[发明专利]基于模型和数据驱动的风电场发电功率优化方法

说明书

本公开提供了一种基于模型和数据驱动的风电场发电功率优化方法，包括：通过利用可获得风电场的发电功率模型和实时的发电数据，提出了一种模型指导的学习方法。提出的方法可以快速提升风电场的功率输出，确保实施的控制动作满足所有风机的控制约束，并有能力发现风电场功率优化问题的最优解。为了处理时变风况，基于模型指导的学习方法，提供了一种分层的风电场发电功率优化方案。

技术领域

本公开涉及基于模型和数据驱动的优化方法，风电机组协同控制方法，以及风电场集中式发电功率优化控制器的设计领域。

背景技术

风电场的功率优化方法主要有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依靠解析的发电功率模型，设计风电场的功率优化方案，例如最速下降法、启发式算法、粒子群算法等。这类方法计算简单，收敛速度快，但由于风电机组间的尾流耦合高度复杂，解析的发电功率模型难以有效建模风场中所有的空气动力学，使得基于解析模型的方法有可能无法有效提升风电场的功率输出。另一方面，基于数据驱动的优化方法得到了广泛关注，包括逐步离散随机逼近法(Aggressive Discrete StochasticApproximation Algorithm)、最佳相对步长随机搜索法(Optimized Relative Step SizeRandom Search)、贝叶斯上升法(Bayesian Ascent Algorithm)、分布式同步扰动法(Distributed Simultaneous Perturbation Approach)等。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，一般可实现局部或全局最优。然而，这类方法收敛速度普遍较慢，要实现收敛需要大量的测量数据，使其对应的发电效率普遍较低。

通过上述分析，期望提出一种优化算法，融合基于模型的方法和数据驱动方法的优点，具有快速收敛性和全局最优的能力，从而实现风电场发电功率的有效提升。

发明内容

本公开提供了一种基于模型和数据驱动的风电场发电功率优化方案，包括：

针对定风向风电场的发电功率优化问题，提出了一种模型指导的学习方法，融合了基于模型的方法和数据驱动方法的优点。提出的方法包括：

动作更新：基于基准动作使用解析模型近似的梯度搜索方向和数据驱动的随机搜索方向进行动作更新，其中迭代次数k＝0,1,…；

动作评估：通过实际风电场的发电效率评估新的控制动作u^k+1；

基准更新：从新控制动作u^k+1和基准控制动作中，选择具有更高发电效率的动作作为下一步迭代的基准动作；从新控制动作u^k+1对应的发电效率和基准控制动作对应的发电效率中，选择更高的发电效率作为下一步迭代的基准效率；以及

参数更新：在迭代过程中，对控制动作更新步骤中所使用的参数进行更新。

根据至少一个实施方式，在所述控制动作更新的步骤中：采用以下公式进行新控制动作u^k+1的更新，

这里被随机选择，

这里

被随机选择，是的第i个元素。

其中为欧几里得投影算子；参数的初始参数为参数的初始参数为表示在基准动作处发电效率模型的梯度；和ω_i分别是对中第i个元素施加的局部和全局摄动；参数0＜ε₁,ε₂＜1。

根据至少一个实施方式，在所述控制动作评估的步骤中；通过以下公式对控制动作进行评估，