一种基于多层人工智能体系的风电场协同偏航控制方法

1.本发明属于风力发电技术领域，具体是涉及一种基于多层人工智能体系的风电场协同偏航控制方法。


背景技术：

2.对于按照一定布局排布的风电机组，上游风机的运行会产生尾流效应，造成下游流场风速的亏损以及湍流度的增加，从而引起下游风机的功率损失同时带来风机结构疲劳的增加，最终降低使用寿命。因此，采用合理的协同偏航控制策略来削弱风电机组间的尾流影响，不仅能够大大地增加海上风场的总发电量，而且能将有效降低风机结构的疲劳荷载，从而提升风机的总体寿命。
3.目前的研究通常结合风电场发电功率预测模型和相关的智能算法来确定风电机组的最优偏航布局。现有的风电场功率预测主要依赖于解析尾流模型，例如jensen尾流模型和frandsen尾流模型，这两种解析尾流模型在业内被广泛使用，且被多个国外工业标准软件使用，如windpro,wasp以及floris。但这些模型存在显著的缺陷，不仅不能有效地捕捉近尾流以及远尾流区域的湍流特性，而且无法准确描绘出偏航状态下风机偏斜尾流呈现的非中心对称的形态特点，同时非常依赖于经验参数，针对每一种情况需要单独进行实验或数值模拟来修正。基于高精度cfd模拟的功率预测虽然能够克服上述缺陷但需要消耗大量的计算资源，尤其是对于大型的风电场而言，因此并不适用于实际风电场的实时功率控制。
4.目前，有不少针对风电场整场尾流及功率预测技术的研究，如专利申请cn-115859812a，公开了一种基于机器学习的风电尾流模型的构建及风电场布局优化方法，其采用数值模拟数据集训练得到机器学习尾流模型，并应用于风电场布局优化；但该尾流模型未能考虑偏航状态对尾流的影响，无法应用于风电场的实时协同偏航控制。
5.现有的海上风电场通常采用贪心偏航控制策略，处于该控制策略下的每台风机均正面迎风以实现自身功率的最大化，而未考虑机组间的干涉效应，这也将导致风电场总发电功率产生一定的损失。相比较而言，优化的协同控制策略通过调整上游风机的偏航角改变尾流轨迹，以牺牲自身发电功率为代价来减小其尾流对下游机组的影响，从而能显著提高发电效率。但传统的优化算法如遗传算法(ga)、粒子群优化(pso)、协方差矩阵自适应进化策略(cmaes)，对于目前具有多个输入参数的复杂风电场系统而言，需要大量的采样数据来达到最优状态，这可能导致过多的迭代次数，从而增加优化计算时间，并不适用于风电场的实时优化控制中。同时，由于入流的平均风速和湍流强度的传感器噪声以及偏航偏心角的控制误差会引起监测数据的不确定性，从而造成对风电场发电功率评估的误差，这也将影响实现精确的实时偏航控制。
6.目前，有不少针对风电场协同偏航控制技术的研究，如专利申请cn 111615589a公开了一种用于协同控制风电场的风力涡轮机的方法和装置，其利用实测数据训练机器学习模型建立一对风机时间序列数据(包括环境条件、风机内部状态、风场信息)与上下游风机功率比的相关性来应用于风电场协同控制；但其仅适用于短期调整，风速波动较小情况，对
于不规则布局风场中的任意一对风机均需要分别建立机器学习模型进行独立训练；同时，风场布局改变需要重新训练机器学习模型。
7.现有的风电场协同偏航控制技术缺乏一种普适性的基于准确功率预测的高效控制方法，尤其是随着风电场规模不断扩大，优化维度显著增加，为快速精准的实时偏航控制带来了极大的挑战。


技术实现要素：

8.为解决上述技术问题，本发明提供了一种基于多层人工智能体系的风电场协同偏航控制方法，由智能功率预测和智能控制优化共同组成的多层人工智能体系，根据实时来流信息准确高效地确定出风电场最优偏航控制策略，实现风电场实时协同偏航控制。
9.本发明所述的一种基于多层人工智能体系的风电场协同偏航控制方法，所述方法包括智能功率预测阶段和智能控制优化阶段；
