2023年4月10日

数据驱动的海上风电场学习模型预测控制。 1. 本文使用最近开发的学习模型预测控制（LMPC）算法开发偏航控制（尾流重定向控制），以最大化总风电场发电量。LMPC通过求解一个有限时间约束优化问题来迭代设计和实现。该解是一系列优化的联合偏航角，可用于最小化风电场发电的迭代成本函数。2.使用Jensen尾流模型：对于风电场内的风机i后面的尾流被分成三个单独的区域，近尾流（q = 1）、远尾流（q = 2）和混合区域（q = 3）。近尾流区，受当地弦雷诺数和风机尖速比的影响。远尾流区，风速随着距风机转子的距离而减小。混合区，由于湍流引起的混合，风速将逐渐恢复到自由流速度。本文通过用与风机j转子的重叠面积加权的方式来表示尾流区域，进而计算风机j的有效流入风速。 3.本文主要研究了风电场线性预测控制的体系结构和方法，包括统一的风机尾流干扰模型、最小化迭代代价函数的线性预测控制、递推可行性、稳定性和收敛性分析。进行了大量的对比研究来验证算法的性能。在相同风速条件下，与传统MPC相比，采用LMPC的风电场发电量高达15 %。