【技术实现步骤摘要】
本专利技术涉及风电场发电功率优化，特别是涉及基于自适应校正模型的风电场发电功率优化方法及系统。
技术介绍
1、本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
2、为了降低风机的安装、运行以及维修成本，风电场内风机间距通常较小。这使得风机间存在很强的因尾流引起的空气动力学耦合(简称尾流耦合)，进而降低了整个风电场的功率输出。然而，风电场中各风机一般独立控制，忽略了尾流耦合，常常造成次优的风电场功率输出。据统计，很多陆地风电场因耦合引起的功率损失达10％到20％。于是，关于风电场，一个重要的研究方向为如何通过风机间的协同控制，缓解耦合影响，有效提升整个风电场的发电功率。
3、当前，存在的风电场控制策略主要包括基于模型的功率优化方法和数据驱动的功率优化方法。大多数基于模型的功率优化方法仅基于简化的风电场发电功率模型，利用经典的最速下降方法、粒子群优化算法等获取各风机的控制动作。这些方法具有很快的收敛速度，但因模型不确定性，难以保证获得控制动作的有效性，导致在提升风电场的发电性能方面能力受限。此外，也有基于计算流体动力学模型的功率优化方法。虽然计算流体动力学模型具有很高的精度，但其计算成本高昂，难以在工程实际中广泛应用。于是，基于数据驱动的方法，如离散自适应滤波法(discrete adaptive filtering algorithms)、随机投影单纯形法(stochastic projected simplex method)等，一些功率优化方法被研究。这些方法不需要风电场的发电
技术实现思路
1、为了解决现有技术的不足，本专利技术提供了基于自适应校正模型的风电场发电功率优化方法及系统。以可获得且简化的风电场发电效率机理模型为基础，通过挖掘利用实测数据中隐含的系统信息，校正机理模型并借助模型驱动的优化方法获取风机的控制动作，进而补偿模型不确定性的影响，实现快速有效提升风电场发电功率的目标。
2、一方面，提供了基于自适应校正模型的风电场发电功率优化方法；
3、基于自适应校正模型的风电场发电功率优化方法，包括：
4、获取风电场历史发电数据；基于风电场历史发电数据构建数据子集，进而实现样本数据的分类存储；
5、利用当前风向对应的数据子集，对构建的不确定性模型进行训练，得到训练后的不确定性模型；将风电场简化模型与训练后的不确定性模型进行求和，得到校正的风电场发电效率模型；
6、针对当前风向，基于所述校正的风电场发电效率模型、随机摄动和投影算子，输出决策控制动作；通过真实风电场执行所述决策控制动作，重当前时刻风电场的风向数据和发电数据；
7、如果当前时刻的风向数据与前一时刻的风向数据，属于相同的风向子区间，则表示所述决策控制动作得到真实风电场的有效评估，将当前时刻的风电场运行数据更新到当前风向对应的数据子集中，得到更新后的数据子集。
8、另一方面，提供了基于自适应校正模型的风电场发电功率优化系统；
9、基于自适应校正模型的风电场发电功率优化系统，包括：
10、获取模块，其被配置为：获取风电场历史发电数据；基于风电场历史发电数据构建数据子集；
11、训练模块，其被配置为：利用当前风向对应的数据子集，对构建的不确定性模型进行训练，得到训练后的不确定性模型；将风电场简化模型与训练后的不确定性模型进行求和，得到校正的风电场发电效率模型；
12、输出模块，其被配置为：针对当前风向，基于所述校正的风电场发电效率模型、随机摄动和投影算子，输出决策控制动作；通过真实风电场执行所述决策控制动作，重当前时刻真实风电场的风向数据和发电数据；
13、判断模块，其被配置为：如果当前时刻的风向数据与前一时刻的风向数据，属于相同的风向子区间，则表示所述决策控制动作得到了真实风电场的有效评估，将当前时刻的风电场运行数据更新到当前风向对应的数据子集中，得到更新的数据子集。
14、再一方面，还提供了一种电子设备，包括：
15、存储器，用于非暂时性存储计算机可读指令；以及
16、处理器，用于运行所述计算机可读指令，
17、其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
18、再一方面，还提供了一种存储介质，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
19、再一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
20、上述技术方案具有如下优点或有益效果：
21、以可获得且简化的风电场发电效率机理模型为基础，通过挖掘利用实测数据中隐含的系统信息，校正机理模型并借助模型驱动的优化方法获取风机的控制动作，进而补偿模型不确定性的影响，实现快速有效提升风电场发电效率的目标。
本文档来自技高网...【技术保护点】
1.基于自适应校正模型的风电场发电功率优化方法，其特征是，包括：
2.如权利要求1所述的基于自适应校正模型的风电场发电功率优化方法，其特征是，基于风电场历史发电数据构建数据子集，具体包括：
3.如权利要求1所述的基于自适应校正模型的风电场发电功率优化方法，其特征是，选择全连接神经网络构建不确定性模型。
4.如权利要求1所述的基于自适应校正模型的风电场发电功率优化方法，其特征是，利用当前风向对应的数据子集，对构建的不确定性模型进行训练，得到训练后的不确定性模型，是指：
5.如权利要求1所述的基于自适应校正模型的风电场发电功率优化方法，其特征是，针对当前风向，基于所述校正的风电场发电效率模型、随机摄动和投影算子，输出决策控制动作，具体包括：
6.如权利要求1所述的基于自适应校正模型的风电场发电功率优化方法，其特征是，针对当前风向，基于所述校正的风电场发电效率模型、随机摄动和投影算子，输出决策控制动作，具体是指：
7.如权利要求1所述的基于自适应校正模型的风电场发电功率优化方法，其特征是，如果当前时刻的风向数据与前
8.基于自适应校正模型的风电场发电功率优化系统，其特征是，包括：
9.一种电子设备，其特征是，包括：
10.一种存储介质，其特征是，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。
...【技术特征摘要】
1.基于自适应校正模型的风电场发电功率优化方法，其特征是，包括：
2.如权利要求1所述的基于自适应校正模型的风电场发电功率优化方法，其特征是，基于风电场历史发电数据构建数据子集，具体包括：
3.如权利要求1所述的基于自适应校正模型的风电场发电功率优化方法，其特征是，选择全连接神经网络构建不确定性模型。
4.如权利要求1所述的基于自适应校正模型的风电场发电功率优化方法，其特征是，利用当前风向对应的数据子集，对构建的不确定性模型进行训练，得到训练后的不确定性模型，是指：
5.如权利要求1所述的基于自适应校正模型的风电场发电功率优化方法，其特征是，针对当前风向，基于所述校正的风电场发电效率模型、随机摄动和投影算子，输出决策控制动作，具体包括：
6.如权利要求1所述...
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。