CN109991851A - 一种应用于大规模风电场的分布式经济模型预测控制方法 - Google Patents
一种应用于大规模风电场的分布式经济模型预测控制方法 Download PDFInfo
- Publication number
- CN109991851A CN109991851A CN201910302218.5A CN201910302218A CN109991851A CN 109991851 A CN109991851 A CN 109991851A CN 201910302218 A CN201910302218 A CN 201910302218A CN 109991851 A CN109991851 A CN 109991851A
- Authority
- CN
- China
- Prior art keywords
- wind power
- model
- blower
- wind
- power plant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000008901 benefit Effects 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims description 10
- 230000005684 electric field Effects 0.000 claims description 8
- 230000005012 migration Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
- G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
- G05F1/66—Regulating electric power
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25232—DCS, distributed control system, decentralised control unit
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Power Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及了一种应用于大规模风电场的分布式经济模型预测控制方法,在风电场内各风机选用了较完整的风机模型的情况下,这一方法解决了在不同风速下风电场内部功率动态分配和风机输出稳定跟踪的问题,同时保障了风电场的经济效益最大,根据风电场内风机的分布式结构,采用纳什最优方法来求解风电场控制问题,以期达到整个***的纳什均衡甚至是帕累托最优,在以低成本在线实施的同时,本发明的分布式经济模型预测控制方法与传统集中式预测控制方法相比,控制性能更佳,运算时间更短。
Description
技术领域
本发明涉及风力发电领域,尤其涉及一种应用于大规模风电场的分布式经济模型预测控制方法。
背景技术
风能若要成为补充能源促进其规模效应的充分发挥就需要风力发电场的建设。随着风力发电机组的变化,从最初的恒速定桨距发电机组到如今常用的变速变桨距发电机组,这一过程代表了人们对风能利用率的提高,与此同时风电场的规模也在不断扩大。一个大型风力发电场可能由数百个风力涡轮机组成,并覆盖数百平方英里的扩展区域。随着风电对电网的出力不断增大,电网内部的功率平衡以及风电场各风机之间的功率分配变得十分复杂,增加了电力***在运行的过程中会遇到各种麻烦的可能性。因此研究风电场的控制策略至关重要。
风电场的控制总目标为控制风机群输出稳定跟踪负荷指令,实现电网功率平衡控制;实现风机群总功率在每台风机中的快速、公平分配。传统的风电场控制分为两层:基于风机水平的控制和基于风电场水平的控制。风电场控制器确保风电场的输出为电网给定值并为风电场中的各台风机分配设定值。风机控制器确保当前风机跟踪本地设定点。其中风电场控制器的分配方式多是采用停机或平均分配静态地给风机分配设定值,离线计算好风机群的设定值,之后在整个控制过程中保持不变,导致风电场的实际输出功率与风电场控制器的功率设定值不匹配,造成风机多发电或少发电,降低了风电场的发电效率和稳定性,也加剧了风电场的疲劳负荷。目前已研究出一些方法来改进风电场控制器的分配方式。使用改进型PID方法来动态根据风机的发电能力分配功率,提高了控制精度和速度。另外还提出了一种协调控制方案,能根据当前风机的运行情况和平均风速以及给定的平均功率互相协调来进一步分配功率。除此之外预测控制也被用来实现风电场的控制。集中式预测控制将整个风电场作为预测模型,使风电场的总输出功率跟踪电网需求功率,在考虑风机实际操作约束下求解问题。这种方法虽然能达到帕累托最优,但是随着风电场规模的增大,求解时间和通信负担显著加剧,无法达到实时性,因此对于大规模的风电场并不实用。同时这种传统的跟踪式预测控制的目标函数可能无法直接体现经济性,忽略了动态跟踪过程中的经济性能,控制效果欠佳。
