申请/专利权人：明阳智慧能源集团股份公司

申请日：2021-07-26

公开（公告）日：2024-03-19

公开（公告）号：CN113659630B

主分类号：H02J3/46

分类号：H02J3/46;H02J3/38;G06Q10/04;G06Q10/0631;G06Q50/06

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.12.03#实质审查的生效;2021.11.16#公开

摘要：发明公开了基于疲劳损伤值估计的风电场功率优化调度方法及系统，通过在标杆机组安装的载荷传感器获取准确的弯矩载荷，通过雨流计数法及线性累积损伤理论得到标杆机组各部件的疲劳损伤值，以标杆机组的运行数据作为输入，标杆机组各部件的疲劳损伤值作为输出，训练优化疲劳损伤值神经网络模型，并采用粒子群优化算法，确定各台机组的发电功率，从而实现风电场内功率优化调度；本发明能够以较低的硬件成本获取全场机组的准确的疲劳损伤值，实现全场机组疲劳损伤值的动态均衡以及全场总功率设定值的精确跟踪，以及功率的优化调度，发挥疲劳损伤小的机组的发电能力，减轻疲劳损伤大的机组的压力，达到疲劳均衡的目的。

主权项：1.基于疲劳损伤值估计的风电场功率优化调度方法，其特征在于，包括以下步骤：S1、采集及处理数据在每个风电场中选择一台机组作为标杆机组，在标杆机组的叶根、塔筒顶部和塔筒底部分别安装光纤载荷传感器，对标杆机组的叶根、塔筒顶部和塔筒底部测量弯矩载荷，同时测量风电场中全部机组的运行数据，并将运行数据存储到安装在风电场升压站的高性能服务器中，高性能服务器对运行数据按预设时间进行分段处理，得到全部机组运行数据的预设时间统计值；S2、在线计算标杆机组的疲劳损伤值利用雨流计数法，分别将测量得到的标杆机组的叶根、塔筒顶部和塔筒底部的弯矩载荷按预设时间进行分段处理并转化成雨流计数结果，根据标杆机组的叶根、塔筒顶部和塔筒底部的材料对应的S-N曲线以及雨流计数结果，计算得到预设时间内标杆机组的叶根、塔筒顶部和塔筒底部的疲劳损伤值；S3、训练疲劳损伤值神经网络模型高性能服务器预设周期，以标杆机组预设周期的运行数据的预设时间统计值为输入，并以预设周期标杆机组的预设时间内叶根、塔筒顶部和塔筒底部的疲劳损伤值为输出，训练优化疲劳损伤值神经网络模型；S4、计算风电场中每台机组的疲劳损伤值高性能服务器利用疲劳损伤值神经网络模型以及全部机组运行数据的预设时间统计值，在线计算风电场中全部机组的预设时间疲劳损伤值向量Di,j，并每隔预设时间将全部机组的疲劳损伤值向量累加，得到全部机组的累积疲劳损伤值Dsum,i,j，Dsum,i,j＝Dsum,i,j-1+Di,j；S5、计算风电场中全部机组的预测疲劳损伤值对于风电场中每台机组，将当前每台机组的运行数据的预设时间统计值向量Ai,j中的功率平均值替换为每台机组的未来预设时间功率设定值Pset,i,j，得到A′i,j；将A′i,j作为疲劳损伤值神经网络模型的输入，计算全部机组未来预设时间的预测疲劳损伤值向量Dpred,i，Dpred,i＝fANNA′i,j，设DpredSum,i为全部机组预设时间后的累积疲劳损伤值，DpredSum,i＝Dsum,i,j+Dpred,i；S6、优化风电场中全部机组功率设定值组合利用粒子群优化算法，对风电场中全部机组的未来预设时间功率设定值组合进行优化，得到优化后的全部机组的未来预设时间功率设定值组合，并输出全局最优解xgbest,K向量，包括以下步骤：S601、所述全部机组的未来预设时间功率设定值组合用Pset向量标示，Pset＝[Pset,1,Pset,2,…,Pset,N]T，Pset,N为风电场内第N台机组的未来预设时间的功率设定值；S602、取每台机组预设时间后的累积疲劳损伤值向量DpredSum,i的最大值，即maxDpredSum,i，记为该机组预设时间后的等效累积疲劳损伤值；计算全部机组的预设时间后的等效累积疲劳损伤值的平均值计算全部机组的预设时间后的等效累积疲劳损伤值的标准差K1为疲劳损伤标准差的权重因子；则疲劳损伤标准差指标为S603、求全部机组的未来预设时间功率设定值的总和，即计算总功率跟踪指标K2为总功率跟踪的权重因子；则总功率跟踪指标为S604、根据疲劳损伤标准差指标和总功率跟踪指标，求得粒子群优化算法采用的目标函数为： 其中，Pset,farm为未来预设时间全场的总功率设定值；所述粒子群优化算法采用的约束条件为： Pset,i＜Ppred,iPset,i＜Pboost,i 其中，单台机组疲劳损伤值约束为每台机组的预设时间后的累积疲劳损伤值小于预期的疲劳损伤值，即tj为风场并网投入运行以来所经过的时间，Tlife为风电机组的预期寿命；单台机组预测功率设定值约束为每台机组的功率设定值Pset,i小于单台机组预测功率Ppred,i，即Pset,i＜Ppred,i；单台机组超发功率设定值约束为每台机组的功率设定值Pset,i小于最大单台机组超发功率Pboost,i，即Pset,i＜Pboost,i；全场功率设定值约束为全场所有机组的功率设定值之和小于电网调度下发的功率设定值Pset,farm，即S605、对粒子群优化算法进行迭代，粒子群优化算法的每个粒子的位置向量、速度向量的维数为N×1，N为风电场机组的数量；粒子群优化算法的迭代公式如下： vm,k＝ωvm,k-1+C1r1xpbest,m,k-1-xi-1+C2r2xgbest,k-1-xm,k-1xm,k＝xm,k-1+vm,kk＝k+1其中，K为最大迭代次数，k为当前迭代轮次，ω为惯性权重因子，其值随着迭代轮次增加而线性减小，ωini为初始惯性权重因子，ωend为结束惯性权重因子，vm,k为第m个粒子在第k次迭代的速度向量，xm,k为第m个粒子在第k次迭代的位置向量，vm,k-1为第m个粒子在第k-1次迭代的速度向量，xm,k-1为第m个粒子在第k-1次迭代的位置向量，C1和C2为学习因子常数，r1和r2为N×1维随机向量，即每个向量元素均为介于0,1之间的随机数据，xpbest,m,k-1为第m个粒子在第k-1次迭代的自身局部最优解，xgbest,k-1为第k-1次迭代的全局最优解；当迭代次数k等于最大迭代次数K，粒子群优化计算结束，输出全局最优解xgbest,K向量；S7、全场机组最优功率设定值下发将全局最优解xgbest,K向量的每个元素的值作为风电场中全部机组的功率设定值，即Pset＝xgbest,K，通过高性能服务器下发到每台机组中，从而实现风电场内功率优化调度。

全文数据：

权利要求：

百度查询： 明阳智慧能源集团股份公司 基于疲劳损伤值估计的风电场功率优化调度方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD