CN117489528A - 一种风电场发电控制方法及装置 - Google Patents

一种风电场发电控制方法及装置 Download PDF

Info

Publication number
CN117489528A
CN117489528A CN202311529404.5A CN202311529404A CN117489528A CN 117489528 A CN117489528 A CN 117489528A CN 202311529404 A CN202311529404 A CN 202311529404A CN 117489528 A CN117489528 A CN 117489528A
Authority
CN
China
Prior art keywords
fan
fans
power plant
depth
yaw
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
CN202311529404.5A
Other languages
English (en)
Inventor
谢平平
朱誉
陈玥
陆秋瑜
肖谭南
陈颖
丁俐夫
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.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
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 Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202311529404.5A priority Critical patent/CN117489528A/zh
Publication of CN117489528A publication Critical patent/CN117489528A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)

Abstract

本发明公开了一种风电场发电控制方法及装置，应用于多风机发电场，所述多风机发电场中每一个风机的控制器为独立的智能体，智能体间部署通信连接，所述方法包括：构建目标风电场中各风机分别对应的风机间尾流影响矩阵；根据所述风机间尾流影响矩阵确定所述各风机分别对应的深度；根据所述深度确定所述各风机分别对应的偏航决策顺序；以所述目标风电场的功率最大化为最优目标，根据所述偏航决策顺序依次对所述各风机分别对应的第一偏航角进行优化，获得所述各风机优化后分别对应的第二偏航角；根据所述各风机对应的第二偏航角，控制所述目标风电场中各风机分别进行发电，提高风电场发电控制的适应性和鲁棒性。

