CN117709942B - 基于尾流分析的风机场聚类分布式运维方法 - Google Patents
基于尾流分析的风机场聚类分布式运维方法 Download PDFInfo
- Publication number
- CN117709942B CN117709942B CN202410158043.6A CN202410158043A CN117709942B CN 117709942 B CN117709942 B CN 117709942B CN 202410158043 A CN202410158043 A CN 202410158043A CN 117709942 B CN117709942 B CN 117709942B
- Authority
- CN
- China
- Prior art keywords
- fan
- wake
- clustering
- maintenance
- points
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005206 flow analysis Methods 0.000 title claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000006735 deficit Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
一种基于尾流分析的风机场聚类分布式运维方法，包括：根据各风机点位信息及风环境信息，确定各风机点位之间受尾流效应影响的显著关系；设定聚类标准，根据各风机点位之间受尾流效应影响的显著关系，对各风机点位进行聚类分析，确定各风机点位之间的相关程度，将相互之间受尾流效应影响显著的风机点位划归一类，使得分类后，类内风机点位之间受尾流效应影响相对较大，类间风机点位之间受尾流效应影响相对较小；在聚类结果基础上，通过尾流分析对每个风机类别进行分析和规划，分布式地得出各风机类别的运维策略。本方法针对风机尾流和整体布局环境情况进行智能综合处理，测试结果表明，对于不同规模的风机运维均达到良好的提升效果。
Description
技术领域
本发明涉及风电领域，特别是涉及一种基于尾流分析的风机场聚类分布式运维方法。
背景技术
风力发电作为可再生能源的一个重要组成部分，在全球范围内得到了广泛的关注和应用。然而，随着风力发电场的规模不断扩大，风机场的运维问题也变得越来越复杂和困难。为了保证风机场能够高效稳定地运行，降低运维成本，提高发电效率，将风机场聚类分布式运维方法引入到风力发电场的管理和运维过程中变得尤为重要。
坐落在下风向的风电机组的风速低于坐落在上风向的风电机组的风速，风电机组相距越近，前面风电机组对后面风电机组风速的影响越大，这种现场称为尾流效应。风力机从风中获取能量的同时，在其下游形成风速下降的尾流区。尾流效应的存在会导致风电场下风向风能减少，流场湍流度增加。
在大型的风电场中，上游风力发电机的尾流会对下游机组的运行产生一定影响，导致下游机组的功率损失。这种影响可能导致下游机组年发电量的损失一般在10%-20%之间，而在排列密集的风电场中，部分机组可能面临高达80%的功率损失。此外，机组尾流区域的湍流强度普遍较大，高湍流区域内的下游机组会增加不稳定性，缩短叶片和塔架的使用寿命。因此，在风电场的建设中，如何考虑风力机组尾流效应的影响来优化机组布局，是现有技术所面临的挑战。
需要说明的是，在上述背景技术部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的主要目的在于克服上述背景技术的缺陷，提供一种基于尾流分析的风机场聚类分布式运维方法。
为实现上述目的，本发明采用以下技术方案：
一种基于尾流分析的风机场聚类分布式运维方法，包括：
根据各风机点位信息及风环境信息，确定各风机点位之间受尾流效应影响的显著关系；
设定聚类标准，根据各风机点位之间受尾流效应影响的显著关系，对各风机点位进行聚类分析，确定各风机点位之间的相关程度，将相互之间受尾流效应影响显著的风机点位划归一类，使得分类后，类内风机点位之间受尾流效应影响相对较大，类间风机点位之间受尾流效应影响相对较小；
在聚类结果基础上，通过尾流分析对每个风机类别进行分析和规划，分布式地得出各风机类别的运维策略。
进一步地：
设定的聚类标准包括：以风机沿横向风场的距离作为影响尾流速度的主因，以风机沿纵向风场的距离作为影响尾流速度的副因，其中，横向风场是垂直于风机叶片的风场。
在聚类过程中，先将聚类阈值初始化为0，每个风机点位自成一个类别，通过逐渐增大聚类阈值来进行不同风机点位的分类，直到将占比达到预定程度的绝大部分风机点位归入到已有的类别中，获得总体聚类结果。
所述聚类过程还包括：针对剩余的风机点位实施无放回聚类处理，增大聚类阈值，直到将剩余的风机点位全部归入已得出的类别里。
所述聚类过程中，针对各个子类，根据由前到后顺序，以递推的形式逐个求解单一风机的偏航角，其中，每两个风机作为一个子集，按照如下公式求解：
；
