一种基于多目标优化的风电场协同偏航智能控制方法与流程

本发明涉及风力发电技术领域，具体地说，涉及一种基于多目标优化的风电场协同偏航控制方法。

背景技术：

风能(windenergy)是空气流动所产生的动能，太阳能的一种转化形式。由于太阳辐射造成地球表面各部分受热不均匀，引起大气层中压力分布不平衡，在水平气压梯度的作用下，空气沿水平方向运动形成风。风能资源的总储量非常巨大，一年中技术可开发的能量约5.3x10¹³千瓦时。

作为可再生能源的重要一环，风能在我国储量丰富，风力发电被认为是解决我国能源需求和环境问题的有效方式之一。随着陆上风电技术的快速发展，陆地资源日益紧张；海上风电技术虽然具有有效节约陆地资源，降低视觉和噪音污染等优点，然而，风电场受经济条件和地形环境的限制，往往均排布紧凑。同时，风电场在运行过程中，风速经过风力发电机组叶轮后会带来下游处风速的变化，如风速减小、湍流增大，从而形成尾流效应，最终影响尾流区内风力发电机组的功率输出和疲劳载荷。利用先进传感技术和控制方法对场内的各风力发电机组进行协同控制，能有效降低尾流影响，实现风电场总输出功率的提升和风机疲劳载荷的降低。

激光雷达测风技术可利用多普勒频移原理测得风电场内的风信息，其测量精度高，工作温度范围大，在风电场流场研究中具有广阔的应用前景。由于激光雷达测风仪能实现对风电场内动态风信息的实时捕获，因此激光雷达测风是建立风电场协同偏航控制系统的技术基础，具有深远的研究意义。

现有的风电场场级协同控制方法可分为轴向诱导因子控制和尾流重定向控制。前者通过改变风力发电机组的叶片桨距角和发电机扭矩来改变轴向诱导因子，从而实现风电场的整体性能最优。这种方法对整机供应商和风电场业具有很高的技术要求。另一种方法是通过改变上游风力发电机组的偏航角使得尾流发生偏转，通过改变下游风力发电机组的尾流环境实现优化。这种方法只需调整风电机组的偏航控制系统，具有更高的可行性。

为实现风电场系统性能优化，目前的研究大多是以提高风电场的总输出功率作为优化目标，而忽略了尾流给下游风力发电机组带来的疲劳载荷的增长，这影响风机的使用寿命，大大降低风电场系统的经济效益。

技术实现要素：

本发明的目的是提供一种基于多目标优化的风电场协同偏航智能控制方法，综合考虑了风电场多个性能指标，通过协同偏航控制策略降低尾流效应带来的影响，实现多目标优化。

为了实现上述目的，本发明提供的基于多目标优化的风电场协同偏航智能控制方法，包括以下步骤：

1)建立风电场协同偏航仿真系统，包括风电场排布、风力发电机组模型和风电场动态流场模型，计算风电场发电功率；

2)建立风力发电机组多维工况载荷数据库，用于所述风电场协同偏航系统的检索和实时控制；

3)测量风电场各机组精细流场、功率输出和动态载荷，并完成所述风电场协同偏航仿真系统和所述风力发电机组多维工况载荷数据库的参数校准；

4)建立包含风电场发电功率、风电机组关键结构疲劳载荷、偏航控制能量损耗的多目标优化函数；

5)基于步骤1)2)3)建立经校准的风电场协同偏航仿真系统和风力发电机组多维工况载荷数据库，利用智能优化算法和步骤4)建立的多目标优化函数，在线智能搜索风电场在实测来流风下各风力发电机组偏航角最优解，再将最优偏航控制指令传输至各机组，形成基于多目标优化的风电场协同偏航控制。

优选的，步骤1)中，所述的风电场排布包括风力发电机组安装数量、阵列的布局方式和排布间距；所述的风力发电机组模型采用制动盘模型(actuatordiskmodel，adm)，根据风电场实际情况设定机组转子面半径、初始偏航角和初始桨距角；所述的风电场动态流场模型包含湍流模型和流场模型，其基于纳维-斯托克斯方程，通过设定边界条件和初始条件进行建模。

所述的风电场协同偏航仿真系统根据风电场实测来流风信息，实现风电场各机组偏航情况下的尾流动态模拟，从而预测风电场中风力发电机组i的当地风速并计算其发电功率，计算公式如下：

式中，ρ为风电场空气密度，ai为风力发电机组i的转子面面积，ai＝πri²，cp为风力发电机组i的功率系数，ui为风力发电机组i所受的当地风速大小，γi为风力发电机组i的偏航角，ri为风力发电机组i的半径，为环境风入流角；