Description

一种风电场发电控制方法及装置
技术领域
本发明涉及风力发电技术领域，尤其涉及一种风电场发电控制方法及装置。
背景技术
近年来，风力发电作为一种清洁能源得到了迅猛的发展，在现有技术中，风电场控制采用的是单代理系统(Single Agent System)，即由一个智能体完成整个风电场或整个子风电场的偏航控制，即使有多个子风电场，但子风电场的智能体之间不存在交互，实质上是多个单代理系统，由于只有一个智能体，单代理系统的行为和决策相对简单直观，易于理解和掌握。但其缺点在于不够灵活，当环境变化，如风机出现故障或有特殊的调度需求时，智能体的控制策略需要进行较大的调整，此时风电场发电控制的适应性和鲁棒性受到限制。
发明内容
为了解决上述技术问题，本发明公开了一种风电场发电控制方法及装置，用于提高风电场发电控制的适应性和鲁棒性。
为了实现上述目的，第一方面，本发明公开了一种风电场发电控制方法，应用于多风机发电场，所述多风机发电场中每一个风机的控制器为独立的智能体，智能体间部署通信连接，所述方法包括：
构建目标风电场中各风机分别对应的风机间尾流影响矩阵；
根据所述风机间尾流影响矩阵确定所述各风机分别对应的深度；
根据所述深度确定所述各风机分别对应的偏航决策顺序；
以所述目标风电场的功率最大化为最优目标，根据所述偏航决策顺序依次对所述各风机分别对应的第一偏航角进行优化，获得所述各风机优化后分别对应的第二偏航角；
根据所述各风机对应的第二偏航角，控制所述目标风电场中各风机分别进行发电。
本发明公开的一种风电场发电控制方法，适用于多风机发电场，且所述多风机发电场中各个风机的控制器被视为独立的智能体，智能体间部署通信连接，以此形成多代理系统式的分布，结合所述多代理分布式、去中心化的特点，能够更好地适应环境变化和故障发生的情况，提高风电场风电控制的鲁棒性，进一步的，为了提高决策效率，并避免多余信息对决策过程产生干扰，通过获取目标风电场中各风机分别对应的风机间尾流影响关系矩阵，并根据所述风机间尾流影响关系矩阵确定各所述风机的深度，以此来确定各风机对应的智能体之间是否需要进行信息交互，对于两台没有尾流影响关系的风机，其智能体之间可以不进行信息交互，从而提高决策效率，并避免多余信息对决策过程产生干扰，接着基于各所述风机的深度确定各所述风机的偏航决策顺序，通过所述风机深度的计算过滤掉不存在影响的风机并根据所述深度确定各风机之间的影响关系，再根据所述影响关系确定决策顺序，既降低多代理之间的耦合性，又优化了决策顺序，提高了决策效率，然后以所述目标风电场的功率最大化为优化目标，根据所述偏航决策顺序依次对各所述风机的偏航角进行优化，获得各所述风机的优化结果即优化后的偏航角，再根据所述优化后的偏航角控制风机发电，解决了现有技术中存在的风电场单代理控制系统的控制适应性和鲁棒性较差的问题，提高了风电场发电控制的适应性和鲁棒性。
作为优选例子，在所述构建目标风电场中各风机分别对应的风机间尾流影响矩阵，包括：
根据预设的风速计算公式计算所述目标风电场中每一个风机分别受其他风机尾流影响后对应的若干个风速变化值；
根据所述若干个风速变化值，构建所述目标风电场各风机分别对应的风机间尾流影响矩阵。
本发明通过计算所述风速变化值来表征各风机之间的影响程度，以使通过计算所述影响程度适应环境变化和故障发生的情况，进而确定各风机后期对应的决策顺序，提高风电场风电控制的鲁棒性。
作为优选例子，在所述根据所述风机间尾流影响矩阵确定所述各风机分别对应的深度，包括：
根据所述风机间尾流影响矩阵生成各风机分别对应的有向图，并通过预设的提取策略提取所述有向图中的目标节点；其中，所述有向图中各节点与各风机一一对应；
以所述目标节点为初始点进行深度优化搜索，通过所述深度优化搜索更新所述有向图中除所述目标节点外其余节点的深度。
本发明生成所述矩阵对应的有向图，其中，所述有向图中每一个节点分别对应一个风机，通过对所述有向图进行深度优化搜索，可以获得每一个风机对应的深度，即每一个风机与其对应的相邻风机的影响程度，以使根据所述影响程度确定偏航决策顺序，提高了决策的效率。
作为优选例子，在所述通过预设的提取策略提取所述有向图中的目标节点，包括：
通过初始化所述有向图中的所有节点，控制所述所有节点中每一个节点的深度均为初始深度值；
遍历所述有向图中的所有节点，提取入度为0的所有节点，获得所述有向图中的目标节点。
本发明通过提取所述入度为0的所有节点，以使找到位于最上游的若干个风机，再根据所述最上游的若干个风机依次向下遍历，提高各节点即各风机对应的深度的计算效率及精准度。
作为优选例子，在所述以所述目标节点为初始点进行深度优化搜索，通过所述深度优化搜索更新所述有向图中除所述目标节点外其余节点的深度，包括：
获取所述有向图中每一条由所述目标结点指向任一其余结点的有向边，更新所述有向边中的其余结点的深度为第一深度与第二深度两者中的较大值；其中，所述第一深度为所述其余结点的深度，所述第二深度为所述目标结点的深度加1后得到的深度。
本发明通过比较所述目标节点与所述其余节点的深度的值的大小，由此确定在所述目标节点即目标风机对应的有向边及影响关系链中，所述目标节点即目标风机对所述其余节点的影响程度，以使后续根据所述影响程度及时的调整风机发电的决策顺序，适应当前环境或其它因素的变化，提高风电场发电控制的鲁棒性及适应性。
作为优选例子，在所述根据所述偏航决策顺序依次对所述各风机分别对应的第一偏航角进行优化，包括：
