一种串列式双风轮风电机组多场景协调运行方法

1.本发明涉及风电机组运维技术领域，特别是涉及一种串列式双风轮风电机组多场景协调运行方法。


背景技术：

2.当前化石能源消耗引起的能源短缺和环境污染，使新能源越来越引起人们的重视，新能源逐步取代化石能源是大势所趋。风力发电是新能源发电中的一个重要方向，技术成熟并且开发规模大，装机量逐年攀升，但目前风力发电的成本仍高于火力发电，亟需降低风力发电机的单机成本，提高风能利用率。近年来，串列式双风轮机组因其低单机成本和高风能利用率得到重视和发展；同时，其结构上的复杂性使其控制变得较为复杂，前后风轮之间的影响难以消除，为其建模控制带来巨大挑战，亟需突破。
3.针对双风轮机组的控制，现有技术多采用单机的控制思想。现有技术公开了主风轮实现最大风能追踪，副风轮的转速协调主风轮转速，实现双风轮机组的控制；但其未在整机模型考虑前后风轮的协调控制，后风轮单纯依附于前风轮，未充分利用后风轮的发电作用。现有技术还公开了划分前后风轮的运行区间并确定最优出力值，以风电机组整体出力最大为目标，通过调节前后风轮的转速及桨距角，进行前后风轮的出力协同控制；但其未根据历史数据，建立最优运行曲线，通过试错的方式调整风轮的转速及桨距角，寻找前后风轮的最佳参数，在工程应用中会降低风机的响应速度。


技术实现要素：

4.为了克服现有技术的不足，本发明的目的是提供一种串列式双风轮风电机组多场景协调运行方法，能够使得风机整体发电功率达到最大值。
5.为实现上述目的，本发明提供了如下方案：
6.一种串列式双风轮风电机组多场景协调运行方法，包括：
7.获取双风轮风电机组的历史运行数据；
8.根据所述历史运行数据确定所述双风轮风电机组的典型场景；
9.根据所述双风轮风电机组的结构参数和运行参数建立双风轮仿真模型；
10.对所述双风轮仿真模型的整体运行区间进行划分和目标分析，并建立不同工况下的上下级协调控制策略；
11.基于历史运行数据统计上级协调层的最优运行曲线和变桨查询表；所述最优运行曲线和变桨查询表用于对双风轮风电机组的前后风轮的转矩和桨距角设置做协调优化；
12.基于上下级协调控制策略，针对不同的典型场景，使用强化学习的方式得到不同场景下的控制参数，实现对双风轮仿真模型的pid增益调度控制。
13.优选地，所述历史运行数据包括：前后风轮的历史发电数据、载荷和风机的转速、转矩、桨距角以及运行区间内的风况。
14.优选地，所述运行区间内的风况包括单日、多日和一月内的风速、风向随时间的变
化情况。
15.优选地，根据所述历史运行数据确定所述双风轮风电机组的典型场景，包括：
16.基于所述历史运行数据，使用二维高斯混合模型拟合风速和风向在任意时刻的分布函数；
17.利用拉丁超立方采样法抽取符合所述分布函数的概率分布的多组随机变量；
18.采用期望-最大化方法计算所述随机变量的平均值和标准偏差的正态累积分布函数的反函数值，并计算出风速、风向和功率数据属于某一场景的后验概率；
19.将所述后验概率划分到所述某一场景内，得到多个原始场景；
20.基于基于误差最小原则的方法选取簇内误差平方和下降率突然改变的点对应的聚类数作为目标聚类个数；
21.基于所述目标聚类个数，使用迭代求解的聚类分析算法对所述原始场景做场景削减，得到所述典型场景；
22.对得到的典型场景做区分，得到正常场景和极端场景。
23.优选地，所述使用迭代求解的聚类分析算法对所述原始场景做场景削减，得到所述典型场景，包括：
24.随机选取若干个原始场景作为初始聚类中心；
25.依次计算剩余场景与初始聚类中心间的欧氏距离；
26.依次将除所述初始聚类中心外的所有原始场景归属于欧氏距离最小的类中，重新选择初始聚类中心，多次迭代直到所有场景距离其聚类中心的欧氏距离均小于规定阈值，则将最后的聚类中心确定为所述典型场景。