风电场的总发电功率即为风电场内所有风力发电机组的发电功率之和：

p＝∑pi

优选的，步骤2)中，利用风力机动力学仿真系统(包括但不限于bladed，fast，hawc2等)分别计算在不同环境工况下风力发电机组的塔筒底部和叶片根部所受疲劳载荷情况，工况参数包括但不限于风速、风向、机组偏航角、湍流强度、尾流宽度、尾流深度、尾流中心水平偏移、尾流中心垂直偏移，将工况参数和机组关键结构所受疲劳载荷的映射关系记录成一张多维度工况下的疲劳载荷数据库，即智能数据库。

风力发电机组在偏航控制下所受到的尾流效应与以下7个参数有关，分别为：环境风风速、湍流强度、偏航输入角、尾流深度、尾流宽度、尾流中心的水平偏移量、尾流中心的垂直偏移量。

为了准确捕获风力发电机组在运行过程中所受疲劳载荷情况，利用风力机动力学仿真系统计算风力发电机组在不同环境工况下的载荷特性。设定不同的环境风风速、风力发电机组偏航角输入、湍流强度、尾流宽度和尾流深度等各个参数值，仿真计算对应工况下的风力发电机组疲劳载荷情况，并将该映射关系记录成一张多维度的智能数据库。具体仿真工况如下表所示：

其中，风力发电机组动力学仿真系统研究对象为5mw的nrel风力发电机组；设定风力发电机组的环境来流风风速介于3m/s到29m/s之间；湍流强度介于0％到30％之间；尾流宽度分别为1.2倍、1.4倍、1.6倍、1.8倍、2.0倍、2.2倍、2.4倍的风力发电机组直径；尾流深度数值为尾流中心衰减风速与环境风速的比值，分别设定为0、0.1、0.2、0.25、0.3、0.4和0.5；尾流中心水平偏移量是尾流中心与转子面中心在水平方向上的距离，分别设定为0到1.8倍转子直径大小；尾流中心垂直偏移量是尾流中心与转子面中心在垂直方向上的距离，分别设定为0到0.2倍转子直径大小；5mw的nrel风力发电机组偏航角分别设定为-30°、-25°、-20°、-15°、-10°、-5°、0°、5°、10°、15°、20°、25°、30°等13种情况；每种工况下都用3个随机生成的风种子进行仿真应用，以确保环境风生成的随机性。在其他工况(除了上述列举工况)下，风力发电机组所受疲劳载荷将利用插值法计算其载荷情况，由此得到所有可能工况下5mw的nrel风力发电机组由于尾流影响所产生的疲劳载荷情况，最终得到各类工况条件与风力发电机组所受疲劳载荷之间的映射关系。

优选的，步骤3)中，利用风电场各机组搭载的激光雷达、振动监测仪、scada等监测系统，测量实际风电场中各机组精细流场、功率输出和关键结构的动态载荷，并完成风电场协同偏航仿真系统和风力发电机组多维工况载荷数据库的参数校准。

优选的，步骤4)包括：

4-1)利用步骤2)求得的风力发电机组疲劳载荷数据库，通过智能搜索获得风电场中的风力发电机组关键结构所受到最大疲劳载荷：

del＝delmax

4-2)计算风电场在偏航过程中所消耗的总能量：

式中，pi为风力发电机组i进行偏航控制时的输出功率，ti为风力发电机组i偏航过程所经历的时间，δθi为风力发电机组i偏航所转过的角度，ωi为风力发电机组i偏航角速度；风力发电机组i偏航消耗能量为偏航输出功率与偏航时间的乘积；

4-3)对获得的风电场阵列总发电功率、机组所受最大疲劳载荷和偏航控制所消耗能量等三个优化目标进行归一化处理，确定各优化目标在优化中的占比权值，建立风电场多目标优化函数，并将其作为优化算法的目标函数。

优选的，步骤4-3)中，利用步骤1)、4-1)、4-2)中求得的风电场阵列总发电功率、风力发电机组关键结构所受最大疲劳载荷和偏航过程中所消耗的总能量信息，进行多目标优化。将三个优化目标进行归一化处理，使三个目标参量分别归一化到(0，1)区间内，避免因三个优化目标的数值相差太大而导致算法偏向某一个目标的优化导致多目标优化无意义。归一化方法的具体计算如下：

