分层数据驱动的风电场发电功率优化方案

摘要

本公开提供了一种分层数据驱动的风电场发电功率优化方案，包括：根据风电场的历史发电数据，计算风电场在所有风向下的发电效率数据；基于发电效率数据，将整个风向区间划分为m个风向子区间，其中风电场的发电效率对风向在每个风向子区间中的变化不敏感；对每个风向子区间定义风电场的发电效率优化子问题；针对每个优化子问题，利用提出的随机投影单纯形算法求解。提出的算法可利用实时测量的发电数据快速提升风电场的功率输出并有能力找到子问题的最优解。m个提出的算法并行执行，构成了整个风电场的发电功率优化方案。该方案可适应复杂风况。

说明书

技术领域

本公开涉及优化方法，风电机组协同控制方法及风电场集中式控制器的设计领域，具体涉及数据驱动的随机投影单纯形法，分层数据驱动的风电场集中式发电功率优化方案。

背景技术

风电场的发电功率优化方法主要有两类：基于模型的方法和基于数据驱动的方法。

基于模型的方法主要利用建立的解析发电功率模型，设计功率优化方案，例如启发式算法、梯度法。由于风电机组间的尾流耦合非常复杂，解析的发电功率模型难以对其进行准确刻画，尤其是对于一些建立在高地或丘陵地带的风电场。于是，基于解析模型的方法难以有效提升风电场的功率输出。为了克服这种局限性，有作者研究基于计算流体动力学(Computational Fluid Dynamics(CFD))模型的控制方案，例如基于大涡模拟的共轭梯度法。尽管CFD模型的使用提高了建模精度，但基于这种模型的优化方案需要巨大的计算资源。这在实际中往往是不可行的。综上所述，基于模型的方法在风场功率优化问题中面临各种困难，导致其难以实用。

为了克服对发电功率模型的依赖性，基于数据驱动的优化方法得到了广泛关注。这类方法仅通过控制输入和测量的发电数据优化风电场的功率输出。提出的数据驱动方法包括安全实验动力学(Safe Experimentation Dynamics，SED)方法、逐步离散随机逼近法(Aggressive Discrete Stochastic Approximation Algorithm)、最佳相对步长随机搜索法(Optimized Relative Step Size Random Search，ORSSRS)、贝叶斯上升法(BayesianAscent Algorithm)、分布式同步扰动法(Distributed Simultaneous PerturbationApproach，D-SPA)等。上述大多数据驱动方法仅考虑了简单风况，例如静态或者缓慢时变的风况。实际风电场的风况常常非常复杂，可以随机快速地变化，而风电场的发电功率又与风况强相关，最优控制动作随着风况的变化而变化。这意味着存在的数据驱动的方法虽然不依赖于模型，但无法适应实际风场复杂时变的风况。因此，提出一种数据驱动的能在复杂时变风况下有效提升风场发电性能的功率优化方案变得十分迫切。

发明内容

为了能在复杂时变风况下有效提升风场发电性能，本公开提供了一种新颖的基于数据驱动的风电场发电功率优化方案，包括：

根据风电场的历史发电数据，计算风电场在所有风向下的发电效率数据；

基于发电效率数据，将整个风向区间划分为m个风向子区间，其中风电场的发电效率对风向在每个风向子区间中的变化不敏感；

对每个风向子区间定义发电效率优化子问题；

针对每个子问题，通过提出的随机投影单纯形算法求最优解；

为了适应复杂时变的风况，m个提出的优化算法并行执行，构成了风电场的发电功率优化方案。

当m个风向子区间的第i个风向子区间被风向访问时，m个优化算法的第i个优化算法将启动，对所述第i个风向子区间对应的第i个发电效率优化子问题进行优化求解。

当所述第i个风向子区间被风向再次访问时，则所述第i个优化算法将被再次启动，并根据之前的经验来搜索第i个发电效率优化子问题的最优解。

所述m个优化算法为m个随机投影单纯形法，并且所述随机投影单纯形法在每次迭代过程中，将所述发电性能最差节点以发电性能更好节点或者相同性能的节点替代，包括以下步骤：

定义单纯形的q+1个节点为所有风电机组的q+1个联合轴向诱导因子，即U＝{u

对U

求解U

如果

如果

如果

改进的自适应随机搜索法中：

步骤1分别以概率ε

步骤2a以

步骤2b在

步骤3评估η

步骤4中，如果

本公开的实施方式为：

测量风电场的发电数据和风况数据；

确定风况数据对应的风向子区间及优化算法；

根据对应的优化算法计算当前风况下需执行的动作；

将计算得到的执行动作作为控制命令下发给风电机组；

风电机组执行收到的控制命令。

附图说明

附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，是对本公开的进一步解释。这些附图包含在本说明书中并构成了本说明书的一部分。