27.优选地，所述双风轮仿真模型包括：结构动力学模块、空气动力学模块、控制模块和风速入流模块组成的仿真模型；其中，所述结构动力学模块包含传动部分、塔架和叶片的机械性能参数、各部位质量和惯性的参数以及初始状态参数；所述结构动力学模块用于计算所述双风轮风电机组的各部位的结构动力响应，并对所述传动部分进行解耦，以实现对于前后风轮的单独控制；所述空气动力学模块包含翼型、叶片和塔架的结构信息参数；所述空气动力学模块用于计算所述双风轮风电机组运行时受到气动力、弹性力和惯性力的相互作用；所述控制模块用于对叶片、机舱、发电机的控制；所述风速入流模块用于设置稳态风和湍流风，并从风文件中读取并设置风况数据。
28.优选地，所述双风轮仿真模型还包括：气动系统pwarx模型、传动模型、简化电气模型、简化塔筒模型组成的机械-电气联合模型；其中所述气动系统pwarx模型以来流风速、前后风轮的转速、前后风轮的桨距角为输入参数，以前后风轮气动转矩为输出参数；所述传动模型以气动转矩和电磁转矩为输入参数，以发电机转速和齿轮箱等效中间轴转矩为输出参数；所述简化电气模型以发电机转速和转矩为输入参数，以发电机的有功功率为输出参数；所述简化塔筒模型以作用在叶片和塔筒上的风速为输入参数，以塔筒的应力和塔顶位移为输出参数；所述气动系统pwarx模型、传动模型、简化电气模型用于构建机械-电气联合模型；所述机械-电气联合模型以气动系统pwarx模型的输出作为传动模型的输入，传动模型的输入作为简化电气模型的输入，所述机械-电气联合模型为来流风速、前后风轮的转速、前后风轮的桨距角，输出参数为发电机的有功功率。
29.优选地，对所述双风轮仿真模型的整体运行区间进行划分和目标分析，并建立不
同工况下的上下级协调控制策略，包括：
30.根据风速的变化，将所述双风轮风电机组的整体运行区间分为普通场景和极端场景，其中普通场景包括启动区、转速上升区、过渡区和恒功率区；
31.对普通场景和极端场景各区间的主要特征进行分析，并针对所述主要特征确定各区间内的控制目标，具体为：在启动区，风机的主要目标为快速启动；在转速上升区，控制目标为令前后风轮转速跟随风速变化，尽可能追踪最佳风能利用系数，使区域内的整机功率最大；过渡区的控制目标为令前风轮转速恒定、功率增大至额定值，后风轮转速增大至额定值，功率增大值额定功率下的某值，过渡过程中时刻保持整机功率的最大值；恒功率区的控制目标为前后风轮转速和功率稳定在过渡区设定值，并使整机载荷最小；极端场景下的控制目标为前后风轮协调变桨，整机载荷最小，机前风速超过可控风速时，双风轮顺桨并停机；
32.分上下级制定风机的协调控制策略，具体为：在上级协调层中，对启动区、转速上升区、过渡区、恒功率区、极端场景和故障停机情况进行前后风轮的协调控制安排，包括在启动区，前后风轮减小桨距角至零度，实现快速启动；在转速上升区，风机定桨变速运行，使用转矩控制，根据最优运行曲线得到风速在额定风速以下变化时，可使双风轮整机发电功率时刻保持最大值的前后风轮转矩值，将转矩值分配给各风轮；在过渡区，前风轮定桨定速运行，后风轮定桨变速运行，根据最优运行曲线调整前后风轮转矩，使前风轮功率达到额定值，后风轮转速达到额定值，并使其功率稳定在额定功率以下，运行时对前风轮无影响的某功率值，将前后风轮转矩值分配给各风轮；在恒功率区，风机定速变桨运行，根据变桨查询表，查询适当的桨距角和变桨角速度，该桨距角和变桨角速度运行下，机组可使前后风轮功率稳定在过渡区最终功率，并且机组的整机载荷最小，将所查询参数分配给前后风轮；在极端场景下，若风速不可控，根据变桨查询表，查询协调变桨参数，使变桨时前后风轮的载荷最小；当发生故障时，先协调顺桨，再脱网减速，最后采用物理刹车停机；下级优化层中，使用增益调度pid控制器，通过强化学习算法，以上级指令为最终目标，进行pid参数的自整定，使转矩和桨距角变化到目标值最快、运行时风机载荷最小。
33.优选地，基于历史运行数据统计上级协调层的最优运行曲线和变桨查询表，包括：
34.根据实际运行数据，分析不同场景、不同整机功率下，前后风轮各自的转矩、桨距角和风机各点的载荷，以建立所述最优运行曲线和变桨查询表。
35.优选地，基于上下级协调控制策略，针对不同的典型场景，使用强化学习的方式得到不同场景下的控制参数，实现对双风轮仿真模型的pid增益调度控制，包括：