假设运行过程中，风电场的总输出功率为风电场最大总输出功率为最小总输出功率为对总输出功率进行如下归一化：

假设运行过程中，风电场内受到最大疲劳载荷的风力发电机组所受疲劳载荷为delmax，在不同工况下风电场内受到最大疲劳载荷的风力发电机组所受最大疲劳载荷为(delmax)max，所受最小疲劳载荷为(delmax)min，对最大疲劳载荷进行如下归一化：

假设运行过程中，风电场中的各台风力发电机组进行偏航控制所消耗的总能量为风电场进行偏航控制时最大总消耗能量为最小总消耗能量为对偏航控制总消耗能量进行如下归一化：

建立风电场仿真系统的多目标优化函数：

j＝k1pnorm-k2delnorm-k3wnorm

式中，pnorm为归一化后m×n阵列风电场的总发电功率，delnorm为归一化后风电机组关键结构所受的最大疲劳载荷,wnorm为归一化后m×n阵列风电场在偏航控制过程中总消耗能量；k1、k2、k3分别为仿真模型中风电场总输出功率、风力发电机组所受最大疲劳载荷和偏航控制总消耗能量的权重系数。根据风电场实际情况和对以上三个优化目标的重视程度来调整权重系数的大小。

优选的，步骤5)包括：

5-1)设定智能优化算法的相关参数，将风电场内所有风力发电机组的偏航角输入信息设为优化参数，确定初始参数值和迭代终止条件；

5-2)利用步骤4-2)建立的多目标优化函数对优化参数进行迭代寻优，找到系统偏航输入角的最优解，以使得目标函数达到最大值，再将最优偏航控制指令传输至各机组，进而形成基于多目标优化的风电场协同偏航控制。

与现有技术相比，本发明的有益之处在于：

本发明考虑了风电场中尾流场的扩散与相互作用，其与湍流强度相关，扩散呈非线性，符合实际情况；

本发明利用风力机动力学仿真系统详细研究不同环境风工况作用下单台风力发电机组所受疲劳载荷情况，能更准确把握风力发电机组在各种工况下的负载情况；同时将仿真结果作为风电场多目标优化的一个重要指标，能更准确地实现多目标优化；

本发明考虑了各风力发电机组在偏航控制过程中所消耗的能量，并将其作为多目标优化中的一个指标，能更全面实现风电场的优化，符合实际情况，大大提升了风电场经济效益。

附图说明

图1为本发明实施例中风力发电机组在尾流作用及偏航工作状态下的各参数示意图；

图2为本发明实施例中风力发电机组转子面与上游风力发电机组产生尾流发生局部重叠的截面图；

图3为本发明实施例中风电场协同偏航仿真系统；

图4为本发明实施例中基于多目标优化的风电场协同偏航智能控制系统图；

图5为本发明实施例中基于多目标优化的风电场遗传算法的优化原理图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合实施例及其附图对本发明作进一步说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的实施例，本领域普通技术人员在无需创造性劳动的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。

除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

实施例

参见,图3至图5，本实施例的基于多目标优化的风电场协同偏航智能控制方法包括以下步骤：

s100，建立风电场协同偏航仿真系统，设计长1500m宽2500m的仿真流场并建立坐标系，按3×3阵列布放9台nrel-5mw的风力发电机组，每台风力发电机组在x轴、y轴方向上分别相距380m(3d)和630m(5d)，风力发电机组直径取126.4m，推力系数取1.0，额定功率取5mw，初始偏航角均为0°。

s200，利用纳维-斯托克斯方程建立风电场动态流场模型，同时建立湍流模型和流场模型等各类子模型；结合风电场机载式激光雷达测风仪获取每台风力发电机组的风信息，对模型参数进行校准。

s300，计算风力发电机组i的当地风速：根据步骤s100和步骤s200所建立的风电场协同偏航仿真系统计算得到风速传播的情况，即可获得动态流场模型内每个单位点的风速信息，从而根据风力发电机组i所在位置得到风力发电机组i的当地风速。

s400，根据各个风力发电机组所受风速，计算风电场阵列的总发电功率。

计算某时刻下风力发电机组i的发电功率：

式中，空气密度ρ＝1.2g/ml；ai为风力发电机组i的转子面面积，ai＝πri²；ri为风力发电机组i的半径，ri取为63.2m；cp为风力发电机组i的功率系数，取cp为1.0；ui为风力发电机组i所受的当地风速大小；γi为风力发电机组i的偏航角；为输入风向角，取为0°。