图1示出了本公开的一个实施方式流程图。

图2示出了风电机组的尾流示意图。

图3示出了不同风向下两个风电机组的尾流耦合示意图。

图4示出了风向区间分割示意图。

图5示出了风电场的功率优化方案架构示意图。

图6示出了风电场功率优化方案的通信网络及求解示意图。

图7示出了SPS算法的工作流程示意图。

图8示出了SPS算法的原理图。

图9示出了风电场布局示意图。

图10至图15示出了仿真测试结果示意图。

具体实施方式

下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开的技术方案。

除非另有说明，否则示出的示例性实施方式/实施例可理解为提供可以在实践中实施本公开技术构思的一些方式的各种细节。因此，除非另有说明，否则在不脱离本公开的技术构思的情况下，各种实施方式/实施例的特征可以另外地组合、分离、互换和/或重新布置。

在本公开中，提出了一种分层的基于随机投影单纯形法的数据驱动功率优化方案。

使用实际风电场的历史发电数据，计算得到风电场在所有风向下的发电效率。通过分析风电场内多台风电机组间的功率耦合机理，设计了风向区间的分割规则，并根据获得的发电效率数据，分割整个风向区间为若干子区间，使得风电场的发电效率对风向在每个风向子区间内的变化不敏感。针对分割的每个风向子区间，定义风电场的发电效率优化子问题，并将整个功率优化问题等价描述为定义在各子区间的效率优化子问题的求和，进而构建了一种分层的风电场发电功率优化方案架构。在该架构下，多个优化算法并行执行，且每个优化算法仅优化一个效率优化子问题。这种分层架构通过切换多个优化算法适应时变风向。

为了求解优化子问题，基于Nelder-Mead(NM)方法的框架，结合梯度投影法和改进的自适应随机搜索法，提出基于数据驱动的风电场功率优化算法。提出的算法称之为随机投影单纯形法。该算法使用了NM方法的框架，继承了其不依赖于模型,可快速收敛的优点；借鉴了梯度投影法的思想，通过引进的投影算子保证了提出的算法基于反射和扩张操作获得的迭代点满足所有风电机组的控制约束；同时，改进的自适应随机搜索使得提出的算法在不造成风电场出现高频大幅值发电性能震荡的情况下，找到全局最优解。

图1示出了本公开的风电场发电功率优化方案S100。

在步骤S102中，根据风电场的历史发电数据，计算风电场在所有风向下的发电效率数据。作为一个示例，风电场的历史发电数据可以是贪婪策略下的历史发电数据。

在步骤S104中，基于发电效率数据，将整个风向区间划分为m个风向子区间，其中风电场的发电效对风向在每个风向子区间中的变化不敏感，m为大于1的整数。

在步骤S106中，对每个风向子区间定义发电效率优化子问题。

在步骤S108中，对每个发电效率优化子问题，通过提出的随机投影单纯形法求最优解。

下面将对本公开的方法进行详细的描述。

假定风电场包括n台风电机组(n＞1)，记为N＝{1,2,…,n}。风电机组i∈N的控制动作选择为其轴向诱导因子(Axial Induction Factor(AIF))u

风电机组从风中提取功率时将会导致下游的风速降低。这种速度降低的风称为尾流。上游风电机组所形成的尾流将会降低到达下游风电机组的风速，进而降低了下游风电机组的输出功率和整个风电场的发电功率。尾迹有很多复杂的特征，例如恢复、蜿蜒等。因此，对风电机组尾流的有效建模是风电场协同控制一个关键挑战。在本公开中，采用Park模型刻画风电机组的尾流，并基于Park模型集成风电机组间的尾流耦合，进而建模风电场的发电功率模型。

