2023.7.1

基于双层机器学习框架的大规模风电场智能协同控制方案    总结：1.本研究提出了一种新的双层ML框架，包括一个人工神经网络偏航尾流模型和贝叶斯ML算法的实时协同风电场控制，具有高精度和高效率。第一层的ANN偏航尾流模型建立了一个连接输入（流入和偏航条件）和输出（尾流场）的黑箱，可以结合经验叠加模型预测风电场的总发电量。贝叶斯ML框架可以利用由第一层馈送的功率预测数据来定位最优协调控制动作。考虑到随着风电场规模的扩大对迭代次数的控制，本文进一步提出了一种新的基于行的控制方案，通过合理减少优化参数来提高优化速度。2.以一个16机风电场为例，通过与一般独立控制方案的比较，评价了该控制方案在优化效率方面的性能。并深入探讨了风场分布和布置形式对其可行性的影响。同时，在一个更大的49风机机风电场进一步评估基于行的控制方案。3.得出结论：（1）在ML框架下，基于行的控制方案可以在牺牲少量最优发电量的情况下，显著地进一步提高贝叶斯ML算法的收敛速度。对于采用对齐布局配置的16机风电场，以仅损失0.3 %的功率为代价，完成了优化率6倍的提升。（2）与单一风向相比，均匀风向和风玫瑰图的风分布的发散会减小尾流转向策略的功率增益，也会削弱基于行的协同控制方案相对于一般独立控制方案的优越性。（3）基于行的协同控制方案由于尾流模式的多样化和相邻风经济行之间列间距的减小，与比交错布置相比更适用于对齐布置。同时，随着风分布的发散，由基于行的控制方案引起的对齐和交错布局之间的功率增强的差异变得比由独立控制方案引起的差异更显著。此外，基于行的控制方案在对齐布局中的优势随着风电场规模的增加而增强。