【技术实现步骤摘要】
本专利技术涉及风电场的功率与疲劳管理技术，尤其是一种利用机器学习和多目标优化算法，对风电场中风机的偏航角进行优化，以提高整个风电场的功率输出和降低风机的疲劳负荷的方法。
技术介绍
1、在风电场中，风机之间的相互影响，尤其是因为尾流效应而引起的影响，是提高整体风电场效率的一大挑战。尾流是指位于上游风机后方的风机所经历的风速降低和湍流增加的现象，这种现象会导致下游风机的能量捕获效率降低，同时增加机械疲劳，从而影响风机的性能和寿命。
2、尽管已有多种尝试通过调整风机的偏航角来管理尾流效应，优化风能的利用，但这些方法往往未能充分考虑到风电场的总体功率输出与风机疲劳负荷之间的平衡。传统方法通常聚焦于单一目标的优化，如仅增加总功率或仅减少疲劳负荷，而没有综合考虑这两者的交互作用和综合优化。
3、cn116378897a公开了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。
4
5、cn 115544907 a公开了基于尾流效应的风电功率预测及存量风电优化控制方法，包括以下步骤，s1：首先导入环境因素以及最上游风力机的推力系数，并导入所预测风力机的动力特性。本专利技术中，通过步骤1-4实现对于单纵列数据的运算功能，并在运算过程中，添加风切变、湍流强度等环境因素数据，以及叶片中翼型的空气动力学特性和每个叶片的俯仰角等动力特性数据，通过jensen模型对风电场中控制整个流场navier-stokes方程进行数值求解，计算风速衰减，提升了运算结果的精准性，在步骤5-7中，通过对整体数据的预测和分析，达成对于风电功率的整体预测功能，并反复校验，确保风电场的整体运作在该环境因素下风电率达到最优。
6、cn 111881572 a公开了一种基于多目标优化的风电场协同偏航智能控制方法，根据风电场实际情况和风力机动力学仿真系统，建立风电场协同偏航仿真系统和风力发电机组多维工况载荷数据库；利用风电场各机组搭载的激光雷达、振动监测仪、scada，完成风电场协同偏航仿真系统和多维工况载荷数据库参数校准；建立能实现风电场多目标性能优化的目标函数，通过智能优化算法搜索风电场在实测来流风下各风力发电机组偏航角最优解，将最优偏航控制指令传输至各机组，实现基于多目标优化的风电场协同偏航智能控制。本专利技术综合考虑尾流对风电场运行影响，在提升风电场总输出功率的同时降低尾流给下游风力发电机组带来的载荷影响，实现风电场多目标优化。
7、此外，现有的风电场控制策略常常依赖于较为简单的模型或者需人工输入大量参数，这限制了其在复杂环境下的应用效果和效率。由于风场条件的高度动态性和复杂性，这些方法往往不能准确预测每台风机的具体响应，导致无法实现最优控制。
8、因此，急需一种能够自动、准确地综合考虑并优化风电场中功率输出和疲劳负荷的技术解决方案。该方案需能够实时适应变化的环境条件，通过智能算法精确调整偏航角，以实现风电场的最大化能效和风机使用寿命的延长。
技术实现思路
1、专利技术目的：本专利技术所要解决的技术问题是针对现有技术的不足，提供一种基于机器学习的风电场功率和疲劳载荷快速预测及优化方法，该方法能够在确保风电场总功率最大化的同时，有效减轻风机的疲劳负荷。此外，本专利技术旨在解决现有技术中只单一优化功率或疲劳负荷、缺乏综合考虑两者平衡的问题，通过集成先进的机器学习模型和多目标优化算法，实现风电场操作的智能化和自动化，以适应风电行业对高效率和高可靠性的需求。
2、为了解决上述技术问题，本专利技术公开了一种基于机器学习的风电场功率和疲劳载荷快速预测及优化方法，包括如下步骤：
3、步骤1、设立高保真模拟系统，通过设置背景风场参数和尾流效应参数模拟风电场在各种气流条件下的运行状态，以准确评估风机间相互作用及尾流效应，其中，背景风场参数包括风速、湍流度；尾流效应参数包括上下游风力机的流向间距；
4、步骤2、根据所需工况，使用高保真多物理场耦合软件fast.farm计算不同背景风场参数和尾流效应参数下的风力机功率和载荷，其中，所述载荷包括叶根载荷和塔基载荷；所述叶根载荷包括叶根面内的力、叶根面内的力矩、叶根面外的力、叶根面外的力矩所述塔基载荷包括塔基俯仰方向力、塔基俯仰方向力矩、塔基侧向力、塔基侧向力矩；将上述连续波动的时间序列载荷转化为等效疲劳载荷，文中亦简称为疲劳载荷；
