CN117421917B - 基于多变量系统辨识的风电场发电量优化方法 - Google Patents
基于多变量系统辨识的风电场发电量优化方法 Download PDFInfo
- Publication number
- CN117421917B CN117421917B CN202311448763.8A CN202311448763A CN117421917B CN 117421917 B CN117421917 B CN 117421917B CN 202311448763 A CN202311448763 A CN 202311448763A CN 117421917 B CN117421917 B CN 117421917B
- Authority
- CN
- China
- Prior art keywords
- wind
- optimization
- model
- optimizing
- iteration
- 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 131
- 238000000034 method Methods 0.000 title claims abstract description 119
- 230000006698 induction Effects 0.000 claims description 61
- 238000010248 power generation Methods 0.000 claims description 40
- 238000002474 experimental method Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 14
- 238000005192 partition Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 5
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 14
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于多变量系统辨识的风电场发电量优化方法，本发明通过优化调整每台风电机组的偏航角和轴感应因子以减少风机尾流效应造成的能量损失，使风电场整体发电功率最大。本发明使用实验数据和辨识模型得到精确的寻优梯度估计值，进行迭代优化，避免机理建模的模型误差和计算成本高的困难，方法易于实现、建模效率高，适用于解决大规模真实风电场的发电量优化问题。
Description
技术领域
本发明属于风力发电自动控制和运行优化领域，涉及一种基于多变量系统辨识的风电场发电量优化方法。
背景技术
风电场的风力发电机组是风电场中将空气中的风能转换为电能的发电装置。上游风机运转时会从风中提取能量并转化为电能，同时也会在其后方形成一个气流尾流区，风机叶片提取了部分风能，因此尾流中的风速会比初始风速要低；同时，由于转子叶片运动引起的湍流，尾流中的湍流强度也会增加。该现象简称尾流效应，它的存在降低后面风机的性能和输出功率。
工业界和学术界为了降低尾流效应的影响，提高风电场的整体发电量，做了大量研究和试验，提出了多种方法，部分文献见文献[1],[2],[3],[4],[5],[6],[7],[8]。文献[5]指出，对于不同的风向和风速，通过尾流优化可提高风电场年发电量1.86％至6.24％；文献[6]通过对一海上风电场案例的仿真研究，显示尾流优化可提高风电场年发电量4％以上。现有的研究工作提出了两种主要的降低尾流效应以提高风电场整体发电量的方法，第一种是对风机偏航角引入一个非零偏角以降低其尾流效应；第二种是降低风机轴感应因子(降低风机发电量)以降低其尾流效应，改变风机轴感应因子是由调节风机桨叶角或者发电机力矩实现的。
当前研究风电场优化的技术路线主要是基于机理的动力学模型建模，如CFD(computational fluid dynamics)方法，见文献[2],[3],[4],[5],[6]。然而，对一给定风电场，应用基于机理模型的尾流优化方法有多个困难：(1)建模成本高，(2)模型精度低，(3)计算成本高。虽然有一些无模型的风场优化方法，见文献[7],[8]，但这些方法假设条件太强，不符合真实风电场的情况。因此，现有的风电场大都没有使用整体发电量优化技术，运行中只考虑单个机组无尾流效应条件的最大发电方式，即每台风机偏航角为0°；每台风机的轴感应因子设为最大值(约为0.33)。这种设置叫贪婪运行方法。但单个风电机无尾流发电量最大不能使风电场的整体发电量最大。为了提高风电场的整体发电量，提供一种应用性强，可现场实施的风电场发电量优化(尾流优化)方法是亟需解决的技术难题。
[1]Steinbuch,M.,Boer,W.D.,Bosgra,O.,1988.Optimal control of windpower plants.Journal of Wind Engineering and Industrial Aerodynamics,Vol.27,pp.237–246.
[2]Ali C.Kheirabadi,Ryozo Nagamune(2019).A quantitative review ofwind farm control with the objective of wind farm power maximization.Journalof Wind Engineering&Industrial Aerodynamics,Vol.192,pp.45-73.
[3]L.A.Martínez-Tossas,J.Annoni,P.A.Fleming,M.J.Churchfield(2019).Theaerodynamics of the curled wake:a simplified model in view of flowcontrol.Wind Energy Science,Vol.4,pp.127–138.
[4]Walid Husien,Wedad El-Osta,Elhadi Dekam(2013).Effect of the wakebehind wind rotor on optimum energy output of wind farms.Renewable Energy,Vol.49,pp.128-132.
[5]M.De-Prada-Gil,C.G.Alías,O.Gomis-Bellmunt,A.Sumper(2015).Maximumwind power plant generation by reducing the wake effect.Energy Conversion andManagement,Vol.101,pp.73-84.
