一种风电场偏航角控制方法及装置

1.本技术涉及风力发电技术领域，尤其是涉及一种风电场偏航角控制方法及装置。


背景技术：

2.风力发电机组的发电原理是利用风力带动叶片旋转，再通过增速机将旋转的速度提升，来促使发电机发电。
3.在一个风电场内，为了提高土地利用率，在有限的土地上可能会安装尽可能多的风力发电机组，从而获得尽量多的发电量。并且，为了提高每个风力发电机组的发电量，通常将风电场中的每个风力发电机组的叶片正对来流风向(风力发电机组处于迎风状态)，以使每个风力发电机组的偏航角均为0。对于单个风力发电机组来说，将偏航角调整为0时可以使得该风力发电机组的发电量最高。但是对于风电场来说，风电场中包含有多个风力发电机组，风力发电机组之间可能存在尾流效应，出现尾流干扰。
4.尾流效应是指风力发电机组从风中获取风能的同时，在其下游形成风速下降的尾流区。若下游有风力发电机组位于该尾流区内，下游风力发电机组的输入风速就低于上游风机的输入风速。尾流效应造成风电场内风速分布不均，容易影响风电场内每台风力发电机组的发电量以及造成额外的疲劳载荷。


技术实现要素：

5.有鉴于此，本技术的目的在于提供一种风电场偏航角控制方法及装置，以避免风力发电机组之间的尾流干扰，减小尾流影响，提高风电场产生的总发电量，降低风电场中风力发电机组的疲劳载荷。
6.第一方面，本技术实施例提供了一种风电场偏航角控制方法，所述方法包括：
7.根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群；不同所述风电机群中的所述风力发电机组之间不存在尾流干扰；同一所述风电机群中的任意一个所述风力发电机组与该风电机群中的至少一个风力发电机组之间存在尾流干扰；
8.针对每个所述风电机群，生成该风电机群对应的多组随机偏航角，以计算出该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的总发电功率以及平均疲劳载荷；
9.将所述风电机群对应的每组随机偏航角和每组随机偏航角对应的所述总发电功率和所述平均疲劳载荷输入到自适应评估多目标粒子群算法中，输出所述风电机群中每个所述风力发电机组的目标偏航角；
10.使用所述目标偏航角调整所述风电机群中的各个风力发电机组的偏航角。
11.结合第一方面，本技术实施例提供了第一方面的第一种可能的实施方式，其中，所述根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群之前，所述方法还包括：
12.针对所述风电场中任意两个所述风力发电机组，将该两个所述风力发电机组的相对位置坐标以及所述风电场的来流风速输入到预先训练好的分类神经网络模型中，输出该两个所述风力发电机组之间的所述尾流干扰关系；所述尾流干扰关系为存在尾流干扰或者不存在尾流干扰。
13.结合第一方面的第一种可能的实施方式，本技术实施例提供了第一方面的第二种可能的实施方式，其中，所述分类神经网络模型是通过以下方式训练得到的：
14.获取包含多个训练样本的训练样本集；每个所述训练样本中包含两个样本风力发电机组之间的样本相对位置坐标、样本来流风速以及用于表示该两个样本风力发电机组之间的尾流干扰关系的标签；
15.针对每个所述训练样本，将该训练样本中的所述样本相对位置坐标和所述样本来流风速输入至初始分类神经网络模型中，输出该两个样本风力发电机组之间的预测尾流干扰关系；
16.根据所述预测尾流干扰关系和所述标签，计算交叉熵损失函数得到损失值，以使用所述损失值训练所述初始分类神经网络模型中的可学习参数，直至使用所述训练样本集训练预设次数时停止训练，得到所述分类神经网络模型。
17.结合第一方面的第一种可能的实施方式，本技术实施例提供了第一方面的第三种可能的实施方式，其中，所述针对所述风电场中任意两个所述风力发电机组，将该两个所述风力发电机组的相对位置坐标以及所述风电场的来流风速输入到预先训练好的分类神经网络模型中之前，所述方法还包括：
18.针对所述风电场中任意两个所述风力发电机组，将该两个所述风力发电机组的位置坐标以及来流风向与指定方向之间的夹角输入到以下公式中，得到该两个所述风力发电机组的相对位置坐标：
[0019][0020]
其中，(x
ij
,y
ij
)是风力发电机组i和风力发电机组j之间的相对位置坐标，(xi,yi)是风力发电机组i的位置坐标，(xj,yj)是风力发电机组j的位置坐标，θ是来流风向与指定方向之间的夹角。
[0021]
结合第一方面，本技术实施例提供了第一方面的第四种可能的实施方式，其中，所述根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群，包括：
[0022]
根据风电场中任意两个风力发电机组之间的尾流干扰关系，生成风电场尾流干扰关系拓扑图；
[0023]
将用于表征所述风电场尾流干扰关系拓扑图的邻接矩阵输入至深度优先搜索算法中，得到多个所述风电机群。
[0024]
结合第一方面，本技术实施例提供了第一方面的第五种可能的实施方式，其中，将用于表征所述风电场尾流干扰关系拓扑图的邻接矩阵输入至深度优先搜索算法中，得到多个所述风电机群，包括：
[0025]
在所述深度优先搜索算法中，从未被划分到风电机群中的风力发电机组中选择出任意一个风力发电机组，将与该风力发电机组存在直接尾流干扰和间接尾流干扰的风力发
