考虑疲劳损伤的风电场排布优化方法、设备及介质

本申请涉及风力发电，具体提供一种考虑疲劳损伤的风电场排布优化方法、设备及介质。

背景技术：

1、风能是当今清洁能源转型的重要驱动力，风电场建设趋于大型化、基地化，这使得考虑疲劳损伤的风电场排布优化研究的重要性愈发凸显。与此同时，对于大型风电场来说，减少尾流效应和机组疲劳损伤是提高全场综合效益的迫切需求。

2、然而，传统的微观选址研究主要集中于通过应用各种优化算法或尾流模型，以最大化风电场总输出功率，这种单一优化目标设置无法充分兼顾风电场全生命周期综合效益，导致风电场的总输出功率不理想，风电场的疲劳损伤较大。

3、相应地，本领域需要一种新的考虑疲劳损伤的风电场排布优化方案来解决上述问题。

4、申请内容

5、为了克服上述缺陷，提出了本申请，以提供解决或至少部分地解决上述的技术问题。本申请提供了一种考虑疲劳损伤的风电场排布优化方法、设备及介质。

6、在第一方面，本申请提供一种考虑疲劳损伤的风电场排布优化方法，所述方法包括：获取所述风电场的属性信息和风资源信息；基于所述属性信息随机生成所述风电场中每个风电机组的坐标；基于所述风电场中每个风电机组的坐标建立初始种群，其中所述初始种群包括多个个体，每个个体是所述风电场中风电机组的排布方案；基于所述初始种群和所述风资源信息通过优化迭代得到帕累托前沿；从所述帕累托前沿中选取所述风电场的最优排布方案。

7、在一个具体实施方式中，所述基于所述初始种群和所述风资源信息通过优化迭代得到帕累托前沿，包括：基于所述风资源信息确定第一优化目标和第二优化目标；从所述初始种群出发，产生新的风电场机组排布方案组成优化种群，基于遗传算法对所述风电场的风电机组排布方案进行多目标优化，以实现最大化所述第一优化目标和最小化所述第二优化目标；在所述第一优化目标和所述第二优化目标均收敛的情况下，得到所述帕累托前沿。

8、在一个具体实施方式中，第一优化目标为每个个体对应的风电场的总输出功率，所述风资源信息包括环境来流风速；所述基于所述风资源信息确定第一优化目标，包括：获取当前风电机组风轮上预设点位的入流速度亏损；基于所述入流速度亏损和所述环境来流风速确定当前风电机组在预设风况下的轮毂前方风速；基于所述当前风电机组的轮毂前方风速和风电机组功率曲线确定当前风电机组在所述预设风况下的输出功率，其中所述风电机组功率曲线为风电机组的轮毂前方风速与风电机组的输出功率之间的对应关系；基于当前风电机组在所述预设风况下的输出功率确定所述风电场的总输出功率。

9、在一个具体实施方式中，所述第二优化目标为每个个体对应的风电场的疲劳损伤；基于下述步骤确定所述第二优化目标，包括：获取当前风电机组风轮上预设点位的入流附加流向湍流强度和环境湍流强度；基于所述入流附加流向湍流强度和所述环境湍流强度确定当前风电机组在预设风况下的风轮处湍流强度；基于当前风电机组的输出功率和所述风轮处湍流强度确定当前风电场中各风电机组的综合疲劳损伤；基于所述当前风电场中各风电机组的综合疲劳损伤确定所述风电场的疲劳损伤。

10、在一个具体实施方式中，所述基于所述当前风电场中各风电机组的综合疲劳损伤确定所述风电场的疲劳损伤，包括：基于所述当前风电场中各风电机组的综合疲劳损伤确定所述风电场的平均机组疲劳损伤和最大机组疲劳损伤；基于所述平均机组疲劳损伤和所述最大机组疲劳损伤确定所述风电场的疲劳损伤。

11、在一个具体实施方式中，所述属性信息包括所述风电场的区域范围和风电机组数量；所述基于所述属性信息随机生成所述风电场中每个风电机组的坐标，包括：设置所述风电场中任意两个风电机组之间的距离约束；基于所述风电机组数量和所述距离约束，在所述风电场的区域范围内，随机生成所述风电机组的坐标。

