System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于风力发电自动控制和运行优化领域,涉及一种基于多变量系统辨识的风电场发电量优化方法。
技术介绍
1、风电场的风力发电机组是风电场中将空气中的风能转换为电能的发电装置。上游风机运转时会从风中提取能量并转化为电能,同时也会在其后方形成一个气流尾流区,风机叶片提取了部分风能,因此尾流中的风速会比初始风速要低;同时,由于转子叶片运动引起的湍流,尾流中的湍流强度也会增加。该现象简称尾流效应,它的存在降低后面风机的性能和输出功率。
2、工业界和学术界为了降低尾流效应的影响,提高风电场的整体发电量,做了大量研究和试验,提出了多种方法,部分文献见文献[1],[2],[3],[4],[5],[6],[7],[8]。文献[5]指出,对于不同的风向和风速,通过尾流优化可提高风电场年发电量1.86%至6.24%;文献[6]通过对一海上风电场案例的仿真研究,显示尾流优化可提高风电场年发电量4%以上。现有的研究工作提出了两种主要的降低尾流效应以提高风电场整体发电量的方法,第一种是对风机偏航角引入一个非零偏角以降低其尾流效应;第二种是降低风机轴感应因子(降低风机发电量)以降低其尾流效应,改变风机轴感应因子是由调节风机桨叶角或者发电机力矩实现的。
3、当前研究风电场优化的技术路线主要是基于机理的动力学模型建模,如cfd(computational fluid dynamics)方法,见文献[2],[3],[4],[5],[6]。然而,对一给定风电场,应用基于机理模型的尾流优化方法有多个困难:(1)建模成本高,(2)模型精度低
4、[1]steinbuch,m.,boer,w.d.,bosgra,o.,1988.optimal control of windpower plants.journal of wind engineering and industrial aerodynamics,vol.27,pp.237–246.
5、[2]ali c.kheirabadi,ryozo nagamune(2019).a quantitative review ofwind farm control with the objective of wind farm power maximization.journalof wind engineering&industrial aerodynamics,vol.192,pp.45-73.
6、[3]l.a.martínez-tossas,j.annoni,p.a.fleming,m.j.churchfield(2019).theaerodynamics of the curled wake:a simplified model in view of flowcontrol.wind energy science,vol.4,pp.127–138.
7、[4]walid husien,wedad el-osta,elhadi dekam(2013).effect of the wakebehind wind rotor on optimum energy output of wind farms.renewable energy,vol.49,pp.128-132.
8、[5]m.de-prada-gil,c.g.alías,o.gomis-bellmunt,a.sumper(2015).maximumwind power plant generation by reducing the wake effect.energy conversion andmanagement,vol.101,pp.73-84.
9、[6]p.gebraad,j.j.thomas,a.ning,p.fleming,k.dykes(2016).maximizationof the annual energy production of wind power plants by optimization oflayout and yaw-based wake control.wind energy,2016,vol.20,pp.97-107.
10、[7]marden jr,ruben sd,pao ly.a model-free approach to wind farmcontrol using game theoretic methods.ieee transactions on control systemstechnology 2013;vol.21,pp.1207–1214.
11、[8]gebraad,p.m.,van wingerden,j.w.,2015.maximum power-point trackingcontrol for wind farms.wind energy vol.18,pp.429–447.
12、[9]y.zhu(2001).multivariable system identification for processcontrol,elsevier,oxford.
技术实现思路
1、为减少风机之间因尾流效应产生的相互干扰和功率损失,提高风能利用效率,从而提高风电场的整体功率输出,本专利技术提供一种基于多变量系统辨识的风电场发电量优化方法。
2、本专利技术的目的是通过以下技术方案实现的:一种基于多变量系统辨识的风电场发电量优化方法,该方法包括:
3、将风电场每台风电机组的偏航角和轴感应因子作为优化变量,以风电场总发电功率作为目标函数,构造出优化模型;
4、对每台风电机组的偏航角和轴感应因子设定值施加激励信号,收集实验数据,使用系统辨识方法获得优化模型的动态线性模型,以动态线性模型中每台风电机组的偏航角和轴感应因子与总发电功率之间的模型增益为寻优梯度,使用梯度上升法进行寻优迭代,优化调整风电机组的偏航角和轴感应因子。
5、进一步地,将风速和风向作为可测干扰变量,所述优化模型的输入为优化变量和可测干扰变量,输出为风电场总发电功率。
6、进一步地,所述优化模型为动态非线性函数pout(t)=f(θ,υ,β,t),其中为优化向量,γ为风电机组偏航角向量,a为风电机组轴感应因子向量,υ为风场风速,β为风场风向角,t为本文档来自技高网...