为横向风分量速度；/>为纵向风分量速度；/>为速度增益系数；/>为横向方向风机距离； />为纵向方向风机距离；/>为横纵向注意力系数；/>为横向影响因子；/>为纵向影响因子；/>为聚类阈值；/>为横向风分量速度增益；/>为纵向风分量速度增益。
所述尾流分析包括：利用floris分析方法和高斯模型建立风机高斯尾流模型，其中，根据如下公式得到标准化尾流影响：
；
其中，表示风机所在位置的三维坐标，/>代表在对应位置的尾流影响，/>代表自由流场速度，/>代表风推力系数，/>代表风机支撑高度，代表转子直径，参数/>表示如下：
；
其中，代表实验和LES观测数据确定的尾流的增益比，/>代表转子处的质量流量亏缺率。
所述尾流分析还包括：在高斯尾流模型的基础上得到Curl模型，假设流场的压力梯度变化为0的条件下，通过Curl尾流推导算法进行尾流推导。
所述运维策略包括根据分布式策略的运维规则，通过控制不同类别风机组的风机的偏航角，调整风机的叶片朝向，以提升风机组的整体功率。
所述运维策略包括根据全局风机状态信息，确定不同类别风机组的风机在各自偏航角下的全局功率，根据全局功率进行全局风机运维的调整和执行。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序由处理器执行时，实现所述的风机场聚类分布式运维方法。
本发明具有如下有益效果：
本发明提出一种风电机组状态的运维方法，通过风机点位信息及基于风环境信息进行综合，明确各风机尾流影响的显著关系；根据各风机之间的显著关系，进行风机聚类分析，将尾流影响明显的各风机划归一类，各类别之间进行分布式的进一步尾流分析和运维，尽可能保证各风机类内部尾流影响明显，类间影响较小，保证聚类的合理性；在聚类结果基础上，针对各不同风机组类进行分布式的尾流分析和规划，分布式地得出各风机类别的运维策略，降低尾流影响，提升各类别风机运行效率；综合分布式运维结果，输出全局风机运维策略，提升风机运维效果。本发明的风电机组的运维方法针对风机尾流和整体布局环境情况进行智能综合处理，测试结果表明，对于不同规模的风机运维均达到良好的提升效果。
本发明实施例中的其他有益效果将在下文中进一步述及。
附图说明
图1为本发明实施例的基于尾流分析的风机场聚类分布式运维方法的流程框图。
图2为本发明实施例通过尾流分析获得的25风机基础尾流状态。
图3为本发明实施例通过风机聚类方法进行25风机的多类别划分所得的聚类结果。
图4为本发明实施例针对25风机聚类结果中的各类别结果进行floris分析，风机运维策略优化的具体结果。
图5为本发明实施例的整体风机通过运维策略调整后的全局风机状态图。
图6为本发明实施例的通过尾流分析获得的75组风机基础尾流状态。
图7为本发明实施例通过风机聚类方法进行75风机的多类别划分所得的聚类结果。
图8为本发明实施例的整体风机通过运维策略调整后的全局风机状态图。
具体实施方式
以下对本发明的实施方式做详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
参阅图1，本发明实施例提供一种基于尾流分析的风机场聚类分布式运维方法，包括：
根据各风机点位信息及风环境信息，确定各风机点位之间受尾流效应影响的显著关系；
设定聚类标准，根据各风机点位之间受尾流效应影响的显著关系，对各风机点位进行聚类分析，确定各风机点位之间的相关程度，将相互之间受尾流效应影响显著的风机点位划归一类，使得分类后，类内风机点位之间受尾流效应影响相对较大，类间风机点位之间受尾流效应影响相对较小；
在聚类结果基础上，通过尾流分析对每个风机类别进行分析和规划，分布式地得出各风机类别的运维策略。
本发明中，通过风机点位信息及基于风环境信息进行综合，明确各风机尾流影响的显著关系；根据各风机之间的显著关系，进行风机聚类分析，将尾流影响明显的各风机划归一类，各类别之间进行分布式的进一步尾流分析和运维，尽可能保证各风机类内部尾流影响明显，类间影响较小，保证聚类的合理性；在聚类结果基础上，针对各不同风机组类进行分布式的尾流分析和规划，分布式地得出各风机类别的运维策略，降低尾流影响，提升各类别风机运行效率。进一步地，可综合分布式运维结果，输出全局风机运维策略，提升风机运维效果。本发明的风电机组的运维方法针对风机尾流和整体布局环境情况进行智能综合处理，测试结果表明，对于不同规模的风机运维均达到良好的提升效果。
以下进一步描述本发明具体实施例。
具体实施例使用的聚类方法为层次聚类，具体实施步骤如下：
确定聚类标准：设垂直于风机叶片的是横向风场，则风机沿横向风场的距离是影响尾流速度的主因，沿纵向风场的距离是影响尾流速度的副因。
阈值设定与类别判定：将阈值从0开始设置，逐渐递增。当阈值为0时，类别数=风机个数，即每个风机自成一类，互不影响，不存在尾流效应。随着阈值提高，会出现第一个被聚类的双元素分类结果，这就是“最有可能通过尾流控制提高风电功率的一种方法”（尾流效应最明显的一组风机组），但该方法提升较小，随着阈值增加，尾流影响也会增加。增大阈值到能够覆盖绝大部分风机点位，即出现合理的总体聚类结果，利用floris分析方法求解即可获得对应解。
