本发明涉及风电场技术领域，具体地说，涉及一种适用于尾流效应小的复杂地方风电场的风电场有功输出和机组疲劳的综合优化控制方法。
背景技术：
在我国，随着理想风电场资源开发逐渐枯竭，陆上风电发展已经转向低风速高湍流的复杂地形风电场。据统计，全国范围内可利用的低风速资源面积占全国风能资源区的68％；而这些低风速地区大部分都为复杂地形，且均接近电网负荷的受端地区。和简单地形风电场风电机组具有规则的布置相比，复杂地形风电场机组在布置上具有显著差异。对于复杂地形风电场，要对其进行有功功率调节具有一定的难度，地理位置不同使得风电场各机组风况存在较大差异，进而导致了机组之间可利用风功率具有较大差异。因此，如何将电网有功需求根据风电场各机组可利用风功率进行合理分配是复杂地形风电场有功调节的重要技术问题。
为对复杂地形风电场进行高效有功调节，基于机组可利用风功率估计的有功分配方法以及基于PI算法的有功闭环控制方法被提出。然而，上述方法在解决有功调节问题的同时，却带来了新问题：仅考虑有功需求的分配策略导致了复杂地形风电场机组之间的疲劳分布严重不均，平均风速和湍流强度高的机组部件疲劳载荷比其它机组大很多，最终缩短了使用寿命。
因此，现提供一种复杂地形的风电场有功输出和机组疲劳的综合优化控制方法。
技术实现要素：
为此，本发明提供一种风电场有功输出和机组疲劳的综合优化控制方法，包括以下步骤：
S1、基于风电机组疲劳载荷仿真软件，建立风电机组模型并设定仿真输入组合，获取并计算不同输入组合下的机组部件的DEL数据集，其中，
其中，ni和为通过雨流计数法计算得到的循环数和循环幅值；T为载荷时间历程评估周期；f为给定的正弦载荷频率；m为材料的特性参数；
S2、对在不同输入组合下若干机组部件的DEL数据集进行偏态和峰态测度系数的计算，并根据计算结果选出具有对称和尖峰分布特征的DEL数据集作为优化对象；
S3、量化机组控制策略和有功设定对机组部件疲劳的影响程度，在作为优化对象的DEL数据集中，选择机组部件DEL较小的机组控制策略作为风电场控制的机组局部控制策略，以及选择DEL数据对有功设定较为敏感的机组部件作为目标部件，进而选择机组局部控制策略下的目标部件的DEL数据集用于建模；
S4、针对机组局部控制策略下的目标部件在不同输入组合下的DEL数据集，采用式(2)所示的核密度估计方法分别计算它们的分布密度函数：
其中，K(·)为核函数，h为带宽，Xi为相应DEL数据集的数据单元；
S5、基于式(2)，计算出DEL分布密度函数最大值及其对应的DEL有效值DEL(eq)：
S6、根据式(2)和式(3)，计算目标部件在不同输入组合下的DEL(eq)数据集，并按照湍流强度TI对数据集进行分类整理，从而得到不同TI下的由平均风速和有功设定Pset两个输入决定的DEL(eq)数据表格；采用曲面拟合的方式对DEL(eq)数据表格进行函数拟合：
其中，ai，j(i＝0...m，j＝0...n)为需要拟合的数据；
S7、若目标部件的数量≥2，则重复S4、S5和S6，重复次数为目标部件的数量-1次；
S8、为实现风电场机组部件有功输出和机组疲劳的综合优化控制，将优化问题表述为：
0≤Pset(j)≤Pavail(j)，i＝1，...，N (6b)
其中，N表示风电场机组数，j为第j号机组，DELi(j)为第j号风电机组第i号部件的DEL估计值，为风电场所有机组第i号部件的DEL平均值，i＝1表示为疲劳分布优化的部件，Pref为有功调节需求，Pset(j)为第j号风电机组有功设定值，Pavail(j)为第j号风电机组可利用疯功率，m表示对有功输出敏感的m个部件，σ1为允许的功率偏差范围，σi为机组之间第i号部件疲劳载荷允许的偏差范围；
S9、所述控制策略为基于风况特征预测的有功优化智能分配和有功辅助调节相结合的复合控制策略；
对于基于风况特征预测的有功优化智能分配策略，采用时间序列预测算法对输入组合中的输入变量进行预测，并将预测值代入式(4)和式(6)，分别计算出下一个优化周期的部件DEL预测值和各机组可利用风功率预测值；然后采用粒子群智能算法进行求解Pset(j)后，将Pset(j)分配至风电场局部控制系统；
有功辅助调节策略仅在风电场有功输出与需求值的偏差超过σ1时被激活，具体描述如下：
在通信机制允许范围内实时采样风电场各机组采样周期内有功输出均值，计算风电场有功总输出与有功需求值之间的偏差ΔP，
对ΔP进行处理后得到Pex，
将Pex作为PI控制器的输入，PI控制器输出除以机组数量得到Padd；将Padd+Pset(j)作为每台机组的输出设定值，其中Pset(j)为以控制策略设为基于风况特征预测的有功优化智能分配策略时所获得的Pset(j)。
在S1中，风电机组控制策略根据有功调节指令控制风电机组有功输出，设计基于等效风速估计的风电机组新型有功调节控制系统来实现不同设定转速下的风电机组有功调节指令的跟踪。
在S2中，机组部件包括机组叶片、轮毂、偏航和塔架四大部件，对该四大部件的三个方向的轴力矩Mx、My和Mz的DEL数据集进行偏态和峰态测度系数进行计算，该DEL数据集包含n个数据。
在S9中，通过粒子群智能算法求解Pset(j)：
群体规模为N，
第i个粒子在粒子在搜索空间中的位置表示为：xi＝(xi1，xi2，...，xiD)，，
其飞行速度表示为：vi＝(vi1，vi2，...，viD)，
在第t+1代时，第i个粒子更新速度和位置：
vid(t+1)＝wvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t)) (9a)
xid(t+1)＝xid(t)+vid(t) (9b)
其中，i＝1，2，...，Nd＝1，2，...，D，D为风电机组数量，Pid(t)为第i个粒子曾经到过的最佳位置，Pgd(t)为整个粒子群目前搜索到的最佳位置，w是惯性权重系数；c1和c2为加速度系数，r1和r2是(0，1)上的随机数；
Pset(j)即为粒子位置xid，对应的适应度为
粒子群智能算法的流程为：
1)、初始化xid和vid，并约束在式(6)范围内；
2)、联立式(4)和(5)，计算每个粒子的Pid(t)；
3)、计算粒子群的Pgd(t)；
4)、根据式(9)更新xid和vid，约束在式(6)的范围内；
5)、迭代次数t＝t+1；
6)、若达到迭代上限值，则给出最优解；若未达到迭代上限值，则返回2)
并继续循环流程，直到达到迭代上限值。
在S9中，当控制策略设为基于风况特征测量的有功分配策略时，基于自回归积分滑动平均算法(ARIMA)和卡尔曼滤波器(KF)的混合算法对输入组合中的输入变量进行预测。
在S9中，输入组合中的输入变量包括湍流强度、平均风速和可利用风功率值。
本发明的上述技术方案相比现有技术具有以下优点：
在本发明中，通过对有功调节模式下的风电机组部件进行DEL数据建模，并基于该DEL数据模型进行复杂地形的风电场优化控制；其中，控制策略为基于风况特征预测的有功优化智能分配与有功辅助调节相结合的复合控制策略；因此本实施例一方面，通过风电场有功调节和机组疲劳的综合优化控制方法，有效降低风力发电设备的生产制造和维护成本，解决了以风力发电设备为主体的新能源发电分散式并网消纳问题；另一方面，该风电场有功调节和机组疲劳的综合优化控制方法还适用于尾流效应较小的复杂地形的风电场。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明所述的有功调节模式下的风电机组部件DEL数据建模技术路线示意图；