36.基于强化学习rl算法，针对不同的所述典型场景，以所述双风轮仿真模型达到指定动作的快速性和稳定性为目标函数，以前后风轮各自的载荷、控制系统的性能指标为约束条件，建立奖励机制，通过自学习得到在风机载荷最小的情况下，响应上级调度最快的方法，实现对pid参数快速高效的调节；所述载荷的约束条件包括：风机部件的多模态载荷极限；
37.结合所述强化学习rl算法的结果，根据风电场景的不同，切换不同的参数组合，以实现增益调度pid。
38.根据本发明提供的具体实施例，本发明公开了以下技术效果：
39.本发明提供了一种串列式双风轮风电机组多场景协调运行方法，包括：获取双风
轮风电机组的历史运行数据；根据历史运行数据确定双风轮风电机组的典型场景；根据双风轮风电机组的结构参数和运行参数建立双风轮仿真模型；对双风轮仿真模型的整体运行区间进行划分和目标分析，并建立不同工况下的上下级协调控制策略；基于历史运行数据统计上级协调层的最优运行曲线和变桨查询表；最优运行曲线和变桨查询表用于对双风轮风电机组的前后风轮的转矩和桨距角设置做协调优化；基于上下级协调控制策略，针对不同的典型场景，使用强化学习的方式得到不同场景下的控制参数，实现对双风轮仿真模型的pid增益调度控制。本发明有效提高了风机的整体输出功率，降低了发电成本。本发明针对复杂多变的风电工况，做了场景生成，降低了风电的不确定性，使风力发电运行控制更加精确；上下级协调控制策略的提出，不再关注前后风轮各自的出力，而是寻求整机功率的最大值，同时还兼顾了载荷的需求，有效提高了风机的整体输出功率，降低了发电成本。
附图说明
40.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
41.图1为本发明实施例提供的方法示意图；
42.图2为本发明实施例提供的多场景生成方法流程图；
43.图3为本发明实施例提供的上下级协调控制方法示意图。
具体实施方式
44.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
45.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
46.本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
47.本发明的目的是提供一种串列式双风轮风电机组多场景协调运行方法，能够有效提高风机的整体输出功率，并降低发电成本。
48.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
49.图1为本发明实施例提供的方法示意图，如图1所示，本发明提供了一种串列式双
风轮风电机组多场景协调运行方法，包括：
50.步骤100：获取双风轮风电机组的历史运行数据；
51.步骤200：根据所述历史运行数据确定所述双风轮风电机组的典型场景；
52.步骤300：根据所述双风轮风电机组的结构参数和运行参数建立双风轮仿真模型；
53.步骤400：对所述双风轮仿真模型的整体运行区间进行划分和目标分析，并建立不同工况下的上下级协调控制策略；
54.步骤500：基于历史运行数据统计上级协调层的最优运行曲线和变桨查询表；所述最优运行曲线和变桨查询表用于对双风轮风电机组的前后风轮的转矩和桨距角设置做协调优化；
55.步骤600：基于上下级协调控制策略，针对不同的典型场景，使用强化学习的方式得到不同场景下的控制参数，实现对双风轮仿真模型的pid增益调度控制。
56.具体的，如图2所示，本实施例首先获取前后风轮的历史发电数据、载荷和风机的转速、转矩、桨距角以及运行区间内的风况等，根据所获得的历史运行数据，使用概率模型，例如使用二维高斯混合模型f([u,θ]
t
)，其中u为输入风速数据，θ为输入风向数据，拟合风速和风向在任意时刻的分布函数f(u,θ)，u为风速，θ为风向角度，利用随机模拟方法，例如使用拉丁超立方采样法抽取符合该概率分布的n组随机变量(x
1i
,x
2i
,
…
,x
ki
)，k为采样点数，采用迭代优化算法，例如期望-最大化方法，计算其平均值和标准偏差的正态累积分布函数的反函数值计算出风速、风向和功率数据属于某一场景的后验概率，将其划分到某一场景内，可以得到n个原始场景，其集合v＝[v1,v2,
…