[6]P.Gebraad,J.J.Thomas,A.Ning,P.Fleming,K.Dykes(2016).Maximizationof the annual energy production of wind power plants by optimization oflayout and yaw-based wake control.Wind Energy,2016,Vol.20,pp.97-107.
[7]Marden JR,Ruben SD,Pao LY.A model-free approach to wind farmcontrol using game theoretic methods.IEEE Transactions on Control SystemsTechnology 2013；Vol.21,pp.1207–1214.
[8]Gebraad,P.M.,van Wingerden,J.W.,2015.Maximum power-point trackingcontrol for wind farms.Wind Energy Vol.18,pp.429–447.
[9]Y.Zhu(2001).Multivariable System Identification for ProcessControl,Elsevier,Oxford.
发明内容
为减少风机之间因尾流效应产生的相互干扰和功率损失，提高风能利用效率，从而提高风电场的整体功率输出，本发明提供一种基于多变量系统辨识的风电场发电量优化方法。
本发明的目的是通过以下技术方案实现的：一种基于多变量系统辨识的风电场发电量优化方法，该方法包括：
将风电场每台风电机组的偏航角和轴感应因子作为优化变量，以风电场总发电功率作为目标函数，构造出优化模型；
对每台风电机组的偏航角和轴感应因子设定值施加激励信号，收集实验数据，使用系统辨识方法获得优化模型的动态线性模型，以动态线性模型中每台风电机组的偏航角和轴感应因子与总发电功率之间的模型增益为寻优梯度，使用梯度上升法进行寻优迭代，优化调整风电机组的偏航角和轴感应因子。
进一步地，将风速和风向作为可测干扰变量，所述优化模型的输入为优化变量和可测干扰变量，输出为风电场总发电功率。
进一步地，所述优化模型为动态非线性函数Pout(t)＝f(θ,υ,β,t)，其中为优化向量，γ为风电机组偏航角向量，a为风电机组轴感应因子向量，υ为风场风速，β为风场风向角，t为采样时间；
对动态非线性函数在当前工作点θ*上进行线性近似：
其中是一个常数，其值为当前工作点θ*上风电场总发电功率；Pout(t)是t时刻当前工作点θ*附近的风电场总发电功率；G(q-1,θ*)是Pout(t)的当前工作点θ*的动态线性模型，q-1为单位时延算子，v(t)为系统不可测随机干扰；
Pout(t)与θ(t)之间在工作点θ*的梯度为动态线性模型G(q-1,θ*)的静态增益，即：
采用梯度上升法，通过迭代优化得到局部最优点。
进一步地，所述寻优迭代的初始步长确定方法具体为：将风电机组分布区域按来风方向从前至后分为多排区域，各区域的偏航角初始步长依次减小，轴感应因子初始步长相同。
进一步地，所述寻优迭代采用变步长迭代，具体为：在某次迭代过程中，如果某台风电机组偏航角或轴感应因子梯度符号改变，则减小其迭代步长。
进一步地，使用系统辨识方法获得动态线性模型与寻优梯度，具体为：
(1)辨识实验：向所有优化变量同时施加独立随机的激励信号；
(2)模型辨识：采集施加激励信号的优化变量、可测干扰变量以及风电场发电量数据，采用如下方法辨识：
对动态线性模型参数化如下：
其中A(q-1),B1(q-1),B2(q-1),...B2n+1(q-1),C(q-1),D(q-1)为q-1的多项式，其系数未知待定，e(t)为未知的均值为零的白噪声信号；
对式(3)中各多项式未知系数通过最小化如下损失函数V确定：
其中N为数据采样数；
(3)模型增益误差估计：根据渐近辨识法计算出每个模型频率相应的误差上界，频率为0时模型的频率响应是模型的增益，从而得到模型增益的误差上界，即梯度的误差上界，用于判断迭代终止。
进一步地，所述寻优迭代的终止方法具体为：当某台风电机组偏航角或轴感应因子梯度值小于误差上界，暂停其迭代，后续迭代中当偏航角或轴感应因子梯度值大于误差上界时，重新开始迭代；当所有风电机组偏航角或轴感应因子梯度值小于误差上界时，优化迭代终止。
进一步地，将风向角范围和风速范围分别划分为若干分区，并确定分区中心点；对实验数据按照分区进行数据切片，对每个分区的实验数据分别进行模型辨识；得到实验数据中包含的所有分区的模型后，使用模型中的梯度信息进行本次优化迭代；重复辨识实验、模型辨识和优化迭代，直至优化迭代终止。
进一步地，将每台风电机组所有分区的最优偏航角和轴感应因子组成优化表；优化运行时，优化表的使用方式有两种：在每个分区使用该分区的最优偏航角和轴感应因子，或者，对给定风向角和风速值，按其到两个分区中心点的距离，使用两个分区最优偏航角和轴感应因子的线性插值。
进一步地，为了减少优化变量，简化优化问题，可对风电场风电机组进行分组优化，具体为：对某一风向，将与该风向垂直的每排风电机组选为一个风机分组，将每一分组所有风电机组的偏航角作为一个优化变量，将所有风电机组的轴感应因子作为一个优化变量，一起调整；将最后一排的风电机组设置为贪婪运行方式，这些风电机组不参加风电场发电量优化。
