考虑疲劳均衡的海上风电场主动尾流控制研究

可再宝能源
Renewable Energy Resources
第39卷第2期2021年2月
Vol.39 No.2Feb. 2021
考虑疲劳均衡的海上风电场主动尾流控制研究
王俊叱周川"，蔡彦枫1，2,邓智文3,许昌3
(1.中国能源建设集团广东省电力设计研究院有限公司，广东广州510663 ； 2.广东科诺勘测工程有限公司，
广东广州510663； 3.河海大学能源与电气学院，江苏南京211100)
摘要：海上风电场运行维护成本高,而其尾流效应影响更加突出，不但会影响风电场的发电效率,还会增大
风电场内机组的疲劳载荷，增加运维成本。

文章针对基于疲劳均匀的海上风电场主动尾流控制展开研究，通过
GH-Bladed 软件计算建立了风电机组在典型控制工况下关键零部件的疲劳损伤量数据库。

其中的工况包括最
大功率追踪、桨距角控制和偏航控制3种，并引用了量子粒子群算法，通过变桨和偏航两种方法进行优化控
制,以实现海上风电场发电量提升和风电机组疲劳均匀的多目标主动尾流优化控制策略，降低海上风电场运 维成本。

仿真结果表明了所提出控制方法的可行性。

关键词：疲劳损伤；主动尾流控制；尾流模型；量子粒子群算法
中图分类号：TK83 文献标志码：A 文章编号：1671-5292(2021)02-0208-07
0引言
随着风电产业的高速发展,陆上风电开发日
趋饱和。

海上风资源优越、环境影响小，开发海
上风电成为风电产业的趋势。

由于海上风电场 址范围有限，新开发的海上风电场内机组之间 的排列距离逐渐缩短。

尾流效应在大型海上风
电场中对风电机组输出功率产生的影响也逐渐
明显,尾流效应不但会降低风电场的发电量,还 会增加风电场内机组的疲劳载荷，造成疲劳损 伤和疲劳破坏，使得风电场的故障概率及维护 成本增加。

目前，风电场中机组大多以追求自身最大
发电功率为主要控制目标。

然而，这种传统控制 方式,忽略了尾流效应对其他风电机组的影响，
只能实现单台风电机组的输出功率最大，使风 电场中上游机组捕获较多的风能，而下游的机
组捕获风能大大减少，从而无法达到整场的输 出功率最优。

同时，风电场内各机组间疲劳载荷
差异化增加,给运维带来难度。

考虑尾流影响， 进行风电场主动尾流控制可以平衡各机组之间 的疲劳载荷。

近年来，考虑风电场疲劳载荷的综合优化 越来越引起学者的注意。

Spudi V [1]基于Sim
Wind Farm 风电场仿真平台软件，提出了一种减
少风电场内各台机组载荷均方差的优化方法， 通过降低风电场内机组的临时检修次数来减少
临时维护量,提高经济效益° M Soleimanzadeh [2] 提出了一种风电场控制器，可同时优化机组的
功率和载荷,在低风速时调节机组转速信号,高 风速时调节机组的俯仰角信号，但没有考虑到 机组控制器与风电场控制器之间的相互作用。

Hart ED 〕利用Bladed 软件分别对2 MW 和5 MW 风电机组仿真，根据不同的湍流强度、风剪切
指数和平均风速，基于模拟数据建立查寻表进 行风电机组的疲劳分析。

Yang 严提出一种减少 风电场风电机组部件疲劳载荷的方法，针对机
组的叶片、轮毂、偏航和塔架的3个方向，根据 核密度函数分析其疲劳载荷，并建立疲劳载荷
数据模型找出平均风速、湍流强度和有功功率
对机组疲劳载荷的影响。

Zhao RB 提出一种基于 智能代理理论优化大型海上风电场机组疲劳分
布方法。

Laursen T K 同提出一种风电场模型预测
控制器来实现风电场的尾流效应最小化。

Reyes
H MB 构造一种包括风电机组各重要部件载荷
的多维查寻表,利用内插法,能够较好地预测处 于风电场主动尾流控制下风电机组的载荷趋
收稿日期：2020-10-21 o
基金项目：2018年度广东省促进经济发展专项基金(海洋经济发展用途)项目“广东海域风资源分布状况与风能储量调査”
(GDME —2018B001)。