计算某时刻下风电场阵列的总发电功率：

p＝∑pi

式中，风电场的总发电功率即为风电场内所有风力发电机组的发电功率之和。

s500，根据风电场的实际工况，得到各风力发电机组所受疲劳载荷情况。利用风力机动力学仿真系统计算5mw-nrel风力发电机组在不同环境风工况作用下所受疲劳载荷情况，整理仿真结果并建立多维度的风力发电机组载荷智能数据库。根据各个风力发电机组所受风速分布情况，通过对数据库进行快速检索得到在仿真流场对应的工况下各风力发电机组关键结构所受最大疲劳载荷情况。

风力发电机组在偏航控制下所受到的尾流效应与以下7个参数有关，分别为：环境风风速、湍流强度、偏航输入角、尾流深度、尾流宽度、尾流的水平偏移量、尾流的垂直偏移量。图1和图2为各个参数在风力发电机组偏航工作状态下的示意图，更好地描述他们在实际工况下的状态。

s600，利用风电场各机组搭载的激光雷达、振动监测仪、scada等监测系统，测量风电场各机组精细流场、功率输出和动态载荷，并完成风电场协同偏航仿真系统和风力发电机组多维工况载荷数据库参数校准。

s700，利用建立并校准后的风力发电机组疲劳载荷数据库，通过智能搜索获得风电场中的风力发电机组关键结构所受到最大疲劳载荷：

del＝delmax

s800，计算风电场在偏航过程中所消耗的总能量：

式中，pi为风力发电机组i进行偏航控制时的输出功率，ti为风力发电机组i偏航过程所经历的时间，δθi为风力发电机组i偏航所转过的角度，ωi为风力发电机组i偏航角速度；风力发电机组i偏航消耗能量为偏航输出功率与偏航时间的乘积；

s900，建立风电场多目标优化函数：

对步骤s400、s700、s800求得的风电场阵列总发电功率、风力发电机组关键结构所受最大疲劳载荷和偏航控制所消耗总能量等信息进行归一化处理，确定各优化目标在优化中的占比权值，建立风电场仿真系统的多目标优化函数：

j＝k1pnorm-k2delnorm-k3wnorm

式中，pnorm为归一化后m×n阵列风电场的总发电功率，delnorm为归一化后风电场阵列中风电机组关键结构所受的最大疲劳载荷,wnorm为归一化后m×n阵列风电场在偏航控制过程中总消耗能量。取m＝n＝3，发电功率、疲劳载荷等数值随流场内环境风速的变化而变化；k1、k2、k3分别为仿真模型中风电场总输出功率、风电机组关键结构所受的最大疲劳载荷和偏航控制总消耗能量的权重系数，取k1＝1，k2＝k3＝0.5。

s1000，选择遗传优化算法作为风电场系统的智能优化算法，设定遗传算法的相关优化参数：进化代数取50代，每代种群个体数为30个，交叉概率取0.8，变异概率取0.1。

s1100，建立个体k的适应度函数：

式中，fi为个体i从零偏航状态开始运行t时间内的适应度，ji为某一时刻在个体i偏航角控制下m×n阵列风电场的多目标优化函数值。现取t＝600s，m＝n＝3，研究3×3风电场从零偏航状态开始运行600s的适应度。由于实际风电场在运行过程中，单位时间内偏航角度的改变量有一定的限制，因此控制风电场仿真模型中各风力发电机组在从零偏航状态下开始进行偏航操作时偏航角的角速度变化量为-0.3°/s～0.3°/s，使得仿真系统更符合实际风电场的应用条件。

s1200，利用遗传算法对种群个体进行选择、交叉和变异操作，实现迭代寻优。按照各个个体的适应度所占比例大小来对种群个体进行选择；将现有种群内的可行解个体转化成二进制编码，并对转化后的遗传编码进行随机搭配，每一对被选择的个体按照0.8的交叉概率交换其遗传编码，从而产生新的更优的个体；再按照0.1的变异概率，判断是否对转化后的遗传编码进行变异，最后对随机选择的基因位值取反，得到新的遗传编码。将新的二进制编码转化为实数值，组成新的个体。对加入交叉和变异产生的个体的种群中，计算风电场阵列发电功率、单台风力发电机组所受最大疲劳载荷、偏航控制消耗能量和适应度值；在种群中选取适应度最高的个体加入新种群；判断是否达到种群进化代数，若否，则采用新种群回到步骤s1000，继续进化。

s1300，将迭代得到的最优偏航控制指令传输至各机组，进而形成基于多目标优化的风电场协同偏航控制，实现多目标优化。

根据优化结果可得在协同偏航控制下风电场总发电功率提升了16.9％，实现了风电场系统的多目标优化效果。