发明内容
针对现有技术存在的问题,本发明提供了一种应用于大规模风电场的分布式经济模型预测控制方法,用以解决风电场功率分配不均的问题。
本发明提供了一种应用于大规模风电场的分布式经济模型预测控制方法,包括:
设定一个至少包括两台风机模型的风电场,风电场设有一个整体的经济目标函数,风电场的整体经济目标包括风电场功率平衡的优化指标和风机模型经济性的优化指标,风电场中各台风机模型相互独立,约束独立;
将所述风电场的整体经济目标分散到每台所述风机模型上并使它们的目标函数耦合,用以保持风电场功率的平衡;
使用纳什最优的方法进行求解,用以使所述风电场中的各台所述风机模型不仅要满足自身输出与其它所述风机模型输出的总和等于电网需求,而且期望自身输出能有最大的经济效益。
进一步地,所述风机模型均采用美国国家可再生能源实验室(NREL)的5MW风力发电机模型。
进一步地,所述风机模型包括塔架、风轮、传动***和发电机,自然风以一定速度吹向叶片时,由于气流作用产生空气动力学转矩和推力分别作用到风轮转子和塔架上,风轮转子旋转,传动***中低速轴通过齿轮箱带动高速轴转动,使发电机转子转速增大,进而产生电能。
进一步地,所述风机模型附加考虑了塔架的影响,由于风的推力会使塔架有所偏移,造成作用到叶片上的有效风速发生变化。
进一步地,所述风机模型的状态量包括转子角速度、发电机角速度、转子角位置与发电机角位置之间的绝对差值、塔架偏移量和塔架偏移速度,控制量包括发电机转矩和桨距角,输出量包括发电机角速度和发电机功率。
进一步地,利用四阶龙格库塔方法对所述风机模型离散化得到离散的非线性预测模型。
进一步地,对于分散到各台所述风机模型上的指标,
将所述风机模型自身输出功率和其它所述风机模型输出功率的总和等于电网需求作为反应所述风电场功率平衡的优化指标;
将每一台所述风机的输出功率最大化、轴扭转角上的疲劳损失最小化、塔架上的疲劳损失最小化、桨叶上的损失最小化和转矩的频繁动作最小化作为反映所述风机模型经济性的优化指标。
进一步地,所述风机模型的目标函数为所述风机模型经济性的优化指标和所述风电场功率平衡的优化指标的加权值,具体体现为:
以风电场中第i台风机模型为例,xi表示状态量,ui表示控制量,PC表示电网需求,P表示风电场内风机模型总数;将自身输出功率和其它风机模型输出功率总和等于电网需求作为反映风电场功率平衡的优化指标同时将功率最大化轴扭转角上的疲劳损失最小化和塔架上的疲劳损失最小化桨叶上的损失最小化以及转矩频繁动作最小化直接作为反映风机模型经济性的优化指标,对这些指标线性加权得到风电场内分散到第i台风机模型的总优化目标Ji(xi,ui)=λ1J1+λ2J2+λ3J3+λ4J4+λ5J5;
以上公式中α1表示塔架偏移速度vt相对于轴扭转角θ的重视程度,α2表示桨距角β相对于桨距角变化率Δβ的重视程度,同理,λ1,λ2,λ3,λ4,λ5表示五个经济指标J1,J2,J3,J4,J5相对于其他指标的重要程度。
进一步地,所述风机模型中需要约束的变量包括:
状态量:转子角速度、发电机角速度、轴扭转角;
控制量:发电机转矩、桨距角;
输出量:发电机功率;
以上变量都可通过查找NREL 5MW风机的定义文档获得其上下限,将该上下限作为控制问题的软约束并允许在某些时刻所述风机模型的变量超过规定的最大值。
进一步地,所述纳什最优方法是当其它所述风机在k时刻的最优解已知时,在满足约束的前提下,每台所述风机在k时刻只用自己的输入变量对所述目标函数进行优化求解,其它风机在k时刻的最优解由k-1时刻求解得到的最优解代替。
与现有技术相比,本发明的有益效果在于通过设定新的目标函数和模型以及使用纳什最优的求解方法,解决了风电场功率分配不均的问题,减轻了风机***的运算负担和通信负担,使风电场的输出可以达到最大的效益。
进一步地,所述风机***相互独立,约束独立,控制结构不随风电场规模的增大而有所改变,具有可拓展性且响应时间更短;每台风机***的目标函数相互耦合,用以分配风电场的功率,保持分配平衡。
附图说明
图1为本发明实施例风电场内的风机模型示意图;
图2为本发明实施例的应用分布式经济模型预测控制方法流程图。
具体实施方式
下面参照附图来描述发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释发明的技术原理,并非在限制发明的保护范围。
需要说明的是,在发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对发明的限制。
此外,还需要说明的是,在发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在发明中的具体含义。
