一种风场最优功率控制方法、系统、设备及存储介质

1.本发明属于新能源发电技术领域，涉及一种风场最优功率控制方法、系统、设备及存储介质。


背景技术：

2.随着风电的大规模开发和利用,风电场机组排布密度和机组容量不断增大,使得来流风速经过上游风电机组后风速衰减更为明显,造成下游机组的输出功率降低和风电机组疲劳载荷增加,从而增加运维成本。由于尾流效应的影响，整个风电场发电量最多将减少54％，同时，尾流效应每年将带来20-30％的经济损失，故而通过降低尾流效应影响增加风场总功率输出成为风电场研究的热门话题。
3.目前，有部分学者开展了提升风电场效率的相关研究。部分研究旨在于优化风机选址。busby,r.l等人在“wind power:the industry grows up”中涉及风力涡轮机定位，该研究认为较大的风机间距保证了尾流恢复到自由流压力水平。开发商在设计风场时还需考虑如电气连接成本、维护程序等其他因素，主要采用在主要风向上具有适当风机间距的网格布局。当前在风场输出功率优化领域的研究中，主动控制策略可以分为轴向感应控制和尾流偏航策略。johnson,k.e.等人在“wind farm control:addressing the aerodynamic interaction among wind turbines.”中提出了轴向感应控制，降低上游风机的额定输出功率将降低轴向感应系数，这将降尾流区域内的动量下降使得下游风机暴露在更高入射风速下，以更高的转子转速获得更高的电能。fleming,p.等人在“simulation comparison of wake mitigation control strategies for a two-turbine case.”中提出了尾流偏航，旨在于调整转子平面与入射风不对齐使得转子平面上下部分承受不同空气动力载荷，这种不平衡使得风在侧风方向上获得动量，即尾流发生偏转，从而导致风场的总发电功率受到影响。


技术实现要素：

4.本发明的目的在于克服上述现有技术的缺点，提供了一种风场最优功率控制方法、系统、设备及存储介质，该方法、系统、设备及存储介质能够实现风场总发电功率的最大化。
5.为达到上述目的，本发明采用如下技术方案：
6.本发明一方面，本发明提供了一种风场最优功率控制方法，包括：
7.获取风场中各风机的位置、风速及风向信息；
8.将风场中各风机的位置、风速及风向信息输入到训练后的智能体中，得风场中各风机的偏航角、轴向感应系数及倾角信息，根据风场中各风机的偏航角、轴向感应系数及倾角信息控制风场中的风机，使风场的总发电功率最大化，完成风场最优功率控制。
9.还包括：
10.构建训练样本，所述训练样本包括风机i的发电功率pi、位置(xi,yi)，风速wv，风向
wd，偏航角yawi，轴向感应系数aii及倾角tilti；
11.构建智能体；
12.利用所述训练样本对所述智能体进行训练，得到训练后的智能体。
13.所述利用所述训练样本对所述智能体进行训练过程中的奖惩函数为：
[0014][0015]
其中，r为智能体的奖励，i为风场中风机的数目，n为智能体的数目。
[0016]
基于maddpg算法，利用所述训练样本对所述智能体进行训练。
[0017]
所述构建训练样本之前还包括：
[0018]
获取风场中风机的自由流速度、湍流强度以及偏航角；
[0019]
根据风场中风机的自由流速度、湍流强度以及偏航角计算风机所在位置的风速以及风机的输出功率。
[0020]
根据风场中风机的自由流速度、湍流强度以及偏航角，基于floris模型计算风机所在位置的风速以及风机的输出功率。
[0021]
所述floris模型为：
[0022]cγ
＝p
γ
/p0＝(-0.0003γ
3-0.000025γ2 0.997γ)
[0023]cβ
＝p
β
/p0＝-0.185 0.285cos(0.105β) 0.014sin(0.105β)
[0024]-0.144cos(0.209β)-0.017sin(0.209β)
[0025]
0.06cos(0.314β) 0.011sin(0.314β)
[0026]-0.016cos(0.419β)-0.005sin(0.419β)
[0027][0028]
本发明二方面，本发明提供了一种风场最优功率控制系统，包括：
[0029]
获取模块，用于获取风场中各风机的位置、风速及风向信息；
[0030]