图2示出了根据Park模型所描述的风电机组尾流，其中V

V

在Park模型中，风速赤字δV

其中κ表示粗糙系数，度量尾流扩张。

这样，到达风电机组i的集成风速可以表示为

这里

这里x

图2示出了不同风向下两个风电机组的尾流耦合案例。这里风电机组i由W

风电机组i∈N的发电功率模型可表示为

这里ρ为空气密度，C

C

风电场的总发电功率是所有风电机组发电功率的和，即：

尾流模型及尾流耦合模型的目标分别是有效辨识式(1)中的风速赤字δV

风电场协同控制的目标为提升总的输出功率，进而实现发电功率优化。具体的就是通过求解下面的风电场发电功率优化问题，获得最优的联合控制动作u

上述优化问题是一个非凸动态优化问题，具有难以精确解析建模、高度非线性、强耦合、时变性、有界约束等特征。因为风向的时变性导致机组间的尾流耦合模式时变，所以优化问题(8)的最优解并不固定。因而，为了实现风场优化的目标，研究的优化方案需要跟踪风向的变化。

风电场的发电效率函数定义为

这里

假定所有风电机组具有相同的结构，则风电机组i和j在没有尾流耦合时的输出功率相等，即

定义风电场的功率效率优化问题为：

式(11)表明风电场的发电效率可视为其输出功率的泛化，基准值为假定机组间无尾流耦合时总的输出功率。这意味着风电场发电效率η(u；θ)的最大化可保证其输出功率的最大化。式(9)和(10)表明风电场发电效率η(u；θ)无关于自由流风速V

虽然贪婪策略下的历史发电数据没有考虑尾流效应，但风电场在该策略下的发电效率依然隐含了风电机组间的尾流耦合。因为尾流效应是风电机组发电的固有特性。风电场发电效率η(u；θ)越小意味着风电机组间的尾流耦合越强。如果风向在一个区间内的变化仅仅导致风电场的功率效率发生微小变化，则可近似认为在该风向区间内风电机组间的尾流耦合类似，且只有一种尾流耦合模式需要被考虑。基于此，整个风向区间在下面被分割为若干子区间。图4示出了整个风向区间的子区间划分。

根据风电场在贪婪策略下的历史发电数据，利用式(11)计算得到风电场在所有风向下的发电效率。基于获得的发电效率数据，分割整个风向区间为若干子区间Θ

这里

针对风向子区间Θ

这里η

α(θ)＝{a

这里风电场的发电效率优化问题被描述为定义在风向子区间的风电场发电效率优化子问题的求和。不同的子问题具有不同的尾流耦合模式，导致具有不同的最优解。

下面将详细描述基于数据驱动的风电场功率优化方案。

在这一部分，首先提出了风电场功率优化方案的架构。接着，提出了基于数据驱动的功率优化算法。最后通过仿真案例验证了提出方案的有效性。

图5示出了风电场功率优化方案的架构。图5(a)示出，为了获得风电场功率优化问题的最优解，m个优化算法并行执行。每个优化算法仅优化定义在一个子区间的功率优化子问题。当某个算法对应的风向子区间被风向访问时，该算法将被启动。当风向离开这个子区间时，该算法将被停止运行。如图5(b)所示，当θ

图6示出了风电场功率优化方案的通信网络及求解程图。如图6(a)所示，提出的功率优化方案是集中式的，被存储在集中控制器中。该方案通过与风电场的多次交互学习最优策略。一次交互包括两步：第一步，优化方案根据从风电场测量的发电数据(V

为了求解定义的功率优化子问题，我们提出了随机投影单纯形法。

图7示出了本公开的SPS算法的流程图。提出SPS算法具体如下：

本公开的随机投影单纯形法中，首先完成单纯形节点集U

以两台风电机组为例，图8示出了SPS算法的工作原理图，其中在图8(a)中示出了违背控制约束的情况，u

将提出的分层架构和功率优化算法相结合，构建分层的基于随机投影单纯形法的风电场功率优化方案。根据图6所示风电场功率优化方案的架构，整个方案将由提出的m个SPS算法组成，简称为SPS策略。