12、在一个具体实施方式中，所述基于遗传算法对所述风电场的风电机组排布方案进行多目标优化，包括：在优化开始时同时采用大尺度和小尺度的风电机组坐标变异过程进行坐标变异，当所述第一优化目标和第二优化目标均第一次达到收敛后，仅采用小尺度的风电机组坐标变异过程，直到所述第一优化目标和所述第二优化目标均第二次达到收敛。

13、在一个具体实施方式中，所述大尺度为在风电机组坐标的第一预设范围内更新风电机组的坐标；所述小尺度为在风电机组坐标的第二预设范围内更新风电机组的坐标。

14、在第二方面，提供一种电子设备，该电子设备包括至少一个处理器和至少一个存储器，所述存储器适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行前述任一项所述的考虑疲劳损伤的风电场排布优化方法。

15、在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行前述任一项所述的考虑疲劳损伤的风电场排布优化方法。

16、本申请上述一个或多个技术方案，至少具有如下一种或多种有益效果：

17、本申请中提供的考虑疲劳损伤的风电场排布优化方法，具体包括：获取风电场的属性信息和风资源信息；基于属性信息确定风电场中每个风电机组的坐标；基于风电场中每个风电机组的坐标建立初始种群；基于初始种群和风资源信息确定帕累托前沿；从帕累托前沿中选取风电场的最优排布方案。如此，综合考虑了风电场总输出功率和疲劳损伤，在保证风电场总输出功率的同时，降低了风电场疲劳损伤，延长了风电场运行寿命，提升了风电场全生命周期综合效益。

技术实现思路

技术特征：

1.一种考虑疲劳损伤的风电场排布优化方法，其特征在于，所述方法包括：

2.根据权利要求1所述的考虑疲劳损伤的风电场排布优化方法，其特征在于，所述基于所述初始种群和所述风资源信息通过优化迭代得到帕累托前沿，包括：

3.根据权利要求2所述的考虑疲劳损伤的风电场排布优化方法，其特征在于，所述第一优化目标为每个个体对应的风电场的总输出功率，所述风资源信息包括环境来流风速；

4.根据权利要求2所述的考虑疲劳损伤的风电场排布优化方法，其特征在于，所述第二优化目标为每个个体对应的风电场的疲劳损伤；

5.根据权利要求4所述的考虑疲劳损伤的风电场排布优化方法，其特征在于，所述基于所述当前风电场中各风电机组的综合疲劳损伤确定所述风电场的疲劳损伤，包括：

6.根据权利要求1所述的考虑疲劳损伤的风电场排布优化方法，其特征在于，所述属性信息包括所述风电场的区域范围和风电机组数量；

7.根据权利要求2所述的考虑疲劳损伤的风电场排布优化方法，其特征在于，所述基于遗传算法对所述风电场的风电机组排布方案进行多目标优化，包括：在优化开始时同时采用大尺度和小尺度的风电机组坐标变异过程进行坐标变异，当所述第一优化目标和所述第二优化目标均第一次达到收敛后，仅采用小尺度的风电机组坐标变异过程，直到所述第一优化目标和所述第二优化目标均第二次达到收敛。

8.根据权利要求7所述的考虑疲劳损伤的风电场排布优化方法，其特征在于，所述大尺度为在风电机组坐标的第一预设范围内更新风电机组的坐标；所述小尺度为在风电机组坐标的第二预设范围内更新风电机组的坐标。

9.一种电子设备，包括至少一个处理器和至少一个存储器，所述存储器适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至8中任一项所述的考虑疲劳损伤的风电场排布优化方法。

10.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至8中任一项所述的考虑疲劳损伤的风电场排布优化方法。

技术总结
本申请涉及风力发电技术领域，具体提供一种考虑疲劳损伤的风电场排布优化方法、设备及介质，旨在解决现有的风电场排布优化方法导致风电场的总输出功率不理想、风电场的疲劳损伤较大的技术问题。为此目的，本申请的风电场排布优化方法包括：获取所述风电场的属性信息和风资源信息；基于属性信息随机生成风电场中每个风电机组的坐标；基于风电场中每个风电机组的坐标建立初始种群；基于初始种群和风资源信息通过优化迭代得到帕累托前沿；从帕累托前沿中选取风电场的最优排布方案。如此，在保证风电场总输出功率的同时，降低了风电场疲劳损伤，提升了风电场全生命周期综合效益。

技术研发人员：葛铭纬,彭望轩,李宝良,何佳
受保护的技术使用者：华北电力大学
技术研发日：
技术公布日：2024/2/29