本发明的有益效果是：本发明采用一种基于多变量系统辨识的在线优化方法优化风电场发电量，通过优化调整每台风电机组的偏航角和轴感应因子以减少风机尾流效应造成的能量损失，使风电场整体发电功率最大。本发明使用实验数据和辨识模型得到精确的寻优梯度估计值，进行迭代优化，避免机理建模的模型误差和计算成本高的困难，方法易于实现、建模效率高，适用于解决大规模真实风电场的发电量优化(尾流优化)问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为基于梯度上升方法的风电场整体发电量优化示意图；
图2为4个幅值为1的独立GBN激励信号；
图3为本发明的优化步骤流程图；
图4为7×5风电场风机阵列示意图；
图5为正西风下风机偏航角优化结果，红色是本方法结果，黑色是FLORIS结果；
图6为正南风下风机偏航角优化结果，红色是本方法结果，黑色是FLORIS结果；
图7为西南风下风机偏航角优化结果，红色是本方法结果，黑色是FLORIS结果。
具体实施方式
为了更好的理解本申请的技术方案，下面结合附图对本申请实施例进行详细描述。
应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请实施例中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。在本申请实施例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。
本发明提供一种基于多变量系统辨识的风电场发电量优化方法，对一给定风电场风机阵列，该方法通过迭代优化调整风机偏航角和风机轴感应因子，以使风电场总发电功率最大，每次优化迭代中所需梯度使用系统辨识方法得到，优化过程不需要风场机理模型，操作简单可行，精度高且适应性强，从而解决风电场尾流优化的难题。
具体地，本发明将风电场每台风电机组的偏航角(yaw angle，风机机舱轴线角度)和轴感应因子(axial induction factor)作为优化变量(也叫决策变量)，以风电场风电机组总发电功率作为目标函数，构造出优化的输入输出模型。为了提高模型精度，将风速和风向作为可测干扰变量。模型的输入为优化变量和可测干扰变量，模型的输出为风电场整体发电功率，即优化目标函数；通过对每台风电机组的偏航角和轴感应因子设定值施加小幅度的激励信号，记录系统的输入输出数据，利用收集的实验数据(在激励信号施加时间段的输入输出数据)，使用系统辨识方法获得优化模型的动态线性模型，以该动态线性模型中每台风电机组的偏航角和轴感应因子与总发电功率之间的模型增益为寻优梯度，使用梯度上升法进行寻优迭代。针对风电场的特殊应用场景，本发明提出了优化迭代的初始步长确定方法、变步长迭代方法、迭代终止方法；提出了简化优化问题的优化变量分组法；还提出了模型辨识中处理实验数据的分区方法和相应的实验数据切片方法。本发明的优化迭代不需要风电场的机理模型，现场可实施性强。
这里，区域内风电机组总发电量是每台风机偏航角、风机轴感应因子、风速和风向的未知动态非线性函数，形式如下：
Pout(t)＝f(γ,a,β,υ,t) (1)
其中Pout为区域内风电机组总发电量，γ＝[γ1,γ2,...γn]T为风电场风电机组偏航角向量，a＝[a1,a2,...an]T为风电场风电机组轴感应因子向量，υ为风场风速，β为风场风向角，t为采样时间，n为风电场风电机组数，上标T表示矩阵及向量转置；以地理坐标正北为0°，顺时针为正；这里输入变量个数为2n+2；每台风电机组的偏航角γi和轴感应因子ai是优化变量；风场风速υ和风向角β为可测干扰变量。注意，这里非线性函数(1)是未知的，本发明不需要使用该函数，在此处引用该函数是为了解释方法的原理。本发明是完全数据驱动的无风场机理模型实现方法。
构建风电场风电机组偏航角和轴感应因子优化(尾流优化)命题如下：
其中和γ表示风电机组偏航角的上下界向量，/>和a表示风电机组轴感应因子的上下界向量。
为了简化表达式，将两个优化向量γ和a合并为一个优化向量优化函数可以写成Pout(t)＝f(θ,υ,β,t)，优化命题(2)可以写成：
由于非线性函数Pout(t)＝f(θ,υ,β,t)未知，在实际应用中，采用机理模型如计算流体力学CFD建模离散后求解困难，更严重的问题是机理模型误差大。
本发明采用梯度上升法寻优，对于动态非线性函数Pout(t)＝f(θ,υ,β,t)，在当前工作点θ*上进行线性近似：
其中是一个常数，其值为当前工作点θ*上风电场风电机组总发电功率；Pout(t)是t时刻当前工作点θ*附近的风电场风电机组总发电功率；G(q-1,θ*)是Pout(t)的当前工作点θ*的动态线性模型，q-1为单位时延算子，v(t)为系统不可测随机干扰。
由终值定理可知，Pout(t)与θ(t)之间在工作点θ*的梯度为动态线性模型G(q-1,θ*)的静态增益，即：
由此可知，虽然Pout(t)＝f(θ,υ,β,t)函数未知，若能够以某种方式获得该工作点的动态线性模型进而获得梯度，使用梯度上升法，通过迭代优化可达到一个局部最优点。梯度上升法应用过程如图1所示，图中显示一台风电机组偏航角的优化迭代。在第k次迭代，获取θk工作点梯度后，θk+1工作点由下式确定：
