[发明专利]分层数据驱动的风电场发电功率优化方案

说明书

本公开提供了一种分层数据驱动的风电场发电功率优化方案，包括：根据风电场的历史发电数据，计算风电场在所有风向下的发电效率数据；基于发电效率数据，将整个风向区间划分为m个风向子区间，其中风电场的发电效率对风向在每个风向子区间中的变化不敏感；对每个风向子区间定义风电场的发电效率优化子问题；针对每个优化子问题，利用提出的随机投影单纯形算法求解。提出的算法可利用实时测量的发电数据快速提升风电场的功率输出并有能力找到子问题的最优解。m个提出的算法并行执行，构成了整个风电场的发电功率优化方案。该方案可适应复杂风况。

技术领域

本公开涉及优化方法，风电机组协同控制方法及风电场集中式控制器的设计领域，具体涉及数据驱动的随机投影单纯形法，分层数据驱动的风电场集中式发电功率优化方案。

背景技术

风电场的发电功率优化方法主要有两类：基于模型的方法和基于数据驱动的方法。

基于模型的方法主要利用建立的解析发电功率模型，设计功率优化方案，例如启发式算法、梯度法。由于风电机组间的尾流耦合非常复杂，解析的发电功率模型难以对其进行准确刻画，尤其是对于一些建立在高地或丘陵地带的风电场。于是，基于解析模型的方法难以有效提升风电场的功率输出。为了克服这种局限性，有作者研究基于计算流体动力学(Computational Fluid Dynamics(CFD))模型的控制方案，例如基于大涡模拟的共轭梯度法。尽管CFD模型的使用提高了建模精度，但基于这种模型的优化方案需要巨大的计算资源。这在实际中往往是不可行的。综上所述，基于模型的方法在风场功率优化问题中面临各种困难，导致其难以实用。

为了克服对发电功率模型的依赖性，基于数据驱动的优化方法得到了广泛关注。这类方法仅通过控制输入和测量的发电数据优化风电场的功率输出。提出的数据驱动方法包括安全实验动力学(Safe Experimentation Dynamics，SED)方法、逐步离散随机逼近法(Aggressive Discrete Stochastic Approximation Algorithm)、最佳相对步长随机搜索法(Optimized Relative Step Size Random Search，ORSSRS)、贝叶斯上升法(BayesianAscent Algorithm)、分布式同步扰动法(Distributed Simultaneous PerturbationApproach，D-SPA)等。上述大多数据驱动方法仅考虑了简单风况，例如静态或者缓慢时变的风况。实际风电场的风况常常非常复杂，可以随机快速地变化，而风电场的发电功率又与风况强相关，最优控制动作随着风况的变化而变化。这意味着存在的数据驱动的方法虽然不依赖于模型，但无法适应实际风场复杂时变的风况。因此，提出一种数据驱动的能在复杂时变风况下有效提升风场发电性能的功率优化方案变得十分迫切。

发明内容

为了能在复杂时变风况下有效提升风场发电性能，本公开提供了一种新颖的基于数据驱动的风电场发电功率优化方案，包括：

根据风电场的历史发电数据，计算风电场在所有风向下的发电效率数据；

基于发电效率数据，将整个风向区间划分为m个风向子区间，其中风电场的发电效率对风向在每个风向子区间中的变化不敏感；

对每个风向子区间定义发电效率优化子问题；

针对每个子问题，通过提出的随机投影单纯形算法求最优解；

为了适应复杂时变的风况，m个提出的优化算法并行执行，构成了风电场的发电功率优化方案。

当m个风向子区间的第i个风向子区间被风向访问时，m个优化算法的第i个优化算法将启动，对所述第i个风向子区间对应的第i个发电效率优化子问题进行优化求解。

当所述第i个风向子区间被风向再次访问时，则所述第i个优化算法将被再次启动，并根据之前的经验来搜索第i个发电效率优化子问题的最优解。