剩余点的处理：实施无放回聚类，仅针对剩余未被囊括的点位，增大阈值，直到将这些点位全部归纳入步骤2得出的类别里。
更详细地，聚类算法中，针对各个子类，根据由前到后顺序，以递推的形式逐个求解单一风机偏航，即每两个风机作为一个子集，按照下述公式求解。
；
为横向风分量速度；/>为纵向风分量速度；/>为速度增益系数；/>为横向方向风机距离； />为纵向方向风机距离；/>为横纵向注意力系数；/>为横向影响因子；/>为纵向影响因子；/>为聚类阈值；/>为横向风分量速度增益；/>为纵向风分量速度增益。
在完成了聚类算法后，需要通过风电机尾流模型建立具体的风机运维策略。在基本风机模型方面，采用了floris分析方法。对于单机风机模型，floris的常规方法是高斯模型。高斯分析模型基于质量和动量守恒原理，并假设尾流影响呈正态分布。标准化尾流影响由下式给出：
；
其中表示风机所在位置的三维坐标，/>代表在对应位置的尾流影响，/>代表自由流场速度，/>代表风推力系数，/>代表风机支撑高度，/>代表转子直径，参数/>则可表示如下：
；
其中代表实验和LES观测数据确定的尾流的增益比，/>代表转子处的质量流量亏缺率。
在基本高斯模型的基础上，可以将之延展为Curl模型。相较于基础的高斯尾流模型，分析模型更具体，但计算成本更高。该模型首先通过考虑u、v、w流向的Reynolds-averaged Navier–Stokes (RANS)方程导出：
在对所有变量进行时间平均后，u代表流向速度，v代表展向速度，w代表法向速度，p代表压力，和/>代表流体密度和流体有效粘度方程。进一步的，将速度解构为基本分量和扰动的形式，如/>，/>代表基本分量，/>基本分量周围的扰动：
在进行简化，并假设压力梯度变化为0的条件下，可以得到具体的Curl尾流推导算法如下。在下文的尾流分析中，该方法将成为基本的尾流推导规则。
在聚类计算的基础上，根据尾流推导规则对每个类别进行分析，即可分布式的完成各风机类别的运维策略。
测试实例
1.小规模风电机组
对于本发明的聚类-floris风机运维策略，不同的风电机组规模会产生不同的聚类需求。在实施阶段，首先针对25组风机的小规模风电场进行floris风机尾流状态分析。
为明确聚类及运维策略的有效性，首先需要对风机运维策略应用前的状态进行研究。明确25风机基本位点后，进行floris尾流分析，可获得25风机基础尾流状态如图2所示。
在明确了基本风机尾流状态后，需要针对风机运行现状进行进一步的运维调整。首先，需要通过风机聚类方法进行25风机的多类别划分，明确各点位强相关关系。确保各风机组类别内尾流影响明显，而各风机组类别之间尾流影响较弱。按照前文聚类规则，所得聚类结果如图3所示。
进一步的，针对25聚类结果中的各类别结果进行floris分析，同时通过floris进行风机运维策略优化。具体结果如图4所示，根据聚类规则，风机被分为了两类独立风机组、三类双风机组、三类三风机组及两类多风机组。根据分布式策略的基本原则，floris对应的运维优化策略则通过各机组内部偏航完成运维目的。
经过结果整合，25风机的整体具体运维规则如下：
偏航角：
风机0 = 6.868923404775444e-17deg
风机1 = 0.0deg
风机2 = 0.0deg
风机3 = 1.136005579488339e-16deg
风机4 = 8.171977627025258e-17deg
风机5 = 0.0deg
风机6 = 0.0deg
风机7 = 9.68792882112192deg
风机8 = 1.1604079270422998e-17deg
风机9 = 5.737435087477306e-17deg
风机10 = 4.928514500724901deg
风机11 = 1.1547535893003164e-16deg
风机12 = 10.61804199928551deg
风机13 = 1.3441727282369534e-17deg
风机14 = 9.037256605894257e-18deg
风机15 = 7.457591631467098e-17deg
风机16 = 6.66083685355092e-17deg
风机17 = 11.455463562500478deg
风机18 = 8.999717899849833e-18deg
风机19 = 6.442718574768313e-18deg
风机20 = 11.860830431837632deg
风机21 = 1.0843022039858946e-17deg
风机22 = 25.0deg
风机23 = 0.0deg
风机24 = 0.0deg
总功率增加 = 3.2%
整体风机在通过运维策略调整后，全局风机状态如图5所示。
通过与25组风机组的结果对比，可以得出整体功率上升3.2%的结果。这证明了基于floris尾流分析的风机聚类分布式运维算法的有效性。
2.大规模风电机组