10.智能功率预测阶段采用数值模拟尾流数据集训练得到单风机偏航尾流机器学习模型，并结合尾流叠加模型，进行风电场偏航控制状态下整场尾流及输出功率预测；
11.智能控制优化阶段基于风机间尾流干涉模式对风场进行智能分区，并构建贝叶斯机器学习网络进行偏航优化；实现风电场实时协同偏航控制。
12.进一步的，智能功率预测步骤为：
13.步骤1、根据风电机组运行参数，确定生成尾流数据库的入流和控制工况，基于上述入流和控制工况对单风机尾流场进行一系列流体动力学数值模拟；
14.步骤2、沿垂直风速方向将风机轮毂高度平面均匀划分为n个子域，并按照空间位置进行编号(1,2,
…
,n)，分别输出各子域对应数值模拟尾流场中的速度和湍流度，组成尾流场子数据集，包括n个尾流速度子数据集和n个尾流湍流度子数据集；
15.步骤3：搭建人工神经网络模型，由一个三变量输入层、一个隐藏层和一个与子域尾流场输出节点数目相同维度的输出层组成；隐藏层的激活函数为sigmoid，输出层的激活函数为relu；优化算法为adam；
16.步骤4：采用步骤3搭建的人工神经网络分别对尾流场子数据集进行独立训练，得到ann(人工神经网络)偏航尾流子模型，不同子模型的训练通过并行计算进行；
17.步骤5：将n个ann偏航尾流子模型按照对应子域编号顺序进行汇总，组成单风机偏航尾流模型(包括速度模型和湍流度模型)；
18.步骤6：根据风电场入流条件，判断风电场中风机的上下游关系，按照从上游到下游顺序依次确定每台风机入流条件；每台风机的入流条件由其上游所有风机的尾流场叠加得到，上游风机的尾流场采用单风机偏航尾流模型根据其入流和偏航控制条件求解得到；
19.步骤7：根据步骤6得到的风电场中每台风机对应入流和偏航角，结合功率-风速曲线，确定其发电功率，相加得到风电场总发电功率预测结果，完成智能功率预测。
20.进一步的，步骤1中，单风机尾流流体动力学数值模拟采用雷诺平均方法或致动线耦合数值模拟方法，生成尾流数据库的入流及控制工况在风机运行范围内均匀选取，包括轮毂高度的风速、湍流强度和风机偏航角。
21.进一步的，针对不同风机类型，其单风机尾流流体动力学数值模拟计算域尺寸根据该风机在运行范围内尾流的最大影响区域确定，通过设定的尾流速度亏损阈值来判断。
22.进一步的，步骤2中，数值模拟尾流场中等距离布置输出节点，每个尾流速度子数据集(尾流湍流度子数据集)包含其子域对应尾流场中所有输出节点上的速度(湍流度)。
23.进一步的，步骤4中，ann偏航尾流子模型输入层包含三个与入流和控制相关的变量，即轮毂高度风速u
hub
，湍流强度i和偏航角γ；输出层则为尾流的速度场或者湍流强度场，分别用速度亏损δu和附加湍流强度δi来表示。
24.进一步的，步骤6中，最上游风机入流条件由风电场无扰动入流条件决定，下游风机入流条件则采用经验尾流叠加模型对上游所有风机的单风机尾流场进行叠加得到。
25.进一步的，根据速度与湍流度叠加的差异性，分别选取不同的叠加模型。
26.进一步的，智能控制优化步骤为：
27.步骤8：根据目标风电场中风机间尾流干涉模式进行智能分区，沿来流方向将风电场划分为m个平行分区，分区行号按照前后顺序依次确定(1,2,
…
,m)，同分区内风机偏航角保持一致，且最后一台风机处于无偏航状态；
28.步骤9：基于步骤8中的分区约束，随机生成偏航组合，已知风电场入流条件，重复步骤6和7，生成一系列由偏航组合和对应总功率组成的初始训练数据集；
29.步骤10：搭建贝叶斯机器学习网络，以风电场总功率为目标函数，首次迭代采用高斯过程，利用初始训练数据集，初步建立偏航组合和总功率间的近似概率分布，完成学习任务；
30.步骤11：随后迭代同时进行目标函数的学习和优化，完成与初始迭代中相同的学习任务后，优化阶段利用学习得到的近似概率分布建立相应的采集函数，采集函数基于功率预测概率分布的期望和方差建立，其极值表示最优功率较大可能出现的区域。通过对采集函数最大化搜索可能出现的最优偏航组合；
