分散式无模型风电场控制采用离散自适应滤波方法外文翻译资料

 2021-12-28 10:12

分散式无模型风电场控制采用离散自适应滤波方法 1

风电场变下垂电压控制 22

基于多智能体的大型风力光伏储能发电机组能量协调控制系统 27

一种多智能体舰船电源重构系统 48

一个多目标优化框架的离岸风电场布局和电力基础设施 57

分散式无模型风电场控制采用离散自适应滤波方法

摘要

本文的目的是提出一种在风力发电机组间信息共享有限的情况下，实现风力发电机组优化的分散无模型方法。提出了两种分散离散自适应滤波算法，在不利用风电场发电模型的情况下对风电场的总输出功率进行优化，且相邻风力机之间的信息共享有限。给出了算法的收敛结果。对所提出的算法进行了进一步的扩展，以跟踪时变环境。仿真结果表明，当风电场中的风力发电机采用所提出的分散算法时，风力发电机的总功率输出迅速收敛或非常接近最优总功率。并证明了在时变环境下功率输出最大化的能力。最后，在考虑环境扰动较大的情况下，证明了算法的鲁棒性。

关键词：风电场，轴向感应因子，自适应滤波，随机逼近，基于回归的方法，分散。

1、简介

风是由大气温度不均匀引起的。“风能”是由风力涡轮机产生的，它将风力中的动能转化为机械能或电能。风能是可再生能源的主要形式之一。特别是，风能目前占美国总发电装机容量的5.7%有时候，西班牙45%的电力来自风力发电。据国家地理[2]报道，到2050年，世界三分之一的电力需求将由风力发电提供。因此，有效利用风能就显得尤为重要。

单涡轮控制与优化问题已被广泛研究。整个风电场的控制，包括许多相互作用的涡轮机也进行了研究，在风力发电场[4]-[10]增加功率捕获和负载缓解。但是，风电场控制比单涡轮控制更具挑战性的是风电场中所有涡轮之间的空气动力相互作用。由于单涡轮控制与[11]、[13]风电场内的风力动力学相互作用，单涡轮控制的研究对于风电场功率优化是不够的。其中一种方法是建立尾迹相互作用的模型，采用分布式控制算法求解气动相互作用问题[14]，[15]。但由于风电场规模大、随机性强，无法获得精确的控制模型，因此该方法非常复杂，实用性较差。另一种更实用的方法是让每个涡轮机通过在线学习算法来学习和适应风电场的动力学，而不是求助于风电场的气动模型。

另一方面，整个风电场的信息交换连接范围也要考虑在内，因为风电场一般直径可达数十公里，有数百台涡轮[34]，相邻涡轮间距可达500米以上[35]。因此，集中控制从农场中的所有涡轮机处理信息或命令可能不合适，因为它会带来极高的计算复杂性和通信开销。分散控制模型是一种比较有吸引力的控制方法，近年来提出了一种基于博弈理论的风电场功率优化方法。特别是[16]和[26]引入了SED算法，基本上要么使用之前的轴向感应因子(AIF)，要么按顺序对每个涡轮机均匀地尝试不同的AIF。该方法简单，不依赖尾迹气动模型，但需要整个农场产生的总功率的全局信息，并不是真正的去中心化。此外，该算法的性能还会受到噪声的影响。在[18]中提出了一种不需要信息交换的分散支付算法。然而，为了使其收敛到一个有效(最优)的动作轮廓，需要满足相互依赖的游戏结构，这实际上并不适用于风电场应用。该算法在[19]中的扩展通过使用代理间通信消除了任何结构假设的需要。[18]和[19]算法由于更新过程保守，收敛速度较慢。上述方法均为静态环境，即，为了使算法正常工作，需要确定风的方向和前风速。然而，在实践中，环境总是时变的。

本文提出了一种分散离散自适应滤波算法，在静态和时变环境下，通过选择各涡轮的AIF来实现风电场总功率输出的最大化。我们考虑的是真正分散的解决方案，其中没有中央控制或全局信息可用，而且每个涡轮机与相邻涡轮机之间的信息交换范围有限。每个涡轮只能决定自己的AIF选择，每个涡轮采用相同的算法。特别地，我们考虑了两种自适应滤波算法，其基本思想是在每次迭代中进行简单的更新，每次更新都会将参数移动到更好的解，直到收敛到最优解。第一个是离散主动离散随机逼近算法。该算法在运筹学文献[20]、[21]中进行了介绍，并应用于无线通信[22]、[23]中的一些问题。在该算法中，每个涡轮在一次迭代中进行独立观测，更新AIF的经验分布。估计的AIF最大化器几乎可以肯定收敛到最优使用该算法。第二种算法是基于分散遗憾的自适应滤波算法，该算法是在经济学文献[25]中发展起来的。该方法已应用于[24]无人值守地面传感器网络的传感器激活问题。在该算法中，每个涡轮根据“遗憾值”选择其AIF值，并根据每次迭代的观测结果更新遗憾值。结果表明，风电场各机组的联合AIF值收敛于问题的一个基本相关均衡。这两种算法都具有自适应滤波结构，在一组可行参数上对目标函数进行优化，目标函数不能进行解析计算，只能通过随机样本观测进行估计。可避免复杂的气动建模，因此非常适合无模型风电场控制。当风电场环境是时变的时，各涡轮的最优AIF不是固定的，而是随时间变化的。为了适应这种情况，本文提出的算法可以扩展到跟踪时变最优，使用一个恒定的步长作为部分“忘记”过去的因素。

