本發(fā)明涉及風(fēng)電機(jī)組控制，具體為一種基于風(fēng)速風(fēng)向動態(tài)變化的風(fēng)電機(jī)組控制尋優(yōu)方法。

背景技術(shù)：

1、在風(fēng)力發(fā)電領(lǐng)域，風(fēng)電機(jī)組的高效穩(wěn)定運行對于提升發(fā)電效益、降低成本至關(guān)重要。然而，風(fēng)場環(huán)境復(fù)雜多變，風(fēng)速和風(fēng)向的動態(tài)變化給風(fēng)電機(jī)組的控制帶來了巨大挑戰(zhàn)。

2、傳統(tǒng)風(fēng)電機(jī)組控制方法大多基于固定參數(shù)或簡單的經(jīng)驗?zāi)Ｐ?，難以適應(yīng)復(fù)雜的風(fēng)況。例如，在風(fēng)速波動頻繁的情況下，固定槳距角和偏航角度的設(shè)置無法及時調(diào)整機(jī)組姿態(tài)，導(dǎo)致風(fēng)能捕獲效率低下。而且，這種“一刀切”的控制方式?jīng)]有充分考慮不同風(fēng)場的獨特性，無法根據(jù)當(dāng)?shù)氐臍庀髼l件和地理環(huán)境進(jìn)行優(yōu)化，使得風(fēng)電機(jī)組在實際運行中常常處于非最優(yōu)狀態(tài)。

3、此外，風(fēng)電機(jī)組的載荷與發(fā)電效率之間存在復(fù)雜的權(quán)衡關(guān)系。在追求高發(fā)電效率時，機(jī)組可能承受過大的載荷，加速部件磨損，縮短設(shè)備使用壽命，增加維護(hù)成本；反之，過度關(guān)注載荷控制，又會犧牲發(fā)電效率，降低經(jīng)濟(jì)效益?，F(xiàn)有技術(shù)往往難以在兩者之間找到最佳平衡點，導(dǎo)致風(fēng)電機(jī)組整體性能無法充分發(fā)揮。

4、同時，隨著風(fēng)電場規(guī)模的不斷擴(kuò)大，多機(jī)組協(xié)同運行的需求日益凸顯。但目前多機(jī)組之間缺乏有效的協(xié)同控制機(jī)制，機(jī)組之間相互干擾，無法形成高效的發(fā)電集群。例如，在風(fēng)向變化時，相鄰機(jī)組的偏航動作可能相互影響，導(dǎo)致風(fēng)能捕獲效率降低，甚至引發(fā)機(jī)組故障。

5、另外，對風(fēng)場的實時監(jiān)測和準(zhǔn)確預(yù)測技術(shù)也有待完善?，F(xiàn)有的監(jiān)測設(shè)備和方法獲取的風(fēng)場數(shù)據(jù)不夠全面和精確，難以反映風(fēng)場的細(xì)微變化和復(fù)雜特性。這使得風(fēng)電機(jī)組在響應(yīng)風(fēng)況變化時存在滯后性，無法及時調(diào)整控制策略，進(jìn)一步影響了機(jī)組的發(fā)電效率和穩(wěn)定性。

6、隨著風(fēng)力發(fā)電在能源領(lǐng)域的地位逐漸提升，對風(fēng)電機(jī)組控制技術(shù)的要求也越來越高?，F(xiàn)有的控制方法在應(yīng)對風(fēng)速風(fēng)向動態(tài)變化、平衡機(jī)組載荷與發(fā)電效率、實現(xiàn)多機(jī)組協(xié)同運行以及準(zhǔn)確監(jiān)測和預(yù)測風(fēng)場等方面存在諸多不足，迫切需要一種更加智能、高效的控制尋優(yōu)方法來提升風(fēng)電機(jī)組的整體性能，滿足不斷增長的能源需求。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供基于風(fēng)速風(fēng)向動態(tài)變化的風(fēng)電機(jī)組控制尋優(yōu)方法，以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于風(fēng)速風(fēng)向動態(tài)變化的風(fēng)電機(jī)組控制尋優(yōu)方法，所述方法包括：

