[发明专利]一种海上风电场群的分散式协调控制方法及装置

说明书

本发明公开了一种海上风电场群的分散式协调控制方法及装置，其方法包括：构建单台风机组的考虑尾流影响的尾流风机功率和推力载荷平衡优化和控制模型；构建原始尾流有向图，采用图权重剪枝算法和图深度优先搜索算法，将原始尾流有向图分解为完全不耦合的稀疏化子尾流有向图，构建稀疏化的风电场群‑场‑机多层分散式控制体系，构建分散式风电场功率和推力荷载平衡优化模型，求解功率和推力荷载平衡控制参数的最优值。本发明的方法和装置通过建立功率和推力平衡优化模型，实现一种通信负担低、计算量少和可扩展的风电机组群分散式协调控制方法及装置。

【技术领域】

本发明涉及人工智能和机器学习算法技术，特别是海上风电场群的优化调度方法及智能控制技术领域，具体地说，是一种海上风电场群的分散式协调控制方法及装置。

【背景技术】

当前，海上风电正朝着大型化、规模化发展，随着风电场规模的增大，风电场效率优化和控制技术迎来新的挑战。大型海上风电场是一个高维度、强时变、强非线性的复杂优化和控制系统，由于“深度阵列”尾流效应存在，处于上游机组尾流区域内的下游机组，其功率损失最高可达40％，湍流变化的不确定性，增加了机组的疲劳载荷。同时，随着风电场内风电机组数量的增加，风电场的控制变量也随之以指数形式增长，导致传统集中式控制器存在通信压力大和计算成本高的问题，在对风电场进行优化调度时难以保证对风电机组之间尾流变化做出足够快的反应，无法保证最优的协调控制结果。

随着风电场建设规模越来越大，大型风电场优化调度逐步向集群机组协同控制方向发展。研究表明，上下游机组的尾流关系对风电场优化和控制造成的影响不容忽视，沿风向上机组间的尾流级联关系具有单向耦合特性，这部分机组具有集群特性，这就要求不能简单地实施单台机组独立控制策略，而应对集群机组进行协同优化和控制。与此同时，随着智慧风场的提出，运用新的人工智能和机器学习算法，探究处于大型风电场复杂气象环境下风电机组间的尾流耦合效应，优化功率获取和推力疲劳载荷分配，实现风电场风能捕获和风电机组寿命同时协调优化，是风电场优化调度与控制技术亟待解决的关键问题。

【发明内容】

本发明的目的是针对现有技术的不足，提供一种大规模海上风电场群的分散式协调控制方法及装置，对海上正常运行的大规模风电场群，通过分析风电机组尾流耦合关系和分布特性构建尾流有向图，图剪枝稀疏化该尾流有向图构成的风电场通信网络拓扑结构，运用图聚类算法对风电机组进行分散集群，建立风电场群功率获取、推力疲劳载荷和控制特性分析的一体化仿真模型，实现一种通信负担低、计算量少和可扩展的风电机组群分散式协调控制方法及装置。

为实现上述目的，第一方面，本发明采用的技术方案是：一种海上风电场群的分散式协调控制方法，包括：

构建海上风电场中单台风机组的考虑尾流影响的尾流风机功率和推力载荷计算模型；

将所述海上风电场内所有风机组的位置、风向和风速信息依次输入所述考虑尾流影响的尾流风机功率和推力载荷计算模型，得到所述海上风电场尾流耦合关系，并将其建模为原始尾流有向图，其中，所述海上风电场中的单台风机组构成所述原始尾流有向图的节点，所述海上风电场中相邻两单台风机组之间的尾流耦合关系构成所述原始尾流有向图的边，该边权重值定义为受尾流影响的等效风速衰减量；

采用图权重剪枝算法和图深度优先搜索算法，将所述原始尾流有向图分解为完全不耦合的稀疏化子尾流有向图，以该稀疏化子尾流有向图为基础将高度相关和强耦合的风机组聚类为多个子风电场，构建稀疏化的风电场群-场-机多层分散式控制体系；

根据所述考虑尾流影响的尾流风机功率和推力载荷计算模型，结合所述子风电场，得到所述海上风电场内多个聚类子风电场风机集群的功率和推力计算函数，定义风机控制变量x_i:＝[γ_i]^T，构建分散式风电场功率和推力荷载平衡优化模型，求解功率和推力荷载平衡控制参数的最优值，所述分散式风电场功率和推力荷载平衡优化模型表达如下：