电机组划分到同一风电机群中，继续执行从未被划分到风电机群中的风力发电机组中选择出任意一个风力发电机组及后续步骤，直至所述风电场中的所有风力发电机组均被划分到各自的风电机群中停止。
[0026]
结合第一方面，本技术实施例提供了第一方面的第六种可能的实施方式，其中，针对每个所述风电机群，生成该风电机群对应的多组随机偏航角，以计算出该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的总发电功率，包括：
[0027]
通过以下公式计算该风电机群的总发电功率：
[0028][0029]
其中，pn为第n个风力发电机组的发电功率，ρ是空气密度，c
p
是该风力发电机组的风能利用系数，s为该风力发电机组的叶轮扫风面积，v来流风速，γn是该风力发电机组的随机偏航角；
[0030][0031]
其中，p
wg
为该风电机群的总发电功率，n为该风电机群中风力发电机组的数量。
[0032]
结合第一方面的第六种可能的实施方式，本技术实施例提供了第一方面的第七种可能的实施方式，其中，针对每个所述风电机群，生成该风电机群对应的多组随机偏航角，以计算出该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的平均疲劳载荷，包括：
[0033]
通过以下公式计算该风电机群的平均疲劳载荷：
[0034]fn
＝f
p
+f
t
[0035][0036][0037]
其中，fn为第n个风力发电机组的疲劳载荷，f
p
是与发电功率相关的疲劳载荷，f
t
是与湍流度相关的疲劳载荷，p
rated
是第n个风力发电机组的额定发电功率，t
life
是第n个风力发电机组的预计使用寿命，t是预设时间步长，p(τ)是第n个风力发电机组的实时发电功率，w是湍流疲劳的权重系数，r是第n个风力发电机组的维护补偿系数，i(τ)是第n个风力发电机组的实时湍流度；
[0038][0039]
其中，f
wg
为该风电机群的平均疲劳载荷。
[0040]
结合第一方面，本技术实施例提供了第一方面的第八种可能的实施方式，其中，所述方法还包括：
[0041]
获取在使用所述目标偏航角调整所述风电机群中的各个风力发电机组的偏航角之后，指定时间步长内所述风电场的第一风电场发电功率和第一运维费用；以及获取在使用所述目标偏航角调整所述风电机群中的各个风力发电机组的偏航角之前，指定时间步长内所述风电场的第二风电场发电功率和第二运维费用；
[0042]
当所述第一风电场发电功率小于所述第二风电场发电功率，且，所述第一运维费用大于所述第二运维费用时，继续使用所述目标偏航角；
[0043]
当所述第一风电场发电功率不小于所述第二风电场发电功率，和/或，所述第一运维费用不大于所述第二运维费用时，重新执行步骤根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群及后续步骤。
[0044]
第二方面，本技术实施例还提供一种风电场偏航角控制装置，所述装置包括：
[0045]
划分模块，用于根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群；不同所述风电机群中的所述风力发电机组之间不存在尾流干扰；同一所述风电机群中的任意一个所述风力发电机组与该风电机群中的至少一个风力发电机组之间存在尾流干扰；
[0046]
生成模块，用于针对每个所述风电机群，生成该风电机群对应的多组随机偏航角，以计算出该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的总发电功率以及平均疲劳载荷；
[0047]
第一输入模块，用于将所述风电机群对应的每组随机偏航角和每组随机偏航角对应的所述总发电功率和所述平均疲劳载荷输入到自适应评估多目标粒子群算法中，输出所述风电机群中每个所述风力发电机组的目标偏航角；
[0048]
调整模块，用于使用所述目标偏航角调整所述风电机群中的各个风力发电机组的偏航角。
[0049]
结合第二方面，本技术实施例提供了第二方面的第一种可能的实施方式，其中，还包括：
[0050]
第二输入模块，用于在所述划分模块根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群之前，针对所述风电场中任意两个所述风力发电机组，将该两个所述风力发电机组的相对位置坐标以及所述风电场的来流风速输入到预先训练好的分类神经网络模型中，输出该两个所述风力发电机组之间的所述尾流干扰关系；所述尾流干扰关系为存在尾流干扰或者不存在尾流干扰。
[0051]
结合第二方面的第一种可能的实施方式，本技术实施例提供了第二方面的第二种可能的实施方式，其中，还包括：
[0052]
第一获取模块，用于获取包含多个训练样本的训练样本集；每个所述训练样本中包含两个样本风力发电机组之间的样本相对位置坐标、样本来流风速以及用于表示该两个样本风力发电机组之间的尾流干扰关系的标签；
[0053]
第三输入模块，用于针对每个所述训练样本，将该训练样本中的所述样本相对位置坐标和所述样本来流风速输入至初始分类神经网络模型中，输出该两个样本风力发电机组之间的预测尾流干扰关系；
[0054]
训练模块，用于根据所述预测尾流干扰关系和所述标签，计算交叉熵损失函数得到损失值，以使用所述损失值训练所述初始分类神经网络模型中的可学习参数，直至使用所述训练样本集训练预设次数时停止训练，得到所述分类神经网络模型。