3、接收目標(biāo)風(fēng)場的實時風(fēng)速時序數(shù)據(jù)及三維風(fēng)向矢量場數(shù)據(jù)，所述三維風(fēng)向矢量場數(shù)據(jù)包括激光雷達(dá)測風(fēng)點云及大氣邊界層湍流譜；

4、基于時空卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建風(fēng)場動態(tài)解析模型，對所述實時數(shù)據(jù)進(jìn)行多尺度特征提取與融合，生成風(fēng)場能量密度分布矩陣；

5、根據(jù)所述能量密度分布矩陣，構(gòu)建多目標(biāo)自適應(yīng)尋優(yōu)模型，生成機(jī)組控制參數(shù)指令集，所述指令集包括偏航角度調(diào)整序列與葉片槳距角優(yōu)化策略；

6、基于預(yù)設(shè)的機(jī)組載荷-發(fā)電效率平衡方程，模擬未來預(yù)設(shè)時間窗口內(nèi)機(jī)組運行狀態(tài)的動態(tài)博弈關(guān)系，并優(yōu)化所述控制參數(shù)指令集中的協(xié)同調(diào)節(jié)系數(shù)；

7、通過貝葉斯優(yōu)化框架迭代更新所述協(xié)同調(diào)節(jié)系數(shù)，輸出最優(yōu)控制動作序列至風(fēng)電機(jī)組主控系統(tǒng)。

8、優(yōu)選的，所述風(fēng)場動態(tài)解析模型的構(gòu)建步驟包括：

9、采集多氣象條件下的歷史風(fēng)場數(shù)據(jù)集，構(gòu)建包含風(fēng)速脈動特征、風(fēng)向切變梯度及機(jī)組響應(yīng)延遲時間的多維訓(xùn)練樣本；

10、通過預(yù)構(gòu)建的深度概率圖模型對所述多維訓(xùn)練樣本進(jìn)行隱變量推斷，提取風(fēng)場主導(dǎo)模態(tài)與隨機(jī)擾動因子的獨立表征；

11、結(jié)合納維-斯托克斯方程簡化形式，構(gòu)建風(fēng)場演化過程的偏微分約束條件；

12、將所述偏微分約束條件嵌入時空卷積神經(jīng)網(wǎng)絡(luò)的殘差模塊，生成支持在線更新的所述風(fēng)場動態(tài)解析模型。

13、優(yōu)選的，所述多目標(biāo)自適應(yīng)尋優(yōu)模型包括：

14、根據(jù)所述能量密度分布矩陣的時空變化率，動態(tài)劃分風(fēng)能捕獲優(yōu)先級區(qū)域；

15、基于機(jī)組機(jī)械疲勞累積指數(shù)與電網(wǎng)調(diào)度需求曲線，計算控制策略的收益-風(fēng)險權(quán)衡評分；

16、將所述權(quán)衡評分與優(yōu)先級區(qū)域通過sigmoid函數(shù)進(jìn)行非線性加權(quán)，生成機(jī)組特異性控制閾值；

17、根據(jù)所述閾值觸發(fā)多級調(diào)節(jié)模式的切換條件。

18、優(yōu)選的，所述機(jī)組載荷-發(fā)電效率平衡方程的構(gòu)建步驟包括：

19、采集機(jī)組運行狀態(tài)參數(shù)與結(jié)構(gòu)應(yīng)力監(jiān)測數(shù)據(jù)，構(gòu)建載荷-功率映射關(guān)系數(shù)據(jù)集；

20、通過模糊邏輯控制器生成葉片氣動載荷的隸屬度函數(shù)及發(fā)電效率的模糊規(guī)則庫；

21、結(jié)合多目標(biāo)遺傳算法構(gòu)建帕累托前沿搜索空間，量化控制參數(shù)間的沖突強(qiáng)度；

22、將所述沖突強(qiáng)度與實時風(fēng)場擾動因子輸入動態(tài)博弈網(wǎng)絡(luò)，生成所述機(jī)組載荷-發(fā)電效率平衡方程。