获取所述目标风电场中所有风机的风电场信息，将所述风电场信息输入预设的决策模型，获得所述目标风电场对应的风电场偏航策略，进而根据所述风电场偏航策略确定各风机分别对应的第一偏航角；
以所述目标风电场的功率最大化为最优目标，通过预设的贪心算法对所述各风机分别对应的第一偏航角分别进行优化，并以所述各风机的当前优化结果作为反馈量对偏航角优化过程进行迭代，直至所述当前优化结果达到预设阈值时结束迭代。
本发明考虑到当下游风机的偏航角改变时，上游风机的最优偏航角也会发生偏移，在根据风机的深度来确定决策的顺序时，可尽可能的减小偏移量，以使提高优化的效果，同时在优化过程中设计迭代机制，即多次按照上述流程调节偏航角，以考虑下游风机的偏航角对上游风机的最优偏航角的影响，提高最终的优化效果。
第二方面，本发明公开了一种风电场发电控制装置，应用于多风机发电场，所述多风机发电场中每一个风机的控制器为独立的智能体，智能体间部署通信连接，所述装置包括矩阵构建模块、深度搜索模块、偏航决策模块、偏航优化模块及优化控制模块；
所述矩阵构建模块用于构建目标风电场中各风机分别对应的风机间尾流影响矩阵；
所述深度搜索模块用于根据所述风机间尾流影响矩阵确定所述各风机分别对应的深度；
所述偏航决策模块用于根据所述深度确定所述各风机分别对应的偏航决策顺序；
所述偏航优化模块用于以所述目标风电场的功率最大化为最优目标，根据所述偏航决策顺序依次对所述各风机分别对应的第一偏航角进行优化，获得所述各风机优化后分别对应的第二偏航角；
所述优化控制模块用于根据所述各风机对应的第二偏航角，控制所述目标风电场中各风机分别进行发电。
本发明公开的一种风电场发电控制装置，适用于多风机发电场，且所述多风机发电场中各个风机的控制器被视为独立的智能体，智能体间部署通信连接，以此形成多代理系统式的分布，结合所述多代理分布式、去中心化的特点，能够更好地适应环境变化和故障发生的情况，提高风电场风电控制的鲁棒性，进一步的，为了提高决策效率，并避免多余信息对决策过程产生干扰，通过获取目标风电场中各风机分别对应的风机间尾流影响关系矩阵，并根据所述风机间尾流影响关系矩阵确定各所述风机的深度，以此来确定各风机对应的智能体之间是否需要进行信息交互，对于两台没有尾流影响关系的风机，其智能体之间可以不进行信息交互，从而提高决策效率，并避免多余信息对决策过程产生干扰，接着基于各所述风机的深度确定各所述风机的偏航决策顺序，通过所述风机深度的计算过滤掉不存在影响的风机并根据所述深度确定各风机之间的影响关系，再根据所述影响关系确定决策顺序，既降低多代理之间的耦合性，又优化了决策顺序，提高了决策效率，然后以所述目标风电场的功率最大化为优化目标，根据所述偏航决策顺序依次对各所述风机的偏航角进行优化，获得各所述风机的优化结果即优化后的偏航角，再根据所述优化后的偏航角控制风机发电，解决了现有技术中存在的风电场单代理控制系统的控制适应性和鲁棒性较差的问题，提高了风电场发电控制的适应性和鲁棒性。
作为优选例子，所述矩阵构建模块包括风速计算单元及构建单元；
所述风速计算单元用于根据预设的风速计算公式计算所述目标风电场中每一个风机分别受其他风机尾流影响后对应的若干个风速变化值；
所述构建单元用于根据所述若干个风速变化值，构建所述目标风电场各风机分别对应的风机间尾流影响矩阵。
本发明通过计算所述风速变化值来表征各风机之间的影响程度，以使通过计算所述影响程度适应环境变化和故障发生的情况，进而确定各风机后期对应的决策顺序，提高风电场风电控制的鲁棒性。
第三方面，本发明公开了一种电子设备，包括处理器、通信接口、存储器和通信总线；
其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现如第一方面所述的一种风电场发电控制方法。
第四方面，本发明公开了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的一种风电场发电控制方法。
附图说明
图1：为本发明实施例提供的一种风电场发电控制方法的流程示意图；
图2：为本发明实施例提供的一种风电场发电控制装置的结构示意图；
图3：为本发明实施例提供的一种多风机发电厂的结构组成示意图；
图4：为本发明实施例提供的一种风机偏航角优化流程示意图；
图5：为本发明实施例提供的一种深度示意图；
图6：为本发明实施例提供的一种偏航优化结果示意图；
图7：为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
实施例
本实施例公开了一种风电场发电控制方法，应用于多风机发电场，所述多风机发电场中每一个风机的控制器为独立的智能体，智能体间部署通信连接，所述控制方法的具体实施流程请参照图1，主要包括步骤101至步骤105，所述步骤为：
步骤101：构建目标风电场中各风机分别对应的风机间尾流影响矩阵。
在本实施例中，该步骤主要包括：根据预设的风速计算公式计算所述目标风电场中每一个风机分别受其他风机尾流影响后对应的若干个风速变化值；根据所述若干个风速变化值，构建所述目标风电场各风机分别对应的风机间尾流影响矩阵。
具体的，在本实施例提供的一种具体实施方式中，所述目标风电场可为整体风电场或者分区后的子风电场；其中，整体风电场是指原始的、自然形成、未作划分的风电场；而随着风电场规模的扩大，目标风电场中的风机数量增多，仿真的计算代价增大，同时尾流影响关系也会更加复杂。考虑及此，可以首先分析目标风电场风机间的尾流影响关系，然后根据分析得到的尾流影响关系对目标风电场中的多个风机进行分区，将目标风电场的一个整体控制优化问题拆分为若干个子控制优化问题，从而缩小问题规模，提高控制效率。