其中λ(k)是步长向量，其元素是每台风机偏航角和轴感应因子迭代步长的绝对值，将步长表示为迭代次数k的函数，表明将使用变步长迭代，是优化函数梯度向量的符号向量，元素为+1和-1，表示对应的风机偏航角或轴感应因子梯度为正(+1)或为负(-1)。
优化迭代的收敛速度取决于迭代步长的选取策略。本实施例中，针对风电场的应用场景，给出初始步长确定方法和变步长迭代方法，但不限于此。
初始步长确定方法具体为：使用大的初始步长，可以降低优化迭代次数，提高收敛速度。对一给定风机，最优偏航角越大，初始步长也应越大；最优偏航角小，初始步长也应较小。基于文献研究，最优风机偏航角的分布是：从来风方向看，前排区域最优偏航角最大，典型值为30°；中排区域趋中，典型值为20°；后排区域趋小，典型值为10°。基于此观察，对偏航角初始步长的选择，三个区域使用三个不同初始步长为：前排区域，4.0°-10.0°；中排区域，3.0°-7.0°；后排区域1.3°-4.0°。对于轴感应因子初始步长的选择，没有从文献中发现三个区域的最优设置的规律，因此三个区域使用相同的初始步长：0.03-0.07。
变步长迭代方法具体为：当风机偏航角接近最优值的时候，如果初始迭代步长过大，会引起偏航角在最优值两边来回跳动，优化不收敛。这时需要减小步长。这里给出一个变步长方案：在第k次迭代，如果某台风机偏航角或轴感应因子梯度符号改变，则将其迭代步长除以一个大于1的数p，p取值范围为1.5-4.0。
优化迭代终止方法将在后面介绍。
这里，将使用多变量系统辨识方法获得动态线性化模型G(q-1,θ*)与寻优梯度G(1,θ*)T。下面给出针对风电场尾流优化的多变量系统辨识方法。
系统辨识第一步：辨识实验。向所有风电机组偏航角和轴感应因子同时加入激励信号，激励信号使用GBN(广义二进制噪声)信号，见[9]第3章，每个优化变量均需要施加独立随机GBN激励信号，多个优化变量的独立随机GBN信号模式如图2所示；GBN信号中间值为0，是相对于0值的对称信号；GBN信号有两个重要参数：信号幅值和平均切换时间。辨识实验中，风机偏航角信号幅值范围为1-5°，风机轴感应因子信号幅值范围为0.01-0.04，平均切换时间范围为5-30分钟；辨识实验时间范围为48-140小时；数据采样时间范围为5-60秒。
系统辨识第二步：模型辨识。采集加激励信号的风电机组偏航角和轴感应因子、风向、风速、风电场发电量数据，采用如下方法辨识：
对式(4)中系统在工作点θ*的动态线性模型参数化如下：
其中：A(q-1),B1(q-1),B2(q-1),...B2n+1(q-1),C(q-1),D(q-1)为q-1的多项式，其系数未知待定，e(t)为未知的均值为零的白噪声信号；
对式(7)中各多项式未知系数通过最小化如下损失函数V确定：
其中N为数据采样数。由式(7)-(8)构成的模型辨识问题称为预测误差方法，详情可参考[9]第5章；该辨识问题也可用渐近辨识法解决，见[9]第6-7章。
系统辨识第三步：模型增益误差估计。系统辨识模型是有误差的。根据渐近辨识法[5]，计算出每个模型频率相应的误差上界。用表示第j个输入uj(t)的真实模型(无误差，未知)，/>表示第j个输入uj(t)的系统辨识模型(有误差，已知)，m表示模型阶次，Φv(ω)表示不可测干扰v(t)的功率谱，Φj(ω)表示第j个输入uj(t)的功率谱，ω是频率，则有(见[9]第7章)：
因为ω＝0时模型频率响应是模型的增益，所以模型增益的误差上界由下式给出：
注意，优化中每次迭代需要一次辨识实验和模型辨识。
优化迭代终止方法具体为：该模型增益误差上界就是梯度的误差上界。当风机偏航角接近最优值时，其梯度变小，相对误差变大，当梯度小于其误差上界时，梯度的正负号已经难于确定了，这时，就应该停止优化迭代。据此，给出迭代终止方法：
1.当某台风机偏航角或轴感应因子梯度值小于其误差上界(式(10))，暂停其迭代，既本次迭代不修改该风机偏航角；后续迭代中，当其偏航角或轴感应因子梯度值又大于其误差上界，重新开始迭代。
2.当所有风机偏航角或轴感应因子梯度值小于其误差上界(式(10))时，优化迭代终止。
因为每次迭代需要一次辨识实验，为了降低实验成本，限定最大迭代次数，例如将最大迭代次数限制在20次。
以上的步骤描述了某个给定风向和给定风速的风机偏航角优化方法。然而，真实风电场风向和风速会大范围变化，不可控制。所以要对不同风向和不同风速给出最优风机偏角。为了解决风向、风速全范围的风机偏航角优化问题，将风向角0-360°范围划分为24个15°的分区，表示为0.0±7.5°，15.0±7.5°，…，347.0±7.5°，这里，把0.0°，15.0°，…，347.0°叫作风向角分区中心点；将风速3-15m/s范围划分为4个3m/s的分区，表示为4.5±1.5m/s，7.5±1.5m/s，10.5±1.5m/s，13.5±1.5m/s，这里，把4.5m/s，7.5m/s，10.5m/s叫作风速分区中心点；风向角分区中心点和风速分区中心点的组合叫分区中心点。一般来说，风场一次辨识实验数据中会包含多个分区的数据。在模型辨识时，要对每一分区的数据分别辨识。具体的方法是将实验数据按前面的分区进行数据切片，使用同一分区的若干数据片进行模型辨识。得到实验数据中包含的所有分区的模型后，使用模型中的梯度信息进行本次优化迭代。重复辨识实验，模型辨识和优化迭代，直至优化迭代终止。