31.步骤12：已知风电场入流条件，重复步骤6到7，确定可能最优偏航组合对应的总功率，两者组成一个新数据并入训练数据集；
32.步骤13：重复步骤11和12，直至相邻多次迭代得到的发电功率保持稳定，满足优化收敛条件，确定最优协同偏航控制策略，完成智能控制优化。
33.进一步的，步骤8风电场智能分区中，确定风电场中任意一台风机所属分区行号i的具体步骤如下：
34.(1)沿垂直于来流方向绘制一系列经过风机位置的平行线，取第一行基准线，同时计算第一行与最后一行的距离，记为l，则行距s为：
[0035][0036]
(2)计算风机与基准线之间的距离，记为dk；
[0037]
(3)风机的行号i为：
[0038]
i＝ceil(dk/s)(i＝1,2,
…
,m)。
[0039]
本发明所述的有益效果为：本发明采用的基于ann偏航尾流模型的风电场功率预测体系，既能保证比拟cfd数值模拟的精度，同时又达到与解析模拟类似的效率，很好满足了后续控制优化过程对功率数据获取的精度效率要求。控制优化体系将贝叶斯机器学习网络与智能分区方法相结合，贝叶斯机器学习网络通过高斯过程(gp)建立总发电量和偏航组合间的近似概率关系，利用智能功率预测提供的有限数据集同时学习和优化目标函数，高
效确定最优偏航控制策略，在此基础上，配合智能分区方法，进一步降低优化维度，显著提高控制效率。本发明所述的方法适用于任意风场布局下考虑不同来流情况的实时协同偏航控制，能够根据实时测量到的来流信息，准确高效地提供最优偏航控制策略，有效解决了大型海上风电场协同偏航控制中高度非线性、高变量维度的复杂优化难题。
附图说明
[0040]
图1是风电场协同偏航控制方法流程图；
[0041]
图2是ann偏航尾流子模型结构示意图；
[0042]
图3是风电场智能分区示意图；
[0043]
图4是示例风场智能分区展示；
[0044]
图5是风电场协同偏航控制方法多层人工智能体系结构示意图；
[0045]
图6是示例风场控制优化前后偏航布局及风速云图；
[0046]
图7是示例风场采用智能分区与传统独立控制优化效率比较；
[0047]
图8是示例风场考虑不同风向分布采用智能分区与传统独立控制功率提升效果比较。
具体实施方式
[0048]
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。
[0049]
如图1所示，本发明所述的一种基于多层人工智能体系的风电场协同偏航控制方法，以一个4
×
4的16台风机的规则风场为例，如图4所示，风机间隔为7d，具体步骤为：
[0050]
步骤1：风机型号选取vestas v80 2mw，转子直径为80m，根据该风电机组运行参数，确定生成尾流数据库的入流和控制工况，包括轮毂高度平面风速和湍流度以及风机偏航角，采用雷诺平均方法(rans)/致动线(alm)耦合数值模拟方法对单风机尾流场进行一系列流体动力学数值模拟，计算域范围为28d
×
12d
×
5d：
[0051]
风速分布范围为5m/s
–
15m/s，间隔取1m/s，湍流度分布范围为2％-26％，间隔取2％，偏航角分布范围为0
–
30
°
，间隔取3
°
，共计1443种工况；
[0052]
步骤2：沿垂直风速方向将风机轮毂高度70m处水平面以8m(0.1d)为间隔均匀划分为120个子域，并按照空间位置编号(1,2,
…
,120)，分别输出各子域对应数值模拟尾流场中的速度和湍流度，组成尾流子数据集，共包括120个尾流速度子数据集和120个尾流湍流度子数据集；每个子数据集由对应子域内沿流向以8m(0.1d)为间隔均匀分布的280个输出节点上的尾流场数据(速度或者湍流度)组成；
[0053]
步骤3：搭建人工神经网络模型，由一个三变量输入层、一个隐藏层和一个与子域尾流场输出节点数目相同维度的输出层组成；隐藏层的激活函数为sigmoid，输出层的激活函数为relu；优化算法为adam；
[0054]
步骤4：采用步骤3搭建的人工神经网络，分别对步骤2中的尾流场子数据集进行独立训练，得到ann偏航尾流子模型。子模型结构如图2所示，一个输入层，大小为3，包含三个与入流和控制相关的变量，即轮毂高度风速u
hub
，湍流强度i和偏航角γ,一个隐藏层，大小为10，激活函数为“sigmoid”，一个输出层，大小为280，包含对应子域上所有输出节点上的
速度或者湍流度数据，通过速度亏损δu或者附加湍流强度δi来表示；不同子模型的训练通过并行计算方式进行，速度场与湍流度场共计240个子模型(120个ann偏航尾流速度子模型和120个ann偏航尾流湍流度子模型)；
[0055]
步骤5：将120个ann偏航尾流子模型按照对应子域编号顺序进行汇总，组成vestas v80风机的单风机偏航尾流模型(包括速度模型和湍流度模型)；
[0056]
步骤6：对如图4所示的规则风场，按照来流方向，确定风电机组间的上下游关系；其中最上游机组入流由风电场无扰动来流确定。对于下游机组，根据上游风机入流和控制条件，按照从上游风机向下游风机的顺序依次进行单风机尾流场叠加得到风电场整场尾流数据，从而得到每台风机对应的入流。速度叠加模型采用平方和亏损比模型：湍流度叠加采用湍动能叠加模型：下标i表示目标下游风机，下标j表示风机i的上游风机，下标inflow表示风电场无扰动来流；
[0057]
步骤7：根据步骤6得到的风电场中每台风机对应入流和偏航角，结合功率-风速曲线，确定其发电功率，进而得到风电场总发电功率预测结果；
[0058]
步骤8：根据目标风电场中风机间尾流干涉模式对其进行智能分区，如图3所示，沿来流方向将风电场等间距划分为4行，同一行内风机偏航角保持一致，且最后一台风机处于无偏航状态。确定风电场中任意一台风机的行号i具体步骤如下：
[0059]
(1)沿垂直于来流方向绘制一系列经过风机位置的平行线，取第一行为基准线，计算第一行与最后一行的距离为26d，则行距s＝26/4d：
[0060]
(2)计算风机与基准线之间的距离，记为dk；
[0061]
(3)风机的行号确定如下：
[0062]
i＝ceil(dk/s)(i＝1,2,
…
,m)
[0063]
示例风场智能分区结果如图4所示；
[0064]
步骤9：基于步骤8中的分区约束，随机生成偏航组合，选定风电场入流条件为u＝12m/s,i＝2％，重复步骤6和7，生成一系列由偏航组合和对应总功率组成的初始训练数据集；
[0065]
步骤10：搭建如图5所示的贝叶斯机器学习网络，以风电场总功率为目标函数，首次迭代采用高斯过程(gp)，利用初始训练数据集，初步建立偏航组合和总发电量间的近似概率分布关系：p
total
(γ|d
1:n
,θ)～n(μ,σ2)；其中，γ表示偏航组合，p为总功率，d为贝叶斯学习网络的训练数据集；
[0066]
步骤11：随后迭代同时进行目标函数的学习和优化，完成与初始迭代中相同的学习任务后，优化阶段利用学习得到的近似概率分布建立相应的采集函数，通过对采集函数最大化搜索可能出现的最优偏航组合；采集函数基于功率预测概率分布的期望μ和方差σ建立，通常采用expected improvement(ei)采集函数：
[0067][0068]
步骤12：已知风电场入流条件u＝12m/s,i＝2％，重复步骤6到7，确定可能最优偏航组合对应的总功率，两者组成一个新数据并入训练数据集d；
[0069]
步骤13：重复步骤11和12，直至相邻多次迭代得到的发电功率保持稳定，满足优化收敛条件，确定最优协同偏航控制策略。