5、步骤3、将风电场中风速、湍流度、流向间距、上游风力机偏航角作为输入，风电场中每台风力机对应的功率、叶根载荷和塔基载荷作为输出，构建全连接神经网络模型并进行训练；具体地，对应于每一台风力电机，其输出包括叶根合力对应的疲劳载荷、合力矩对应的疲劳载荷、塔基合力对应的疲劳载荷、合力矩对应的疲劳载荷以及该风机对应的功率，即4个疲劳载荷和一个功率值，如果有4台风机，则其输出对应16种疲劳载荷和4个功率，20个输出值。
6、步骤4、将风速、湍流度、流向间距、上游风力机偏航角的工况数据输入到步骤3中训练好的神经网络模型，得到风力机的功率以及对应的疲劳载荷，并将其作为优化算法中变量与函数之间的映射关系，优化算法的决策变量为上游风力机偏航角，通过优化上游风力机偏航角以取得最大风场功率及最小化疲劳载荷的最优方案。
7、其中，步骤2中，疲劳载荷计算方法为：
8、
9、其中dtotal表示总损伤；ni(﹒)表示载荷幅值的可循环次数；ni表示第i个载荷幅值的循环次数；表示第i个对应于固定载荷均值的载荷幅值；
10、载荷幅值与循环次数ni(﹒)之间的关系如下：
11、
12、式中，lult是叶片或塔基对应部位的极限设计载荷；lmf为固定的载荷均值；m是指数。指数本文档来自技高网...
【技术保护点】
1.一种基于机器学习的风电场功率和疲劳载荷快速预测及优化方法，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤2中，等效疲劳载荷计算方法为：
3.根据权利要求2所述的方法，其特征在于，所述载荷幅值利用Goodman校正模型进行修正：
4.根据权利要求1所述的方法，其特征在于，每个时间序列的疲劳载荷计算方法如下：
5.根据权利要求1所述的方法，其特征在于，叶根面内面外合力对应的疲劳载荷、叶根面内面外合力矩对应的疲劳载荷、塔底侧向俯仰方向合力对应的疲劳载荷和塔底侧向俯仰方向合力矩对应的疲劳载荷的计算方法如下：
6.根据权利要求1所述的方法，其特征在于，步骤3中，所述神经网络模型训练中，采用均方误差作为损失函数，具体公式为：
7.根据权利要求1所述的方法，其特征在于，步骤4中，将风电场中风速、湍流度、流向间距作为输入代入已训练的神经网络模型中，根据神经网络得到各风力机对应的功率和叶根合力、合力矩对应的疲劳载荷；塔基合力、合力矩对应的疲劳载荷，将风电场的输入与输出作为优化模型中函数之间的函数关系。>
8.根据权利要求1所述的方法，其特征在于，步骤4中，优化模型的目标函数：
9.一种风电场功率和疲劳载荷快速预测及优化装置，包括存储器和与之通信连接的一个或多个处理器，所述存储器中存储有计算机指令，所述处理器通过执行执行所述计算机指令，从而执行权利要求1-6任一项所述的风电场功率和疲劳载荷快速预测及优化方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1-5任一项所述的风电场功率和疲劳载荷快速预测及优化方法。
...【技术特征摘要】
1.一种基于机器学习的风电场功率和疲劳载荷快速预测及优化方法，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤2中，等效疲劳载荷计算方法为：
3.根据权利要求2所述的方法，其特征在于，所述载荷幅值利用goodman校正模型进行修正：
4.根据权利要求1所述的方法，其特征在于，每个时间序列的疲劳载荷计算方法如下：
5.根据权利要求1所述的方法，其特征在于，叶根面内面外合力对应的疲劳载荷、叶根面内面外合力矩对应的疲劳载荷、塔底侧向俯仰方向合力对应的疲劳载荷和塔底侧向俯仰方向合力矩对应的疲劳载荷的计算方法如下：
6.根据权利要求1所述的方法，其特征在于，步骤3中，所述神经网络模型训练中，采用均方误差作为损失函数，具体公式为：
7.根据权利要求1所述的方法，其特征在于，步...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。