对某一给定风电场，当所有运行覆盖的分区都完成辨识实验、模型辨识和优化迭代后，得到每台风机在每个分区的最优偏航角和最优轴感应因子。将每台风机所有分区的最优风机偏航角和轴感应因子组成一个优化表，供在线优化时使用。优化运行时，每台风机使用其优化表的方式有两种：(1)在每个分区使用该分区的最优偏航角和轴感应因子，该方法简单，风机偏航角设置变动少；(2)对一给定风向角和风速值，按其到两个分区中心点的距离，使用两个分区最优偏航角和轴感应因子的线性插值，该方法更准确，但风机偏航角和轴感应因子设定值会连续变化。当风速小于3m/s和大于15m/s时，使用其临近边界分区的偏航角和轴感应因子的优化值。
在真实风电场风机偏航角优化实施过程中，需要在风电场数据中心或集控室向风电场内风电机组发出风机偏航角设定值指令，风电机组内如PLC控制设备接收风机偏航角设定值指令并执行。
本发明的优化方法中含有很多优化变量(决策变量)，其数量是风电机个数n的两倍2n。如果风电场有100台风电机，则有200个优化变量。优化变量太多会影响辨识模型的质量，进而影响优化的质量。因为GBN激励信号的幅值不能太大，优化变量数目多，每个变量占有的信息量就相对少。下面提出风机分组优化的方法，以降低优化变量个数。降低优化变量个数还可以提高优化收敛速度。假设对一风电场发电量优化后，优化结果具有风机分组现象，即风电场多个风机的风机偏航角和轴感应因子的最优值是一样的或非常接近。如果这些风机组的风机偏航角和轴感应因子各当作一个优化变量一起调整，会大大降低优化变量的个数。对一给定风电场，风机分组是跟风向相关的，对不同的风向有不同的分组。一种风机分组方法是，对某一风向，将与该风向垂直的每排风电机选为一个风机分组。比如，一风电场有100台风电机排成10x10的正方形，四个边正对东南西北。对于正西风，可将100台风电机分成面向西的10排即10个风机分组。这样优化变量个数从风机分组前的200个降到分组后的20个，会大大提高辨识模型的精度同时可缩短辨识实验时间降低实验成本，同时提高优化的收敛速度。
按照空气动力学原理，对一给定风向，风电机阵列最后一排的风电机的尾流不影响风电场总发电量，因此这些风电机应该设置为贪婪运行方式，即偏航角为0°，轴感应因子为0.33；同时这些最后排风机不参加风电场发电量优化，从而进一步简化了优化问题。注意，对不同风向，“最后排”风机是不同的。
在本方法现场实施时，为了降低实施成本，简化优化问题，可将风电机的轴感应因子固定在0.33的贪婪运行方式，只进行偏航角优化。反之，也可将风电机的偏航角固定在0°的贪婪运行方式，只进行轴感应因子优化。因此，本方法包含只调节风机偏航角的风电场发电量优化方法；也包含只调节风机轴感应因子的风电场发电量优化方法。
综上，本发明完整步骤流程如图3所示。
为了协助理解本发明的目的、特征和优点，下面使用一机理模型仿真系统对本发明的具体实施方式给出说明及演示。
所用机理模型FLORIS(https://www.nrel.gov/wind/floris.html)是由美国国家可再生能源实验室(NREL，National Renewable Energy Laboratory)开发的一种用于模拟和优化风电场性能的工具。FLORIS是静态机理模型，能够模拟计算不同环境条件下的风电机组相互影响和整体风电场性能。借助FLORIS，研发人员可以通过模拟实际风场的条件研究风电机组布局和运行优化。在本实例中，采用FLORIS模型仿真数据作为实际风电场的测量数据替代，采用本方法提出的优化方法对风机偏航角进行优化。优化结果首先与默认的0°偏航角结果进行比较，然后与FLORIS模型自带的优化方法的结果进行比较。
对于如图4所示的一个7×5的风电机组阵列，风机的直径D＝164米，相邻风机之间的间距为7D。优化过程中，选择35台风机(F(1,1)-F(7,5)的总发电功率作为目标函数，优化变量为35台风机的偏航角；轴感应因子固定不变。为了使仿真优化更真实，引入风速变化，范围为6.5m/s～9.5m/s；同时，在发电功率上施加了相对于初始偏航角为0时风场总功率标准差10％的不可测干扰，扰动信号的表达式为：
其中e(t)表示均值为0，标准差为1的高斯白噪声信号，输出端扰动信号vpower(t)由对e(t)低通滤波得到，并调整其标准差等于初始偏航角为0时风场总功率标准差的10％。
为简化演示过程，风机轴感应因子固定不变，对3个固定风向的风机偏航角进行优化。本实例共仿真三种工况，分别是正西风、正南风和西南风。
1.向35台风机偏航角设定值中加入独立的GBN激励信号，如图2所示，每一次迭代所用辨识实验时间为500个采样点；由于使用的是静态模型，采样时间无关紧要；激励信号的幅值为2°；
2.收集实验数据，实验结束后，对输入输出数据进行减均值、废值剔除等预处理，然后采用系统辨识方法辨识线性模型，模型增益即为优化迭代梯度。如果迭代终止条件成立，停止迭代；否则进行第3步；
3.根据所得梯度，按照式(6)计算每台风机偏航角，迭代的初始步长为4°；