在小规模风机组的运维环境下，本发明生成的运维策略具备了显著的运维优化效果。因此，进一步面向大规模风电机组的验证更加必要。与小规模风电机组情况类似，大规模的风电机组策略同样需要首先通过floris对风机尾流情况做基本标定，对于75组风机的风电机组，基础状态如图6所示。
在完成基础状态标定后，需要根据风环境特征进行相应聚类。参照前文聚类规则，对应的风电机75点位多分类结果如图7所示。
在明确了多分类聚类结果后，需要针对多分类结果进行进一步的运维策略运算。与小规模运维策略类似，通过floris进行分布式计算之后，得到的具体运维策略如下：
偏航角：
风机0 = 1.4260737364485676e-19deg
风机1 = 3.7113308084228796e-19deg
风机2 = 3.528955155376349e-19deg
风机3 = 3.062395112893948e-20deg
风机4 = 2.2710526692043613e-19deg
风机5 = 3.068917059940392e-17deg
风机6 = 7.763885177972746e-20deg
风机7 = 4.3568459306597204e-17deg
风机8 = 2.4403660630372e-17deg
风机9 = 2.281530999530837e-17deg
风机10 = 1.5416766779982902e-19deg
风机11 = 4.7850204992557165e-20deg
风机12 = 0.10712788033282276deg
风机13 = 9.272199655210966e-20deg
风机14 = 5.237698818852013e-20deg
风机15 = 1.1042183688918582e-16deg
风机16 = 8.859354504303335deg
风机17 = 7.140419882339282e-20deg
风机18 = 1.5195421546687717e-19deg
风机19 = 21.230576358730783deg
风机20 = 5.740402255696623deg
风机21 = 5.653274412487413deg
风机22 = 3.074377191857928deg
风机23 = 8.976448782858853deg
风机24 = 0.6425705445718798deg
风机25 = 0.08266721117419806deg
风机26 = 2.783886691379187e-18deg
风机27 = 0.10987920925168602deg
风机28 = 2.99431790081992deg
风机29 = 3.866791807767403deg
风机30 = 2.4178172748267795e-19deg
风机31 = 2.120392312650514deg
风机32 = 6.712096938095481deg
风机33 = 21.36303463125439deg
风机34 = 3.567000122527707deg
风机35 = 1.4930734203404494e-20deg
风机36 = 15.758174734416293deg
风机37 = 2.2681521358030636deg
风机38 = 4.6255660709050075e-20deg
风机39 = 2.7240287528703793e-19deg
风机40 = 5.115758441894105e-20deg
风机41 = 3.8117208933345607e-20deg
风机42 = 1.4982167352775903e-20deg
风机43 = 21.870979590168343deg
风机44 = 3.439264958471245e-20deg
风机45 = 3.818028402535457e-20deg
风机46 = 5.660038120234808e-20deg
风机47 = 11.962184021494828deg
风机48 = 1.1530093466147674e-18deg
风机49 = 1.6362695442814282e-17deg
风机50 = 2.4500350095161596deg
风机51 = 7.649039347704213deg
风机52 = 1.6719108678157789e-18deg
风机53 = 4.516525207262788e-17deg
风机54 = 1.4358237779931347e-20deg
风机55 = 5.4087185627098565e-18deg
风机56 = 1.953923814101861e-18deg
风机57 = 2.0253433665763164e-20deg
风机58 = 16.872884793749083deg
风机59 = 1.5054010792132082e-18deg
风机60 = 5.32795529591577e-20deg
风机61 = 3.342236150105095e-18deg