[0055]
结合第二方面的第一种可能的实施方式，本技术实施例提供了第二方面的第三种可能的实施方式，其中，还包括：
[0056]
第四输入模块，用于在所述第二输入模块针对所述风电场中任意两个所述风力发电机组，将该两个所述风力发电机组的相对位置坐标以及所述风电场的来流风速输入到预先训练好的分类神经网络模型中，输出该两个所述风力发电机组之间的所述尾流干扰关系之前，针对所述风电场中任意两个所述风力发电机组，将该两个所述风力发电机组的位置坐标以及来流风向与指定方向之间的夹角输入到以下公式中，得到该两个所述风力发电机组的相对位置坐标：
[0057][0058]
其中，(x
ij
,y
ij
)是风力发电机组i和风力发电机组j之间的相对位置坐标，(xi,yi)是风力发电机组i的位置坐标，(xj,yj)是风力发电机组j的位置坐标，θ是来流风向与指定方向之间的夹角。
[0059]
结合第二方面，本技术实施例提供了第二方面的第四种可能的实施方式，其中，所述划分模块在用于根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群时，具体用于：
[0060]
根据风电场中任意两个风力发电机组之间的尾流干扰关系，生成风电场尾流干扰关系拓扑图；
[0061]
将用于表征所述风电场尾流干扰关系拓扑图的邻接矩阵输入至深度优先搜索算法中，得到多个所述风电机群。
[0062]
结合第二方面的第四种可能的实施方式，本技术实施例提供了第二方面的第五种可能的实施方式，其中，所述划分模块在用于将用于表征所述风电场尾流干扰关系拓扑图的邻接矩阵输入至深度优先搜索算法中，得到多个所述风电机群时，具体用于：
[0063]
在所述深度优先搜索算法中，从未被划分到风电机群中的风力发电机组中选择出任意一个风力发电机组，将与该风力发电机组存在直接尾流干扰和间接尾流干扰的风力发电机组划分到同一风电机群中，继续执行从未被划分到风电机群中的风力发电机组中选择出任意一个风力发电机组及后续步骤，直至所述风电场中的所有风力发电机组均被划分到各自的风电机群中停止。
[0064]
结合第二方面，本技术实施例提供了第二方面的第六种可能的实施方式，其中，所述生成模块在用于针对每个所述风电机群，生成该风电机群对应的多组随机偏航角，以计算出该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的总发电功率时，具体用于：
[0065]
通过以下公式计算该风电机群的总发电功率：
[0066][0067]
其中，pn为第n个风力发电机组的发电功率，ρ是空气密度，c
p
是该风力发电机组的
风能利用系数，s为该风力发电机组的叶轮扫风面积，v来流风速，γn是该风力发电机组的随机偏航角；
[0068][0069]
其中，p
wg
为该风电机群的总发电功率，n为该风电机群中风力发电机组的数量。
[0070]
结合第二方面的第六种可能的实施方式，本技术实施例提供了第二方面的第七种可能的实施方式，其中，所述生成模块在用于针对每个所述风电机群，生成该风电机群对应的多组随机偏航角，以计算出该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的平均疲劳载荷时，具体用于：
[0071]
通过以下公式计算该风电机群的平均疲劳载荷：
[0072]fn
＝f
p
+f
t
[0073][0074][0075]
其中，fn为第n个风力发电机组的疲劳载荷，f
p
是与发电功率相关的疲劳载荷，f
t
是与湍流度相关的疲劳载荷，p
rated
是第n个风力发电机组的额定发电功率，t
life
是第n个风力发电机组的预计使用寿命，t是预设时间步长，p(τ)是第n个风力发电机组的实时发电功率，w是湍流疲劳的权重系数，r是第n个风力发电机组的维护补偿系数，i(τ)是第n个风力发电机组的实时湍流度；
[0076][0077]
其中，f
wg
为该风电机群的平均疲劳载荷。
[0078]
结合第二方面，本技术实施例提供了第二方面的第八种可能的实施方式，其中，还包括：
[0079]
第二获取模块，用于获取在使用所述目标偏航角调整所述风电机群中的各个风力发电机组的偏航角之后，指定时间步长内所述风电场的第一风电场发电功率和第一运维费用；以及获取在使用所述目标偏航角调整所述风电机群中的各个风力发电机组的偏航角之前，指定时间步长内所述风电场的第二风电场发电功率和第二运维费用；
[0080]
继续使用模块，用于当所述第一风电场发电功率小于所述第二风电场发电功率，且，所述第一运维费用大于所述第二运维费用时，继续使用所述目标偏航角；
[0081]
重新执行模块，用于当所述第一风电场发电功率不小于所述第二风电场发电功率，和/或，所述第一运维费用不大于所述第二运维费用时，重新执行步骤根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群及后续步骤。
[0082]
本技术实施例提供的一种风电场偏航角控制方法及装置，通过调整风电场中各个
风力发电机组的偏航角，改变风力发电机组的尾流区，避免各个风力发电机组的尾流对其他风力发电机组造成干扰，减少风力发电机组之间的尾流影响，进而提高风电场产生的总发电量，降低风电场中风力发电机组的疲劳载荷。并且，本实施例中，通过将风电场中的风力发电机组进行划分，得到多个风电机群，分别对每个风电机群中的风力发电机组的偏航角进行调整，相比于同时对风电场中的所有风力发电机组的偏航角进行调整，本技术的方式有利于降低调整难度。并且由于将风电场中的风力发电机组划分为多个风电机群，可以同时对各个风电机群进行并行计算，有利于缩短调整时间。