,vn]。
[0057]
使用基于误差最小原则的方法，例如使用手肘法选取聚类数k从1到n变化，选取簇内误差平方和下降率突然改变的点对应的聚类数k，即为所需聚类个数。使用迭代求解的聚类分析算法如(k-means聚类)对所生成的原始场景集做场景削减，随机选取k个场景作为初始聚类中心；依次计算剩余场景vj与初始聚类中心间vi的欧氏距离d
ij
，场景间的欧氏距离表示为：
[0058][0059]
其中，t为场景的总时长，依次将除初始聚类中心外的所有原始场景归属于欧氏距离最小的类中，重新选择初始聚类中心，多次迭代直到所有场景距离其聚类中心的欧氏距离都小于规定阈值，则最后的聚类中心即为得到的典型场景。对得到的典型场景做区分，可以得到正常场景和极端场景。
[0060]
可选地，历史运行数据包括前后风轮的历史发电数据、载荷和风机的转速、转矩、桨距角以及运行区间内的风况，其中，区间发电数据和风况包括单日、多日和一月内的风速、风向随时间的变化情况等。
[0061]
进一步地，本实施例建立了双风轮仿真模型，使用两个总体调度文件实现对于前后风轮各模块的调用，包括结构动力学模块、空气动力学模块、控制模块和风速入流模块。其中，结构动力学模块包含传动部分、塔架和叶片的机械性能参数、其余各部位质量和惯性的参数以及一些相关初始状态参数的设置，该模块使用上述参数计算风机各部位的结构动力响应；空气动力学模块主要包含翼型、叶片和塔架的结构信息参数，该模块利用上述参数
计算风机运行时受到气动力、弹性力和惯性力的相互作用；控制模块主要包括叶片、机舱、发电机的控制，也可通过dll外部链接库作为外部控制器对风机进行控制；风速入流模块可以设置稳态风和湍流风，也可从风文件中读取并设置风况数据。
[0062]
在结构动力学模块中对传动部分做了解耦，可以实现对于前后风轮的单独控制。载荷和响应通过粘合代码在结构动力学模块、空气动力学模块和控制模块之间传递，可以实现任意时刻的气动-弹性-伺服的交互。
[0063]
针对结构上的塔架、叶片、机舱、轮毂和传动系统等部分，分别建立了气动系统pwarx模型、传动模型、简化电气模型、简化塔筒模型。其中气动系统pwarx模型以来流风速、前后风轮的转速、前后风轮的桨距角为输入参数，以前后风轮气动转矩为输出参数；传动模型以气动转矩和电磁转矩为输入参数，以发电机转速和齿轮箱等效中间轴转矩为输出参数；
[0064]
简化电气模型以发电机转速和转矩为输入参数，以发电机的有功功率为输出参数；简化塔筒模型以作用在叶片和塔筒上的风速为输入参数，以塔筒的应力和塔顶位移为输出参数。
[0065]
将气动模型、传动模型和简化电气模型串联，以气动模型的输出作为传动模型的输入，传动模型的输入作为简化电气模型的输入，得到风机的机械-电气联合模型，其输入参数为来流风速、前后风轮的转速、前后风轮的桨距角，输出参数为发电机的有功功率。
[0066]
可选地，本实施例根据风速的变化，双风轮机组的整体运行区间可分为普通场景和极端场景，其中普通场景划分成四个区域，分别是启动区、转速上升区、过渡区和恒功率区。在启动区间，风速小于切入风速，风机不动作，随着风速慢慢增大，发电机转速从零增加到可以切入电网的最低转速；转速上升区，风速进一步增大，但前后风轮的转速均未超过其额定转速，可跟踪当前风速下的最佳运行状态；在过渡区，风速增大接近额定风速，前风轮达到额定转速，后风轮未达到额定转速，此时前风轮恒转速运行，功率随着风速和转矩的增加直到达到额定功率，后风轮转速继续增加，达到额定转速后与前风轮运行趋势一致，但其功率应稳定在额定功率以下某值，后风轮以该功率值运行时对前风轮的影响最小；在恒功率区，风速达到额定风速，并逐渐增加但未达到切出风速，保持额定转速不变并调节桨距角实现恒功率运行；在极端场景下，风速分为可控和不可控，可控风速下，风机减小功率输出保证机身安全，当风速不可控，机组迅速顺桨并停机。
[0067]