作者简介：王 俊(1983-),男，硕士，高级工程师,主要从事电力工程水文气象相关工作。

E-mail :****************.cn
•208 -
王俊，等考虑疲劳均衡的海上风电场主动尾流控制研究
势。

目前关于风电场疲劳均衡的研究通常为给
定电网调度指令情况下，通过机组功率调控风
电场疲劳载荷差异最小化，没有考虑风电场功
率提升和疲劳平衡的综合优化。

本文的尾流优化控制综合考虑了海上风电
场疲劳均衡和发电量提升,分别采用基于桨距角
的主动尾流控制和基于偏航角的主动尾流控制
方法，引入量子粒子群算法为优化算法，建立考虑
疲劳均衡的海上风电场主动尾流控制优化模型。

1机组疲劳损伤计算
本文以某2MW风电机组为研究对象，基于
风机性能分析和GH-Bladed软件来计算风电机
组的载荷。

1.1最大功率追踪控制工况下载荷计算
综合叶片根部、轮毂中心和塔架底部各关键
零部件疲劳损伤量，可以得到该2MW风电机组
在最大功率追踪控制时，不同风速下的疲劳损伤
量数据库,如表］所示。

表1最大功率追踪控制工况下的风电机组疲劳损伤量
Table1Fatigue damage of wind turbine under maximum
power tracking control
风速m/s 叶根部损伤量
min
轮毂损伤量
min
塔底摩伤量
min
总损㈣量
min
4 4.20E-09 3.32E-14 5.20E-14 4.20E-09
69.22E-09 3.80E-14 5.24E-139.22E-09
89.51E-09 4.15E-14 1.30E-129.50E-09
109.56E-098.93E-14 2.61E-119.58E-09 129.61E-09 1.76E-13 1.02E-119.67E-09
16 1.63E-08 3.67E-13 1.76E-10 1.64E-08
18 1.69E-089.33E-13 1.26E-10 1.70E-08
20 1.83E-08 1.37E-12 2.35E-10 1.85E-08
22 2.42E-08 3.84E-12 4.20E-10 2.46E-08
24 2.46E-08 5.28E-127.25E-10 2.53E-08 1.2风电机组桨距角控制工况下载荷计算
目前，风电场主动尾流控制（Active wake control,AWC）的方法主要分为两种:一种是基于轴向诱导因子的控制方法,通过控制机组轴向诱导因子来降低尾流风速的减损;另一种是基于偏航角的控制方法,通过调节机组偏航角改变其尾流的方向，来减小尾流效应的影响。

对于前者，本文取风电机组的桨距角B作为控制参数，以便于在Bladed软件中进行相关载荷计算。

根据该2MW风电机组风速-功率曲线，分别将风电机组的叶片0设置为-2,1,4,7,10,13°,并对应每个0下设置4,6,8,10,12m/s5个计算风速。

基于GH-Bladed软件进行机组疲劳载荷计算,建立不同风速和不同目下的疲劳损伤数据库。

以0=4。

为例,结果如表2所示。

表20=4°时,控制运行风电机组疲劳损伤量Table2Fatigue damage of wind turbine controlled by
pitch angle/3=4°
风速
m/s
叶根部损伤量
kNm/min
轮毂损饵量
kNm/min
塔底损饵量
kNm/min
总损伤量
kNm/min
4 4.99E-09 4.78E-129.63E-14 4.99E-09
6 5.06E-097.13E-12 2.85E-13 5.07E-09
8 5.06E-097.68E-12 2.75E-12 5.07E-09
108.60E-09 1.26E-11 6.60E-109.28E-09 128.66E-09 3.93E-11 3.77E-09 1.25E-08 1.3风电机组偏航角控制工况下载荷计算
机组通过偏航改变尾流方向的同时，其自身所受疲劳载荷也发生了变化。