4.将更新后的风机偏航角作为新的设定值，重复第1-3步。
一共进行了15次迭代，所有结果是在风速为8m/s的条件下计算的，所得结果如下：
正西风工况下偏航角优化结果如图5所示。默认0°偏航角设置下，风电场总发电功率32.79MW；经本方法优化后总发电功率为39.93MW，提高了21.8％；使用FLORIS模型自带的优化方法，总发电功率为40.38MW，提高了23.1％。
正南风工况下偏航角优化结果如图6所示。默认0°偏航角设置下，风电场总发电功率31.54MW；经本方法优化后总发电功率为40.39MW，提高了28.1％；使用FLORIS模型自带的优化方法，总发电功率为40.78MW，提高了29.3％。
西南风工况下偏航角优化结果如图7所示。默认0°偏航角设置下，风电场总发电功率41.87MW；经本方法优化后总发电功率为45.19MW，提高了7.9％；使用FLORIS模型自带的优化方法，总发电功率为45.49MW，提高了8.6％。
仿真优化结果由下表集中给出。
表1.FLORIS模型仿真优化结果对比
使用FLORIS模型的仿真优化结果显示，本方法的优化结果与基于机理模型的优化方法高度一致，显示了本方法的可行性和有效性。由于本方法使用系统辨识方法计算优化迭代梯度，不需要风电场机理模型，因而可以解决大规模的真实风电场发电量优化问题。而基于机理模型的方法，由于模型精度低，计算量大，无法用于解决大规模的真实风电场发电量优化问题。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
Claims (8)
1.一种基于多变量系统辨识的风电场发电量优化方法，其特征在于，包括：
将风电场每台风电机组的偏航角和轴感应因子作为优化变量，以风电场总发电功率作为目标函数，构造出优化模型；所述优化模型为动态非线性函数Pout(t)＝f(θ,υ,β,t)，其中为优化向量，γ为风电机组偏航角向量，a为风电机组轴感应因子向量，υ为风场风速，β为风场风向角，t为采样时间；
对动态非线性函数在当前工作点θ*上进行线性近似：
其中是一个常数，其值为当前工作点θ*上风电场总发电功率；Pout(t)是t时刻当前工作点θ*附近的风电场总发电功率；G(q-1,θ*)是Pout(t)的当前工作点θ*的动态线性模型，q-1为单位时延算子，v(t)为系统不可测随机干扰；
Pout(t)对θ(t)在工作点θ*的梯度为动态线性模型G(q-1,θ*)的静态增益，即：
采用梯度上升法，通过迭代优化得到局部最优点；
对每台风电机组的偏航角和轴感应因子设定值施加激励信号，收集实验数据，使用系统辨识方法获得优化模型的动态线性模型，以动态线性模型中每台风电机组的偏航角和轴感应因子与总发电功率之间的模型增益为寻优梯度，使用梯度上升法进行寻优迭代，优化调整风电机组的偏航角和轴感应因子；
使用系统辨识方法获得动态线性模型与寻优梯度，具体为：
(1)辨识实验：向所有优化变量同时施加独立随机的激励信号；
(2)模型辨识：采集施加激励信号的优化变量、可测干扰变量以及风电场发电量数据，采用如下方法辨识：
对动态线性模型参数化如下：
其中A(q-1),B1(q-1),B2(q-1),...B2n+2(q-1),C(q-1),D(q-1)为q-1的多项式，其系数未知待定，e(t)为未知的均值为零的白噪声信号；
对式(3)中各多项式未知系数通过最小化如下损失函数V确定：
其中N为数据采样数；
(3)模型增益误差估计：根据渐近辨识法计算出每个模型频率相应的误差上界，频率为0时模型的频率响应是模型的增益，从而得到模型增益的误差上界，即梯度的误差上界，用于判断迭代终止。
2.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法，其特征在于，将风速和风向作为可测干扰变量，所述优化模型的输入为优化变量和可测干扰变量，输出为风电场总发电功率。
3.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法，其特征在于，所述寻优迭代的初始步长确定方法具体为：将风电机组分布区域按来风方向从前至后分为多排区域，各区域的偏航角初始步长依次减小，轴感应因子初始步长相同。
4.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法，其特征在于，所述寻优迭代采用变步长迭代，具体为：在某次迭代过程中，如果某台风电机组偏航角或轴感应因子梯度符号改变，则减小其迭代步长。
5.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法，其特征在于，所述寻优迭代的终止方法具体为：当某台风电机组偏航角或轴感应因子梯度值小于误差上界，暂停其迭代，后续迭代中当偏航角或轴感应因子梯度值大于误差上界时，重新开始迭代；当所有风电机组偏航角或轴感应因子梯度值小于误差上界时，优化迭代终止。
6.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法，其特征在于，将风向角范围和风速范围分别划分为若干分区，并确定分区中心点；对实验数据按照分区进行数据切片，对每个分区的实验数据分别进行模型辨识；得到实验数据中包含的所有分区的模型后，使用模型中的梯度信息进行本次优化迭代；重复辨识实验、模型辨识和优化迭代，直至优化迭代终止。