控制模块，用于将风场中各风机的位置、风速及风向信息输入到训练后的智能体中，得风场中各风机的偏航角、轴向感应系数及倾角信息，根据风场中各风机的偏航角、轴向感应系数及倾角信息控制风场中的风机，使风场的总发电功率最大化，完成风场最优功率控制。
[0031]
本发明三方面，本发明提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述风场最优功率控制方法的步骤。
[0032]
本发明四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述风场最优功率控制方法的步骤。
[0033]
本发明具有以下有益效果：
[0034]
本发明所述的风场最优功率控制方法、系统、设备及存储介质在具体操作时，基于训练后的智能体实现风场总发电功率的最大化，具体的，将风场中各风机的位置、风速及风向信息输入到训练后的智能体中，得风场中各风机的偏航角、轴向感应系数及倾角信息，根据风场中各风机的偏航角、轴向感应系数及倾角信息控制风场中的风机，使风场的总发电
功率最大化，符合风场分布式运行控制需求。
附图说明
[0035]
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0036]
图1为尾流效应示意图
[0037]
图2a为风机偏航角的示意图；
[0038]
图2b为风机倾角的示意图；
[0039]
图3为floris模型的计算框架图；
[0040]
图4为实验数据拟合功率-偏航角曲线的示意图；
[0041]
图5为拟合功率-倾角曲线的示意图；
[0042]
图6为智能体训练的示意图；
[0043]
图7为maddpg方法的框架图；
[0044]
图8为奖励曲线的示意图。
具体实施方式
[0045]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0046]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0047]
下面结合附图对本发明做进一步详细描述：
[0048]
实施例一
[0049]
本发明所述的风场最优功率控制方法包括以下步骤：
[0050]
如图1所示，尾流效应指两风机在顺风向排布的情况下，上游风机的叶片与入射自由流之间存在着粘性相互作用，使得上游风机后的局部区域内出现低风速、高湍流的特性，该效应称为尾流效应，受到尾流效应影响的局部区域称为尾流区域，尾流区域与下游风机的重叠将导致下游风机接收入射流速度降低、输出功率降低且性能变差。
[0051]
风场主动控制策略大致分为两类，第一类为轴向感应控制策略，尾流效应的产生来自于风力涡轮机与自由流的粘性相互作用，轴向感应控制意为调整上游风机的功率提取率，将同时影响风力涡轮机与自由流相互作用的强度，进而改变尾流区域内的速度赤字，设轴向感应系数a为涡轮机前自由流的速度至涡轮机后尾流速度的下降比。
[0052]
设叶尖速比(tsr)为俯仰角β，涡轮机的推力系数和功率系数均为：
[0053][0054][0055]
其中，ρ为空气密度，a为转子旋转平面面积，u为涡轮机前自由流风速，c
t
及c
p
分别为推力系数和功率系数，p和t分别为输出功率和对自由流的推力，涡轮机对自由流的推力决定了转子后的速度下降比率，即轴向感应系数可以写为与推力系数相关的公式
[0056]
根据上述分析可知，调整降低上游风力涡轮机的功率提取率，将降低涡轮机背后的尾流赤字，从而提高下游风机的入射流速度，提高下游风机的输出功率，通过设置上游风机的轴向感应系数，将提高风场的整体输出功率。
[0057]
第二类风场主动控制策略为尾流重定向，常规尾流重定向方式为重设置偏航角，该方式将使得上游风机尾流在水平面上偏转，降低尾流区域与下游风机旋转平面的重叠，从而增加风场整体功率输出。另一种可行的方式是改变上游风机的倾角，使得尾流在垂直方向上重定向，降低尾流区域与下游风机重叠，偏航角与倾角的设定如图2所示。
[0058]
在本发明中，首先扩写偏航角重定向风场的参数模型floris，采用在印度某风场中采集的实际数据拟合功率曲线代替原模型中的经验功率公式；并在该模型中加入倾角重定向控制策略的接口，并使用cfd仿真模型的结果拟合倾角-输出功率公式，完善该接口。本发明搭建一个包含所有主动控制策略接口的风场仿真模型，并采用实际数据拟合公式替代不精准的经验公式，为多策略控制打下了良好的基础。
[0059]
