基于局域疲劳载荷均衡的海上风电场功率调度方法

1.本发明涉及一种风电场功率调度优化方法，特别涉及一种基于局域疲劳载荷均衡的海上风电场功率调度方法。


背景技术：

2.能源危机已经成为现代社会的主要问题之一，传统化石能源带来的环境污染问题日益严重，新能源利用领域亟待发展。风能是一种具有资源丰富、产业基础好、经济竞争力强且环境影响小的可再生能源。2020年，全球新安装的风电容量高达93gw，全球总装机容量已上升到743gw。随着全球总装机容量的增长，陆上可安装风电机的地点越来越少。相比陆上风电场，海上风电场具有可捕获风能更多和对居民的生活影响不大等优点。截至2020年末，海上风电装机容量仅32.5gw，远小于陆上风电容量。因此，海上风电场具有巨大的潜力，并获得越来越多的关注。
3.然而，海上风电利用也面临着一些弊端，如海上风电场维护成本高，以至于其经济效益并不优于陆上风电场。其主要原因之一是维护时应用直升机和船只访问海上风电机，单次维护费用较为昂贵。因而，海上风电场的维护成本与其维护频率直接相关。造成海上风电场维护频率较高的主要原因之一是风电机疲劳载荷分布不均衡。该不均衡的疲劳载荷分布是由使用传统风电场调度方法带来的严重尾流效应引起的。当材料受到反复加载和卸载时，会产生疲劳。在海上风电场中，短期风速波动或湍流等现象，使风电机部件出现疲劳，进而缩短整台风电机的使用寿命。作为一种新兴技术，适当的风电机调度方法可有效提高风电机的性能。一类风电机调度方法通过最大化风电产能，来增加风电场利润。其中，风电机的最大功率点跟踪(mppt)方法是该类调度方法中最为典型的一种，mppt方法主要调度内容是使每台风电机捕获最大风能。在mppt的基础上，又有研究者提出风电场最大功率点跟踪方法，将调度目标改进为使风电场总产能最大。这类调度方法一般不考虑疲劳载荷，导致风电机承受更多的疲劳载荷或风电场疲劳分布的恶化。另一类调度方法旨在减少单台风电机的疲劳载荷；然而，由于单台风电机受到风电场内其他风电机的尾流效应叠加的影响，造成该风电机产能减少或疲劳载荷增大。上述的调度方法难以针对风电场中不均衡性的风电机疲劳分布进行有效的优化。因此，有必要提出考虑疲劳分布的风电场调度方法。
4.现有的考虑疲劳分布的风电场调度方法，大多采用全场疲劳载荷方差作为疲劳分布的均衡性指标。全场疲劳载荷方差可以反映整个风电场的疲劳载荷分布的均衡情况，作为目标函数进行优化，可以提高风电场内风电机的平均寿命、减少风电场平均维护频率，进而降低海上风电场的维护成本。然而，该类调度方法大多没有考虑离群风电机的存在(离群风电机定义为在疲劳分布上与周围风电机相差较大的风电机，这些离群风电机需要进行单独维护)，实际风电场应用中该类调度方法难以令风电场达到最优效能。