基于双风轮风力发电机组在上述不同区域的运行状况，制定了该机组的控制目标：在启动区，前后风轮的桨距角均转换至零度，增大风能捕获，实现快速启动；在转速上升区，风机定桨变速运行，根据最优运行曲线分别调节双风轮的转速，尽可能使前后风轮的转速与实际风速成正比例关系，运行在最佳叶尖速比下，实现对最大风能利用系数的跟踪，并使整机功率达到最大；在过渡区，前风轮定桨定速运行，后风轮定桨变速运行，前风轮达到额定转速而后风轮未达到，根据最优运行曲线控制发电机转矩，使前风轮输出功率进一步增大，达到额定功率，同时限制其转速在额定转速附近，后风轮达到额定转速，并按过渡区中前风轮的控制策略，使其达到额定功率；在恒功率区，根据变桨控制查询表使用变桨控制，分别增大前后风轮的桨距角以减少风能捕获，使整机输出功率维持在设定功率附近，并使整机的载荷最小；在极端场景，采用变桨控制查询表对前后风轮下达变桨指令，减少风能捕获，若风况不可控，双风轮根据指令迅速协调变桨至顺桨并停机，变桨过程中，前后风轮
的载荷最小。
[0068]
本实施例中，根据pc-物理plc的历史运行数据，分析不同场景、不同整机功率下，前后风轮各自的转矩、桨距角和风机各点的载荷，建立最优运行曲线和变桨查询表。
[0069]
最优运行曲线为随风速变化时的转矩目标值，要求在转速上升区和过渡区中，需要跟踪最佳风能利用曲线时，前后风轮的转速可以实现对风速的实时跟踪，尽可能使双风轮工作在最佳叶尖速比下，实现风能的最大利用率，同时通过限制某一风轮的转矩输出，适当限制该风轮的风能捕获，降低其运行时对另一风轮的影响，借此协调前后风轮的发电功率，使整机的发电功率达到最大值，载荷降至最小值；变桨查询表为变桨控制的桨距角和变桨角速度，在恒功率区和极端场景下，通过分别改变前后风轮的桨距角，降低其风能利用率，达到稳定转速和功率以及保护机组安全的作用，在变桨过程中要求前后风轮协同进行，减少某风轮变桨过度对另一风轮产生的瞬时冲击和载荷，使风机整体的载荷最小。
[0070]
如图3所示，本实施例中的上级协调层中的具体控制策略：
[0071]
在启动区，使用变桨控制以获得较好的启动性能，当风速达到切入风速时，前后风轮减小桨距角至零度，以捕获最大风能并提高发电机转速到最低转速，实现快速启动。
[0072]
在转速上升区，双风轮风电机组定桨变速运行，根据此时刻的实际风速和前后风轮的转速，调节前后风轮的转矩值，在单风轮层面做到使前后风轮均工作在最优运行曲线下，风能利用系数达到最大值后，通过调整转矩值，适当降低某一风轮的风能利用系数，减少双风轮运行时的相互影响，使双风轮整机发电功率最大。查询最优运行曲线得到可使风机如上述策略运行的前后风轮转矩值，将转矩值分配给各风轮。
[0073]
在过渡区，上级协调层查询最优运行曲线，得到令前风轮恒转速运行、后风轮跟踪最大风能利用系数运行，同时可以使整机发电功率达到最大的前后风轮各自的转矩值，将转矩值分配给前后风轮。使前风轮功率增大至额定功率，后风轮转速跟随风速变化，直至达到额定转速，再按过渡区中前风轮的控制策略对后风轮进行控制，使其功率稳定在可使整机功率最大的某值，该值由最优运行曲线查询得到，应低于后风轮的额定功率。
[0074]
在恒功率区，使用变桨控制增大桨距角，降低风机的风能利用率，限制发电机转速的增加，同时使功率稳定在过渡区最终功率附近。根据变桨查询表，得到可以使前后风轮保持在设定功率，并且整机载荷最小的变桨角度和速度，将桨距角和变桨角速度分配给前后风轮。
[0075]
在极端场景下，减轻机械载荷，保证风机安全运行是第一要求，上级协调层对风速进行判断，若当前风速可控，则根据恒功率区的控制策略，采用变桨控制，减少对风能的利用率，降低机身载荷，保证安全运行；若当前风速不可控，根据变桨查询表，给出令前后风轮协同变桨直至完全停机的变桨控制参数，该参数可使变桨时前后风轮减少风能利用率的速度大致相同，减少因某一风轮单独停机对另一风轮造成的瞬时冲击。
[0076]
当发生故障时，需要紧急停机，此时的控制策略是，前后风轮按照变桨查询表所示方法协调顺桨，降级整机的风能捕获，使转速不再增加，避免单个风轮独立变桨对另一风轮产生的瞬时冲击；然后令发动机脱网，逐渐降低转速，最后采用机械刹车使叶片停止转动。紧急停机后往往需要人工干预才能再次启动。
[0077]
下级优化层中，得到上级指令后，使用基于强化学习的增益调度pid，使实现上级目标指令的速度最快，运行时对风机整机造成的载荷最小，以最快的速度和最小的载荷响