本文基于GH-Bladed软件,通过改变入流风的风向来模拟机组的偏航角度。

以偏航角0~45。

（以5。

为间隔），风速4~24m/s（以2m/s为间隔）为区间，进行机组疲劳载荷计算，建立机组不同风速和偏航角下的疲劳损伤数据库。

以偏航角15。

为例,结果如表3所示。

表3主动偏航15。

运行疲劳损伤量计算结果Table3Fatigue damage calculation results of15°operation
with active yaw
风速
m/s
叶根部损伤量
min
轮毂损伤量
min
塔底枣伤量
min
总损伤量
min
4 5.02E-09 2.83E-13 4.22E-11 5.07E-09
6 5.02E-09 3.94E-13 4.54E-11 5.07E-09
8 5.06E-09 4.85E-13 6.31E-11 5.12E-09
10 5.06E-098.79E-13 5.49E-10 5.61E-09
128.47E-099.11E-13 1.19E-099.66E-09 148.76E-09 2.10E-12 1.19E-099.95E-09 168.84E-09 2.10E-12 2.02E-09 1.09E-08 188.98E-09 1.24E-11 2.78E-09 1.18E-08 209.45E-09 2.73E-11 2.79E-09 1.23E-08
22 1.04E-08 5.52E-11 3.25E-09 1.37E-08
24 1.25E-08 1.02E-10 3.25E-09 1.59E-08 2尾流计算
本文采用的尾流计算方法来自文献［8］,在计算基于轴向诱导因子的尾流调控时，采用Jensen 尾流模型进行计算。

当机组偏航角偏离对风方向时，会导致尾流风向产生偏移，如图1所示。

图中，e和仇分别为风向方位角以及两机组机位之间的夹角。

•209-
可冉蚩能墉2021,39(2)
图1机组尾流偏斜
Fig.l Wind turbine wake deflection
当机组j的偏航角为衍，导致尾流中心线产
生了0.3C t叼的偏移角度，机组i在机组j尾流中的轴向距离厶和径向距离厶也随之发生改变，偏
移后的厶和乙与呦之间的函数关系为
L?d=£cos(10t-0+O.3Ci®^|)(1)
L^Lsin(|佻-0+O.3C內|)(2)偏航工况下机组输出功率与夠关系为
j F^=P[cosx J(3)式中:P网为偏航工况下机组输出功率;F为最大风功率追踪下输出功率。

3基于量子粒子群的风电场疲劳均衡主动尾流控制优化模型
3.1目标函数和约束条件
3.1.1目标函数
①风电机组疲劳均衡目标
为减小风电场的疲劳损伤量，均衡各台机组的疲劳损伤，本文选择优化风电场内疲劳损伤量最大的风电机组,得到的优化目标表达式为
阳hnax{K}#1,2,…,”(4)
式中:i为机组编号iN为风电场内机组个数;形为周期T内风电场中最大的风电机组疲劳损伤量。

由于1min内疲劳损伤值数量级较小，为方便后续计算乘以比例因子饥KT。

②风电场整体输出功率目标
在电网不限制风电场发电量的情况下，一方面降低风电机组之间的疲劳损伤差异，另一方面电场齢发电量，得到功率优化目标为
N
P r=max^j^(5)
i=1
式中:玛为『周期风电场总体发电量。

综上可得，风电场主动尾流控制优化的多目标函数表达式为冏
代F t,Pr)=max(P r-AF r)(6)式中:入为常数，表示风电场内机组疲劳损伤量相对整伽出功率的重要程度。

3.1.2约束条件
0上下限约束为
仏000吐G=l,2,…，“)(7)在Bladed仿真软件或风电机组实际运行过程中，实际凤能利用系数Cp的值为0.2-0.45,本文选取机组的最佳叶尖速比为8.4,0的最大值和最小值分别取10。

和-2%
偏航角控制约束为
(曰，2,…，“)(8)偏航角最大值和最小值分别设定为45。

和0。

叫
3.2优化算法
标准粒子群优化算数学描述如下：假设在一个D维的决策空间中，种群规模为M,其中粒子i 在t时刻的位置可表示Xi=(»ii,»i2,•••,XiD),i=l,2,…,M。

粒子i的“飞行”速度表示为匕=(旳丹,…，沧)。

粒子「在/时刻第j维空间中的位置和速度可根据下式进行MfF：
Vg(«+l)=6>Fj(«)+ClH|jp—
(9)
Xg(f+l)^(«)+Fj(t+l)(10)式中⑷为惯性权值;6,C2为学习因子,通常令C1= C2=2；Vg e[-小,,%是常数,用于限制粒子的飞行速度；n,r2为在[0,1]内的均匀随机数般为全局极值沖为个体极值。

标准粒子群算法虽然原理简单并易于操作,但粒子搜索范围受限，不能保证以概率1全局收敛o量子粒子群算法(Quantum Particle Swaim Optimization,QPSO)将量子行为与粒子群算法相结合，不仅保留粒子群算法的一些优点，还大大提升了计算效率，具备全局收敛、控制参数少、寻优能力高的特点。

