一种降低尾流效应的风电场内优化调度方法

摘要

本发明公开了一种降低尾流效应的风电场内优化调度方法，包括以下步骤：步骤1：建立一种风电场内风电机组间流动相关性的计算模型，用于计算不同风向下风电机组间的流动相关性；步骤2：建立单台风电机组不同运行工况下的尾流分布模型，以及多台风电机组不同运行工况的尾流叠加模型；步骤3：结合风电机组间流动相关性的计算方法和尾流叠加模型，得到风电场内尾流分布模型，用于计算风电场内的尾流分布；步骤4：将每台风电机组视为一个智能体，利用多智能体方法对风电场内风电机组的运行工况进行优化调度，使得风电场内的尾流效应降低，输出功率增加。

说明书

技术领域

本发明属于风电场技术领域，具体涉及一种降低尾流效应的风电场内优化调度方法。

背景技术

风能是可再生能源中发展最快且最具有开发价值的清洁能源，而风力发电是风能开发利用的主要形式。近年来我国风电产业发展迅速，但随着投入使用的风电场数目的增多，风电并网规模的逐渐增大，给电力系统的安全稳定运行带来了新的挑战。由于现在并网风电场普遍具有动态，随机及容量大等特点，尤其是其随机性会影响到电力系统的经济调度和安全运行。因此，在全球风力发电事业快速发展的同时，合理有效地提高风电利用率是所有国家电力系统面临的挑战。

受土地资源和集电系统投资所限，大型风电场中以某种方式排列的机组前后间距不宜过大，尾流效应彰显，引起下游风速降低、湍流强度增加，进而造成尾流区内风电机组的输出功率降低、疲劳损伤加剧。快速计算风电场尾流分布，并据此优化调度场内机组的运行工况，可减少风电场尾流效应引起的风电功率损失、降低机组疲劳损伤。因此，研究风电场尾流分布计算和考虑尾流效应的风电场内优化调度，是风电场运行和维护理论与技术的重要课题。

发明内容

本发明的目的在于克服现有技术的不足，针对上述现有技术中存在的问题，提出一种降低尾流效应的风电场内优化调度方法，其特征在于，该方法包括以下步骤：

步骤1：建立一种风电场内风电机组间流动相关性的计算模型，用于计算不同风向下风电机组间的流动相关性；

步骤2：建立单台风电机组不同运行工况下的尾流分布模型，以及多台风电机组不同运行工况的尾流叠加模型；

步骤3：结合风电机组间流动相关性的计算方法和尾流叠加模型，得到风电场内尾流分布模型，用于计算风电场内的尾流分布；

步骤4：将每台风电机组视为一个智能体，利用多智能体方法对风电场内风电机组的运行工况进行优化调度，使得风电场内的尾流效应降低，输出功率增加。

所述的不同风向为0到360度之间的任意来流方向；所述的风电机组间流动相关性为不同来流方向下，风电机组间的相对位置关系，以及风电机组间的尾流分布关系；所述不同运行工况为风电机组不同转速、偏航角度。

所述步骤1具体为：

步骤11：确定风电机组的迎风顺序，具体计算公式如下：

以正北方向为风速的0°方向，风向的正方向为顺时针方向，当来流风向为0°≤β≤90°时，风速信息如图2所示。

在图2中，T₁、T₂和T₃代表风电机组位置，直线l₁代表风速的来流方向，β代表来流角度，α表示风速来流方向与x轴的夹角，β+α＝90°，直线l₂表示与风速方向垂直的直线。由线性函数的知识可知，通过坐标原点，且斜率为tanα的直线方程l₀如下式：

l₀:y＝(tanα)·x

通过空间中的某一点(x_n,y_n)，可以作一条与直线l₀相垂直的直线l₂，由线性函数的知识可知，直线l₂的方程可表示如下式：

$>l_2:y-y_n=-\frac{1}{tan\alpha }(x-x_n)$>

通过求解直线方程l₀和l₂组成的方程组，即可求得直线l₀与直线l₂的交点Q，从坐标原点O到交点Q的距离用L表示。

步骤12：将每台风电机组的坐标(x_i,y_i)替换直线l₂方程中的(x_n,y_n)，即可求得对应的交点坐标Q(x_i,y_i)和坐标原点的距离L_i，通过对距离L_i进行排序，便可得到每台风电机组的迎风顺序。