风机62 = 2.085686269271789deg
风机63 = 2.0268249199782016deg
风机64 = 0.4544036825940438deg
风机65 = 4.377562942180081e-18deg
风机66 = 9.467239989617932e-18deg
风机67 = 1.5975136790663397e-20deg
风机68 = 2.565781248740942e-20deg
风机69 = 11.501367647461986deg
风机70 = 1.5221813364181566e-19deg
风机71 = 1.8829867696214407e-17deg
风机72 = 1.9643634922743522e-20deg
风机73 = 3.834406633797243e-21deg
风机74 = 9.487043278619524e-20deg
总功率增加 = 2.4%
为突出对比性，策略的具体落实情况如图8所示，按照策略进行风机运维策略的运行之后，整体风机组的运行功率提升为2.4%。由于风机组规模的上升，整体尾流影响更加复杂，对全局尾流的均衡调整也更加困难，因此相较于小规模风机组情况，该提升率有所下降。但可以确定的是，调整后的风机运维策略仍然能够显著的提升全局风电机组的运行效率。
本发明实施例还提供一种存储介质，用于存储计算机程序，该计算机程序被执行时至少执行如上所述的方法。
本发明实施例还提供一种控制装置，包括处理器和用于存储计算机程序的存储介质；其中，处理器用于执行所述计算机程序时至少执行如上所述的方法。
本发明实施例还提供一种处理器，所述处理器执行计算机程序，至少执行如上所述的方法。
所述存储介质可以由任何类型的非易失性存储设备、或者它们的组合来实现。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，ErasableProgrammable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，ElectricallyErasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，FerromagneticRandom Access Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明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。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本发明所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本发明所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本发明所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于尾流分析的风机场聚类分布式运维方法，其特征在于，包括：
根据各风机点位信息及风环境信息，确定各风机点位之间受尾流效应影响的显著关系；
设定聚类标准，根据各风机点位之间受尾流效应影响的显著关系，对各风机点位进行聚类分析，确定各风机点位之间的相关程度，将相互之间受尾流效应影响显著的风机点位划归一类，使得分类后，类内风机点位之间受尾流效应影响相对较大，类间风机点位之间受尾流效应影响相对较小；
在聚类结果基础上，通过尾流分析对每个风机类别进行分析和规划，分布式地得出各风机类别的运维策略；
所述尾流分析包括：利用floris分析方法和高斯模型建立风机高斯尾流模型，其中，根据如下公式得到标准化尾流影响：
；
其中，表示风机所在位置的三维坐标，/>代表在对应位置的尾流影响，/>代表自由流场速度，/>代表风推力系数，/>代表风机支撑高度，/>代表转子直径，参数K表示如下：
；
其中，代表实验和LES观测数据确定的尾流的增益比，/>代表转子处的质量流量亏缺率。
2.如权利要求1所述的风机场聚类分布式运维方法，其特征在于，设定的聚类标准包括：以风机沿横向风场的距离作为影响尾流速度的主因，以风机沿纵向风场的距离作为影响尾流速度的副因，其中，横向风场是垂直于风机叶片的风场。
3.如权利要求1所述的风机场聚类分布式运维方法，其特征在于，在聚类过程中，先将聚类阈值初始化为0，每个风机点位自成一个类别，通过逐渐增大聚类阈值来进行不同风机点位的分类，直到将占比达到预定程度的绝大部分风机点位归入到已有的类别中，获得总体聚类结果。
4.如权利要求3所述的风机场聚类分布式运维方法，其特征在于，所述聚类过程还包括：针对剩余的风机点位实施无放回聚类处理，增大聚类阈值，直到将剩余的风机点位全部归入已得出的类别里。
5.如权利要求3所述的风机场聚类分布式运维方法，其特征在于，所述聚类过程中，针对各个子类，根据由前到后顺序，以递推的形式逐个求解满足聚类阈值的单一风机的偏航角，其中，每两个风机作为一个子集，按照如下公式求解：