参阅图1所示,其为本发明实施例提供的应用分布式经济模型预测控制方法的风电场内风机的模型示意图,包括:风轮叶片1、风轮轮毂2、塔架3、塔架侧弹簧4、塔架侧阻尼器5、低速轴6、齿轮箱7、高速轴8、传动***侧弹簧9、传动***侧阻尼器10、发电机11、电网12。
继续参阅图1所示,塔架3从地面而起连接有风轮,风轮由风轮叶片1和轮毂2组成,风轮叶片1根部连接有轮毂2,在轮毂2和塔架3的后面连接有塔架侧弹簧4和塔架侧阻尼器5;轮毂2连接有低速轴6,低速轴6和齿轮箱7之间连接有传动***侧弹簧9和传动***侧阻尼器10;低速轴6、齿轮箱7和高速轴8统称为传动***,齿轮箱7的另一端与高速轴8相连,发电机11由高速轴8驱动并由发电机转矩制动;在风电场中的每台风机均与电网12相连。
参阅图2所示,其为本发明实施例的应用分布式经济模型预测控制方法流程图,本实施例方法步骤包括:
步骤1,设定一个至少包括两台风机模型的风电场,风电场的各台风机模型相互独立,约束独立;风机模型的工作原理为假设在自然风速已知的情况下,自然风以一定速度吹向叶片时,由于气流作用产生空气动力学转矩和推力分别作用到风轮转子和塔架上,风轮转子旋转,传动***中低速轴通过齿轮箱带动高速轴转动,使发电机转子转速增大,进而产生电能。
步骤2,对风机建立非线性预测模型;风机附加考虑了塔架的影响,由于风的推力会使塔架有所偏移,造成作用到叶片上的有效风速发生变化。风机模型的所有状态量包括转子角速度、发电机角速度、转子角位置与发电机角位置之间的绝对差值、塔架偏移量和塔架偏移速度,控制量包括发电机转矩和桨距角,输出量包括发电机角速度和发电机功率,利用四阶龙格库塔方法离散化得到离散的非线性预测模型。
步骤3,将整个风电场的经济目标分散到各个风机模型,设定其目标函数,并使所有的目标函数耦合,每个风机模型只用自己的输入变量对目标函数进行求解,避免存在其它风机的优化量;目标函数的设定方法是:以风电场中第i台风机模型为例,xi表示状态量,ui表示控制量,PC表示电网需求,P表示风电场内风机模型总数;将自身输出功率和其他风机模型输出功率总和等于电网需求作为反映风电场功率平衡的优化指标同时将功率最大化轴扭转角上的疲劳损失最小化和塔架上的疲劳损失最小化桨叶上的损失最小化以及转矩频繁动作最小化直接作为反映风机模型经济性的优化指标,对这些指标线性加权得到风电场内分散到第i台风机模型的总优化目标Ji(xi,ui)=λ1J1+λ2J2+λ3J3+λ4J4+λ5J5。以上公式中α1表示塔架偏移速度vt相对于轴扭转角θ的重视程度,α2表示桨距角β相对于桨距角变化率Δβ的重视程度,同理,λ1,λ2,λ3,λ4,λ5表示五个经济指标J1,J2,J3,J4,J5相对于其他指标的重要程度。
步骤4,对风机模型中的变量给定约束值,电场的每一台风机模型需要约束的变量包括:状态量:转子角速度、发电机角速度、轴扭转角;控制量:发电机转矩、桨距角;输出量:发电机功率;通过查找NREL 5MW风机的定义文档获得其上下限,将该上下限作为控制问题的软约束并允许在某些时刻所述风机模型的变量超过规定的最大值。
步骤5,使用纳什最优的方法进行求解,假设其它风机在k时刻的最优解已知时,在满足约束的前提下,每台风机在k时刻只用自己的输入变量对所述目标函数进行优化求解;其它风机在k时刻的最优解由k-1时刻求解得到的最优解代替。
假设风电场内有至少3台风机,所述风机均为美国国家可再生能源实验室(NREL)的5MW风力发电机模型,各台风机初始风速相同,通过改变风速来验证使用分布式经济模型预测控制方法的效果。
实施例1
离散采样时间为0.5s,预测时域为50,给定电网需求功率为4MW。风速是阶跃变化的,在0-50s时3台风机的风速均为7.5m/s,在50-100s时第1、2台风机风速保持7.5m/s不变,第3台风机风速增大到9m/s,在100-150s时第1台风机风速保持7.5m/s不变,第2台风机风速减小到7m/s,第3台风机风速保持9m/s不变。选取合适的权重,三台风机的初值均取风速为7.5m/s时风机模型的稳定状态。在matlab中运行分布式经济模型预测控制方法的程序,与传统的集中式预测控制方法比较,控制性能更好且运行时间更短。
实施例2
离散采样时间与预测时域同实施例1,在0-50s时3台风机的风速按顺序为15m/s、12m/s、17m/s,此时给定电网需求功率为9MW。在50-100s时电网需求功率增大到11MW,3台风机的风速与0-50s时相同。选取合适的权重,三台风机的初值均取风速为15m/s时风机模型的稳定状态。在matlab中运行分布式经济模型预测控制方法的程序,结果证明了本方法的有效性。
Claims (10)
1.一种应用于大规模风电场的分布式经济模型预测控制方法,其特征在于,包括:
设定一个至少包括两台风机模型的风电场,风电场设有一个整体的经济目标函数,风电场的整体经济目标包括风电场功率平衡的优化指标和风机模型经济性的优化指标,风电场中各台风机模型相互独立,约束独立;
将所述风电场的整体经济目标分散到每台所述风机模型上并使它们的目标函数耦合,用以保持风电场功率的平衡;