所述步骤2具体为：

步骤21：对于单台风电机组尾流分布，尾流在向下游传播过程中，其半径不断扩展，半径的扩展速度受到湍流强度、推力系数及下游距离的影响，如图3所示。

图中R——风轮半径；

U_T——作用在风轮上的风速；

U_j——风电机组j的来流风速；

U_i——距离风电机组j下游s倍风轮直径的尾流风速；

R_w——尾流半径。

根据单台风电机组尾流模型计算公式，可得风电机组下游尾流分布计算公式如下式所示：

$>U_i=U_j[1-(1-\sqrt{1-C_T}){\left(\frac{R}{R+ks}\right)}^2]$>

在式中，C_T表示风电机组的推力系数，k表示尾流衰减因子，k的取值可根据地形情况取一确定的常数值，s为风电机组下游s倍风轮直径处的位置。除此之外，k取值大小受到湍流强度、推力系数及下游距离的影响。

步骤22：对于多台风电机组不同运行工况的尾流叠加情况，可采用下式计算，所有上游风电机组在下游风电机组i处共同作用所产生的尾流损失。

$>{\mathrm{\delta U}}_{ji}=(U_j-U_i)\frac{A_{overlap}}{A_0}$>

$>{\mathrm{\delta U}}_i=\sqrt{\underset{k=1}{\overset{i-1}{\Sigma }}{\left({\mathrm{\delta U}}_k\right)}^2}$>

式中δU_ji——上游风电机组j在下游风电机组i处的速度损失；

A_overlap——上游风电机组j的尾流作用在下游风电机组i上的面积；

A₀——下游风电机组风轮的扫风面积；

δU_i——上游i-1台风电机组尾流在下游第i台风电机组处共同作用所产生的尾流损失。

所述步骤3具体为：

步骤31：根据步骤1确定风电机组的迎风顺序后，即可得到风电机组间的相对位置关系及风电机组间的气动耦合关系，然后根据步骤2，即可计算某一确定风向下风电场的尾流分布。

所述步骤4具体为：

步骤41：将每台风电机组视为一个智能体，确定每个智能体的轴向诱导因子a_k的解空间变化范围，并在解空间范围内初始化每个智能体的轴向诱导因子；

步骤42：根据步骤1、步骤2和步骤3计算风电场整体的尾流分布，然后根据优化目标函数计算风电场整体输出功率；

步骤43：对于风电场中的某一智能体Ag_i,j，令是Ag_i,j邻域中能量最大的智能体，即且对于都有用智能体的轴向诱导因子取代智能体Ag_i,j的轴向诱导因子，然后根据步骤1、步骤2和步骤3计算风电场整体的尾流分布；

步骤44：在完成步骤43的基础上，根据下式计算风电场整体输出功率P^max：

$>P^{max}=\underset{m=1,m\ne i;}{\overset{L_{row}}{\Sigma }}\underset{n=1,n\ne j}{\overset{L_{col}}{\Sigma }}{\mathrm{Ag}}_{m,n}+{\mathrm{Ag}}_{i,j}^{max}$>

$>{\mathrm{Ag}}_{m,n}=2{\mathrm{\rho u}}_{m,n}^3{a}_{m,n}{(1-a_{m,n})}^2{A}_{m,n}$>

如果P^max＞P，其中P为替代前的风电场输出功率，则智能体获胜，根据下式更新智能体Ag_i,j中的轴向诱导因子a_i,j。

$>a_{i,j}=\left(\begin{array}{c}\underset{‾}{a_{i,j}},a_{i,j}^{\max }+U(-1,1)\times (a_{i,j}^{\max }-a_{i,j})<\underset{‾}{a_{i,j}}\\ a_{i,j}^{\max }+U(-1,1)\times (a_{i,j}^{\max }-a_{i,j})\\ \overline{a_{i,j}},a_{i,j}^{\max }+U(-1,1)\times (a_{i,j}^{\max }-a_{i,j})>\overline{a_{i,j}}\end{array}\right)$>

如果P^max≤P，则智能体Ag_i,j获胜，则智能体不做任何更新。

步骤45：按照步骤41、步骤42、步骤43和步骤44的计算顺序不断计算和更新风电场内智能体的轴向诱导因子，直至风电场整体输出功率不再发生变化即可。

发明的有益效果：

本发明提出一种降低尾流效应的风电场内优化调度方法，通过合理调度各风电机组的运行工况，使处于上游的风电机组尾流效应降低，处于下游的风电机组来流风速增加，输出功率增加，从而使风电场整体输出功率增加。本发明主要为风电场运营部门提供调度参考方案，提高风电场经济效益。