7.根据权利要求6所述的基于多变量系统辨识的风电场发电量优化方法，其特征在于，将每台风电机组所有分区的最优偏航角和轴感应因子组成优化表；优化运行时，优化表的使用方式有两种：在每个分区使用该分区的最优偏航角和轴感应因子，或者，对给定风向角和风速值，按其到两个分区中心点的距离，使用两个分区最优偏航角和轴感应因子的线性插值。
8.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法，其特征在于，对风电场风电机组进行分组优化，具体为：对某一风向，将与该风向垂直的每排风电机组选为一个风机分组，将每一分组所有风电机组的偏航角作为一个优化变量，将所有风电机组的轴感应因子作为一个优化变量，一起调整；将最后一排的风电机组设置为贪婪运行方式，即偏航角为0°，轴感应因子为0.33，这些风电机组不参加风电场发电量优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311448763.8A CN117421917B (zh) | 2023-11-02 | 2023-11-02 | 基于多变量系统辨识的风电场发电量优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311448763.8A CN117421917B (zh) | 2023-11-02 | 2023-11-02 | 基于多变量系统辨识的风电场发电量优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117421917A CN117421917A (zh) | 2024-01-19 |
| CN117421917B true CN117421917B (zh) | 2024-05-28 |
Family
ID=89528087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311448763.8A Active CN117421917B (zh) | 2023-11-02 | 2023-11-02 | 基于多变量系统辨识的风电场发电量优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117421917B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101587328A (zh) * | 2008-05-23 | 2009-11-25 | 朱豫才 | 非线性过程动态模型辨识装置 |
| CN113033012A (zh) * | 2021-04-07 | 2021-06-25 | 清华大学 | 分层数据驱动的风电场发电功率优化方案 |
| KR102394148B1 (ko) * | 2021-01-11 | 2022-05-09 | 군산대학교산학협력단 | 풍력 발전 단지의 전력 조정 최적화 방법 및 이를 수행하는 장치 |
| CN114625009A (zh) * | 2022-03-22 | 2022-06-14 | 浙江大学 | 一种基于系统辨识和最优滤波的故障检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11674500B2 (en) * | 2018-01-09 | 2023-06-13 | Vestas Wind Systems A/S | Method for controlling a wind energy farm taking wake effects into account |
-
2023
- 2023-11-02 CN CN202311448763.8A patent/CN117421917B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101587328A (zh) * | 2008-05-23 | 2009-11-25 | 朱豫才 | 非线性过程动态模型辨识装置 |
| KR102394148B1 (ko) * | 2021-01-11 | 2022-05-09 | 군산대학교산학협력단 | 풍력 발전 단지의 전력 조정 최적화 방법 및 이를 수행하는 장치 |
| CN113033012A (zh) * | 2021-04-07 | 2021-06-25 | 清华大学 | 分层数据驱动的风电场发电功率优化方案 |
| CN114625009A (zh) * | 2022-03-22 | 2022-06-14 | 浙江大学 | 一种基于系统辨识和最优滤波的故障检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于数据驱动的多风电机组协同控制方法;焦小敏 等;电源学报;20200315;第18卷(第2期);第24-30页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117421917A (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Annoni et al. | Evaluating wake models for wind farm control | |