使用纳什最优的方法进行求解,用以使所述风电场中的各台所述风机模型不仅要满足自身输出与其它所述风机模型输出的总和等于电网需求,而且期望自身输出能有最大的经济效益。
2.根据权利要求1所述的应用于大规模风电场的分布式经济模型预测控制方法,其特征在于,所述风机模型均采用美国国家可再生能源实验室(NREL)的5MW风力发电机模型。
3.根据权利要求1所述的应用于大规模风电场的分布式经济模型预测控制方法,其特征在于,所述风机模型包括塔架、风轮、传动***和发电机,自然风以一定速度吹向叶片时,由于气流作用产生空气动力学转矩和推力分别作用到风轮转子和塔架上,风轮转子旋转,传动***中低速轴通过齿轮箱带动高速轴转动,使发电机转子转速增大,进而产生电能。
4.根据权利要求1所述的应用于大规模风电场的分布式经济模型预测控制方法,其特征在于,所述风机模型附加考虑了塔架的影响,由于风的推力会使塔架有所偏移,造成作用到叶片上的有效风速发生变化。
5.根据权利要求1所述的应用于大规模风电场的分布式经济模型预测控制方法,其特征在于,所述风机模型的状态量包括转子角速度、发电机角速度、转子角位置与发电机角位置之间的绝对差值、塔架偏移量和塔架偏移速度,控制量包括发电机转矩和桨距角,输出量包括发电机角速度和发电机功率。
6.根据权利要求1所述的应用于大规模风电场的分布式经济模型预测控制方法,其特征在于,利用四阶龙格库塔方法对所述风机模型离散化得到离散的非线性预测模型。
7.根据权利要求1所述的应用于大规模风电场的分布式经济模型预测控制方法,其特征在于,对于分散到各台所述风机模型上的指标,
将所述风机模型自身输出功率和其它所述风机模型输出功率的总和等于电网需求作为反映所述风电场功率平衡的优化指标;
将每一台所述风机的输出功率最大化、轴扭转角上的疲劳损失最小化、塔架上的疲劳损失最小化、桨叶上的损失最小化和转矩的频繁动作最小化作为反映所述风机模型经济性的优化指标。
8.根据权利要求1/7任一项所述的应用于大规模风电场的分布式经济模型预测控制方法,其特征在于,所述风机模型的目标函数为所述风机模型经济性的优化指标和所述风电场功率平衡的优化指标的加权值,
以风电场中第i台风机模型为例,xi表示状态量,ui表示控制量,PC表示电网需求,P表示风电场内风机模型总数;将自身输出功率Pi E和其它风机模型输出功率总和等于电网需求作为反映风电场功率平衡的优化指标同时将功率最大化J2(xi,ui)=-Pi E、轴扭转角上的疲劳损失最小化和塔架上的疲劳损失最小化桨叶上的损失最小化以及转矩频繁动作最小化直接作为反映风机模型经济性的优化指标,对这些指标线性加权得到风电场内分散到第i台风机模型的总优化目标Ji(xi,ui)=λ1J1+λ2J2+λ3J3+λ4J4+λ5J5;
以上公式中α1表示塔架偏移速度vt相对于轴扭转角θ的重视程度,α2表示桨距角β相对于桨距角变化率Δβ的重视程度,同理,λ1,λ2,λ3,λ4,λ5表示五个经济指标J1,J2,J3,J4,J5相对于其他指标的重要程度。
9.根据权利要求1所述的应用于大规模风电场的分布式经济模型预测控制方法,其特征在于,所述风机模型中需要约束的变量包括:
状态量:转子角速度、发电机角速度、轴扭转角;
控制量:发电机转矩、桨距角;
输出量:发电机功率;
以上变量都可通过查找NREL5MW风机的定义文档获得其上下限,将该上下限作为控制问题的软约束并允许在某些时刻所述风机模型的变量超过规定的最大值。
10.根据权利要求1所述的应用于大规模风电场的分布式经济模型预测控制方法,其特征在于,所述纳什最优方法是当其它所述风机在k时刻的最优解已知时,在满足约束的前提下,每台所述风机在k时刻只用自己的输入变量对所述目标函数进行优化求解,其它风机在k时刻的最优解由k-1时刻求解得到的最优解代替。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910302218.5A CN109991851B (zh) | 2019-04-16 | 2019-04-16 | 一种应用于大规模风电场的分布式经济模型预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910302218.5A CN109991851B (zh) | 2019-04-16 | 2019-04-16 | 一种应用于大规模风电场的分布式经济模型预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109991851A true CN109991851A (zh) | 2019-07-09 |
CN109991851B CN109991851B (zh) | 2020-11-13 |
Family