附图说明

图1为本发明提出的降低尾流效应的风电场内优化调度方法流程图。

图2为0°≤β≤90°时风电机组迎风顺序的计算图。

图3为尾流向下游传播过程图。

图4为Horns Rev风电场排布规则图。

图5为来流风向270°时，风电场中第4行风电机组的风速对比图。

图6为风速8.5m/s时多智能体方法优化调度结果图。

图7为风速12m/s时多智能体方法优化调度结果图。

具体实施方式

下面结合附图对本发明进一步详细说明。

如图1所示为本发明提出的一种降低尾流效应的风电场内优化调度方法流程图，该发明方法包括以下步骤：

步骤1：确定不同风向下，风电场内风电机组间流动相关性的计算模型，用于计算不同风向下风电机组间的流动相关性；

步骤11：确定风电机组的迎风顺序，具体计算公式如下：

以正北方向为风速的0°方向，风向的正方向为顺时针方向，当来流风向为0°≤β≤90°时，风速信息如图2所示。

在图2中，T₁、T₂和T₃代表风电机组位置，直线l₁代表风速的来流方向，β代表来流角度，α表示风速来流方向与x轴的夹角，β+α＝90°，直线l₂表示与风速方向垂直的直线。由线性函数的知识可知，通过坐标原点，且斜率为tanα的直线方程l₀如下式：

l₀:y＝(tanα)·x

通过空间中的某一点(x_n,y_n)，可以作一条与直线l₀相垂直的直线l₂，由线性函数的知识可知，直线l₂的方程可表示如下式：

$>l_2:y-y_n=-\frac{1}{tan\alpha }(x-x_n)$>

通过求解直线方程l₀和l₂组成的方程组，即可求得直线l₀与直线l₂的交点Q，从坐标原点O到交点Q的距离用L表示。

步骤12：将每台风电机组的坐标(x_i,y_i)替换直线l₂方程中的(x_n,y_n)，即可求得对应的交点坐标Q(x_i,y_i)和坐标原点O的距离L_i，通过对距离L_i进行排序，便可得到每台风电机组的迎风顺序。

步骤2：建立单台风电机组不同运行工况下的尾流分布模型，以及多台风电机组不同运行工况的尾流叠加模型。

步骤21：对于单台风电机组尾流分布，尾流在向下游传播过程中，其半径不断扩展，半径的扩展速度受到湍流强度、推力系数及下游距离的影响，如图3所示。

图中R——风轮半径；

U_T——作用在风轮上的风速；

U_j——风电机组j的来流风速；

U_i——距离风电机组j下游s倍风轮直径的尾流风速；

R_w——尾流半径。

根据单台风电机组尾流模型计算公式，可得风电机组下游尾流分布计算公式如下式所示：

$>U_i=U_j[1-(1-\sqrt{1-C_T}){\left(\frac{R}{R+ks}\right)}^2]$>

在式中，C_T表示风电机组的推力系数，k表示尾流衰减因子，k的取值可根据地形情况取一确定的常数值。除此之外，k取值大小受到湍流强度、推力系数及下游距离的影响，s为风电机组下游s倍风轮直径处的位置。

步骤22：对于多台风电机组不同运行工况的尾流叠加情况，可采用下式计算所有上游风电机组在下游风电机组i处共同作用所产生的尾流损失。

$>{\mathrm{\delta U}}_{ji}=(U_j-U_i)\frac{A_{overlap}}{A_0}$>

$>{\mathrm{\delta U}}_i=\sqrt{\underset{k=1}{\overset{i-1}{\Sigma }}{\left({\mathrm{\delta U}}_k\right)}^2}$>

式中δU_ji——上游风电机组j在下游风电机组i处的速度损失；

A_overlap——上游风电机组j的尾流作用在下游风电机组i上的面积；

A₀——下游风电机组风轮的扫风面积；

δU_i——上游i-1台风电机组尾流在下游第i台风电机组处共同作用所产生的尾流损失。

步骤3：根据步骤1确定风电机组的迎风顺序后，即可得到风电机组间的相对位置关系及风电机组间的气动耦合关系，然后根据步骤2，即可计算某一确定风向下风电场的尾流分布。

步骤4：将每台风电机组视为一个智能体，利用多智能体方法对风电场内风电机组的运行工况进行优化调度，使得风电场内的尾流效应降低，输出功率增加。

优化目标函数为：

$>P=\underset{k=1}{\overset{n}{\Sigma }}{p}_k,p_k=2{\mathrm{\rho u}}_k^3{a}_k{(1-a_k)}^2{A}_k$>