【技术保护点】
1.一种基于多变量系统辨识的风电场发电量优化方法,其特征在于,包括:
2.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法,其特征在于,将风速和风向作为可测干扰变量,所述优化模型的输入为优化变量和可测干扰变量,输出为风电场总发电功率。
3.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法,其特征在于,所述优化模型为动态非线性函数Pout(t)=f(θ,υ,β,t),其中为优化向量,γ为风电机组偏航角向量,a为风电机组轴感应因子向量,υ为风场风速,β为风场风向角,t为采样时间;
4.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法,其特征在于,所述寻优迭代的初始步长确定方法具体为:将风电机组分布区域按来风方向从前至后分为多排区域,各区域的偏航角初始步长依次减小,轴感应因子初始步长相同。
5.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法,其特征在于,所述寻优迭代采用变步长迭代,具体为:在某次迭代过程中,如果某台风电机组偏航角或轴感应因子梯度符号改变,则减小其迭代步长。
6.
7.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法,其特征在于,所述寻优迭代的终止方法具体为:当某台风电机组偏航角或轴感应因子梯度值小于误差上界,暂停其迭代,后续迭代中当偏航角或轴感应因子梯度值大于误差上界时,重新开始迭代;当所有风电机组偏航角或轴感应因子梯度值小于误差上界时,优化迭代终止。
8.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法,其特征在于,将风向角范围和风速范围分别划分为若干分区,并确定分区中心点;对实验数据按照分区进行数据切片,对每个分区的实验数据分别进行模型辨识;得到实验数据中包含的所有分区的模型后,使用模型中的梯度信息进行本次优化迭代;重复辨识实验、模型辨识和优化迭代,直至优化迭代终止。
9.根据权利要求8所述的基于多变量系统辨识的风电场发电量优化方法,其特征在于,将每台风电机组所有分区的最优偏航角和轴感应因子组成优化表;优化运行时,优化表的使用方式有两种:在每个分区使用该分区的最优偏航角和轴感应因子,或者,对给定风向角和风速值,按其到两个分区中心点的距离,使用两个分区最优偏航角和轴感应因子的线性插值。
10.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法,其特征在于,对风电场风电机组进行分组优化,具体为:对某一风向,将与该风向垂直的每排风电机组选为一个风机分组,将每一分组所有风电机组的偏航角作为一个优化变量,将所有风电机组的轴感应因子作为一个优化变量,一起调整;将最后一排的风电机组设置为贪婪运行方式,这些风电机组不参加风电场发电量优化。
...【技术特征摘要】
1.一种基于多变量系统辨识的风电场发电量优化方法,其特征在于,包括:
2.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法,其特征在于,将风速和风向作为可测干扰变量,所述优化模型的输入为优化变量和可测干扰变量,输出为风电场总发电功率。
3.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法,其特征在于,所述优化模型为动态非线性函数pout(t)=f(θ,υ,β,t),其中为优化向量,γ为风电机组偏航角向量,a为风电机组轴感应因子向量,υ为风场风速,β为风场风向角,t为采样时间;
4.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法,其特征在于,所述寻优迭代的初始步长确定方法具体为:将风电机组分布区域按来风方向从前至后分为多排区域,各区域的偏航角初始步长依次减小,轴感应因子初始步长相同。
5.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法,其特征在于,所述寻优迭代采用变步长迭代,具体为:在某次迭代过程中,如果某台风电机组偏航角或轴感应因子梯度符号改变,则减小其迭代步长。
6.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法,其特征在于,使用系统辨识方法获得动态线性模型与寻优梯度,具体为:
7.根据权利要求1所述的基于多变量系统辨识的风电场发电量优化方法,其特征在于,所述寻优迭代的终止方法具体为:当某...
【专利技术属性】
技术研发人员:朱豫才,
申请(专利权)人:杭州泰极豫才软件有限公司,
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。