ID=67133729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910302218.5A Expired - Fee Related CN109991851B (zh) | 2019-04-16 | 2019-04-16 | 一种应用于大规模风电场的分布式经济模型预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109991851B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990674A (zh) * | 2021-03-01 | 2021-06-18 | 哈尔滨工程大学 | 一种海上浮式风电场多目标运行调度方法 |
CN114859721A (zh) * | 2022-05-09 | 2022-08-05 | 电子科技大学 | 一种大时滞成型***双模经济模型预测鲁棒控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070228838A1 (en) * | 2006-03-29 | 2007-10-04 | Robert Delmerico | System, method, and article of manufacture for controlling operation of an electrical power generation system |
EP1817496B1 (de) * | 2004-11-22 | 2013-10-02 | REpower Systems SE | Verfahren zum optimieren des betriebs von windenergieanlagen |
CN104779611A (zh) * | 2015-03-23 | 2015-07-15 | 南京邮电大学 | 基于集中式和分布式双层优化策略的微电网经济调度方法 |
CN106059448A (zh) * | 2016-06-24 | 2016-10-26 | 华北电力大学 | 基于监督预测控制的风光互补发电***功率协调控制方法 |
CN106936160A (zh) * | 2017-03-24 | 2017-07-07 | 华北电力大学 | 一种基于分布式发电的智能微电网***功率协调控制方法 |
CN109085755A (zh) * | 2018-08-14 | 2018-12-25 | 中国电力科学研究院有限公司 | 基于分布式模型预测控制的风电集群***超前频率控制方法及*** |
-
2019
- 2019-04-16 CN CN201910302218.5A patent/CN109991851B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1817496B1 (de) * | 2004-11-22 | 2013-10-02 | REpower Systems SE | Verfahren zum optimieren des betriebs von windenergieanlagen |
US20070228838A1 (en) * | 2006-03-29 | 2007-10-04 | Robert Delmerico | System, method, and article of manufacture for controlling operation of an electrical power generation system |
CN104779611A (zh) * | 2015-03-23 | 2015-07-15 | 南京邮电大学 | 基于集中式和分布式双层优化策略的微电网经济调度方法 |
CN106059448A (zh) * | 2016-06-24 | 2016-10-26 | 华北电力大学 | 基于监督预测控制的风光互补发电***功率协调控制方法 |
CN106936160A (zh) * | 2017-03-24 | 2017-07-07 | 华北电力大学 | 一种基于分布式发电的智能微电网***功率协调控制方法 |
CN109085755A (zh) * | 2018-08-14 | 2018-12-25 | 中国电力科学研究院有限公司 | 基于分布式模型预测控制的风电集群***超前频率控制方法及*** |
Non-Patent Citations (3)
Title |
---|
HALVGAARD R,等: "Economic Model Predictive Control for building climate control in a Smart Grid", 《2012 IEEE PES INNOVATIVE SMART GRID TECHNOLOGIES (ISGT)》 * |