23、優(yōu)選的，所述方法還包括：

24、根據(jù)所述動態(tài)博弈網(wǎng)絡(luò)的模擬結(jié)果，識別關(guān)鍵參數(shù)耦合節(jié)點；

25、在所述控制參數(shù)指令集中為所述節(jié)點配置博弈均衡策略；

26、基于所述均衡策略，自動生成多機(jī)組協(xié)同控制方案，包括偏航系統(tǒng)相位同步指令與槳距角差異補償策略。

27、優(yōu)選的，所述收益-風(fēng)險權(quán)衡評分的計算包括：

28、獲取機(jī)組軸承振動頻譜與齒輪箱油溫時序數(shù)據(jù)，構(gòu)建機(jī)械健康狀態(tài)評估張量；

29、通過張量分解算法提取多維特征的主成分權(quán)重；

30、將所述主成分權(quán)重與所述評估張量進(jìn)行雙線性池化運算，得到綜合權(quán)衡評分；

31、其中，所述綜合權(quán)衡評分的計算公式為：

32、

33、式中，γ表示綜合權(quán)衡評分?jǐn)?shù)值，αk表示第k類機(jī)械部件的疲勞損傷系數(shù)，βk表示第k類部件的維護(hù)成本權(quán)重，γ表示機(jī)組基礎(chǔ)可靠性常量，m表示機(jī)械部件分類總數(shù)。

34、優(yōu)選的，所述偏微分約束條件的嵌入包括：

35、對所述隱變量推斷結(jié)果進(jìn)行李群對稱性分析，篩選物理相容的風(fēng)場演化路徑；

36、通過隨機(jī)微分方程采樣生成符合流體力學(xué)約束的特征演化軌跡；

37、利用軌跡數(shù)據(jù)對時空卷積神經(jīng)網(wǎng)絡(luò)的卷積核進(jìn)行正則化訓(xùn)練，確保模型輸出符合大氣運動規(guī)律。

38、優(yōu)選的，所述貝葉斯優(yōu)化框架的執(zhí)行包括：

39、定義高斯過程先驗分布函數(shù)，包含控制參數(shù)探索與利用的平衡因子；

40、通過期望提升采集函數(shù)選擇最優(yōu)候選參數(shù)組合；

41、在每輪迭代中，根據(jù)參數(shù)不確定度動態(tài)調(diào)整協(xié)方差矩陣的超參數(shù)；

42、輸出滿足全局收斂條件的所述最優(yōu)控制動作序列。

43、優(yōu)選的，所述方法還包括：

44、在配置所述博弈均衡策略后，實時監(jiān)測關(guān)鍵參數(shù)耦合節(jié)點的靈敏度指標(biāo)；

45、若靈敏度指標(biāo)超過預(yù)設(shè)閾值，則觸發(fā)模擬退火優(yōu)化機(jī)制，重新規(guī)劃多機(jī)組協(xié)同的時空相位差方案。

46、優(yōu)選的，所述平衡因子的量化包括：

47、建立控制參數(shù)置信區(qū)間的動態(tài)收縮模型，定義過擬合懲罰函數(shù)；

48、根據(jù)風(fēng)場預(yù)測誤差分布，計算各維度參數(shù)的信息熵增益值；

49、將所述信息熵增益值作為采集函數(shù)的自適應(yīng)調(diào)節(jié)系數(shù)；

50、其中，所述動態(tài)收縮模型的計算公式為：

51、

52、式中，η表示平衡因子數(shù)值，λ(τ)表示第τ維參數(shù)的初始置信度，ν(τ)表示收縮速率系數(shù)，δ(τ,t)表示t時刻的參數(shù)激活狀態(tài)指示函數(shù)，s表示參數(shù)維度總數(shù)。

53、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

54、從風(fēng)場數(shù)據(jù)處理與分析角度來看，通過接收目標(biāo)風(fēng)場的實時風(fēng)速時序數(shù)據(jù)及三維風(fēng)向矢量場數(shù)據(jù)，結(jié)合時空卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建風(fēng)場動態(tài)解析模型，能夠?qū)?fù)雜的風(fēng)場數(shù)據(jù)進(jìn)行多尺度特征提取與融合。這一過程不僅能夠精準(zhǔn)捕捉風(fēng)場在不同時間和空間尺度上的變化特征，生成準(zhǔn)確的風(fēng)場能量密度分布矩陣，為后續(xù)的控制決策提供了全面、可靠的數(shù)據(jù)支持。與傳統(tǒng)方法相比，不再局限于簡單的風(fēng)速和風(fēng)向測量值，而是深入挖掘數(shù)據(jù)背后的風(fēng)場動態(tài)特性，極大地提升了對風(fēng)場環(huán)境的感知能力。