[0083]
为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0084]
为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0085]
图1示出了本技术实施例所提供的一种风电场偏航角控制方法的流程图；
[0086]
图2示出了本技术实施例所提供的两个风力发电机组之间的尾流干扰关系的示意图；
[0087]
图3示出了本技术实施例所提供的同一风电机群的示意图；
[0088]
图4示出了本技术实施例所提供的一种风电场偏航角控制装置的结构示意图。
具体实施方式
[0089]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术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技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0090]
考虑到风力发电机组之间存在尾流干扰，影响风电场内每台风力发电机组的发电量以及造成额外的疲劳载荷。基于此，本技术实施例提供了一种风电场偏航角控制方法及装置，以避免风力发电机组之间的尾流干扰，减小尾流影响，提高风电场产生的总发电量，降低风电场中风力发电机组的疲劳载荷，下面通过实施例进行描述。
[0091]
实施例一：
[0092]
为便于对本实施例进行理解，首先对本技术实施例所公开的一种风电场偏航角控制方法进行详细介绍。图1示出了本技术实施例所提供的一种风电场偏航角控制方法的流程图，如图1所示，包括以下步骤s101-s104：
[0093]
s101：根据风电场中任意两个风力发电机组之间的尾流干扰关系，对风电场中的风力发电机组进行风电机群划分，得到多个风电机群；不同风电机群中的风力发电机组之
间不存在尾流干扰；同一风电机群中的任意一个风力发电机组与该风电机群中的至少一个风力发电机组之间存在尾流干扰。
[0094]
该实施例中，风电场中包含有多个风力发电机组，对风电场中的风力发电机组进行风电机群划分后，每个风电机群中至少包含一个风力发电机组。不同风电机群中包含的风力发电机组的数量可能相同，也可能不相同。
[0095]
示例性的，假设风电场中共20个风力发电机组，进行机群划分后，得到3个风电机群a、b、c，其中，风电机群a中包含8个风力发电机组，风电机群b中包含6个风力发电机组，风电机群c中包含6个风力发电机组。风电机群a中的任意一个风力发电机组与风电机群b中的每个风力发电机组均不存在尾流干扰，与风电机群c中的每个风力发电机组也不存在尾流干扰。
[0096]
该实施例中，图2示出了本技术实施例所提供的两个风力发电机组之间的尾流干扰关系的示意图，如图2所示，风力发电机组a2位于风力发电机组a1的尾流区，因此风力发电机组a1和风力发电机组a2之间存在尾流干扰。风力发电机组a3不位于风力发电机组a1的尾流区，且风力发电机组a1也不位于风力发电机组a3的尾流区，那么风力发电机组a1和风力发电机组a3之间不存在尾流干扰。
[0097]
图3示出了本技术实施例所提供的同一风电机群的示意图，如图3所示，该风电机群包括风力发电机组b1、b2、b3、b4、b5，针对该风电机群中的任意一个风力发电机组，例如风力发电机组b3，该风力发电机组b3与风力发电机组b1和风力发电机组b5之间均存在尾流干扰。
[0098]
在一种可能的实施方式中，在执行步骤s101之前，还可以：针对风电场中任意两个风力发电机组，将该两个风力发电机组的相对位置坐标以及风电场的来流风速输入到预先训练好的分类神经网络模型中，输出该两个风力发电机组之间的尾流干扰关系；尾流干扰关系为存在尾流干扰或者不存在尾流干扰。
[0099]
该实施例中，通过分类神经网络模型辨别两个风力发电机组之间的尾流干扰关系，相比于传统的物理计算方法，该实施例中的方式更加高效且更加准确。
[0100]
在一种可能的实施方式中，可以通过以下方式计算两个风力发电机组的相对位置坐标：
[0101]
针对风电场中任意两个风力发电机组，将该两个风力发电机组的位置坐标以及来流风向与指定方向之间的夹角输入到以下公式中，得到该两个风力发电机组的相对位置坐标：
[0102][0103]
其中，(x
ij
,y
ij
)是风力发电机组i和风力发电机组j之间的相对位置坐标，(xi,yi)是风力发电机组i的位置坐标，(xj,yj)是风力发电机组j的位置坐标，θ是来流风向与指定方向之间的夹角。
[0104]
该实施例中，指定方向可以为正北方向、正南方向、正西方向、正东方向等等，本技术对此不予限定。
[0105]
在一种可能的实施方式中，分类神经网络模型是通过以下方式训练得到的：
[0106]
获取包含多个训练样本的训练样本集；每个训练样本中包含两个样本风力发电机
组之间的样本相对位置坐标、样本来流风速以及用于表示该两个样本风力发电机组之间的尾流干扰关系的标签；
[0107]
针对每个训练样本，将该训练样本中的样本相对位置坐标和样本来流风速输入至初始分类神经网络模型中，输出该两个样本风力发电机组之间的预测尾流干扰关系；