进一步的，所述风电场发电控制方法应用于多风机发电厂，可首先将多风机风电场每个风机的控制器被视为独立的智能体，智能体间部署通信连接，以构成多代理系统，所述多风机发电厂的结构组成可参照图3，如图3所示，风电场优化问题的多代理系统中，智能体之间的信息交互受到风机尾流影响关系的影响。如图1中所示的1号风机和2号风机，对于两台没有尾流影响关系的风机，其智能体之间可以不进行信息交互，从而提高决策效率，并避免多余信息对决策过程产生干扰，接着生成所述目标风电场中各风机分别对应的风机间尾流影响关系矩阵时，首先计算目标风电场中每一个风机受其他风机尾流影响的若干个风速变化值，其中，风速变化值表征两个风机之间的尾流影响程度；根据风速变化值，确定目标风电场中各风机对应的风机间尾流影响关系矩阵。
在计算所述风速变化值时，风电场中的风机风速之间由于尾流效应而存在耦合，如果可以得到风机j由于受到风机i尾流影响风速下降的大小Δuij，则可以用该值的大小反映两个风机之间的尾流影响程度，从而根据风速度变化值，可以求解得到风机间尾流影响矩阵，其中，所述风机间尾流影响矩阵可以表示如下：
其中，nr为风机数量。
需要说明的是，由于尾流的风速衰减作用只能单方面地由上游风机作用给下游风机，所以当Δuij>0时，Δuji＝0一定成立。
同时所述目标风电场中每一个风机受其他风机尾流影响的风速变化值的计算，可以通过在每一个风机表面创建有黑色的观察点，所述观察点继承的状态为风机偏航前的状态。
当上游观察点传播到下游风机处时，会对下游风机的观察点的风速产生影响。一个观察点的有效风速计算如下：
其中，ufree,OP表示观察点的自由风速，zOP表示观察点的高度，z0表示风电场的高度上限，zOP/z0<1，(zOP/z0)α表示观察点有效风速随观察点高度减小而衰减。rown表示该观察点自身的尾流衰减因数，nT表示风机数量，ri表示所有属于第i台风机的观察点中，与该观察点(即正在计算有效风速的观察点)距离最近的观察点的风速衰减因数。
在得到风机对应观察点处的有效风速之后，通过对风机表面的观察点的有效风速进行加权求和，计算得到风机处的有效风速，具体计算公式如下：
其中，nOP表示风机表面的观察点数量，wi表示权重。
在得到风机有效风速后，即可计算得到风机的功率，具体如下：
其中，CP为功率系数，η为效率，p为表示偏航角对风机功率影响大小的系数。
根据上式(2)和(3)可得：
根据上式(5)可知，风机的有效风速是由其所有上游风机共同决定。
根据风机j由于受到风机i尾流影响风速下降的大小Δuij的定义，Δuij和ueff,T,i应满足如下等式：
其中，ufree表示自由风速，即环境中无限远处的风速。但由式(5)可知，无法单独地计算风机j由于受到风机i尾流影响风速下降的大小Δuij。
因此，可以考虑Δuij的估计值，估计公式如下：
根据上式(7)，即可得到目标风电场中每一个风机受其他风机尾流影响的风速变化值Δuij的估计值。
在本实施例中，通过计算目标风电场中每一个风机受其他风机尾流影响的风速变化值，并根据风速变化值，确定目标风电场中各风机对应的风机间尾流影响关系矩阵。
在本实施例中，该步骤构建目标风电场对应的多代理系统，对每一台风机用一个单独的智能体进行控制，每一个智能体根据环境风速、其他风机的位置、其他风机的偏航角、其他风机的功率等信息，完成对自身偏航角的决策。对于这样的多代理系统，当出现风机故障或特殊调度需求时，只修改部分智能体及智能体之间的交互信息，就能够完成在新环境下的决策，提高风电场发电控制的适应性和鲁棒性。
步骤102：根据所述风机间尾流影响矩阵确定所述各风机分别对应的深度。
在本实施例中，该步骤主要包括：根据所述风机间尾流影响矩阵生成各风机分别对应的有向图，并通过预设的提取策略提取所述有向图中的目标节点；其中，所述有向图中各节点与各风机一一对应；以所述目标节点为初始点进行深度优化搜索，通过所述深度优化搜索更新所述有向图中除所述目标节点外其余节点的深度。
进一步的，所述通过预设的提取策略提取所述有向图中的目标节点，包括：通过初始化所述有向图中的所有节点，控制所述所有节点中每一个节点的深度均为初始深度值；遍历所述有向图中的所有节点，提取入度为0的所有节点，获得所述有向图中的目标节点。
在获取所述目标节点后获取所述有向图中每一条由所述目标结点指向任一其余结点的有向边，更新所述有向边中的其余结点的深度为第一深度与第二深度两者中的较大值；其中，所述第一深度为所述其余结点的深度，所述第二深度为所述目标结点的深度加1后得到的深度。
具体的，在本实施例提供的一种实施方式中，求出表示风机尾流影响关系的有向图DR＝(V,E)，其中V为结点的集合，E为有向边的集合。在获取风机间尾流影响关系矩阵的基础上，将风机间尾流影响关系矩阵的转置矩阵RT作为邻接矩阵，得到风电场有向图DR，接着初始化所述DR中所有结点的深度为0，即：
找到DR中所有入度为0的结点，将其深度更新为1，即：
其中，in(v)表示结点v的入度。
以各所述目标节点为初始点进行深度优化搜索，更新其他结点的深度，其中更新的规则为，对于一条由结点u指向结点v的有向边，将结点v的深度更新为结点v的深度和结点u深度加1二者中的较大值，表达式为：
本实施例中，该步骤通过风机深度的计算过滤掉不存在影响的风机，降低多代理之间的耦合性，优化了决策顺序，提高了决策效率。