55、在控制模型構(gòu)建與優(yōu)化方面，基于能量密度分布矩陣構(gòu)建的多目標(biāo)自適應(yīng)尋優(yōu)模型，能根據(jù)風(fēng)場實際情況動態(tài)劃分風(fēng)能捕獲優(yōu)先級區(qū)域。這意味著風(fēng)電機(jī)組可以更加智能地在風(fēng)能富集區(qū)域進(jìn)行高效捕獲，避免在低能區(qū)域浪費資源。同時，通過綜合考慮機(jī)組機(jī)械疲勞累積指數(shù)與電網(wǎng)調(diào)度需求曲線計算收益-風(fēng)險權(quán)衡評分，并結(jié)合sigmoid函數(shù)生成機(jī)組特異性控制閾值，有效平衡了機(jī)組運行過程中的發(fā)電效率與機(jī)械健康風(fēng)險。這種精細(xì)化的控制策略可以減少機(jī)組不必要的磨損，延長設(shè)備使用壽命，降低維護(hù)成本，同時滿足電網(wǎng)對電力供應(yīng)的穩(wěn)定性和靈活性需求。

56、針對機(jī)組載荷與發(fā)電效率的平衡難題，本發(fā)明通過構(gòu)建機(jī)組載荷-發(fā)電效率平衡方程，模擬未來預(yù)設(shè)時間窗口內(nèi)機(jī)組運行狀態(tài)的動態(tài)博弈關(guān)系，并優(yōu)化協(xié)同調(diào)節(jié)系數(shù)。這一創(chuàng)新方法能夠在不同風(fēng)況下找到機(jī)組載荷與發(fā)電效率的最佳平衡點，避免了為追求單一目標(biāo)而犧牲另一目標(biāo)的情況。在高風(fēng)速時，既能保證機(jī)組安全穩(wěn)定運行，控制載荷在合理范圍內(nèi)，又能盡可能提高發(fā)電效率；在低風(fēng)速時，通過優(yōu)化控制參數(shù)，提高風(fēng)能捕獲能力，增加發(fā)電量。這種精準(zhǔn)的平衡控制有效提升了風(fēng)電機(jī)組的整體經(jīng)濟(jì)效益和運行可靠性。

57、在多機(jī)組協(xié)同控制方面，根據(jù)動態(tài)博弈網(wǎng)絡(luò)的模擬結(jié)果識別關(guān)鍵參數(shù)耦合節(jié)點，配置博弈均衡策略，進(jìn)而自動生成多機(jī)組協(xié)同控制方案，包括偏航系統(tǒng)相位同步指令與槳距角差異補償策略。這使得風(fēng)電場中的多臺機(jī)組能夠相互協(xié)作，減少尾流干擾，提高整體風(fēng)能捕獲效率。相比傳統(tǒng)的獨立控制方式，多機(jī)組協(xié)同控制能夠充分利用風(fēng)場資源，提升風(fēng)電場的發(fā)電總量，增強(qiáng)電力供應(yīng)的穩(wěn)定性和可靠性。

58、在優(yōu)化算法應(yīng)用上，借助貝葉斯優(yōu)化框架迭代更新協(xié)同調(diào)節(jié)系數(shù)，不斷尋找最優(yōu)控制動作序列。貝葉斯優(yōu)化框架能夠有效平衡控制參數(shù)的探索與利用，在保證全局搜索能力的同時，快速收斂到最優(yōu)解附近。通過動態(tài)調(diào)整協(xié)方差矩陣的超參數(shù)，根據(jù)風(fēng)場預(yù)測誤差分布自適應(yīng)優(yōu)化，進(jìn)一步提高了控制尋優(yōu)的準(zhǔn)確性和效率。這種高效的優(yōu)化算法確保了風(fēng)電機(jī)組在復(fù)雜多變的風(fēng)場環(huán)境中始終保持最佳運行狀態(tài)，實現(xiàn)了對風(fēng)能的最大化利用。