图2是本发明所述的基于风况特征预测的有功优化智能分配策略的复杂地形风电场控制系统结构；
图3是本发明所述的复合控制策略的复杂地形风电场控制系统结构；
图4是本发明所述的风电场有功分配基于粒子群智能寻优算法流程；
图5是本发明所述的基于ARIMA-KF混合预测模型的设计流程。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限值本发明。
如图1所示，本实施例提供的一种风电场有功输出和机组疲劳的综合优化控制方法，包括以下步骤：
S1、基于风电机组疲劳载荷仿真软件，建立风电机组模型并设定仿真输入组合，获取并计算不同输入组合下的机组部件的DEL数据集，其中，
其中，ni和为通过雨流计数法计算得到的循环数和循环幅值；T为载荷时间历程评估周期；f为给定的正弦载荷频率；m为材料的特性参数；
S2、对在不同输入组合下若干机组部件的DEL数据集进行偏态和峰态测度系数的计算，并根据计算结果选出具有对称和尖峰分布特征的DEL数据集作为优化对象；
S3、量化机组控制策略和有功设定对机组部件疲劳的影响程度，在作为优化对象的DEL数据集中，选择机组部件DEL较小的机组控制策略作为风电场控制的机组局部控制策略，以及选择DEL数据对有功设定较为敏感的机组部件作为目标部件，进而选择机组局部控制策略下的目标部件的DEL数据集用于建模；
S4、针对机组局部控制策略下的目标部件在不同输入组合下的DEL数据集，采用式(2)所示的核密度估计方法分别计算它们的分布密度函数：
其中，K(·)为核函数，h为带宽，Xi为相应DEL数据集的数据单元；
S5、基于式(2)，计算出DEL分布密度函数最大值及其对应的DEL有效值DEL(eq)：
S6、根据式(2)和式(3)，计算目标部件在不同输入组合下的DEL(eq)数据集，并按照湍流强度TI对数据集进行分类整理，从而得到不同TI下的由平均风速和有功设定Pset两个输入决定的DEL(eq)数据表格；采用曲面拟合的方式对DEL(eq)数据表格进行函数拟合：
其中，ai，j(i＝0...m，j＝0...n)为需要拟合的数据；
S7、若目标部件的数量≥2，则重复S4、S5和S6，重复次数为目标部件的数量-1次；
S8、为实现风电场机组部件有功输出和机组疲劳的综合优化控制，将优化问题表述为：
0≤Pset(j)≤Pavail(j)，i＝1，...，N (6b)
其中，N表示风电场机组数，j为第j号机组，DELi(j)为第j号风电机组第i号部件的DEL估计值，为风电场所有机组第i号部件的DEL平均值，i＝1表示为疲劳分布优化的部件，Pref为有功调节需求，Pset(j)为第j号风电机组有功设定值，Pavail(j)为第j号风电机组可利用疯功率，m表示对有功输出敏感的m个部件，σ1为允许的功率偏差范围，σi为机组之间第i号部件疲劳载荷允许的偏差范围；
S9、所述控制策略为基于风况特征预测的有功优化智能分配与有功辅助调节相结合的复合控制策略；
对于基于风况特征预测的有功优化智能分配策略，采用时间序列预测算法对输入组合中的输入变量进行预测，并将预测值代入式(4)和式(6)，分别计算出下一个优化周期的部件DEL预测值和各机组可利用风功率预测值；然后采用粒子群智能算法进行求解Pset(j)后，将Pset(j)分配至风电场局部控制系统；
有功辅助调节策略仅在风电场有功输出与需求值的偏差超过σ1时被激活，具体描述如下：
在通信机制允许范围内实时采样风电场各机组采样周期内有功输出均值，计算风电场有功总输出与有功需求值之间的偏差ΔP，
对ΔP进行处理后得到Pex，
将Pex作为PI控制器的输入，PI控制器输出除以机组数量得到Padd；将Padd+Pset(j)作为每台机组的输出设定值，其中Pset(j)为以控制策略设为基于风况特征预测的有功优化智能分配策略时所获得的Pset(j)。