步骤103：根据所述深度确定所述各风机分别对应的偏航决策顺序。
在本实施例中，该步骤主要为：按照深度从小到大，依次完成对各风机偏航角的决策，同一深度的风机由于尾流互不影响，可以任意决定其优化顺序。
具体的，在本实施例中，当两个目标风机的深度差越大，则表征两个风机之间的尾流影响较大，而当两个目标风机的深度值为0时，则表征两个风机之间的尾流互不影响。这样，按深度差从大到小进行排序，排序越靠前，则偏航决策顺序越靠前。例如，风机A与风机B之间的深度值为1，风机A与风机C之间的深度值为0.5，风机A与风机D之间的深度值为0，则表示风机A与B之间的尾流影响最大，风机A与C次之，风机A与D之间的尾流互不影响，则在确定偏航决策顺序时，风机A与B之间的偏航决策排在第一优先级，风机A与C之间的偏航决策次之，风机A与D则无需计算偏航决策。
在本实施例中，该步骤根据两个目标风机之间的深度关系确定风机的偏航策略顺序；也就是说，当两个目标风机的深度差越大，则表征两个风机之间的尾流影响较大，而当两个目标风机的深度值为0时，则表征两个风机之间的尾流互不影响。这样，按深度差从大到小进行排序，排序越靠前，则偏航决策顺序越靠前，由此提高发电控制的鲁棒性和适应性。
步骤104：以所述目标风电场的功率最大化为最优目标，根据所述偏航决策顺序依次对所述各风机分别对应的第一偏航角进行优化，获得所述各风机优化后分别对应的第二偏航角。
在本实施例中，该步骤主要包括：获取所述目标风电场中所有风机的风电场信息，将所述风电场信息输入预设的决策模型，获得所述目标风电场对应的风电场偏航策略，进而根据所述风电场偏航策略确定各风机分别对应的第一偏航角；以所述目标风电场的功率最大化为最优目标，通过预设的贪心算法对所述各风机分别对应的第一偏航角分别进行优化，并以所述各风机的当前优化结果作为反馈量对偏航角优化过程进行迭代，直至所述当前优化结果达到预设阈值时结束迭代。
具体的，在本实施例提供的一种实施方式中，在对风机的偏航角进行优化时，可通过强化学习等手段，生成风电场偏航策略，削弱尾流效应的影响，提升风电场整体的发电能力，优选的，可对风电场尾流优化问题进行建模，通过TD3算法生成偏航策略，根据偏航策略对偏航角进行优化，其中生成所述偏航策略的过程可为对于每一目标风电场，获取目标风电场中所有风机的风电场信息，风电场信息包括历史环境风速、历史风机偏航角以及当前环境风速，所述将风电场信息输入至预先训练的决策模型，得到每个目标风电场对应的第一风机偏航角。
然后在确认每一个风机分别对应的第一风机偏航角后，保持其他风机的偏航角不变，未进行决策的风机偏航角初始化为0°，以风电场功率最大化为总优化目标，则每个风机智能体的优化目标设计为使该风机和受该风机尾流影响的风机功率之和最大化，即：
参照图4，如果总优化目标不同，需要设计不同的每个风机智能体的优化目标，则其对应的控制算法本质上是一种贪心控制算法，即将整个风电场的偏航优化问题拆解成若干个单独风机的偏航优化子问题。在每个子问题中，只考虑和该风机有尾流影响关系的风机，因而子问题的求解难度大幅度降低。最后将子问题的解合并成整个风电场的解。当整个风电场的偏航优化目标确定后，如何设计每个单独风机的偏航优化目标，会影响该算法的最终优化效果。
在进行优化的过程中，以各所述风机的当前优化结果作为反馈量对所述偏航角优化过程进行迭代，直至当前优化结果达到预设阈值时结束迭代。
本实施例中，该步骤考虑到，当下游风机的偏航角改变时，上游风机的最优偏航角也会发生偏移。而根据风机的深度来确定决策的顺序，是为了这个偏移量尽可能小，以使子问题的解和原问题的解尽可能接近。在该算法的基础上，可以进一步设计迭代机制，即多次按照上述流程调节偏航角，以考虑下游风机的偏航角对上游风机的最优偏航角的影响，提高最终的优化效果。
步骤105：根据所述各风机对应的第二偏航角，控制所述目标风电场中各风机分别进行发电。
在本实施例中，该步骤主要为：在获取到经过优化后最终确定的各个风机分别对应的偏航角后，根据每一个风机的偏航角控制所述目标风电场中每一个风机进行发电。
参照上述本实施例提供的一种风电场发电控制方法，以28风机风电场作为一个实施例，首先计算28风机风电场的各个风机对应的风机参数，所述风机参数包括深度及偏航角，以FLORIDyn模型为基础分析风机间尾流影响关系和计算风机功率；保持环境风速和风向不变，以该环境风况下的整场功率最大化为优化目标；在每个风机智能体决策时，需要环境风况、所有深度小于该风机的偏航角(或其中对该风机有尾流影响的部分风机的偏航角)和所有该风机的下游风机的功率来决策最优偏航角，不进行迭代。
首先求各结点的深度，求出DR并忽略其中边权小于0.05的边，求出各风机结点的深度如表一和图5所示，其中表一如下：
表一
根据深度大小，依次用搜索算法求出使发电量最大化的偏航角yawu，得到偏航优化结果如表二和图6所示，其中表二如下：
风机序号 偏航角/° 风机序号 偏航角/°
1 3.47 15 0
2 6.43 16 5.62
3 -1.67 17 -1.67
4 0 18 -14.99
5 -8.55 19 0
6 -11.68 20 31.3
7 -8.55 21 0
8 21.74 22 0
9 -1.98 23 0
10 4.27 24 0
11 -0.54 25 0
12 0 26 0
13 -7.60 27 0
14 0 28 0
表二