[0070]
如图6所示，其小图6-1为展示示例风场控制优化前后偏航布局图，小图6-2为展示示例风场控制优化前后风速云图，其中传统独立控制指省略本发明的步骤8中的智能分区，每台风机的偏航角作为独立的优化参数，其他步骤保持不变。由图可知，控制优化使下游风机尽可能地避开了上游风机的强尾流影响，并且从尾流削弱程度来看，智能分区在有效降低优化问题维度之后仍能达到与传统独立控制相近的效果。图7进一步量化比较了两种控制策略之间功率提升效果与优化效率之间的差异，由图7可知，智能分区策略的优化功率能达到22.26mw，提升了30％，略小于传统独立控制策略达到的22.32mw。但其优化效率却得到了显著提升，迭代50次左右达到最优状态，相比于传统独立控制的200次稳定迭代，提升了近4倍。图8给出了考虑不同风向分布两种控制策略之间功率提升效果的比较，尽管风向分布的分散化会一定程度上增加智能分区与传统独立控制间优化功率的差异，但整体而言，相比于在优化效率上的显著提高，最优解的微小差距可忽略不计，从而验证了融合智能分区的风电场协同偏航控制方法在不同风向分布下仍具有较大的应用价值
[0071]
以上所述仅为本发明的优选方案，并非作为对本发明的进一步限定，凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。

技术特征：
1.一种基于多层人工智能体系的风电场协同偏航控制方法，其特征在于，所述方法包括智能功率预测阶段和智能控制优化阶段；智能功率预测阶段采用数值模拟尾流数据集训练得到单风机偏航尾流机器学习模型，并结合尾流叠加模型，进行风电场偏航控制状态下整场尾流及输出功率预测；智能控制优化阶段基于风机间尾流干涉模式对风场进行智能分区，并构建贝叶斯机器学习网络进行偏航优化；实现风电场实时协同偏航控制。2.根据权利要求1所述的一种基于多层人工智能体系的风电场协同偏航控制方法，其特征在于，智能功率预测包括以下步骤：步骤1、根据风电机组运行参数，确定生成尾流数据库的入流和控制工况，基于上述入流和控制工况对单风机尾流场进行一系列流体动力学数值模拟；步骤2、沿垂直风速方向将风机轮毂高度平面均匀划分为n个子域，并按照空间位置进行编号(1,2,
…
,n)，分别输出各子域对应数值模拟尾流场中的速度和湍流度，组成尾流场子数据集，包括n个尾流速度子数据集和n个尾流湍流度子数据集；步骤3：搭建人工神经网络模型，由一个三变量输入层、一个隐藏层和一个与子域尾流场输出节点数目相同维度的输出层组成；隐藏层的激活函数为sigmoid，输出层的激活函数为relu；优化算法为adam；步骤4：采用步骤3搭建的人工神经网络分别对尾流场子数据集进行独立训练，得到ann偏航尾流子模型，不同子模型的训练通过并行计算进行；步骤5：将n个ann偏航尾流子模型按照对应子域编号顺序进行汇总，组成单风机偏航尾流模型；步骤6：根据风电场入流条件，判断风电场中风机的上下游关系，按照从上游到下游顺序依次确定每台风机入流条件；每台风机的入流条件由其上游所有风机的尾流场叠加得到，上游风机的尾流场采用单风机偏航尾流模型根据其入流和偏航控制条件求解得到；步骤7：根据步骤6得到的风电场中每台风机对应入流和偏航角，结合功率-风速曲线，确定其发电功率，相加得到风电场总发电功率预测结果，完成智能功率预测。3.根据权利要求2所述的一种基于多层人工智能体系的风电场协同偏航控制方法，其特征在于，步骤1中，单风机尾流流体动力学数值模拟采用雷诺平均方法或致动线耦合数值模拟方法，生成尾流数据库的入流及控制工况在风机运行范围内均匀选取，包括轮毂高度的风速、湍流强度和风机偏航角。4.根据权利要求3所述的一种基于多层人工智能体系的风电场协同偏航控制方法，其特征在于，针对不同风机类型，其单风机尾流流体动力学数值模拟计算域尺寸根据该风机在运行范围内尾流的最大影响区域确定，通过设定的尾流速度亏损阈值来判断。5.根据权利要求2所述的一种基于多层人工智能体系的风电场协同偏航控制方法，其特征在于，步骤2中，数值模拟尾流场中等距离布置输出节点，每个尾流湍流度子数据集包含其子域对应尾流场中所有输出节点上的速度。6.根据权利要求2所述的一种基于多层人工智能体系的风电场协同偏航控制方法，其特征在于，步骤4中，ann偏航尾流子模型输入层包含三个与入流和控制相关的变量，即轮毂高度风速u