技术实现要素：

5.本发明目的在于克服上述现有技术存在的问题和缺陷，提出一种基于局域疲劳载
荷均衡的海上风电场功率调度方法。
6.本发明的目的是通过以下技术方案实现的：一种基于局域疲劳载荷均衡的海上风电场功率调度方法，该方法包括以下步骤：
7.1)获取海上风电场气象参数和风电机排布位置信息，获得风电机推力系数和功率系数与桨距角的关联关系；
8.2)将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作为搜索域，应用快速非支配排序遗传算法在搜索域内对所有风电机的桨距角进行优化，在搜索域内随机生成风电机的初始调度方案矩阵作为算法初始解，矩阵的每一行代表风电场的一种调度方法，矩阵的行数代表算法每代种群的个体数，对矩阵进行编码；
9.3)计算当代每个个体的适应度值，其中适应度由风电场产能指标和局域疲劳载荷均衡性指标两部分组成；
10.4)根据每个个体的适应度值进行非支配排序和拥挤度计算，根据排序结果生成新的种群，并得到当代最优解集，结合历史最优解集记录，求出全局最优解集及其对应的个体群；
11.5)判断是否达到算法最大迭代次数或设定收敛标准，若是，则在全局最优解集对应的个体群中，挑选局域疲劳载荷均衡性指标对应的适应度值最小的个体，并解码作为优化后的调度方案，完成风电机功率调度优化，否则进行步骤6)；
12.6)根据竞标赛选择方法，在当代所有个体中选择部分个体作为父代种群，以保证每一代种群大小相同，再根据设定的交叉率和变异率，进行交叉操作和变异操作后，将父子代种群合并，并返回步骤4)。
13.进一步地，所述步骤3)中，每个个体的适应度由两个适应度函数组成，个体适应度fitness计算公式为：
[0014][0015]
其中：fitness(1)是风电场产能指标对应的适应度值；fitness(2)是局域疲劳载荷均衡性指标对应的适应度值；aep是风电场年平均发电量；n是风电场风电机总台数；每台风电机形成的局域是以该风电机为圆心，r为局域规模半径的圆形区域；f
i
，i＝1，2，
…
，n是第i台风电机对应的局域疲劳载荷均衡性指标，其表达式为：
[0016][0017]
其中：对于第i台风电机，n
i
是该风电机形成的局域内的风电机总数(包括第i台风电机自身)，是该风电机形成的局域内的风电机组疲劳载荷均值，f
i，j
,j＝1，2，
…
，n
i
是属于该风电机局域内的第j台风电机的疲劳载荷，w
i
是该风电机的局域风电机密度权
重，
[0018]
进一步地，根据实际维护策略调整局域规模半径r大小，进一步降低维护频率，更符合海上风电场实际运维需求。
[0019]
与现有技术相比，本发明具有以下优点：
[0020]
1.提出局域疲劳载荷均衡性指标。对全场疲劳载荷均衡性指标进行改进，松弛全场疲劳载荷均衡方法对全场疲劳载荷分布的约束，在提高海上风电场总产能的同时，有效减少离群风电机的数目，降低海上风电场维护频率。
[0021]
2.实用性强。因为是对运维结合起来进行研究的，在风电场功率调度过程考虑维护频率与疲劳载荷分布的相关性，在满足海上风电场产能需求的同时降低维护频率，更符合海上风电场实际运维需求。
[0022]
3.灵活度高。可以根据实际维护策略调局域规模半径r大小，进一步降低维护频率。
附图说明
[0023]
图1是本发明方法的流程图；
[0024]
图2是实施例使用本发明进行功率调度后的疲劳载荷分布结果图；
[0025]
图3是使用同时优化全场的疲劳载荷均衡性指标和产能指标的调度方法进行功率调度后的疲劳载荷分布结果图；
[0026]
图4是使用风电场最大功率点跟踪调度方法进行功率调度后的疲劳载荷分布结果图。
具体实施方式
[0027]
以下结合例图对本发明的实施作如下详述：
[0028]
实施例
[0029]
本实施例对某海上风电场进行功率调度优化。在该10
×
10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100台。假设风电机在额定工作状态下寿命为15年，考察功率调度1年后的风电场疲劳载荷分布情况。两个优化目标分别是风电场总产能量与局域疲劳载荷均衡性。整个过程的流程如图1所示，实施步骤具体如下：
[0030]
1)获取海上风电场气象参数和风电机排布位置信息，获得风电机推力系数和功率系数与桨距角的关联关系；
[0031]
2)将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作为搜索域，应用快速非支配排序遗传算法在搜索域内对所有风电机的桨距角进行优化，在搜索域内随机生成风电机的初始调度方案矩阵作为算法初始解，矩阵的每一行代表风电场的一种调度方法，矩阵的行数代表算法每代种群的个体数，对矩阵进行编码；