[0108]
根据预测尾流干扰关系和标签，计算交叉熵损失函数得到损失值，以使用损失值训练初始分类神经网络模型中的可学习参数，直至使用训练样本集训练预设次数时停止训练，得到分类神经网络模型。
[0109]
该实施例中，损失函数选用交叉熵损失的形式。交叉熵可以描述两个概率分布之间的距离，交叉熵越小说明二者之间越接近，计算方式为：
[0110][0111]
其中，p是确定的概率分布，即需要逼近的概率分布；q是神经网络所代表的概率分布；xm是第m个训练样本中包含的样本相对位置坐标和样本来流风速。
[0112]
交叉熵代表的是两个概率分布之间的距离，而对于分类神经网络模型，需要输出一个能够代表判别情况的概率分布，所以在分类神经网络模型的输出层采用softmax回归方法将分类神经网络模型前向传播得到的结果变成概率分布。其公式如下：
[0113][0114]
其中，zm、zk分别是第m、k个分类神经网络模型的原输出值，sofm是经过softmax的第m个输出值，即q(xm)，k是输出值的数量，e是自然指数。
[0115]
该实施例中，分类神经网络模型包括输入层、隐藏层和输出层，其中隐藏层神经元数量设置为50，学习率设置为0.012。
[0116]
在一种可能的是实施方式中，在执行步骤s101时，具体可以：根据风电场中任意两个风力发电机组之间的尾流干扰关系，生成风电场尾流干扰关系拓扑图；将用于表征风电场尾流干扰关系拓扑图的邻接矩阵输入至深度优先搜索算法中，得到多个风电机群。
[0117]
在一种可能的是实施方式中，在执行将用于表征风电场尾流干扰关系拓扑图的邻接矩阵输入至深度优先搜索算法中，得到多个风电机群时，具体可以：在深度优先搜索算法中，从未被划分到风电机群中的风力发电机组中选择出任意一个风力发电机组，将与该风力发电机组存在直接尾流干扰和间接尾流干扰的风力发电机组划分到同一风电机群中，继续执行从未被划分到风电机群中的风力发电机组中选择出任意一个风力发电机组及后续步骤，直至风电场中的所有风力发电机组均被划分到各自的风电机群中停止。
[0118]
该实施例中，直接尾流干扰表示两个风力发电机组中的一个风力发电机组位于另一个风力发电机组的尾流区，如图3所示，风力发电机组b1和风力发电机组b2存在直接尾流干扰。
[0119]
间接尾流干扰表示两个风力发电机组与其他风力发电机组之间存在直接尾流干扰；当其他风力发电机组为多个时，其他风力发电机组之间存在尾流干扰；当其他风力发电机组为1个时，两个风力发电机组与同一其他风力发电机组之间存在直接尾流干扰。示例性
的，如图3所示，风力发电机组b2和风力发电机组b2之间存在间接尾流干扰，此时风力发电机组b2和风力发电机组b2与风力发电机组b1存在直接尾流干扰。风力发电机组b4和风力发电机组b5之间也存在间接尾流干扰，此时风力发电机组b4和风力发电机组b1之间存在(间接)尾流干扰，风力发电机组b5和风力发电机组b1之间也存在(间接)尾流干扰，因此风力发电机组b4和风力发电机组b5之间也存在间接尾流干扰。
[0120]
s102：针对每个风电机群，生成该风电机群对应的多组随机偏航角，以计算出该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的总发电功率以及平均疲劳载荷。
[0121]
针对每个风电机群，随机生成该风电机群对应的多组随机偏航角，该风电机群对应的每一组随机偏航角中包含的随机偏航角的数量与该风电机群中包含的风力发电机组的数量相同。该风电机群对应的每一组随机偏航角中包含的各个随机偏航角与该风电机群中的各个风力发电机组之间一一对应。每组随机偏航角对应一个总发电功率和一个疲劳载荷，每个风电机群对应多个总发电功率和多个疲劳载荷。
[0122]
示例性的，风电机群a中包含有8个风力发电机组，该风电机群a对应5组随机偏航角，每一组随机偏航角中包含8个随机偏航角，这8个随机偏航角与8个风力发电机组一一对应。该风电机群a对应5个总发电功率和5个疲劳载荷。
[0123]
该实施例中，偏航角指的是叶轮平面的法线和来流风向的夹角，叶轮平面和来流风向垂直时，偏航角是0。
[0124]
在一种可能的实施方式中，在执行步骤s102时，具体可以通过以下方式计算每组随机偏航角对应的风电机群的总发电功率：
[0125]
通过以下公式计算该风电机群的总发电功率：
[0126][0127]
其中，pn为第n个风力发电机组的发电功率，ρ是空气密度，c
p
是该风力发电机组的风能利用系数，s为该风力发电机组的叶轮扫风面积，v来流风速，γn是该风力发电机组的随机偏航角；
[0128][0129]
其中，p
wg
为该风电机群的总发电功率，n为该风电机群中风力发电机组的数量。
[0130]
上述过程仅为使用一组随机偏航角计算出来的风电机群的总发电功率，通过上述过程，分别使用每一组随机偏航角计算每一组随机偏航角对应的风电机群的总发电功率。
[0131]
在一种可能的实施方式中，在执行步骤s102时，具体可以通过以下方式计算每组随机偏航角对应的风电机群的平均疲劳载荷：
[0132]
通过以下公式计算该风电机群的平均疲劳载荷：
[0133]fn
＝f
p
+f
t
[0134]
[0135][0136]
其中，fn为第n个风力发电机组的疲劳载荷，f
p
是与发电功率相关的疲劳载荷，f
t
是与湍流度相关的疲劳载荷，p