本实施例通过对有功调节模式下的风电机组部件进行DEL数据建模，并基于该DEL数据模型进行复杂地形的风电场优化控制；其中，控制策略可以设为基于风况特征预测的有功优化智能分配策略，也可以设为有功优化智能分配与有功辅助调节相结合的复合控制策略；因此本实施例一方面，通过风电场有功调节和机组疲劳的综合优化控制方法，有效降低风力发电设备的生产制造和维护成本，解决了以风力发电设备为主体的新能源发电分散式并网消纳问题；另一方面，该风电场有功调节和机组疲劳的综合优化控制方法还适用于尾流效应较小的复杂地形的风电场。
如图2和3所示，在本实施例中，两种不同的控制策略都包含风电场中央控制系统(图中表示为A)和风电机组局部控制系统(图中表示为B)两部分；风电场N台风电机组局部控制系统(图中表示为WTC(1)、…、WTC(N))，与风电场中央控制系统进行风况特征(图中表示为V(1)、…、V(N))和有功指令(图中表示为Pset(1)、…、Pset(N))等信息交互。
具体地，在S1中，风电机组局部控制系统采用基于等效风速估计的有功调节策略，风电机组控制策略根据有功调节指令控制风电机组有功输出，设计基于等效风速估计的风电机组新型有功调节控制系统来实现不同设定转速下的风电机组有功调节指令的跟踪。
其中，在S2中，机组部件包括机组叶片、轮毂、偏航和塔架四大部件，对该四大部件的三个方向的轴力矩Mx、My和Mz的DEL数据集进行偏态和峰态测度系数进行计算，该DEL数据集包含n个数据。本实施例通过S2对DEL数据集进行统计分析，从而明确风电机组不同有功调节控制策略和有功输出对机组部件疲劳载荷的影响机理。
进一步的，在S9中，通过粒子群智能算法求解Pset(j)：
群体规模为N，
第i个粒子在粒子在搜索空间中的位置表示为：xi＝(xi1，xi2，...，xiD)，，
其飞行速度表示为：vi＝(vi1，vi2，...，viD)，
在第t+1代时，第i个粒子更新速度和位置：
vid(t+1)＝wvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t)) (9a)
xid(t+1)＝xid(t)+vid(t) (9b)
其中，i＝1，2，...，Nd＝1，2，...，D，D为风电机组数量，Pid(t)为第i个粒子曾经到过的最佳位置，Pgd(t)为整个粒子群目前搜索到的最佳位置，w是惯性权重系数；c1和c2为加速度系数，r1和r2是(0，1)上的随机数；
Pset(j)即为粒子位置xid，对应的适应度为
如图4所示，粒子群智能算法的流程为：
1)、初始化xid和vid，并约束在式(6)范围内；
2)、联立式(4)和(5)，计算每个粒子的Pid(t)；
3)、计算粒子群的Pgd(t)；
4)、根据式(9)更新xid和vid，约束在式(6)的范围内；
5)、迭代次数t＝t+1；
6)、若达到迭代上限值，则给出最优解；若未达到迭代上限值，则返回2)
并继续循环流程，直到达到迭代上限值。
在上述实施例的基础上，在S9中，当控制策略设为基于风况特征测量的有功分配策略时，基于自回归积分滑动平均算法(ARIMA)和卡尔曼滤波器(KF)的混合算法对输入组合中的输入变量进行预测，其基本流程如图5所示，在此不再赘述。其中输入组合中的输入变量可以包括湍流强度、平均风速和可利用风功率值。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，例如在S9中采用其它预测方法对风况特征进行预测，或采用遗传算法等其它智能算法来实现所描述控制问题的求解等。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。