XIANGJIE LIU,等: "Nonlinear Model Predictive Control for DFIG-Based Wind Power Generation", 《IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》 * |
崔靖涵,等: "变速风力发电机组的经济模型预测控制", 《控制工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990674A (zh) * | 2021-03-01 | 2021-06-18 | 哈尔滨工程大学 | 一种海上浮式风电场多目标运行调度方法 |
CN114859721A (zh) * | 2022-05-09 | 2022-08-05 | 电子科技大学 | 一种大时滞成型***双模经济模型预测鲁棒控制方法 |
CN114859721B (zh) * | 2022-05-09 | 2023-06-20 | 电子科技大学 | 一种大时滞成型***双模经济模型预测鲁棒控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109991851B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106774276B (zh) | 风电场自动发电控制***测试平台 | |
Balat | A review of modern wind turbine technology | |
Galdi et al. | Exploiting maximum energy from variable speed wind power generation systems by using an adaptive Takagi–Sugeno–Kang fuzzy model | |
CA2813234C (en) | Methods and systems for operating a wind turbine in noise reduced operation modes | |
CN106058941B (zh) | 一种基于场景分析的风电场随机优化调度方法 | |
CN110145436A (zh) | 应用于风机的非线性经济模型预测控制方法 | |
CN105673325A (zh) | 基于rbf神经网络pid的风电机组独立变桨控制方法 | |
CN103244348A (zh) | 变速变桨风力发电机组功率曲线优化方法 | |
CN105354632B (zh) | 一种考虑尾流效应的风电场功率优化分配策略 | |
CN110206686A (zh) | 一种用于风力发电机组的自适应最大功率跟踪控制方法 | |
TW202016428A (zh) | 風力發電系統 | |
CN109991851A (zh) | 一种应用于大规模风电场的分布式经济模型预测控制方法 | |
CN109268205A (zh) | 一种基于智能风力机的风电场优化控制方法 | |
CN105257475A (zh) | 一种失速型风力发电机组的控制方法 | |
Zhang et al. | Intelligent control for large-scale variable speed variable pitch wind turbines | |
CN109611268B (zh) | 一种双叶轮水平轴风力机设计优化方法 | |
CN115833274A (zh) | 一种考虑机组历史疲劳载荷的风电场调频功率分配方法 | |
Bertašienė et al. | Synergies of Wind Turbine control techniques | |
CN114876732A (zh) | 一种风电机组变桨的控制方法及装置 | |
CN101956649B (zh) | 一种高效的1.5mw风电叶片空气动力外型 | |
Crawford et al. | Updating and optimization of a coning rotor concept | |
Oudah et al. | Wind turbines control: Features and trends | |
Hu et al. | Wind farm control and optimization | |
Shen et al. | Optimization of wind turbine blades using lifting surface method and genetic algorithm | |
CN106640516A (zh) | 中型变速风电机组及低风速叶片优化设计 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201113 |
|
CF01 | Termination of patent right due to non-payment of annual fee |