rated
是第n个风力发电机组的额定发电功率，t
life
是第n个风力发电机组的预计使用寿命，t是预设时间步长，p(τ)是第n个风力发电机组的实时发电功率，w是湍流疲劳的权重系数，r是第n个风力发电机组的维护补偿系数，i(τ)是第n个风力发电机组的实时湍流度；
[0137][0138]
其中，f
wg
为该风电机群的平均疲劳载荷。
[0139]
该实施例中，湍流度指的是风的稳定情况，风乱不乱。同样的，上述过程仅为使用一组随机偏航角计算出来的风电机群的平均疲劳载荷，通过上述过程，分别使用每一组随机偏航角计算每一组随机偏航角对应的风电机群的平均疲劳载荷。
[0140]
s103：将风电机群对应的每组随机偏航角和每组随机偏航角对应的总发电功率和平均疲劳载荷输入到自适应评估多目标粒子群算法中，输出风电机群中每个风力发电机组的目标偏航角。
[0141]
该实施例中，风电机群中的每个风力发电机组对应各自的目标偏航角。
[0142]
s104：使用目标偏航角调整风电机群中的各个风力发电机组的偏航角。
[0143]
该实施例中，根据目标偏航角与风电机群中的各个风力发电机组的对应关系，将各个目标偏航角下发至各自对应的风力发电机组中，以使用每个风力发电机组各自对应的目标偏航角调整各自的偏航角。
[0144]
在一种可能的实施方式中，在执行完步骤s104之后，还可以：获取在使用目标偏航角调整风电机群中的各个风力发电机组的偏航角之后，指定时间步长内风电场的第一风电场发电功率和第一运维费用；以及获取在使用目标偏航角调整风电机群中的各个风力发电机组的偏航角之前，指定时间步长内风电场的第二风电场发电功率和第二运维费用；
[0145]
当第一风电场发电功率小于第二风电场发电功率，且，第一运维费用大于第二运维费用时，继续使用目标偏航角；
[0146]
当第一风电场发电功率不小于第二风电场发电功率，和/或，第一运维费用不大于第二运维费用时，重新执行步骤根据风电场中任意两个风力发电机组之间的尾流干扰关系，对风电场中的风力发电机组进行风电机群划分，得到多个风电机群及后续步骤。
[0147]
该实施例中，通过对比第一风电场发电功率和第二风电场发电功率，以及对比第一运维费用和第二运维费用的大小关系，以判断是否需要重新调整风电场中的风力发电机组的偏航角。
[0148]
实施例二：
[0149]
基于相同的技术构思，本技术还提供了一种风电场偏航角控制装置，图4示出了本技术实施例所提供的一种风电场偏航角控制装置的结构示意图，如图4所示，所述装置包括：
[0150]
划分模块401，用于根据风电场中任意两个风力发电机组之间的尾流干扰关系，对
所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群；不同所述风电机群中的所述风力发电机组之间不存在尾流干扰；同一所述风电机群中的任意一个所述风力发电机组与该风电机群中的至少一个风力发电机组之间存在尾流干扰；
[0151]
生成模块402，用于针对每个所述风电机群，生成该风电机群对应的多组随机偏航角，以计算出该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的总发电功率以及平均疲劳载荷；
[0152]
第一输入模块403，用于将所述风电机群对应的每组随机偏航角和每组随机偏航角对应的所述总发电功率和所述平均疲劳载荷输入到自适应评估多目标粒子群算法中，输出所述风电机群中每个所述风力发电机组的目标偏航角；
[0153]
调整模块404，用于使用所述目标偏航角调整所述风电机群中的各个风力发电机组的偏航角。
[0154]
可选的，还包括：
[0155]
第二输入模块，用于在所述划分模块401根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群之前，针对所述风电场中任意两个所述风力发电机组，将该两个所述风力发电机组的相对位置坐标以及所述风电场的来流风速输入到预先训练好的分类神经网络模型中，输出该两个所述风力发电机组之间的所述尾流干扰关系；所述尾流干扰关系为存在尾流干扰或者不存在尾流干扰。
[0156]
可选的，还包括：
[0157]
第一获取模块，用于获取包含多个训练样本的训练样本集；每个所述训练样本中包含两个样本风力发电机组之间的样本相对位置坐标、样本来流风速以及用于表示该两个样本风力发电机组之间的尾流干扰关系的标签；
[0158]
第三输入模块，用于针对每个所述训练样本，将该训练样本中的所述样本相对位置坐标和所述样本来流风速输入至初始分类神经网络模型中，输出该两个样本风力发电机组之间的预测尾流干扰关系；
[0159]
训练模块，用于根据所述预测尾流干扰关系和所述标签，计算交叉熵损失函数得到损失值，以使用所述损失值训练所述初始分类神经网络模型中的可学习参数，直至使用所述训练样本集训练预设次数时停止训练，得到所述分类神经网络模型。
[0160]
可选的，还包括：
[0161]
第四输入模块，用于在所述第二输入模块针对所述风电场中任意两个所述风力发电机组，将该两个所述风力发电机组的相对位置坐标以及所述风电场的来流风速输入到预先训练好的分类神经网络模型中，输出该两个所述风力发电机组之间的所述尾流干扰关系之前，针对所述风电场中任意两个所述风力发电机组，将该两个所述风力发电机组的位置坐标以及来流风向与指定方向之间的夹角输入到以下公式中，得到该两个所述风力发电机组的相对位置坐标：