本文的其余部分组织如下。第二节描述了风电场的尾迹和功率模型。第三节将风电场功率优化问题作为一种离散随机逼近问题进行求解问题。第四节提出了两种离散自适应滤波算法，并将其扩展到时变环境中。第五节给出了仿真结果，第六节是本文的结论。

2系统模型

在这一节中，我们首先介绍了风电场模型，然后给出了一个尾迹和尾迹相互作用模型。最后给出了发电模型。

  1. 风电场模型和基于aif的控制

考虑一个有N个风力涡轮机的风电场。i型风力机的控制参数由轴向感应系数(AIF) ai表示。AIF表示自由流条件下的风速比转子平面上的风速小。在基于AIF的控制背景下，AIF可以通过桨叶螺距角和发电机转矩[33]进行调节，这是标准的公用级涡轮的输入。其中，转子转速和动叶顶速比(TSR)受发电机转矩和动叶升力的影响，动叶螺距可以改变动叶顶速比。推力系数CT还取决于叶片的螺距和TSR。因此，AIF是转子平面上速度减小的原因，它是由转子的推力系数决定的，可以通过叶片螺距和发电机转矩来调节。

如果值的离散集涡轮我来标示Ai = {alpha;i j j = 1,。Ai,| |:0le;alpha;i jle;0.5 }[16],和联合AIF设置为整个风电场是由一个= A1“times;times;。联合AIF概要isin;也是由一个=(aiminus;我),一个minus;i =(a1,。。,aiminus;1 ai 1。， an)为除i外所有涡轮的联合AIF。

在风电场中，假设风速U恒定或变化的风具有恒定的方向。为了简单起见，假设所有涡轮都是定向的，这样每个涡轮的叶片平面都垂直于风吹来的方向，如图1所示。

图1.单涡轮尾流模型

  1. 尾流模型和尾流交互模型

需要注意的是，涡轮之间的气动相互作用通常是复杂的。一个好的空气动力相互作用模型不仅要反映风电场内部的风的真实行为，而且要具有较高的计算效率。尾迹模型描述了单台涡轮机对风速变化的影响。本文采用最常用的尾流模型之一的Park模型，即[17]，[27]。考虑图1中的涡轮，参数D为涡轮叶片旋转圆盘的直径。x是到涡轮的风向距离，r是与风向正交的距离。顶部和底部虚线之间是受涡轮影响的区域。表示V (x, r;a)为涡轮在(x, r)点产生的尾迹速度剖面，AIF值为a

速度的部分赤字delta;表示为

其中k为粗糙度系数，测量涡轮[16]外尾迹膨胀的斜率。

在尾迹模型的基础上，建立了尾迹相互作用模型，并在文献[17]中对动量平衡进行了探讨。设xj为涡轮j沿风向的标量坐标，aj和Dj分别为涡轮j的AIF和直径。而不是完整的尾迹速度剖面，聚集风速，这正是在一个任意的风力涡轮机i表示为

涡轮i处的总速度赤字为

Ai在哪里生成的磁盘区域叶片旋转的涡轮,我和Aoverlap j→我的面积是人工智能的一部分,重叠后产生的涡轮机j [16]。因此风速在涡轮我是由那些后的涡轮飞机涡轮机的叶片旋转磁盘我重叠。换句话说,风速在涡轮我是aj的函数是影响涡轮涡轮j。一个简单的2-turbin示例给出了图2所示。(3)后速度T2是由这与(1)中简单尾迹模型计算的T2速度一致。

图2.双涡轮机相互作用模型

C功率模型

已知AIF和涡轮风速，涡轮i产生的功率可以用[28]和[29]表示，

rho;是空气的密度和Cp (ai)功率效率系数定义为

该风力发电场的总功率输出仅为风力发电场中所有单个涡轮机所产生的功率之和:

3问题公式化

  1. 集中问题

风电场控制的理想目标是实现风电场总功率输出的最大化。在一个集中的设置中,风电场的中央控制单元选择一个如果联合剖面lowast;isin;总输出功率最大化,也就是说,