floris模拟偏航角对尾流效应的影响以及输出功率计算流程如图3所示，如图3所示，该floris模型先模拟尾流区域以及区域内尾流速度赤字，再将速度赤字与风场自由流叠加得到每个涡轮机对应位置处实际风速，并依据此风速计算对应风机输出功率pu(γ)，即：
[0060][0061]
其中，γ为风机偏航角，p
p
为经验参数，一般取为3，在本发明中，采集howland等人在印度为期两年的风场实验数据，对实验数据进行数据过滤，并使用过滤后的数据拟合功率-偏航角曲线，在floris模型中代替上述经验公式，拟合曲线如图4所示。
[0062]
所述本研究中使用的风场环境模型为：
[0063]cγ
＝p
γ
/p0＝(-0.0003γ
3-0.000025γ2 0.997γ)
[0064]cβ
＝p
β
/p0＝-0.185 0.285cos(0.105β) 0.014sin(0.105β)
[0065]-0.144cos(0.209β)-0.017sin(0.209β)
[0066]
0.06cos(0.314β) 0.011sin(0.314β)
[0067]-0.016cos(0.419β)-0.005sin(0.419β)
[0068]
[0069]
其中，为对应风速u时涡轮机的额定输出功率。a为轴向感应系数，β为涡轮机倾角，γ为涡轮机偏航角，ρ为空气密度，一般取为1.25，c
p
为功率因数，本文中使用nerl-15mw标准风机，该参数的取值可由图3得到，a为转子平面面积，u为该涡轮机处有效风速。
[0070]
偏航角是在水平方向上重定向尾流，而倾角则是在垂直方向上对尾流进行重定向，倾角的调整也有助于功率提高，在本发明中采用流体仿真模型sowfa模拟三位风场模型，读出倾角调整时对应的输出功率，并拟合功率-倾角曲线，如图5所示。
[0071]
结合偏航角控制、倾角控制及轴向感应控制等多种主动控制策略，并采用实验数据更新模型中的经验公式，形成多接口的风场模型。在该环境模型中输入轴向感应系数、倾角及偏航角，环境模型将输出风场功率，在此基础上引入强化学习，训练得到风场的最优工作点。
[0072]
以风场总发电量最大作为优化目标，采用多智能体深度强化学习中的多智能体深度确定性策略梯度算法对风机偏转角、倾角及轴向感应系数进行求解。
[0073]
在多智能体深度强化学习的背景下，多个计算机化的智能体学习在离散时间步骤t采取各自的行动，多个智能体的动作构成联合动作，从环境中获得最大的总回报，各智能体的回报存在着博弈关系，状态转换符合马尔可夫过程，如果在一个给定的状态下，智能体选择的一个操作给出了较低的奖励，则在该状态的后续操作中，智能体可以选择一个产生较高奖励的操作，在这个框架中，存在多个学习和决策的实体，即多智能体，以及一个环境，它是智能体之外的一切，如图6所示。
[0074]
所执行的行为不仅会影响即时的奖励信号，还会影响后续所有的奖励信号，最初，智能体接收到环境状态s
t
，并基于此执行一个动作，该动作提示环境状态更改为s
t 1
。除了状态之外，环境还以奖励信号r
t 1
的形式为智能体提供与行为相关的反馈。将状态从s
t
移动到s
t 1
的过渡函数通常包含一个随机分量，并且不能仅由a
t
的作用来确定。智能体在将状态映射到行为的概率分布时所遵循的一组规则被称为策略(π)。多智能体强化学习的目标是为多智能体提供策略，使多智能体未来的总回报最大化。
[0075]
maddpg算法采用集中式训练，分布式执行的框架，具体如图7所示，maddpg算法采用全局的状态和全局的动作进行集中式训练，训练完成后智能体根据自己的观察(部分观察)进行动作，使得总回报最大。
[0076]
设风机i的发电功率pi为关于风机i位置(xi,yi)、风速wv、风向wd、偏转角yawi、轴向感应系数aii及倾角tilti的函数，具体为：
[0077]
pi＝f(xi,yi,wv,wd,yawi,aii,tilti)
ꢀꢀꢀꢀꢀ
(4)
[0078]
为避免智能体学习过程中奖励过于稀疏，在每次动作之后添加奖励和惩罚，智能体之间为合作关系，智能体每一步奖惩函数为：
[0079][0080]
其中，r为智能体的奖励，i为风场中风机的数目，n为智能体的数目。
[0081]
训练完成后，得到训练后的智能体，在实际控制时，获取风场中各风机的位置、风速及风向信息，再将获取的到的风场中各风机的位置、风速及风向信息输入到训练后的智
