适应度函数由自适应局域疲劳载荷均衡指标和风电场产能指标组成，由风电场尾流模型、产能模型及疲劳载荷模型计算得到，并进行S32；
S32：根据内层优化最大迭代次数或设定收敛条件，判断粒子群算法优化是否停止，若是，则将全局最优解即适应度最小对应的个体解码，输出初步风电场调度方案，进行S4，否则进行S33；
S33：进行粒子群算法内的速度更新和位置更新，继续内层优化，并返回S31。
3.根据权利要求2所述的方法，其特征在于，所述适应度函数fitness的计算公式为：
；
其中：是风电场产能指标对应的适应度值；/>是自适应局域疲劳载荷均衡指标对应的适应度值；/>是风电场产能水平，/>，/>为第/>台风电机功率输出；N是风电场风电机总台数；对第i台风电机，其形成的局域是以该风电机为圆心，/>为局域规模半径的圆形区域，/>是自适应权重，/>是局域对应的局域疲劳载荷均衡性指标，所述局域对应的局域疲劳载荷均衡性指标/>的表达式为：
；
其中：对第i台风电机，是该风电机形成的局域内的风电机数目，/>是该风电机形成的局域内的风电机组疲劳载荷均值，/>是属于该风电机局域内的第j台风电机的疲劳载荷，其中，/>，/>是该风电机的局域风电机密度权重，/>。
4.根据权利要求1所述的方法，其特征在于，所述疲劳载荷分布中离群风电机数目和所述离群风电机的相对偏差/>的计算公式分别为：
；
；
其中：为二元变量，/>表征第i台风电机为离群风电机，/>为离群风电机的偏差阈值，/>为第i台风电机的疲劳载荷与其形成的局域内的疲劳载荷均值的相对偏差，其表达式为：
；
其中：为第i台风电机的疲劳载荷，/>是第i台风电机形成的局域内的风电机组疲劳载荷均值。
5.根据权利要求1或4所述的方法，其特征在于，根据最优调度方案更新条件，判断最优调度方案是否更新，包括：
根据产能水平和离群风电机数目两个指标，将初步风电场调度方案与历史记录的当前最优调度方案进行非支配排序，若初步风电场调度方案支配当前最优调度方案，即且/>，则更新最优调度方案，并初始化最优解保持次数，即/>；
其中：是风电场产能水平，/>，/>为第/>台风电机功率输出；/>和分别是当前最优调度方案对应的产能水平和离群风电机数目。
6.根据权利要求1所述的方法，其特征在于，根据整个流程设定的终止条件，判断整个流程的优化进程是否停止，包括：
根据整个流程设定的终止条件，即，判断整个流程的优化进程是否停止，若是，则将该调度方案作为优化后的风电场调度方案，完成风电场功率调度优化，否则，其中/>为最优解保持次数，/>为最优解最大保持次数。
7.一种海上风电场自适应局域疲劳载荷均衡调度装置，其特征在于，包括：
获取模块，用于获取海上风电场风速风向测量数据和风电机排布位置信息，再获取风电机桨距角分别与推力系数和功率系数的关联关系；
风电场建模和优化框架搭建模块，将每台风电机的局域规模半径和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及所有风电机的局域规模半径可行取值范围作为搜索域，再结合海上风电场风速风向测量数据、风电机排布位置信息、风电机桨距角与推力系数的关联关系、风电机桨距角与功率系数的关联关系，建立风电场尾流模型、产能模型及疲劳载荷模型；
内层优化模块，用于应用粒子群算法在所述搜索域内对所有风电机的桨距角和局域规模半径进行内层优化，获得初步风电场调度方案，所述粒子群算法中的适应度函数由自适应局域疲劳载荷均衡指标和风电场产能指标组成，由风电场尾流模型、产能模型及疲劳载荷模型计算得到；
外层优化模块，用于根据所述初步风电场调度方案，通过更新每台风电机的自适应权重，进一步优化风电场疲劳载荷分布情况，获得局域疲劳载荷均衡的海上风电场调度方案，完成外层优化，并返回内层优化模块；
其中根据所述初步风电场调度方案，通过更新每台风电机的自适应权重，进一步优化风电场疲劳载荷分布情况，获得局域疲劳载荷均衡的海上风电场调度方案，完成外层优化，包括：
S41：根据所述初步风电场调度方案，得到风电场的产能水平和疲劳载荷分布，进一步引入疲劳载荷分布中离群风电机数目和离群风电机的相对偏差，根据最优调度方案更新条件，判断最优调度方案是否更新，若更新，则初始化最优解保持次数，进行S43，否则进行S42；
S42：根据整个流程设定的终止条件，判断整个流程的优化进程是否停止，若是，则将所述初步风电场调度方案作为优化后的风电场调度方案，完成风电场功率调度优化，否则更新最优解保持次数，并进行S43；
S43：根据离群风电机的相对偏差，动态更新每台风电机的自适应权重，进而动态更新自适应局域疲劳载荷均衡指标对应的适应度函数，完成外层优化，并返回S3；
其中根据离群风电机的相对偏差，动态更新每台风电机的自适应权重，进而动态更新自适应局域疲劳载荷均衡指标对应的适应度函数，进行外层优化，包括：
根据离群风电机的相对偏差，更新每台风电机的自适应权重/>，所述自适应权重/>的计算公式如下：
；
其中：为第t次动态更新后第i台风电机的自适应权重，/>为更新步长，/>为自适应权重更新中的过程变量，/>为二元变量，/>表征第i台风电机为离群风电机；对其进行归一化，以保证适应度函数值上的可比较性，得到更新后每台风电机的自适应权重，计算公式为：
；
根据更新后的自适应权重，返回S3，并代入自适应局域疲劳载荷均衡指标对应的适应度函数中，进行所述的适应度函数更新，完成外层优化。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6任一项所述的方法。
CN202310943558.2A 2023-07-31 2023-07-31 海上风电场自适应局域疲劳载荷均衡调度方法及装置 Active CN116667344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310943558.2A CN116667344B (zh) 2023-07-31 2023-07-31 海上风电场自适应局域疲劳载荷均衡调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310943558.2A CN116667344B (zh) 2023-07-31 2023-07-31 海上风电场自适应局域疲劳载荷均衡调度方法及装置