然而，第二节中的模型只是对系统的理想描述，不能准确地捕捉实际的系统动力学。此外，这些模型中的系统参数在实际中难以获得。因此，在现实中考虑到系统的随机性和复杂性，我们只能对系统总输出功率进行一系列噪声测量

t表示时间的测量,(t)表示联合AIF概要文件在时间t。如果我们假设P(t(t))是独立同分布的序列(先验知识)随机变量意味着P(a),那么问题(8)可以制定以下离散随机优化问题:

需要注意的是，在这种集中设置下，每t时刻，所有涡轮的功率输出都需要测量并发送到中央控制器。假设|Ai| = l，那么(9)中搜索空间的基数是|A| = LN，对于N非常大。

B. AIF控制分散

风电场通常占地面积大，由大量的涡轮机组成。从上面的讨论可以看出，集中控制在通信基础设施和计算复杂性方面都变得非常昂贵。因此，分散的解决方案变得更有吸引力，其中每个涡轮机优化自己的AIF基于自己的功率输出和附近涡轮机的功率输出。表示Ni的设置选择邻居涡轮的涡轮我。然后在分散设置,每个涡轮机我被认为是一个独立的代理,只是aiisin;ai能够选择自己的行动.

每次t时，涡轮i都有自己的功率输出测量Pi[t, a(t) i, a(t)minus;i]，通过与相邻涡轮的局部通信，得到功率输出测量值Pj[t, a(t) i, a(t)minus;i]， jisin;Ni。由于a - i不能由涡轮i控制，其对Pi和Pj的影响，可以认为jisin;Ni是随机的。即我们可以将随机变量Qi[t, a(t)i] = [t, a(t)i, a(t)i, a(t)minus;i] jisin;Ni Pj[t, a(t)i, a(t)i, a(t)minus;i]定义为涡轮i在t时刻的测量值。

注意，与集中式设置相比，分散式问题(10)只需要与相邻涡轮进行局部通信，搜索空间基数为|Ai| = l。一般情况下，由于Qi[t, a(t)i]的分布无法量化，因此无法对E{Qi[t, a(t)i]}进行分析评价。这促使我们采用随机逼近法求解(10)。其基本思想是利用随机测量Qi[t, a(t)i]调整a(t)i，直到它收敛到局部最优值。

四、分散自适应滤波算法

(10)中的离散随机优化问题有多种求解方法。一个简单的方法就是观察M估计的目标ϕi为所有可能的如果选择人工智能(ai)isin;人工智能和计算经验平均近似目标函数的真正价值。换句话说,我们在Ai进行穷举搜索找到lowast;i = maxaiisin;{ϕi (Ai)},的地方

因为对于任何固定的aiisin;ai,{气(t, ai)}是一个i.i.d.随机变量序列,ϕi (ai)→E{气(t, ai)}几乎肯定是M→infin;的强大数定律。利用集合Ai是有限的这一事实意味着当M→infin;时

虽然上面的穷举穷举搜索可以找到最优解，但是效率非常低，因为计算大部分是浪费的，因为只有与最优解对应的估计才最终有用。此外，当环境变化时，该方法不能自然地跟踪时变最优解。

一个期望的解应该是一致的，并且吸引到最大值，这意味着算法应该花费更多的时间在接近于最大化器A的候选AIFs中获取观测Qi[t, ai]，而在其他选择中花费更少的时间。在此背景下，[26]提出了一个SED算法，它独立地优化每个代理的参数。然而，该算法要求每个涡轮的总功率输出是已知的，这使得该算法并不真正分散。此外，在每次迭代中，所有涡轮都被分配了一个小概率去探索可选方案，这意味着算法可能不会停留在最优状态。同时，概率决定了算法收敛的快慢，因此它不能太小。也就是说，算法收敛越快，解与最优解的一致性就越差。[16]引入了一种考虑通信约束的PDLPO算法;但是在|Ai| = 2的情况下，只给出了一个简单的带有三个涡轮的玩具例子，收敛速度似乎非常慢。

本文采用分散自适应滤波算法求解(10)。在每次迭代过程中，每个涡轮都对最优参数进行更新，并在迭代过程中建立越来越强的局部最优信念。该算法最基本的特点是每个涡轮都是自学习的，并且大部分计算工作都花费在优化器(10)附近。值得注意的是，涡轮可以跟踪时变环境，并选择相应的AIFs。

A 分散攻击离散随机逼近算法

在Alg. 1中提出了一种基于[20]-[22]的主动离散随机逼近算法。每个涡轮机i独立运行这个算法。因此,对于符号的方便,我们把指数我。对于任何给定的汽轮机,让它如果是isin;={alpha;1。。。,alpha;k},其邻居集n表示L = | |,和表示ek Ltimes;1向量的零,除了k元素,这是1 k = 1,

资料编号：[3253]

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章