[0162][0163]
其中，(x
ij
,y
ij
)是风力发电机组i和风力发电机组j之间的相对位置坐标，(xi,yi)是风力发电机组i的位置坐标，(xj,yj)是风力发电机组j的位置坐标，θ是来流风向与指定方
向之间的夹角。
[0164]
可选的，所述划分模块401在用于根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群时，具体用于：
[0165]
根据风电场中任意两个风力发电机组之间的尾流干扰关系，生成风电场尾流干扰关系拓扑图；
[0166]
将用于表征所述风电场尾流干扰关系拓扑图的邻接矩阵输入至深度优先搜索算法中，得到多个所述风电机群。
[0167]
可选的，所述划分模块401在用于将用于表征所述风电场尾流干扰关系拓扑图的邻接矩阵输入至深度优先搜索算法中，得到多个所述风电机群时，具体用于：
[0168]
在所述深度优先搜索算法中，从未被划分到风电机群中的风力发电机组中选择出任意一个风力发电机组，将与该风力发电机组存在直接尾流干扰和间接尾流干扰的风力发电机组划分到同一风电机群中，继续执行从未被划分到风电机群中的风力发电机组中选择出任意一个风力发电机组及后续步骤，直至所述风电场中的所有风力发电机组均被划分到各自的风电机群中停止。
[0169]
可选的，所述生成模块402在用于针对每个所述风电机群，生成该风电机群对应的多组随机偏航角，以计算出该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的总发电功率时，具体用于：
[0170]
通过以下公式计算该风电机群的总发电功率：
[0171][0172]
其中，pn为第n个风力发电机组的发电功率，ρ是空气密度，c
p
是该风力发电机组的风能利用系数，s为该风力发电机组的叶轮扫风面积，v来流风速，γn是该风力发电机组的随机偏航角；
[0173][0174]
其中，p
wg
为该风电机群的总发电功率，n为该风电机群中风力发电机组的数量。
[0175]
可选的，所述生成模块402在用于针对每个所述风电机群，生成该风电机群对应的多组随机偏航角，以计算出该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的平均疲劳载荷时，具体用于：
[0176]
通过以下公式计算该风电机群的平均疲劳载荷：
[0177]fn
＝f
p
+f
t
[0178][0179]
memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0192]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种风电场偏航角控制方法，其特征在于，所述方法包括：根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群；不同所述风电机群中的所述风力发电机组之间不存在尾流干扰；同一所述风电机群中的任意一个所述风力发电机组与该风电机群中的至少一个风力发电机组之间存在尾流干扰；针对每个所述风电机群，生成该风电机群对应的多组随机偏航角，以计算出该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的总发电功率以及平均疲劳载荷；将所述风电机群对应的每组随机偏航角和每组随机偏航角对应的所述总发电功率和所述平均疲劳载荷输入到自适应评估多目标粒子群算法中，输出所述风电机群中每个所述风力发电机组的目标偏航角；使用所述目标偏航角调整所述风电机群中的各个风力发电机组的偏航角。2.根据权利要求1所述方法，其特征在于，所述根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群之前，所述方法还包括：针对所述风电场中任意两个所述风力发电机组，将该两个所述风力发电机组的相对位置坐标以及所述风电场的来流风速输入到预先训练好的分类神经网络模型中，输出该两个所述风力发电机组之间的所述尾流干扰关系；所述尾流干扰关系为存在尾流干扰或者不存在尾流干扰。3.根据权利要求2所述方法，其特征在于，所述分类神经网络模型是通过以下方式训练得到的：获取包含多个训练样本的训练样本集；每个所述训练样本中包含两个样本风力发电机组之间的样本相对位置坐标、样本来流风速以及用于表示该两个样本风力发电机组之间的尾流干扰关系的标签；针对每个所述训练样本，将该训练样本中的所述样本相对位置坐标和所述样本来流风速输入至初始分类神经网络模型中，输出该两个样本风力发电机组之间的预测尾流干扰关系；根据所述预测尾流干扰关系和所述标签，计算交叉熵损失函数得到损失值，以使用所述损失值训练所述初始分类神经网络模型中的可学习参数，直至使用所述训练样本集训练预设次数时停止训练，得到所述分类神经网络模型。4.根据权利要求2所述方法，其特征在于，所述针对所述风电场中任意两个所述风力发电机组，将该两个所述风力发电机组的相对位置坐标以及所述风电场的来流风速输入到预先训练好的分类神经网络模型中之前，所述方法还包括：针对所述风电场中任意两个所述风力发电机组，将该两个所述风力发电机组的位置坐标以及来流风向与指定方向之间的夹角输入到以下公式中，得到该两个所述风力发电机组的相对位置坐标：其中，(x
ij
,y
ij
)是风力发电机组i和风力发电机组j之间的相对位置坐标，(x