能体中，得风场中各风机的偏航角、轴向感应系数及倾角信息，根据风场中各风机的偏航角、轴向感应系数及倾角信息控制风场中的风机，使风场的总发电功率最大化，完成风场最优功率控制。
[0082]
仿真实验
[0083]
为验证本发明所述策略的正确性，单个智能体能够控制四台风机，即一个风机集群，本发明中智能体数量为2，共控制七台风机。智能体1中风机1坐标为(0,0)，风机2坐标为(400,0)，风机3坐标为(800,0)，风机4坐标为(1200,0)，风向为270
°
，风速为8m/s。智能体2中，风机5坐标为(1200,0)，风机6坐标为(0,-400)，风机7坐标为(0,400)，风机8坐标为(0,800)，风向为270
°
，风速为8m/s。需要说明的是，智能体中的风机4和智能体2中的风机5是同一台风机，用来进行智能体间的信息交流。调度结果不受风机集群的位置和数量的影响。maddpg算法的超参数设置如表2所示，需要说明的是，单个智能体状态维度为10，包含4个风机的坐标值(x轴和y轴)，风向，风速，共10个参数。
[0084]
表1
[0085][0086]
由奖励曲线可知，本发明具有良好的收敛性，奖励值快速上升，并且最终收敛于1.95*108附近，一开始算法奖励值波动较大，奖励值较低是由于智能体不断探索，属于正常现象。
[0087]
风机集群最大功率输出的具体控制参数如表2所示
[0088]
表2
[0089][0090]
如表2所示，智能体1中风机1坐标为(0,0)，风机2坐标为(400,0)，风机3坐标为(800,0)，风机4坐标为(1200,0)，风向为270
°
，风速为8m/s。智能体2中，风机5坐标为(1200,0)，风机6坐标为(0,-400)，风机7坐标为(0,400)，风机8坐标为(0,800)，风向为270
°
，风速为8m/s。风力涡轮机集群经mappo算法训练后给出的最佳工作点，此时风机集群的最优参数如表2所示，风机总功率为8.28mw，相较于只控制偏航角总功率7.63mw，风机总功率具有明显提升。
[0091]
实施例二
[0092]
本发明所述的风场最优功率控制系统包括：
[0093]
获取模块，用于获取风场中各风机的位置、风速及风向信息；
[0094]
控制模块，用于将风场中各风机的位置、风速及风向信息输入到训练后的智能体中，得风场中各风机的偏航角、轴向感应系数及倾角信息，根据风场中各风机的偏航角、轴向感应系数及倾角信息控制风场中的风机，使风场的总发电功率最大化，完成风场最优功率控制。
[0095]
实施例三
[0096]
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述风场最优功率控制方法的步骤，其中，所述存储器可能包含内存，例如高速随机存储器，也可能还包括非易失性存储器，例如，至少一个磁盘存储器等；处理器、网络接口、存储器通过内部总线互相连接，该内部总线可以是工业标准体系结构总线、外设部件互连标准总线、扩展工业标准结构总线等，总线可以分为地址总线、数据总线、控制总线等。存储器用于存放程序，具体地，程序可以包括程序代码、所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
[0097]
实施例四
[0098]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述风场最优功率控制方法的步骤，具体地，所述计算机可
读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存储器可以包括随机存储存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器可以包括只读存储器(rom)、硬盘、闪存、光盘、磁盘等。
[0099]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0100]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0101]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0102]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0103]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。