应上级下达的转矩和桨距角调度指令。
[0078]
原始pid的形式为：
[0079][0080]
包含三个参数：k
p
、ki、kd，分别代表比例系数、积分系数、微分系数。调度增益pid中，所述参数在不同情况下可以改变，以适应时刻改变的外部环境。
[0081]
强化学习通过试错与环境交互，获得策略的改进，进行自学习和在线学习。采用强化学习中的q-learning算法，智能体根据t时刻的状态信息进行决策生成t+1时刻的动作。进行q学习，三个状态动作值函数q(s
t
,a
t
)，给定当前状态值之后，q表可生成pid参数的最佳值。系统的直接控制使用一个典型pid控制器，以上级下达的转矩或桨距角指令为输入，将转矩和桨距角的实际值与指令值的偏差作为控制量进行pid控制，将本次输出的转矩或桨距角值离散化后得到状态值s，三个q表的动作a分别对应k
p
、ki、kd的增大、减小和不变，进行q表更新,状态动作值函数的更新定义为：
[0082]
q(s
t
,a
t
)＝q(s
t
,a
t
)+α[r
t+1
+γmaxaq(s
t+1
,a)-q(s
t
,a
t
)]
[0083]
更新完毕后，使用基于q-learning算法学习得到的q表，实现pid参数的自调整。其中，α∈(0,1]指学习速率。使用一种自适应学习率的方法，使q表更新时快速稳定，定义为：
[0084][0085]
其中，δα
t
为时间步长t中学习速率的增量，k为提高学习率的正常值，φ为折扣因子的正常数值，δ
t
为时间步长t中的时间差td，δ
t
＝r
t+1
+γmaxq(s
t+1
,a)-q(s,a)，δ
t
＝(1-φ)δ
t
+φδ
t-1
。
[0086]
使用贪心算法保证奖励值的最大化，每一步中均采用使变化后q值最大的动作，给定当前状态后，三个q表均使用贪心算法生成动作，该方法定义为：
[0087][0088]
其中，l为符合正态分布的随机数，l∈[0,1]。ε的初始值较大，表示在训练次数较小时，贪心算法倾向于选择一个随即动作，随训练次数的增大，ε值会逐渐减小并在训练次数达到某个值后设置为零，表示这时选择可令变化后q值最大的动作。
[0089]
由于状态值是连续值，数量较大，故采用离散化的方法，将连续的状态量分为数个区间，区间内所有的状态量均使用同一个状态量近似表示，区间设置的规则定义为
[0090][0091]
其中，x
min
和x
max
分别为x
con
的下限和上限，x
con
表示连续变量，n表示离散变量，n表示总的区间数。桨距角和转矩的上下限分别设置为：0到30度，0到23903牛米。
[0092]
按照调节后状态值相对于设定值的变化，将奖励策略r(t)分为三种情况：
[0093]
1.调节后t时刻的状态值相对于设定值的差值小于t-1时刻状态值相对于设定值的差值，说明调节有效，应给予奖励值，设置为前后状态变化的绝对值；
[0094]
2.调节后t时刻的状态值相对于设定值的差值大于t-1时刻状态值相对于设定值的差值，说明调节起反作用，应给予负的奖励值，设置为前后状态变化绝对值的负值；
[0095]
3.调节后状态值无变化，说明调节未作用，不给予奖励值，设置为0。
[0096]
奖励策略如下：
[0097][0098]
本发明的有益效果如下：
[0099]
本发明提出了一种双风轮风电机组的运行风况多场景生成和上下级协调控制策略。针对复杂多变的风电工况，做了场景生成，降低了风电的不确定性，使风力发电运行控制更加精确；上下级协调控制策略的提出，不再关注前后风轮各自的出力，而是寻求整机功率的最大值，同时还兼顾了载荷的需求，有效提高了风机的整体输出功率，降低了发电成本。