；
为横向风分量速度；/>为纵向风分量速度；/>为速度增益系数；/>为横向方向风机距离； />为纵向方向风机距离；/>为横纵向注意力系数；/>为横向影响因子；/>为纵向影响因子；/>为聚类阈值；/>为横向风分量速度增益；/>为纵向风分量速度增益。
6.如权利要求1至5任一项所述的风机场聚类分布式运维方法，其特征在于，所述尾流分析还包括：在高斯尾流模型的基础上得到Curl模型，假设流场的压力梯度变化为0的条件下，通过Curl尾流推导算法进行尾流推导。
7.如权利要求1至5任一项所述的风机场聚类分布式运维方法，其特征在于，所述运维策略包括根据分布式策略的运维规则，通过控制不同类别风机组的风机的偏航角，调整风机的叶片朝向，以提升风机组的整体功率。
8.如权利要求1至5任一项所述的风机场聚类分布式运维方法，其特征在于，所述运维策略包括根据全局风机状态信息，确定不同类别风机组的风机在各自偏航角下的全局功率，根据全局功率进行全局风机运维的调整和执行。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序由处理器执行时，实现如权利要求1至8任一项所述的风机场聚类分布式运维方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410158043.6A CN117709942B (zh) | 2024-02-04 | 2024-02-04 | 基于尾流分析的风机场聚类分布式运维方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410158043.6A CN117709942B (zh) | 2024-02-04 | 2024-02-04 | 基于尾流分析的风机场聚类分布式运维方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117709942A CN117709942A (zh) | 2024-03-15 |
| CN117709942B true CN117709942B (zh) | 2024-05-10 |
Family
ID=90151920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410158043.6A Active CN117709942B (zh) | 2024-02-04 | 2024-02-04 | 基于尾流分析的风机场聚类分布式运维方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117709942B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016023527A1 (zh) * | 2014-08-14 | 2016-02-18 | 国家电网公司 | 一种基于测风塔测风数据的风电场弃风电量确定方法 |
| CN111682592A (zh) * | 2020-05-13 | 2020-09-18 | 九江学院 | 一种分布式风电场功率优化方法及装置 |
| WO2022110938A1 (zh) * | 2020-11-27 | 2022-06-02 | 中国华能集团清洁能源技术研究院有限公司 | 一种考虑风电场局地环境因素的尾流计算方法 |
| CN115081346A (zh) * | 2022-08-24 | 2022-09-20 | 南京国电南自维美德自动化有限公司 | 一种风电机组尾流效应下的健康度判断方法、装置及介质 |
| CN115133522A (zh) * | 2022-05-24 | 2022-09-30 | 沈阳工业大学 | 风机并网次同步振荡监测网络构建与分层重构抑制方法 |
| CN116221021A (zh) * | 2023-04-10 | 2023-06-06 | 香港大学深圳研究院 | 一种基于多层人工智能体系的风电场协同偏航控制方法 |
-
2024
- 2024-02-04 CN CN202410158043.6A patent/CN117709942B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016023527A1 (zh) * | 2014-08-14 | 2016-02-18 | 国家电网公司 | 一种基于测风塔测风数据的风电场弃风电量确定方法 |
| CN111682592A (zh) * | 2020-05-13 | 2020-09-18 | 九江学院 | 一种分布式风电场功率优化方法及装置 |
| WO2022110938A1 (zh) * | 2020-11-27 | 2022-06-02 | 中国华能集团清洁能源技术研究院有限公司 | 一种考虑风电场局地环境因素的尾流计算方法 |
| CN115133522A (zh) * | 2022-05-24 | 2022-09-30 | 沈阳工业大学 | 风机并网次同步振荡监测网络构建与分层重构抑制方法 |