其中，28风机采用正对风策略的功率为46219.822kW，参照本实施例提供的一种风电场发电控制方法做偏航后的功率为47044.185kW，提升了1.78％。在100组不同的环境风况(风速区间为[4,12]m·s-1，风向区间为[-180,180]°)采用上述方法对28风机风电场进行偏航优化，其平均功率提升为1.27％，表明上述方法能够提高风电场的输出功率。
另一方面，本发明还公开了一种风电场发电控制装置，应用于多风机发电场，所述多风机发电场中每一个风机的控制器为独立的智能体，智能体间部署通信连接，所述装置的具体结构组成可参照图2，主要包括矩阵构建模块201、深度搜索模块202、偏航决策模块203、偏航优化模块204及优化控制模块205。
所述矩阵构建模块201用于构建目标风电场中各风机分别对应的风机间尾流影响矩阵。
所述深度搜索模块202用于根据所述风机间尾流影响矩阵确定所述各风机分别对应的深度。
所述偏航决策模块203用于根据所述深度确定所述各风机分别对应的偏航决策顺序。
所述偏航优化模块204用于以所述目标风电场的功率最大化为最优目标，根据所述偏航决策顺序依次对所述各风机分别对应的第一偏航角进行优化，获得所述各风机优化后分别对应的第二偏航角。
所述优化控制模块205用于根据所述各风机对应的第二偏航角，控制所述目标风电场中各风机分别进行发电。
在本实施例中，所述矩阵构建模块201包括风速计算单元及构建单元。
所述风速计算单元用于根据预设的风速计算公式计算所述目标风电场中每一个风机分别受其他风机尾流影响后对应的若干个风速变化值。
所述构建单元用于根据所述若干个风速变化值，构建所述目标风电场各风机分别对应的风机间尾流影响矩阵。
在本实施例中，所述深度搜索模块202还包括布图单元及搜索单元。
所述布图单元用于根据所述风机间尾流影响矩阵生成各风机分别对应的有向图，并通过预设的提取策略提取所述有向图中的目标节点；其中，所述有向图中各节点与各风机一一对应。
所述搜索单元用于以所述目标节点为初始点进行深度优化搜索，通过所述深度优化搜索更新所述有向图中除所述目标节点外其余节点的深度。
在本实施例中，所述布图单元还包括：通过初始化所述有向图中的所有节点，控制所述所有节点中每一个节点的深度均为初始深度值；遍历所述有向图中的所有节点，提取入度为0的所有节点，获得所述有向图中的目标节点。
所述搜索单元还包括：获取所述有向图中每一条由所述目标结点指向任一其余结点的有向边，更新所述有向边中的其余结点的深度为第一深度与第二深度两者中的较大值；其中，所述第一深度为所述其余结点的深度，所述第二深度为所述目标结点的深度加1后得到的深度。
在本实施例中，所述偏航优化模块204包括决策单元及优化单元。
所述决策单元用于获取所述目标风电场中所有风机的风电场信息，将所述风电场信息输入预设的决策模型，获得所述目标风电场对应的风电场偏航策略，进而根据所述风电场偏航策略确定各风机分别对应的第一偏航角。
所述优化单元用于以所述目标风电场的功率最大化为最优目标，通过预设的贪心算法对所述各风机分别对应的第一偏航角分别进行优化，并以所述各风机的当前优化结果作为反馈量对偏航角优化过程进行迭代，直至所述当前优化结果达到预设阈值时结束迭代。
除上述方法及装置外，本实施例还提供了一种电子设备，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行本实施例提供的一种风电场发电控制方法，应用于多风机风电场，所述多风机风电场每个风机的控制器被视为独立的智能体，智能体间部署通信连接，以构成多代理系统。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本实施例还提供一种非暂态计算机可读存储介质及一种计算机程序产品，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本实施例所述的风电场发电控制方法。
本实施例提供的一种风电场发电控制方法、装置、电子设备及存储介质，首先针对单代理系统的缺陷，提出了基于多代理系统的多风机风电场控制框架；其次，基于该框架提出一种启发式控制算法，在该算法在贪心算法的基础上，根据风机间的尾流影响关系，确定了独立风机智能体之间的决策顺序以提高控制优化效果；最后根据28风机风电场在不同风况下按照该算法的控制优化效果，算例证明了该控制算法能够有效提升风电场的输出功率。
在上述具体实施方式中，本实施例提供的风电场发电控制方法，应用于多风机风电场，所述多风机风电场每个风机的控制器被视为独立的智能体，智能体间部署通信连接，以构成多代理系统；所述方法通过获取目标风电场中风机间尾流影响关系矩阵，根据所述风机间尾流影响关系矩阵确定各所述风机的深度，基于各所述风机的深度确定各所述风机的偏航决策顺序，根据所述偏航决策顺序依次对各所述风机的偏航角进行优化，以分别得到各所述风机的优化结果，以所述目标风电场的功率最大化为优化目标，对各所述风机的优化结果进行叠加，以得到风电场的优化结果。
这样，结合多代理系统布式、去中心化的特点，能够更好地适应环境变化和故障发生的情况，具有更强的鲁棒性。风电场优化问题的多代理系统中，智能体之间的信息交互受到风机尾流影响关系的影响，对于两台没有尾流影响关系的风机，其智能体之间可以不进行信息交互，从而提高决策效率，并避免多余信息对决策过程产生干扰。从而解决了现有技术中存在的风电场单代理控制系统的控制适应性和鲁棒性较差的问题，提高了风电场发电控制的适应性和鲁棒性，且通过风机深度的计算过滤掉不存在影响的风机，降低多代理之间的耦合性，优化了决策顺序，提高了决策效率。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种风电场发电控制方法，其特征在于，应用于多风机发电场，所述多风机发电场中每一个风机的控制器为独立的智能体，智能体间部署通信连接，所述方法包括：
