【技术实现步骤摘要】
基于遗传算法的风电场工作点动态协调优化方法及系统
[0001]本专利技术涉及风电场系统
，尤其涉及基于遗传算法的风电场工作点动态协调优化方法及系统。
技术介绍
[0002]随着全能源需求的急剧增长和环境污染问题的日益严峻，以风能为代表的新能源的开发和利用得到了更为广泛的关注。近年来风电技术发展迅猛，风电机组单机容量和风电场的规模逐渐在增大，风电场内风力发电机数量多拓扑结构复杂，集电系统线路长，因而风电场内部的功率流动所造成的节点电压波动和网络损耗愈专利技术显。目前对于风电场的工作点优化考虑主要是集中在无功优化以及并网优化，对于有功优化的技术研究不多。
[0003]随着“双碳”目标的提出，以新能源为主的新型电网的建设要求也随之提出，在社会各界的共同努力之下，新能源发电占整个发电出力的比例日益提高，甚至在个别时段已经超出了燃煤电站的出力。而风力发电是新能源的主体部分，但是由于风能本身具有很强的随机性，无法控制，甚至难以进行准确的预测，因此实际风电场的输出功率也不可精确控制。在这种情况下，并入电网后的风电场的输出功率大幅度波动会对电网造成大冲击，威胁电力系统的安全性和稳定性。此外，风能的能量密度却很低，如果不能合理调配风机启停，确定风机的工作点，那么工作效率极低的风电机组会得不偿失。因此电网对风力发电的调度也应当顺应局势，由风电场侧并网点逐渐向风电场内部延伸，研究如何在场站级研究风力机组的优化分配。
技术实现思路
[0004]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。>[0005]为此，本专利技术的目的在于提出基于遗传算法的风电场工作点动态协调优化方法，基于风力发电机组会有本身的启停成本、运行成本，本身内部也有零件载荷的约束考虑，为提高风电场的整体经济效益，需要对风电场整体的风电机组工作点进行动态协调优化。本专利技术加入运行成本与载荷的优化目标，进一步确定在不同风速下不同机组的出力，在确保生产设备供电可靠性，电力系统稳定性的同时，降低风电场的运行成本，提高风电场的电机寿命，进而提高经济效益。
[0006]本专利技术的另一个目的在于提出一种基于遗传算法的风电场工作点动态协调优化系统。
[0007]为达上述目的，本专利技术一方面提出了一种基于遗传算法的风电场工作点动态协调优化方法，包括：
[0008]获取遗传算法的初始化数据和风电场初始数据，并根据所述初始化数据和风电场初始数据构建编码后的初始种群矩阵；其中，所述初始化数据至少包括最大遗传代数；
[0009]对所述初始种群矩阵进行解码得到不同代的风机功率值，基于所述不同代的风机功率值和初始种群总功率得到所有代数的目标函数值；
[0010]求解所述所有代数的目标函数值得到遗传代数，比较所述遗传代数和所述最大遗传代数得到数据比较结果；
[0011]根据所述数据比较结果计算遗传算法的适应度值以进行目标函数值的循环计算，根据最终目标函数值的计算结果进行风电场的电力系统控制以分配风电场工作点得到最优分配信息。
[0012]根据本专利技术实施例的基于遗传算法的风电场工作点动态协调优化方法还可以具有以下附加技术特征：
[0013]进一步地，在本专利技术的一个实施例中，所述根据最终目标函数值的计算结果进行风电场的电力系统控制以分配风电场工作点得到最优分配信息，包括：
[0014]根据电力系统的相关信息获取第一调度指令，根据所述第一调度指令获取风电场的最优风机有功运行指令；
[0015]响应所述最优风机有功运行指令，在发电侧获取发电机组运行数据；在负荷侧，对负荷不同时刻的功率和频率数据进行聚合得到聚合数据；在电网侧，获取电网运行数据；
[0016]基于所述发电机组运行数据、聚合数据和电网运行数据，获取第二调度指令，响应所述第二调度指令，以根据所述发电机组运行数据和环境数据以及最终目标函数值的计算结果得到风电场工作点的最优分配信息。
[0017]进一步地，在本专利技术的一个实施例中，所述初始化数据，还包括种群规模数，编码长度和代沟值；所述风电场初始数据，包括初始风速、初始风向以及风电场风机个数；
[0018]所述方法，还包括：
[0019]利用尾流计算模型和所述初始风速，计算风电场风机组的实际风速；其中，所述尾流计算模型包括尾流区域半径、风机尾流风速、尾流遮挡面积的权值和推力系数；
[0020]基于所述实际风速，进行三目标优化模型的优化计算以得到风电场参数优化结果。
[0021]进一步地，在本专利技术的一个实施例中，所述三目标优化模型的优化约束条件包括：
[0022]单台风电机组叶轮转速和桨距角约束、风电场站功率平衡约束、单台风电机组有功功率上下限约束和单台风电机组爬坡约束：
[0023][0024][0025]进一步地，在本专利技术的一个实施例中，所述根据所述数据比较结果计算遗传算法的适应度值以进行目标函数值的循环计算，包括：