| Doekemeijer et al. | A tutorial on the synthesis and validation of a closed-loop wind farm controller using a steady-state surrogate model | |
| CN109992889B (zh) | 风电场模型的建立方法及系统、尾流值计算方法及系统 | |
| CN113536487A (zh) | 一种基于双变量高斯函数的尾流计算方法、装置及存储介质 | |
| Bay et al. | Flow control leveraging downwind rotors for improved wind power plant operation | |
| Vijayshankar et al. | Deep reinforcement learning for automatic generation control of wind farms | |
| CN111311021A (zh) | 一种风电场理论功率预测方法、装置、设备和存储介质 | |
| Simley et al. | Wake steering wind farm control with preview wind direction information | |
| CN116956736A (zh) | 一种基于偏航策略的风电场动态等值建模方法 | |
| Anbalagan et al. | Fuzzy membership-function-dependent design of aperiodic sample-data control scheme for nonlinear PMSG-based WECS with quantization measurements via refined looped Lyapunov functional | |
| CN114707437A (zh) | 一种水平轴风力机三维全尾流模型的建立方法 | |
| CN117421917B (zh) | 基于多变量系统辨识的风电场发电量优化方法 | |
| Chhor et al. | Operation and control strategies for wind energy conversion systems: Review and simulation study | |
| CN109657380A (zh) | 一种基于扩展卡尔曼滤波的双馈风电场动态等值方法 | |
| Wu et al. | Adaptive cooperation control of wind power generation systems based on Hamilton system under limited input | |
| CN116306359A (zh) | 一种多维空间非平稳非均匀风场的随机波模拟方法 | |
| CN113688581B (zh) | 风电场有功出力优化控制的方法、装置、电子设备及介质 | |
| Mirzaei | Wind turbine control: Robust model based approach | |
| Kazda et al. | Possible improvements for present wind farm models used in optimal wind farm controllers | |
| El Fadili et al. | Novel control strategy for the global model of wind turbine | |
| Simani et al. | Fuzzy control techniques applied to wind turbine systems and hydroelectric plants | |
| Sood et al. | Validation of an analytical optimization framework for wind farm wake steering applications | |
| CN104766159A (zh) | 基于图论的水电站引水发电系统小波动稳定性分析方法 | |
| Kanev et al. | Dynamic robust active wake control | |
| Simani et al. | Fuzzy control techniques for energy conversion systems: Wind turbine and hydroelectric plants |
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 |