Publications (2)

Publication Number Publication Date
CN116667344A CN116667344A (zh) 2023-08-29
CN116667344B true CN116667344B (zh) 2023-10-10

Family

ID=87715662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310943558.2A Active CN116667344B (zh) 2023-07-31 2023-07-31 海上风电场自适应局域疲劳载荷均衡调度方法及装置

Country Status (1)

Country Link
CN (1) CN116667344B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102664423A (zh) * 2012-05-30 2012-09-12 山东大学 基于粒子群算法的风电场储能容量控制方法
CN108533454A (zh) * 2018-04-17 2018-09-14 中南大学 有功输出调节下的风电场机组疲劳均匀分布的优化控制方法
CN110535174A (zh) * 2019-07-23 2019-12-03 电子科技大学 一种考虑风电场疲劳载荷分布和产能的有功功率控制方法
CN110676872A (zh) * 2019-09-05 2020-01-10 沈阳工业大学 考虑机组疲劳载荷的风电场有功功率分配方法
CN111287911A (zh) * 2019-11-29 2020-06-16 中国电力科学研究院有限公司 一种风电机组疲劳载荷的预警方法和系统
CN111404203A (zh) * 2020-04-10 2020-07-10 湘电风能有限公司 一种基于鲸鱼群算法的风电场有功功率调度方法
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
CN112990674A (zh) * 2021-03-01 2021-06-18 哈尔滨工程大学 一种海上浮式风电场多目标运行调度方法
CN113410872A (zh) * 2021-05-13 2021-09-17 国网辽宁省电力有限公司阜新供电公司 一种风电场内机组间的功率优化分配算法
CN113869771A (zh) * 2021-10-12 2021-12-31 浙江大学 基于局域疲劳载荷均衡的海上风电场功率调度方法
CN114186407A (zh) * 2021-12-06 2022-03-15 华北水利水电大学 一种参数可自适应调整的风电场尾流速度场计算方法及系统
CN114665519A (zh) * 2021-12-15 2022-06-24 河海大学 一种基于分层模型的风电场集群有功功率协调控制方法
CN115333168A (zh) * 2022-09-20 2022-11-11 浙江大学 一种基于分布式滚动优化的海上风电场场级控制策略
CN115833274A (zh) * 2022-12-30 2023-03-21 东南大学 一种考虑机组历史疲劳载荷的风电场调频功率分配方法
WO2023087520A1 (zh) * 2021-11-19 2023-05-25 中国华能集团清洁能源技术研究院有限公司 一种基于局部搜索策略的风电场布局优化方法及系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102664423A (zh) * 2012-05-30 2012-09-12 山东大学 基于粒子群算法的风电场储能容量控制方法
CN108533454A (zh) * 2018-04-17 2018-09-14 中南大学 有功输出调节下的风电场机组疲劳均匀分布的优化控制方法
CN110535174A (zh) * 2019-07-23 2019-12-03 电子科技大学 一种考虑风电场疲劳载荷分布和产能的有功功率控制方法
CN110676872A (zh) * 2019-09-05 2020-01-10 沈阳工业大学 考虑机组疲劳载荷的风电场有功功率分配方法
CN111287911A (zh) * 2019-11-29 2020-06-16 中国电力科学研究院有限公司 一种风电机组疲劳载荷的预警方法和系统
CN111404203A (zh) * 2020-04-10 2020-07-10 湘电风能有限公司 一种基于鲸鱼群算法的风电场有功功率调度方法
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
CN112990674A (zh) * 2021-03-01 2021-06-18 哈尔滨工程大学 一种海上浮式风电场多目标运行调度方法
CN113410872A (zh) * 2021-05-13 2021-09-17 国网辽宁省电力有限公司阜新供电公司 一种风电场内机组间的功率优化分配算法
CN113869771A (zh) * 2021-10-12 2021-12-31 浙江大学 基于局域疲劳载荷均衡的海上风电场功率调度方法
WO2023087520A1 (zh) * 2021-11-19 2023-05-25 中国华能集团清洁能源技术研究院有限公司 一种基于局部搜索策略的风电场布局优化方法及系统
CN114186407A (zh) * 2021-12-06 2022-03-15 华北水利水电大学 一种参数可自适应调整的风电场尾流速度场计算方法及系统
CN114665519A (zh) * 2021-12-15 2022-06-24 河海大学 一种基于分层模型的风电场集群有功功率协调控制方法
CN115333168A (zh) * 2022-09-20 2022-11-11 浙江大学 一种基于分布式滚动优化的海上风电场场级控制策略
CN115833274A (zh) * 2022-12-30 2023-03-21 东南大学 一种考虑机组历史疲劳载荷的风电场调频功率分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Optimized Power Dispatch for Regional Fatigue Balancing in Offshore Wind Farms;Kunwei Lin等;IEEE;全文 *
考虑机组疲劳载荷的风电集群有功功率分配方法;刘颖明等;《沈阳工业大学电气工程学院》;全文 *