[0100]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0101]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种串列式双风轮风电机组多场景协调运行方法，其特征在于，包括：获取双风轮风电机组的历史运行数据；根据所述历史运行数据确定所述双风轮风电机组的典型场景；根据所述双风轮风电机组的结构参数和运行参数建立双风轮仿真模型；对所述双风轮仿真模型的整体运行区间进行划分和目标分析，并建立不同工况下的上下级协调控制策略；基于历史运行数据统计上级协调层的最优运行曲线和变桨查询表；所述最优运行曲线和变桨查询表用于对双风轮风电机组的前后风轮的转矩和桨距角设置做协调优化；基于上下级协调控制策略，针对不同的典型场景，使用强化学习的方式得到不同场景下的控制参数，实现对双风轮仿真模型的pid增益调度控制。2.根据权利要求1所述的串列式双风轮风电机组多场景协调运行方法，其特征在于，所述历史运行数据包括：前后风轮的历史发电数据、载荷和风机的转速、转矩、桨距角以及运行区间内的风况。3.根据权利要求2所述的串列式双风轮风电机组多场景协调运行方法，其特征在于，所述运行区间内的风况包括单日、多日和一月内的风速、风向随时间的变化情况。4.根据权利要求1所述的串列式双风轮风电机组多场景协调运行方法，其特征在于，根据所述历史运行数据确定所述双风轮风电机组的典型场景，包括：基于所述历史运行数据，使用概率模型拟合风速和风向在任意时刻的分布函数；利用随机模拟方法抽取符合所述分布函数的概率分布的多组随机变量；采用迭代优化算法计算所述随机变量的平均值和标准偏差的正态累积分布函数的反函数值，并计算出风速、风向和功率数据属于某一场景的后验概率；将所述后验概率划分到所述某一场景内，得到多个原始场景；基于基于误差最小原则的方法选取簇内误差平方和下降率突然改变的点对应的聚类数作为目标聚类个数；基于所述目标聚类个数，使用迭代求解的聚类分析算法对所述原始场景做场景削减，得到所述典型场景；对得到的典型场景做区分，得到正常场景和极端场景。5.根据权利要求4所述的串列式双风轮风电机组多场景协调运行方法，其特征在于，所述使用迭代求解的聚类分析算法对所述原始场景做场景削减，得到所述典型场景，包括：随机选取若干个原始场景作为初始聚类中心；依次计算剩余场景与初始聚类中心间的欧氏距离；依次将除所述初始聚类中心外的所有原始场景归属于欧氏距离最小的类中，重新选择初始聚类中心，多次迭代直到所有场景距离其聚类中心的欧氏距离均小于规定阈值，则将最后的聚类中心确定为所述典型场景。6.根据权利要求1所述的串列式双风轮风电机组多场景协调运行方法，其特征在于，所述双风轮仿真模型包括：结构动力学模块、空气动力学模块、控制模块和风速入流模块组成的仿真模型；其中，所述结构动力学模块包含传动部分、塔架和叶片的机械性能参数、各部位质量和惯性的参数以及初始状态参数；所述结构动力学模块用于计算所述双风轮风电机组的各部位的结构动力响应，并对所述传动部分进行解耦，以实现对于前后风轮的单独控
制；所述空气动力学模块包含翼型、叶片和塔架的结构信息参数；所述空气动力学模块用于计算所述双风轮风电机组运行时受到气动力、弹性力和惯性力的相互作用；所述控制模块用于对叶片、机舱、发电机的控制；所述风速入流模块用于设置稳态风和湍流风，并从风文件中读取并设置风况数据。7.根据权利要求6所述的串列式双风轮风电机组多场景协调运行方法，其特征在于，所述双风轮仿真模型还包括：气动系统pwarx模型、传动模型、简化电气模型、简化塔筒模型组成的机械-电气联合模型；其中所述气动系统pwarx模型以来流风速、前后风轮的转速、前后风轮的桨距角为输入参数，以前后风轮气动转矩为输出参数；所述传动模型以气动转矩和电磁转矩为输入参数，以发电机转速和齿轮箱等效中间轴转矩为输出参数；所述简化电气模型以发电机转速和转矩为输入参数，以发电机的有功功率为输出参数；所述简化塔筒模型以作用在叶片和塔筒上的风速为输入参数，以塔筒的应力和塔顶位移为输出参数；所述气动系统pwarx模型、传动模型、简化电气模型用于构建机械-电气联合模型；所述机械-电气联合模型以气动系统pwarx模型的输出作为传动模型的输入，传动模型的输入作为简化电气模型的输入，所述机械-电气联合模型为来流风速、前后风轮的转速、前后风轮的桨距角，输出参数为发电机的有功功率。8.