式中P——风电场整体输出功率；

p_k——第k台风电机组的输出功率；

ρ——当地的空气密度；

u_k——第k台风电机组的来流风速；

a_k——第k台风电机组的轴向诱导因子；

A_k——第k台风电机组的风轮面积。

步骤41：将每台风电机组视为一个智能体，确定每个智能体的轴向诱导因子a_k的解空间变化范围，并在解空间范围内初始化每个智能体的轴向诱导因子；

步骤42：根据步骤1、步骤2和步骤3计算风电场整体的尾流分布，然后根据优化目标函数计算风电场整体输出功率；

步骤43：对于风电场中的某一智能体Ag_i,j，令是Ag_i,j邻域中能量最大的智能体，即且对于都有用智能体的轴向诱导因子取代智能体Ag_i,j的轴向诱导因子，然后根据步骤1、步骤2和步骤3计算风电场整体的尾流分布；

步骤44：在完成步骤43的基础上，根据下式计算风电场整体输出功率P^max：

$>P^{max}=\underset{m=1,m\ne i;}{\overset{L_{row}}{\Sigma }}\underset{n=1,n\ne j}{\overset{L_{col}}{\Sigma }}{\mathrm{Ag}}_{m,n}+{\mathrm{Ag}}_{i,j}^{max}$>

$>{\mathrm{Ag}}_{m,n}=2{\mathrm{\rho u}}_{m,n}^3{a}_{m,n}{(1-a_{m,n})}^2{A}_{m,n}$>

如果P^max＞P，其中P为替代前的风电场输出功率，则智能体获胜，根据下式更新智能体Ag_i,j中的轴向诱导因子a_i,j。

$>a_{i,j}=\left(\begin{array}{c}\underset{‾}{a_{i,j}},a_{i,j}^{\max }+U(-1,1)\times (a_{i,j}^{\max }-a_{i,j})<\underset{‾}{a_{i,j}}\\ a_{i,j}^{\max }+U(-1,1)\times (a_{i,j}^{\max }-a_{i,j})\\ \overline{a_{i,j}},a_{i,j}^{\max }+U(-1,1)\times (a_{i,j}^{\max }-a_{i,j})>\overline{a_{i,j}}\end{array}\right)$>

如果P^max≤P，则智能体Ag_i,j获胜，则智能体不做任何更新。

步骤45：按照步骤41、步骤42、步骤43和步骤44的计算顺序不断计算和更新风电场内智能体的轴向诱导因子，直至风电场整体输出功率不再发生变化即可。

实施例1

以丹麦Horns Rev风电场为研究对象，对来流风速为8.5m/s和12m/s，来流风向为270°的风况进行了计算分析。

丹麦Horns Rev风电场共有80台风电机组，由8行10列按照平行四边形排布，行和行、列和列之间的间距为7D，东北方向的间距为10.4D，东南方向的间距为9.4D，风电机组为Vestas V80，单机容量2MW，风轮直径80m，轮毂中心高度70m，整个风电场排布如图4所示。

具体计算过程如下：

(1)确定来流风向270°时，风电机组的迎风顺序

根据步骤11可得如下计算公式：

l₀:y＝(tanα)·x

$>l_2:y-y_n=-\frac{1}{tan\alpha }(x-x_n)$>

通过求解直线方程l₀和l₂组成的方程组，即可求得直线l₀与直线l₂的交点Q，坐标原点O到交点Q的距离用L表示。

依据计算步骤12：将每台风电机组的坐标(x_i,y_i)替换直线l₂方程中的(x_n,y_n)，即可求得对应的交点坐标Q(x_i,y_i)和坐标原点O的距离L_i，通过对距离L_i进行排序，便可得到每台风电机组的迎风顺序。

计算过程中，α＝270°。

(2)单台风电机组尾流模型和多台风电机组尾流叠加模型计算

依据计算步骤21，可对单机尾流分布进行计算：

$>U_i=U_j[1-(1-\sqrt{1-C_T}){\left(\frac{R}{R+ks}\right)}^2]$>

上式中，k表示尾流衰减因子，k的取值可根据地形情况取一确定的常数值。在本例计算过程中，C_T表示风电机组的推力系数，k的取值为0.08。s表示距离上游风电机组s倍风轮直径处的位置，s数值的大小由每台风电机组的交点坐标Q(x_i,y_i)和坐标原点O的距离L_i计算确定。当风向为270度时，s数值的大小为7。