构建目标风电场中各风机分别对应的风机间尾流影响矩阵；
根据所述风机间尾流影响矩阵确定所述各风机分别对应的深度；
根据所述深度确定所述各风机分别对应的偏航决策顺序；
以所述目标风电场的功率最大化为最优目标，根据所述偏航决策顺序依次对所述各风机分别对应的第一偏航角进行优化，获得所述各风机优化后分别对应的第二偏航角；
根据所述各风机对应的第二偏航角，控制所述目标风电场中各风机分别进行发电。
2.如权利要求1所述的一种风电场发电控制方法，其特征在于，所述构建目标风电场中各风机分别对应的风机间尾流影响矩阵，包括：
根据预设的风速计算公式计算所述目标风电场中每一个风机分别受其他风机尾流影响后对应的若干个风速变化值；
根据所述若干个风速变化值，构建所述目标风电场各风机分别对应的风机间尾流影响矩阵。
3.如权利要求1所述的一种风电场发电控制方法，其特征在于，所述根据所述风机间尾流影响矩阵确定所述各风机分别对应的深度，包括：
根据所述风机间尾流影响矩阵生成各风机分别对应的有向图，并通过预设的提取策略提取所述有向图中的目标节点；其中，所述有向图中各节点与各风机一一对应；
以所述目标节点为初始点进行深度优化搜索，通过所述深度优化搜索更新所述有向图中除所述目标节点外其余节点的深度。
4.如权利要求3所述的一种风电场发电控制方法，其特征在于，所述通过预设的提取策略提取所述有向图中的目标节点，包括：
通过初始化所述有向图中的所有节点，控制所述所有节点中每一个节点的深度均为初始深度值；
遍历所述有向图中的所有节点，提取入度为0的所有节点，获得所述有向图中的目标节点。
5.如权利要求3所述的一种风电场发电控制方法，其特征在于，所述以所述目标节点为初始点进行深度优化搜索，通过所述深度优化搜索更新所述有向图中除所述目标节点外其余节点的深度，包括：
获取所述有向图中每一条由所述目标结点指向任一其余结点的有向边，更新所述有向边中的其余结点的深度为第一深度与第二深度两者中的较大值；其中，所述第一深度为所述其余结点的深度，所述第二深度为所述目标结点的深度加1后得到的深度。
6.如权利要求1所述的一种风电场发电控制方法，其特征在于，所述根据所述偏航决策顺序依次对所述各风机分别对应的第一偏航角进行优化，包括：
获取所述目标风电场中所有风机的风电场信息，将所述风电场信息输入预设的决策模型，获得所述目标风电场对应的风电场偏航策略，进而根据所述风电场偏航策略确定各风机分别对应的第一偏航角；
以所述目标风电场的功率最大化为最优目标，通过预设的贪心算法对所述各风机分别对应的第一偏航角分别进行优化，并以所述各风机的当前优化结果作为反馈量对偏航角优化过程进行迭代，直至所述当前优化结果达到预设阈值时结束迭代。
7.一种风电场发电控制装置，其特征在于，应用于多风机发电场，所述多风机发电场中每一个风机的控制器为独立的智能体，智能体间部署通信连接，所述装置包括矩阵构建模块、深度搜索模块、偏航决策模块、偏航优化模块及优化控制模块；
所述矩阵构建模块用于构建目标风电场中各风机分别对应的风机间尾流影响矩阵；
所述深度搜索模块用于根据所述风机间尾流影响矩阵确定所述各风机分别对应的深度；
所述偏航决策模块用于根据所述深度确定所述各风机分别对应的偏航决策顺序；
所述偏航优化模块用于以所述目标风电场的功率最大化为最优目标，根据所述偏航决策顺序依次对所述各风机分别对应的第一偏航角进行优化，获得所述各风机优化后分别对应的第二偏航角；
所述优化控制模块用于根据所述各风机对应的第二偏航角，控制所述目标风电场中各风机分别进行发电。
8.如权利要求7所述的一种风电场发电控制装置，其特征在于，所述矩阵构建模块包括风速计算单元及构建单元；
所述风速计算单元用于根据预设的风速计算公式计算所述目标风电场中每一个风机分别受其他风机尾流影响后对应的若干个风速变化值；
所述构建单元用于根据所述若干个风速变化值，构建所述目标风电场各风机分别对应的风机间尾流影响矩阵。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线；
其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一项所述的一种风电场发电控制方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的一种风电场发电控制方法。
CN202311529404.5A 2023-11-15 2023-11-15 一种风电场发电控制方法及装置 Pending CN117489528A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311529404.5A CN117489528A (zh) 2023-11-15 2023-11-15 一种风电场发电控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311529404.5A CN117489528A (zh) 2023-11-15 2023-11-15 一种风电场发电控制方法及装置