hub
，湍流强度i和偏航角γ；输出层则为尾流的速度场或者湍流强度场，分别用速度亏损δu和附加湍流强度δi来表示。
7.根据权利要求2所述的一种基于多层人工智能体系的风电场协同偏航控制方法，其特征在于，步骤6中，最上游风机入流条件由风电场无扰动入流条件决定，下游风机入流条件则采用经验尾流叠加模型对上游所有风机的单风机尾流场进行叠加得到。8.根据权利要求7所述的一种基于多层人工智能体系的风电场协同偏航控制方法，其特征在于，根据速度与湍流度叠加的差异性，分别选取不同的叠加模型。9.根据权利要求2所述的一种基于多层人工智能体系的风电场协同偏航控制方法，其特征在于，智能控制优化包括以下步骤：步骤8：根据目标风电场中风机间尾流干涉模式进行智能分区，沿来流方向将风电场划分为m个平行分区，分区行号按照前后顺序依次确定(1,2,
…
,m)，同分区内风机偏航角保持一致，且最后一台风机处于无偏航状态；步骤9：基于步骤8中的分区约束，随机生成偏航组合，已知风电场入流条件，重复步骤6和7，生成一系列由偏航组合和对应总功率组成的初始训练数据集；步骤10：搭建贝叶斯机器学习网络，以风电场总功率为目标函数，首次迭代采用高斯过程，利用初始训练数据集，初步建立偏航组合和总功率间的近似概率分布，完成学习任务；步骤11：随后迭代同时进行目标函数的学习和优化，完成与初始迭代中相同的学习任务后，利用学习得到的近似概率分布建立相应的采集函数，采集函数基于功率预测概率分布的期望和方差建立，其极值表示最优功率较大可能出现的区域，通过对采集函数最大化搜索可能出现的最优偏航组合；步骤12：已知风电场入流条件，重复步骤6到7，确定可能最优偏航组合对应的总功率，两者组成一个新数据并入训练数据集；步骤13：重复步骤11和12，直至相邻多次迭代得到的发电功率保持稳定，满足优化收敛条件，确定最优协同偏航控制策略，完成智能控制优化。10.根据权利要求9所述的一种基于多层人工智能体系的风电场协同偏航控制方法，其特征在于，步骤8风电场智能分区中，确定风电场中任意一台风机所属分区行号i的具体步骤如下：(1)沿垂直于来流方向绘制一系列经过风机位置的平行线，取第一行基准线，同时计算第一行与最后一行的距离，记为l，则行距s为：(2)计算风机与基准线之间的距离，记为d
k
；(3)风机的行号i为：i＝ceil(d
k
/s)(i＝1,2,
…
,m)。

技术总结
本发明属于风力发电领域，公开了一种基于多层人工智能体系的风电场协同偏航控制方法，采用数值模拟尾流数据集训练得到单风机偏航尾流机器学习模型，并结合叠加模型，实现偏航控制状态下整场功率的准确快速预测。智能控制优化由两阶段组成，第一阶段基于风机间尾流干涉模式对风场进行智能分区，以减少问题维度来加快优化效率，第二阶段基于分区约束采用贝叶斯机器学习网络调用智能功率预测有限数据在总发电量和偏航组合之间建立近似的概率关系，同时学习和优化功率目标函数，进一步加速定位最优偏航状态。基于上述体系的协同偏航控制方法能够根据实时来流信息准确高效地确定出风电场最优偏航控制策略，显著削弱风电机组间的尾流影响。尾流影响。尾流影响。


技术研发人员：邓晓蔚 杨尚慧
受保护的技术使用者：香港大学深圳研究院
技术研发日：2023.04.10
技术公布日：2023/6/7