依据步骤22，计算多台风电机组不同运行工况的尾流叠加情况：

$>{\mathrm{\delta U}}_{ji}=(U_j-U_i)\frac{A_{overlap}}{A_0}$>

$>{\mathrm{\delta U}}_i=\sqrt{\underset{k=1}{\overset{i-1}{\Sigma }}{\left({\mathrm{\delta U}}_k\right)}^2}$>

上式中，δU_ji为上游风电机组j在下游风电机组i处的速度损失；A_overlap为上游风电机组j的尾流作用在下游风电机组i上的面积；A₀为下游风电机组风轮的扫风面积；δU_i为上游i-1台风电机组尾流在下游第i台风电机组处共同作用所产生的尾流损失。

图5为来流风向270°，风速8.5m/s和12m/s时，根据步骤1、步骤2和步骤3计算得到的风电场中第4行风电机组位置处的尾流风速和测量风速的对比图。

图中带三角形的虚线表示本发明提出的尾流分布计算模型的计算结果，带圆点的实现表示风电场实际测量风速。由图可知，测量风速和尾流分布模型的计算风速拟合较好。

(3)利用多智能体算法实现风电场优化调度

1)建立风电场的优化目标函数为：

$>P=\underset{k=1}{\overset{n}{\Sigma }}{p}_k,p_k=2{\mathrm{\rho u}}_k^3{a}_k{(1-a_k)}^2{A}_k$>

2)将每台风电机组设计为一个智能体

将每台风电机组视为一个智能体，确定每个智能体的轴向诱导因子a_k的解空间变化范围，并在解空间范围内初始化每个智能体的轴向诱导因子；

3)风电场尾流分布计算

根据步骤1、步骤2和步骤3计算风电场整体的尾流分布，然后根据优化目标函数计算风电场整体输出功率；

4)利用步骤43，对于风电场中的某一智能体Ag_i,j，令是Ag_i,j邻域中能量最大的智能体，即且对于都有用智能体的轴向诱导因子取代智能体Ag_i,j的轴向诱导因子，然后根据步骤1、步骤2和步骤3计算风电场整体的尾流分布；

5)利用步骤44，在完成步骤43的基础上，根据下式计算风电场整体输出功率P^max：

$>P^{max}=\underset{m=1,m\ne i;}{\overset{L_{row}}{\Sigma }}\underset{n=1,n\ne j}{\overset{L_{col}}{\Sigma }}{\mathrm{Ag}}_{m,n}+{\mathrm{Ag}}_{i,j}^{max}$>

$>{\mathrm{Ag}}_{m,n}=2{\mathrm{\rho u}}_{m,n}^3{a}_{m,n}{(1-a_{m,n})}^2{A}_{m,n}$>

如果P^max＞P，其中P为替代前的风电场输出功率，则智能体获胜，根据下式更新智能体Ag_i,j中的轴向诱导因子a_i,j。

$>a_{i,j}=\left(\begin{array}{c}\underset{‾}{a_{i,j}},a_{i,j}^{\max }+U(-1,1)\times (a_{i,j}^{\max }-a_{i,j})<\underset{‾}{a_{i,j}}\\ a_{i,j}^{\max }+U(-1,1)\times (a_{i,j}^{\max }-a_{i,j})\\ \overline{a_{i,j}},a_{i,j}^{\max }+U(-1,1)\times (a_{i,j}^{\max }-a_{i,j})>\overline{a_{i,j}}\end{array}\right)$>

如果P^max≤P，则智能体Ag_i,j获胜，则智能体不做任何更新。

6)按照步骤41、步骤42、步骤43和步骤44的计算顺序不断计算和更新风电场内智能体的轴向诱导因子，直至风电场整体输出功率不在发生变化即可。

图6是根据步骤4中的多智能体方法对风电场内风电机组的运行工况进行优化调度结果图。在图6中，来流风速为8.5m/s，风向为270度，水平的点直线表示未进行优化调度之前风电场整体输出功率；实线表示基于多智能的风电场优化调度算法计算得到的风电场整体输出功率。从图中可知，优化后的风电场整体输出功率明显大于优化前的输出功率。

图7为风向为270度、风速为12m/s时，根据步骤4中的多智能体方法对风电场内风电机组的运行工况进行优化调度结果图。在图中，水平的点直线表示未进行优化调度之前风电场整体输出功率；实线表示基于多智能的风电场优化调度算法计算得到的风电场整体输出功率。从图中可知，优化后的风电场整体输出功率明显大于优化前的输出功率。

如上所述，对本发明进行了详细地说明，显然，只要实质上没有脱离本发明的发明点及效果、对本领域的技术人员来说是显而易见的变形，也均包含在本发明的保护范围之内。