[0032]
3)计算当代每个个体的适应度值，其中适应度由风电场产能指标和局域疲劳载荷均衡性指标两部分组成；
[0033]
4)根据每个个体的适应度值进行非支配排序和拥挤度计算，根据排序结果生成新的种群，并得到当代最优解集，结合历史最优解集记录，求出全局最优解集及其对应的个体群；
[0034]
5)判断是否达到算法最大迭代次数或设定收敛标准，若是，则在全局最优解集对应的个体群中，挑选局域疲劳载荷均衡性指标对应的适应度值最小的个体，并解码作为优化后的调度方案，完成风电机功率调度优化，否则进行步骤6)；
[0035]
6)根据竞标赛选择方法，在当代所有个体中选择部分个体作为父代种群，以保证每一代种群大小相同，再根据设定的交叉率和变异率，进行交叉操作和变异操作后，将父子代种群合并，并返回步骤4)。
[0036]
基于降低维护频率提出局域疲劳载荷均衡性指标，并将其作为优化目标之一，利用快速非支配排序遗传算法优化海上风电场的功率调度。每个个体的适应度由两个适应度函数组成，个体适应度fitness计算公式为：
[0037][0038]
其中：fitness(1)是风电场产能指标对应的适应度值；fitness(2)是局域疲劳载荷均衡性指标对应的适应度值；aep是风电场年平均发电量；n是风电场风电机总台数；每台风电机形成的局域是以该风电机为圆心，r为局域规模半径的圆形区域；f
i
,i＝1,2,
…
，n是第i台风电机对应的局域疲劳载荷均衡性指标，其表达式为：
[0039][0040]
其中：对于第i台风电机，n
i
是该风电机形成的局域内的风电机总数(包括第i台风电机自身)，是该风电机形成的局域内的风电机组疲劳载荷均值，f
i，j
，j＝1，2，
…
，n
i
是属于该风电机局域内的第j台风电机的疲劳载荷，w
i
是该风电机的局域风电机密度权重，
[0041]
可以根据实际维护策略调整局域规模半径r大小，进一步降低维护频率，更符合海上风电场实际运维需求。
[0042]
上述的基于局域疲劳载荷均衡的海上风电场功率调度方法主要包含种群初始化(种群中的每一个个体都代表风电场的一种功率调度方法)、编码、计算当代个体的适应值、进行非支配排序和拥挤度计算、通过选择操作、交叉操作和变异操作生成子代种群、将子代种群与父代种群合并等环节。整个实施例是按照图1中所示的流程，进行风电场功率调度方法相关计算。使用美国国家可再生能源实验室(nrel)的海上风资源信息输入本发明中设计的风电场功率调度方法中。图2是使用本发明的基于局域疲劳载荷均衡的海上风电场功率调度方法对100台风电机进行功率调度后的疲劳载荷分布结果图，其中引入离群风电机来进一步表征疲劳载荷分布的不均衡性，离群风电机定义为疲劳载荷与其局域内疲劳载荷均
值的相对偏差超过一定阈值的风电机，以百分比形式表征，图2、图3和图4中标注的圆点即为在该定义下相对偏差大于10％的离群风电机位置。
[0043]
图3给出本实施例使用传统的基于全场疲劳载荷均衡的调度方法得到的疲劳载荷分布结果图，可以看出虽然全场的疲劳载荷分布均衡性得到初步实现，但存在较多与其周围疲劳载荷值相差较大的离群风电机，这将导致需要对这些风电机进行单独维护，从而提高维护频率；而采用本发明的基于局域疲劳载荷均衡的海上风电场功率调度方法，松弛全场疲劳载荷均衡方法对全场疲劳载荷分布的约束，可以有效地使这些离群风电机聚拢成为属于它们自己的局域，从而在维护该局域内的一台风电机时可以有选择地对其周围风电机同时考虑维护措施(如：机会性维护)，有效地降低维护频率。
[0044]
图4给出本实施例使用传统的风电场最大功率点跟踪调度方法得到的疲劳载荷分布结果图，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，增加风电场维护频率，从而使海上风电场的运维成本较高。
[0045]
表1
[0046][0047]
表1给出以上三个调度方法关于产能、全场疲劳载荷方差及离群风电机三个指标的对比，可以看出，本发明基于局域载荷均衡的调度方法在保证产能与风电场最大功率点跟踪调度方法接近的同时，优化风电场的疲劳载荷分布的均衡性，而相较于基于全场疲劳载荷均衡的调度方法，基于局域载荷均衡的调度方法不仅提高产能水平，还降低离群风电机数目，减少需要进行单独维护的离群风电机数目，更适用于实际的维护行为。
[0048]
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。