Also Published As

Publication number Publication date
CN116667344A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN104978608B (zh) 一种风电功率预测装置及预测方法
CN108471143A (zh) 基于正负反馈粒子群算法的微电网多能源调度优化方法
CN109670213B (zh) 一种风电场多机等值建模方法及装置
CN103390116A (zh) 采用分步方式的光伏电站发电功率预测方法
CN106953363A (zh) 一种风电场限功率运行状态下电网旋转备用优化配置方法
CN104734175A (zh) 一种实现风电机组风速功率曲线的智能修正方法
CN109376426B (zh) 一种风电并网功率调度方法及装置
CN112491043A (zh) 一种新能源富集电网电源规划方法及系统
CN108198091A (zh) 一种基于改进粒子群算法的风电系统无功优化方法
CN108258725B (zh) 一种基于等效功角同调的双馈风电机动态等值方法
CN116667344B (zh) 海上风电场自适应局域疲劳载荷均衡调度方法及装置
CN109256814A (zh) 一种风电机组功率曲线的智能修正方法
Hu et al. A Dynamic Programming based method for optimizing power system restoration with high wind power penetration
Khan et al. On the use of unified and-or fuzzy aggregation operator for multi-criteria decision making in wind farm design process using wind turbines in 500 kW–750 kW range
Hendrawati et al. Turbine wind placement with staggered layout as a strategy to maximize annual energy production in onshore wind farms
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
CN105896590A (zh) 一种考虑清洁能源的发电优化方法
CN110571794A (zh) 一种适用于双馈风机风电场的暂态模型等值计算方法
CN113644669B (zh) 一种基于储能容量利用率的储能容量配置方法及系统
CN110858715A (zh) 基于风电随机性和相关性的风电穿透功率极限分析方法
Zhang et al. Dynamic equivalence modeling method for offshore PMSG wind farms based on improved RK clustering algorithm
CN109687445A (zh) 配电网对异步风机接纳能力的评估方法、系统及终端设备
Sathpathy et al. Hyper Spherical Search (HSS) algorithm based optimization and real-time stability study of Tidal energy conversion system
CN114709836B (zh) 基于ag-mopso的含风电配电网无功优化方法
CN117318553B (zh) 基于td3和维也纳整流器的低风速永磁直驱风电机组控制方法

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