| CN115081346A (zh) * | 2022-08-24 | 2022-09-20 | 南京国电南自维美德自动化有限公司 | 一种风电机组尾流效应下的健康度判断方法、装置及介质 |
| CN116221021A (zh) * | 2023-04-10 | 2023-06-06 | 香港大学深圳研究院 | 一种基于多层人工智能体系的风电场协同偏航控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117709942A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bai et al. | Wind farm layout optimization using adaptive evolutionary algorithm with Monte Carlo Tree Search reinforcement learning | |
| González et al. | Maximizing the overall production of wind farms by setting the individual operating point of wind turbines | |
| CN112459965B (zh) | 考虑风电场尾流的偏航优化控制方法、装置、设备及介质 | |
| CN113591359B (zh) | 一种风电机组切入/切出风速调优方法、系统及设备介质 | |
| CN107035618B (zh) | 一种基于尾流效应的风电场优化控制方法 | |
| CN114169614B (zh) | 一种基于风力机尾流模型优化的风电场优化调度方法及系统 | |
| WO2019148770A1 (zh) | 切出策略自适应调整的方法及装置 | |
| CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
| CN108022019B (zh) | 基于风电机组分类的风电场调度方法和系统 | |
| 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 | |
| CN108256712B (zh) | 风电场场群的控制方法及装置 | |
| CN114707437A (zh) | 一种水平轴风力机三维全尾流模型的建立方法 | |
| CN117709942B (zh) | 基于尾流分析的风机场聚类分布式运维方法 | |
| CN116378897B (zh) | 一种风电场偏航角控制方法及装置 | |
| Li et al. | Wind power forecasting based on time series and neural network | |
| Hao et al. | Aerodynamic and aeroacoustic optimization of wind turbine blade by a genetic algorithm | |
| CN109779836B (zh) | 一种基于遗传算法寻优的风力发电机组发电量提升方法 | |
| Kazda et al. | Possible improvements for present wind farm models used in optimal wind farm controllers | |
| Ahmad et al. | Analysis of two onshore wind farms with a dynamic farm controller | |
| CN113279904B (zh) | 一种风电机组最大功率跟踪的桨距角寻优方法及装置 | |
| KR102540822B1 (ko) | 풍력 발전 단지의 실시간 전력 최적화 방법 및 이를 수행하는 장치 | |
| CN116292097A (zh) | 基于激光雷达智能感知的风机组控制方法及系统 | |
| CN117725824A (zh) | 一种考虑载荷约束的风电场布局优化方法与装置 | |
| Serrano González et al. | Optimal Pitch Angle Strategy for Energy Maximization in Offshore Wind Farms Considering Gaussian Wake Model. Energies 2021, 14, 938 | |
| Tuzuner et al. | A STOCHASTIC-OPTIMIZATION MODEL FOR DETERMINING THE OPTIMAL MICRO-SITING OF WIND TURBINES |
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 |