根据权利要求1所述的串列式双风轮风电机组多场景协调运行方法，其特征在于，对所述双风轮仿真模型的整体运行区间进行划分和目标分析，并建立不同工况下的上下级协调控制策略，包括：根据风速的变化，将所述双风轮风电机组的整体运行区间分为普通场景和极端场景，其中普通场景包括启动区、转速上升区、过渡区和恒功率区；对普通场景和极端场景各区间的主要特征进行分析，并针对所述主要特征确定各区间内的控制目标，具体为：在启动区，风机的主要目标为快速启动；在转速上升区，控制目标为令前后风轮转速跟随风速变化，尽可能追踪最佳风能利用系数，使区域内的整机功率最大；过渡区的控制目标为令前风轮转速恒定、功率增大至额定值，后风轮转速增大至额定值，功率增大值额定功率下的某值，过渡过程中时刻保持整机功率的最大值；恒功率区的控制目标为前后风轮转速和功率稳定在过渡区设定值，并使整机载荷最小；极端场景下的控制目标为前后风轮协调变桨，整机载荷最小，机前风速超过可控风速时，双风轮顺桨并停机；分上下级制定风机的协调控制策略，具体为：在上级协调层中，对启动区、转速上升区、过渡区、恒功率区、极端场景和故障停机情况进行前后风轮的协调控制安排，包括在启动区，前后风轮减小桨距角至零度，实现快速启动；在转速上升区，风机定桨变速运行，使用转矩控制，根据最优运行曲线得到风速在额定风速以下变化时，可使双风轮整机发电功率时刻保持最大值的前后风轮转矩值，将转矩值分配给各风轮；在过渡区，前风轮定桨定速运行，后风轮定桨变速运行，根据最优运行曲线调整前后风轮转矩，使前风轮功率达到额定值，后风轮转速达到额定值，并使其功率稳定在额定功率以下，运行时对前风轮无影响的某功率值，将前后风轮转矩值分配给各风轮；在恒功率区，风机定速变桨运行，根据变桨查询表，查询适当的桨距角和变桨角速度，该桨距角和变桨角速度运行下，机组可使前后风轮功率稳定在过渡区最终功率，并且机组的整机载荷最小，将所查询参数分配给前后风轮；在极端场景下，若风速不可控，根据变桨查询表，查询协调变桨参数，使变桨时前后风轮的载荷最小；当发生故障时，先协调顺桨，再脱网减速，最后采用物理刹车停机；下级优化层中，使
用增益调度pid控制器，通过强化学习算法，以上级指令为最终目标，进行pid参数的自整定，使转矩和桨距角变化到目标值最快、运行时风机载荷最小。9.根据权利要求1所述的串列式双风轮风电机组多场景协调运行方法，其特征在于，基于历史运行数据统计上级协调层的最优运行曲线和变桨查询表，包括：根据实际运行数据，分析不同场景、不同整机功率下，前后风轮各自的转矩、桨距角和风机各点的载荷，以建立所述最优运行曲线和变桨查询表。10.根据权利要求1所述的串列式双风轮风电机组多场景协调运行方法，其特征在于，基于上下级协调控制策略，针对不同的典型场景，使用强化学习的方式得到不同场景下的控制参数，实现对双风轮仿真模型的pid增益调度控制，包括：基于强化学习rl算法，针对不同的所述典型场景，以所述双风轮仿真模型达到指定动作的快速性和稳定性为目标函数，以前后风轮各自的载荷、控制系统的性能指标为约束条件，建立奖励机制，通过自学习得到在风机载荷最小的情况下，响应上级调度最快的方法，实现对pid参数快速高效的调节；所述载荷的约束条件包括：风机部件的多模态载荷极限；结合所述强化学习rl算法的结果，根据风电场景的不同，切换不同的参数组合，以实现增益调度pid。

技术总结
本发明提供了一种串列式双风轮风电机组多场景协调运行方法，包括：获取双风轮风电机组的历史运行数据；根据历史运行数据确定双风轮风电机组的典型场景；根据双风轮风电机组的结构参数和运行参数建立双风轮仿真模型；对双风轮仿真模型的整体运行区间进行划分和目标分析，并建立不同工况下的上下级协调控制策略；基于历史运行数据统计上级协调层的最优运行曲线和变桨查询表；最优运行曲线和变桨查询表用于对双风轮风电机组的前后风轮的转矩和桨距角设置做协调优化；基于上下级协调控制策略，针对不同的典型场景，使用强化学习的方式得到不同场景下的控制参数，实现对双风轮仿真模型的PID增益调度控制。本发明有效提高了风机的整体输出功率，降低了发电成本。降低了发电成本。降低了发电成本。


技术研发人员：胡阳 邵茂峰 房方 刘吉臻
受保护的技术使用者：华北电力大学
技术研发日：2023.03.27
技术公布日：2023/6/27