Publications (1)

Publication Number Publication Date
CN117489528A true CN117489528A (zh) 2024-02-02

Family

ID=89677960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311529404.5A Pending CN117489528A (zh) 2023-11-15 2023-11-15 一种风电场发电控制方法及装置

Country Status (1)

Country Link
CN (1) CN117489528A (zh)

Similar Documents

Publication Publication Date Title
Bai et al. Wind farm layout optimization using adaptive evolutionary algorithm with Monte Carlo Tree Search reinforcement learning
Kohler et al. PSO+: A new particle swarm optimization algorithm for constrained problems
Jin et al. A framework for evolutionary optimization with approximate fitness functions
CN106779177A (zh) 基于粒子群优化的多分辨率小波神经网络用电量预测方法
CN112862216A (zh) 一种基于深度置信网络的多行业能源需求预测方法
CN115618540A (zh) 基于三层次动态变异率的风力发电机组优化布局方法
Abbaskhah et al. Optimization of horizontal axis wind turbine performance with the dimpled blades by using CNN and MLP models
Kirchner-Bossi et al. Wind farm power density optimization according to the area size using a novel self-adaptive genetic algorithm
CN116388232B (zh) 风电调频综合惯性控制方法、系统、电子设备和存储介质
CN117489528A (zh) 一种风电场发电控制方法及装置
CN109635999B (zh) 一种基于粒子群-细菌觅食的水电站调度方法及系统
CN116877333A (zh) 一种风电机组偏航姿态控制系统及方法
CN116378897A (zh) 一种风电场偏航角控制方法及装置
KR102406851B1 (ko) 확장 가능한 웨이크 방향 그래프를 이용한 풍력 발전 단지의 전력 조정 최적화 방법 및 이를 수행하는 장치
CN115313510A (zh) 一种自适应无功补偿的光伏逆变器控制方法与系统
Tao et al. Optimization of green agri-food supply chain network using chaotic PSO algorithm
CN112989507A (zh) 一种水轮机调速器参数优化方法、装置及系统
CN114123216A (zh) 新能源电力系统的经济负荷分配方法、系统及介质
CN112632728A (zh) 基于深度学习的透平机械叶型设计及性能预测方法
CN111859780A (zh) 一种微电网运行优化方法和系统
Wu et al. An Improved FOA to Optimize GRNN Method for Wind Turbine Fault Diagnosis.
Zhou et al. Scenario-based stochastic model predictive control for wind energy conversion system
CN112555096B (zh) 风电机组偏航协同控制方法、装置、电子设备及存储介质
CN116579479B (zh) 风电场功率超短期预测方法、系统、计算机及存储介质
CN116882653B (zh) 一种适用于燃煤电厂的调度方法及系统

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