[0026]当所述数据比较结果为遗传代数小于所述最大遗传代数时，进行适应度计算确定适应度函数值；
[0027]在确定适应度函数值后利用所述代沟值，选择适应度值大于阈值的父代种群数，并选择后种群对所述后种群进行交叉变异操作，生成新的风速以计算下一轮目标函数值。
[0028]为达到上述目的，本专利技术另一方面提出了一种基于遗传算法的风电场工作点动态协调优化系统，包括：
[0029]数据获取模块，用于获取遗传算法的初始化数据和风电场初始数据，并根据所述初始化数据和风电场初始数据构建编码后的初始种群矩阵；其中，所述初始化数据至少包括最大遗传代数；
[0030]函数值计算模块，用于对所述初始种群矩阵进行解码得到不同代的风机功率值，基于所述不同代的风机功率值和初始种群总功率得到所有代数的目标函数值；
[0031]数据比较模块，用于求解所述所有代数的目标函数值得到遗传代数，比较所述遗传代数和所述最大遗传代数得到数据比较结果；
[0032]优化分配模块，用于根据所述数据比较结果计算遗传算法的适应度值以进行目标函数值的循环计算，根据最终目标函数值的计算结果进行风电场的电力系统控制以分配风电场工作点得到最优分配信息。
[0033]本专利技术实施例的基于遗传算法的风电场工作点动态协调优化方法和系统，加入运行成本与载荷的优化目标，进一步确定在不同风速下不同机组的出力，在确保生产设备供电可靠性，电力系统稳定性的同时，降低风电场的运行成本，提高风电场的电机寿命，进而提高经济效益。对于风电机组的动态工作点协调优化有利于提高电力系统的安全与稳定，对于电网的稳定经济运行有重要的实际意义。
[0034]本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0035]本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0036]图1为根据本专利技术实施例的基于遗传算法的风电场工作点动态协调优化方法的流程本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于遗传算法的风电场工作点动态协调优化方法，其特征在于，所述方法包括以下步骤：获取遗传算法的初始化数据和风电场初始数据，并根据所述初始化数据和风电场初始数据构建编码后的初始种群矩阵；其中，所述初始化数据至少包括最大遗传代数；对所述初始种群矩阵进行解码得到不同代的风机功率值，基于所述不同代的风机功率值和初始种群总功率得到所有代数的目标函数值；求解所述所有代数的目标函数值得到遗传代数，比较所述遗传代数和所述最大遗传代数得到数据比较结果；根据所述数据比较结果计算遗传算法的适应度值以进行目标函数值的循环计算，根据最终目标函数值的计算结果进行风电场的电力系统控制以分配风电场工作点得到最优分配信息。2.根据权利要求1所述的方法，其特征在于，所述根据最终目标函数值的计算结果进行风电场的电力系统控制以分配风电场工作点得到最优分配信息，包括：根据电力系统的相关信息获取第一调度指令，根据所述第一调度指令获取风电场的最优风机有功运行指令；响应所述最优风机有功运行指令，在发电侧获取发电机组运行数据；在负荷侧，对负荷不同时刻的功率和频率数据进行聚合得到聚合数据；在电网侧，获取电网运行数据；基于所述发电机组运行数据、聚合数据和电网运行数据，获取第二调度指令，响应所述第二调度指令，以根据所述发电机组运行数据和环境数据以及最终目标函数值的计算结果得到风电场工作点的最优分配信息。3.根据权利要求1所述得方法，其特征在于，所述初始化数据，还包括种群规模数，编码长度和代沟值；所述风电场初始数据，包括初始风速、初始风向以及风电场风机个数；所述方法，还包括：利用尾流计算模型和所述初始风速，计算风电场风机组的实际风速；其中，所述尾流计算模型包括尾流区域半径、风机尾流风速、尾流遮挡面积的权值和推力系数；基于所述实际风速，进行三目标优化模型的优化计算以得到风电场参数优化结果。4.根据权利要求3所述的方法，其特征在于，所述三目标优化模型的优化约束条件包括：单台风电机组叶轮转速和桨距角约束、风电场站功率平衡约束、单台风电机组有功功率上下限约束和单台风电机组爬坡约束：
5.根据权利要求3所述的方法，其特征在于，所述根据所述数据比较结果计算遗传算法的适应度值以进行目标函数值的循环计算，包括：当所述数据比较结果为遗传代数小于所述最大遗传代数时，进行适应度计算确定适应度函数值；在确定适应度函数值后利用所述代沟值，选择适应度值大于阈值的父代种群数，并选择后种群对所述后种群进行交叉变异操作，生成新的风速以计算下一轮目标函数值...
【专利技术属性】
技术研发人员：于庆广，李晓宇，李乐，袁雷栋，王石，孙义，何佳峻，高远，
申请(专利权)人：清华大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。