i
,y
i
)是风
力发电机组i的位置坐标，(x
j
,y
j
)是风力发电机组j的位置坐标，θ是来流风向与指定方向之间的夹角。5.根据权利要求1所述方法，其特征在于，所述根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群，包括：根据风电场中任意两个风力发电机组之间的尾流干扰关系，生成风电场尾流干扰关系拓扑图；将用于表征所述风电场尾流干扰关系拓扑图的邻接矩阵输入至深度优先搜索算法中，得到多个所述风电机群。6.根据权利要求5所述方法，其特征在于，将用于表征所述风电场尾流干扰关系拓扑图的邻接矩阵输入至深度优先搜索算法中，得到多个所述风电机群，包括：在所述深度优先搜索算法中，从未被划分到风电机群中的风力发电机组中选择出任意一个风力发电机组，将与该风力发电机组存在直接尾流干扰和间接尾流干扰的风力发电机组划分到同一风电机群中，继续执行从未被划分到风电机群中的风力发电机组中选择出任意一个风力发电机组及后续步骤，直至所述风电场中的所有风力发电机组均被划分到各自的风电机群中停止。7.根据权利要求1所述方法，其特征在于，针对每个所述风电机群，生成该风电机群对应的多组随机偏航角，以计算出该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的总发电功率，包括：通过以下公式计算该风电机群的总发电功率：其中，p
n
为第n个风力发电机组的发电功率，ρ是空气密度，c
p
是该风力发电机组的风能利用系数，s为该风力发电机组的叶轮扫风面积，v来流风速，γ
n
是该风力发电机组的随机偏航角；其中，p
wg
为该风电机群的总发电功率，n为该风电机群中风力发电机组的数量。8.根据权利要求7所述方法，其特征在于，针对每个所述风电机群，生成该风电机群对应的多组随机偏航角，以计算出该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的平均疲劳载荷，包括：通过以下公式计算该风电机群的平均疲劳载荷：f
n
＝f
p
+f
t
其中，f
n
为第n个风力发电机组的疲劳载荷，f
p
是与发电功率相关的疲劳载荷，f
t
是与湍流度相关的疲劳载荷，p
rated
是第n个风力发电机组的额定发电功率，t
life
是第n个风力发电机组的预计使用寿命，t是预设时间步长，p(τ)是第n个风力发电机组的实时发电功率，w是湍流疲劳的权重系数，r是第n个风力发电机组的维护补偿系数，i(τ)是第n个风力发电机组的实时湍流度；其中，f
wg
为该风电机群的平均疲劳载荷。9.根据权利要求1所述方法，其特征在于，所述方法还包括：获取在使用所述目标偏航角调整所述风电机群中的各个风力发电机组的偏航角之后，指定时间步长内所述风电场的第一风电场发电功率和第一运维费用；以及获取在使用所述目标偏航角调整所述风电机群中的各个风力发电机组的偏航角之前，指定时间步长内所述风电场的第二风电场发电功率和第二运维费用；当所述第一风电场发电功率小于所述第二风电场发电功率，且，所述第一运维费用大于所述第二运维费用时，继续使用所述目标偏航角；当所述第一风电场发电功率不小于所述第二风电场发电功率，和/或，所述第一运维费用不大于所述第二运维费用时，重新执行步骤根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群及后续步骤。10.一种风电场偏航角控制装置，其特征在于，所述装置包括：划分模块，用于根据风电场中任意两个风力发电机组之间的尾流干扰关系，对所述风电场中的所述风力发电机组进行风电机群划分，得到多个风电机群；不同所述风电机群中的所述风力发电机组之间不存在尾流干扰；同一所述风电机群中的任意一个所述风力发电机组与该风电机群中的至少一个风力发电机组之间存在尾流干扰；生成模块，用于针对每个所述风电机群，生成该风电机群对应的多组随机偏航角，以计算出该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的总发电功率以及平均疲劳载荷；第一输入模块，用于将所述风电机群对应的每组随机偏航角和每组随机偏航角对应的所述总发电功率和所述平均疲劳载荷输入到自适应评估多目标粒子群算法中，输出所述风电机群中每个所述风力发电机组的目标偏航角；调整模块，用于使用所述目标偏航角调整所述风电机群中的各个风力发电机组的偏航角。

技术总结
本申请提供了一种风电场偏航角控制方法及装置，其中，该方法包括：根据风电场中任意两个风力发电机组之间的尾流干扰关系，对风电场中的风力发电机组进行划分得到多个风电机群；针对每个风电机群，生成该风电机群对应的多组随机偏航角，计算该风电机群中各个风力发电机组的偏航角为各组随机偏航角中的各个随机偏航角时，该风电机群的总发电功率及平均疲劳载荷；将风电机群对应的每组随机偏航角和每组随机偏航角对应的总发电功率和平均疲劳载荷输入到自适应评估多目标粒子群算法中，输出每个风力发电机组的目标偏航角；使用目标偏航角调整风电机群中的各个风力发电机组的偏航角。通过该方式，提高风电场的总发电量，降低风力发电机组的疲劳载荷。电机组的疲劳载荷。电机组的疲劳载荷。


技术研发人员：蔡玮 胡阳 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：2023.05.04
技术公布日：2023/7/6