【技术实现步骤摘要】
风电场可靠性感知多目标预测控制方法
[0001]本专利技术涉及风力发电领域，尤其是一种基于机器学习和改进的蝙蝠优化算法风电场可靠性感知多目标预测控制方法。
技术介绍
[0002]由于风和环境的高度间歇性和固有的随机性，风电场的风力发电机组会出现不可避免的故障率。风力发电机组的故障会导致运行和维护成本的增加，从而增加总的能源生产成本。目前，运行和维护费用在风能总成本中占有相当大的比重，特别是在海上情况下会更高。因此，可靠性对风电场的运行特别重要，尤其是在海上的情况下。由进风引起的结构负荷是导致风电机组结构故障的主要因素。风电机组中的控制和执行(如电动/液压变桨、偏航和转矩控制部件)部件占总故障的65％以上。为了提高风电场的发电量和可靠性，同时降低运行和维护成本，设计和实施有效的控制方法以实现高能量捕获效率和低维护成本是必要的和必须的。
[0003]另一方面，由于网络技术和计算能力的快速发展，风能行业也是一个数据丰富的行业，每天都会产生大量的数据。这些大数据可用于通过提供高效和有效的决策来优化风电场的运营。同时，人工智能...
【技术保护点】
【技术特征摘要】
1.风电场可靠性感知多目标预测控制方法，其特征在于包括如下步骤：S1、建立具有尾流相互作用的风电场模型；S2、建立执行器健康状况的风电场可靠性模型；S3、根据样本数据训练一个机器学习模型作为代用模型来表示风电场模型；S4、针对风电场的平均功率输出和推力预测控制，提出控制目标；S5、采用蝙蝠优化算法对控制目标式进行优化，获得最优预测控制算法。2.根据权利要求1所述的风电场可靠性感知多目标预测控制方法，其特征在于，步骤S1中，建立的模型为y(k+1)＝[y1(k+1),y2(k+1)]＝[P
avg
(k+1),F
avg
(k+1)]＝f(u1(k),u2(k)...u
j
(k)...,u
N
(k))其中，f(
·
)是平均功率和推力的矢量值非线性函数，u
j
＝(β
j
,γ
j
,T
ej
)是风电机组j的控制驱动，k是采样时间瞬间，P
avg
是平均风电场输出功率，F
avg
是风电场推力的平均推力。3.根据权利要求2所述的风电场可靠性感知多目标预测控制方法，其特征在于，风电场功率是单个风电机组功率输出的集合：其中P
avg
是平均风电场输出功率，ρ是空气密度，C
pj
是风电场中典型风电机组j的功率系数，风电场推力其中F
avg
是平均推力，C
Tj
是推力系数；功率系数C
pj
是叶尖速比λ
j
和叶片桨距角β
j
的函数：其中R
j
是转子半径，ω
j
是转子速度；功率和推力系数C
pj
和C
Tj
表示为其中，a
j
是风电机组j的轴向感应系数；通过求解上式，可以得到C
pj
和C
Tj
的关系如下：对于风电场内的典型风电机组j，风电机组转子转矩定义为：
考虑到风电机组j配备了齿轮箱传动和发电机，可以得到传动系统的动力学特性：其中J
tj
是转子惯量，D
tj
是转子的外部阻尼，n
gj
是齿轮比，T
ej
是发电机电磁转矩，风电机组转子速度ω
j
可以通过调节发电机转矩来控制，这相当于通过位于发电机和电网之间的功率转换器来控制发电机电流，由于转子速度ω
j
与叶尖速比λ
j
、功率和推力系数C
pj
和C
Tj
直接相关，功率和推力系数C
pj
和C
Tj
也可以通过使用发电机转矩或发电机电流来调节；其中，V
∞
为自由流入流风速，j为风向角，为三个尾流区与风机转子的重叠面积(q＝1,2,3对应三个尾流重叠区)，X
i
和X
j
分别为风机i和j的x轴位置，A
j
为下游风机j的转子面积，D
i
、a
i
和γ
i
分别为风机i的转子直径、轴向感应系数和偏航偏移，k
e
为定义尾流扩大和尾流恢复的尾流系数，m
U,q
(γ
i
)定义为其中，M
U,q
是一个调整后的比例因子，a
U
和b
U
表示调整后的模型参数。4.根据权利要求1所述的风电场可靠性感知多目标预测控制方法，其特征在于，步骤S2中，对于第j台风机中的第i个执行器，执行器的可靠性被建模为一个条件概率：其中，R
i
(t)表示第i个执行器在当前瞬间时间t之前的可靠性，表示额定故障率，η
i
表示故障率，u
i
(t)是时间t的控制作用，u
imax
和u
imin
分别是第i个执行器的最小和最大允许控制作用，设汽轮机j的所有部件都是相互独立的，汽轮机的可靠性可以由其部件的可靠性来确定所以，其中表示第j台风机的可靠性...
【专利技术属性】
技术研发人员：宋保国，韩雪峰，张存富，胡永强，麻红波，荆裕辉，耿晓伟，
申请(专利权)人：北京华能新锐控制技术有限公司，
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。