发明优点

本公开的风电场发电功率优化方案具备以下优点：

(1)可快速提升风电场的功率输出；这受益于SPS算法的快速收敛性和分层的优化架构。提出的SPS算法利用了Nelder-Mead方法的优化架构，继承了快速收敛的性能。在提出的优化架构下，多个优化算法并行执行，并且当算法被重新激活时，它将基于之前学到的知识继续学习最优解，使得学到的知识得到了充分利用。

(2)可找到最优解。这主要得益于MARS的全局搜索能力。

正因为这些优点，提出的方案可在复杂风况下有效改善风电场的发电性能。

性能验证

在这一部分，分别在恒定风况和复杂时变风况下测试提出SPS策略的性能。

采用含16台风电机组的风电场测试提出方案的性能，其布局如图9所示。假定所有风电机组具有相同的大小，直径均为80m，机组间距为560m，粗糙系数为κ＝0.025，空气密度为ρ＝1.225kg/m

SPS算法的参数包括q,δ

初始单纯形的节点对SPS算法的性能具有影响。同时，SPS算法通过MARS寻找全局最优解。因而在给定风况下，任意两次优化测试中，因为算法的随机性会导致产生不一样的优化结果。于是，单纯的一次优化结果难以准确评估提出SPS策略的性能。为了客观评估提出策略的优化性能，在给定风况下，基于SPS策略分别独立完成大量的优化测试。然后通过这些优化测试中的平均性能评估策略性能。为此，针对提出的策略，定义两个性能指标如下：

这里L是总的优化测试次数，l表示第l次优化测试，η

简单风况下的仿真测试

贪婪策略在实际中得到了广泛应用。SED策略常作为基准策略，用于评估各种控制策略在风场功率优化中的性能。需要注意的是，SED策略无法在时变风况下正常工作。于是，面对风向的变化，通过贪婪策略重新初始化SED策略，使其能够在时变风况下正常工作。

图10示出了模拟的简单风况。在该风况下，基于SPS策略，50次的功率优化测试独立完成。由于SED策略在运行时也具有随机性，于是通过SED策略，50次的功率优化测试也被独立完成。图11给出了简单风况下，分别基于SPS策略和SED策略，风电场发电效率η′

如图11所示，SPS策略在0度和45度风向均收敛到了最优的发电效率值，相比贪婪策略，在两个风向下分别提升了16％和5％。同时可以注意到，SPS策略针对之前出现过的风向，可以基于已经学到的知识继续学习最优解，进而展现出了很快的收敛速度。例如，SPS策略针对0度风向，在t＝1000时，基于t∈[0,500)时学到的知识选择动作。然而，SED策略面对风向的变化，必须重新学习控制动作。这导致SED策略展现了比较缓慢的速度。图12表明，相比贪婪策略和SED策略，SPS策略具有更高的平均发电效率。这意味着SPS策略产生了更高的发电量。因此，在简单风况下，提出的方案可有效提升风电场的发电效率。

复杂风况下的仿真测试

将贪婪策略应用到模拟的风电场，可获得所有风向对应的发电功率数据。假定这些数据为来自真实风电场的历史发电数据，包含了风电机组间的尾流耦合。基于这些发电数据，可根据式(11)计算得到风电场在所有风向下的发电效率。设置常数

图14示出了模拟的复杂时变风况。在该风况下，基于SPS策略和SED策略，分别完成了50次的功率优化测试。风电场平均发电功率效率的轨迹在图15中给出。如图15所示，除了初始阶段，SPS策略相比Greedy策略，SED策略具有更优越的发电性能。在初始阶段，所有子问题中初始单纯性节点的性能差异较大，进而导致了基于SPS策略的风电场展示出了较差的发电性能。随着迭代次数的增加，单纯形的节点集不断被更新，各节点对应的发电性能越来越高，进而使得在SPS策略作用下，风电场的发电性能逐步改善。在t∈(150000,300000]时，相比SED策略和贪婪策略，SPS策略提升风电场的平均发电效率分别达到1.6％和1.1％。因此，提出的功率优化方案能够在复杂时变风况下，有效提升风电场的发电效率。