QPSO用波函数表示粒子位置,通过蒙特卡洛方法求出，其更新方法为凹
M
恥(£)=矿X(11)
i=1
a=a-(a-b)卡—(12)
•210-
王俊，等 考虑疲劳均衡的海上风电场主动尾流控制研究
p(t+l )=0 PiG)+( 1-0)G 吐 G ) (13)
X(t+1 )= P(t+1 )±alm(t)-X(t)lln(—)
u
(14)
式中为当前迭代中粒子i 的个体最优位置;
%为当前全局最优位置;恥均为在[0,1]上服从 均匀分布的随机数;P 为第i 个粒子位置的更新,
取+和-的概率为0.5；a 为创新系数，用于控制粒 子收敛速度;哄 为常数，本文取«=1,6=0.5；6_
为最極代换QPSO 算法流程实施步骤如下。

① 参数初始化:包括粒子群大小M,粒子维
度0,粒子初始位磁个体最优位置。

② 计算各个粒子的适应度，求出初始个体最 优值、全局最优值、个体最优位置以及全局最优位 置。

③ 根据式(13)和(⑷进行粒子位SM 新。

④ H 算位置更新后各个粒子的适应度，并更
新个体最优值和最优位置。

Pz 更新为
Pbe
* (t+l)=B(t+1)若率(歼1)]＞皿(切
(15)
⑤
根据式(16)^^f Gbest o
J (i+1) =arg max {/[P^Xt+l )]}
(16)
lW/WTV
确满啓止条件则程^结束，输出G ■表示 最优解;如未满足终止条件则返回到(哋眦行。

3.3风电场优化控制方案设计
图2为风电场的优化控制方案图。

控制器根 据风电场风速预测1#况，对入流风向进行坐标变
换，讨傅岀风电场各台机组的风速,结合风电机组 疲劳损伤数据库，采用量子粒子群算法求解风电 场疲劳均衡主动尾流控制优化模型，并根据基于
变桨控制的尾流调控或基于偏航控制的尾流调控 分别得到并输出下一个控制周期各台机组Q 或者 偏航角调节控制参数。

嵐电场风况预测
图2风电场优化控制方案
Fig.2 Optimal control scheme o£ wind farm
测量的风速、凤向
各台机组
■ +
--4
4算例分析
4.1输出功率和疲劳损伤量仿真
本算例针对某海上凤电场进行仿真计算,风
电场的机位布置和风向如图3所示。

Fig.3 Wind turbine layout and wind direction of wind farm
6+
9+，
叶%
18+
21牛
22十丿
23+
图3
风电场的机位布置和风向
该风电场共有25台按照5x5矩形分布的2
MW 凤电机组，机组间间距为80 (D 为凤轮直 径)。

风电场尾流耗散系数社0.05。

本算例在自由 流风速V=8 m/s,风向为正北情况下，分别采用基
于0的AWC 和基于偏航角的AWC 两种优化控 制方式对风电场进行尾流优化#W 。

图4为基于传统控制各机组输出功率，优化
前的整场输出功率为8.7 MW 。

Fig.4 Wind turbine power output based on the traditional control
•211
•
可冉蚩能墉2021,39(2)
图5,6分别为基于0和偏航角的AWC优化
控制下各台机组的输出功率曲面图。

图8基于0的AWC下各机组疲劳损伤・
Fig.8Wind turbine fatigue damage based on pitch AWC
图5基于侈的AWC优化各机组输出功率
Fig.5Wind tuibine power output based on pitch AWC
图9基于偏航角的AWC下各机组疲劳损伤量
Fig.9Wind tuibine fatigue damage based on yaw AWC
图6基于偏航角的AWC优化各机组输出功率
Fig.6Wind turbine power output based on yaw AWC
由图5,6可知：基于0和偏航角的AWC优化后的输出功率分别为10.6MW和10.1MW；基于尸的AWG控制下风电场各台机组的输出功率由前排往后排逐渐减小；基于偏航角的AWC优化下凤电场各台机组的输出功率前后排没有统一的变化趋势。

图7为基于传统控制的各机组疲劳损伤量。

由图7可知：优化前的整场机组疲劳损伤平均值为9.00E-09,均方差为4.52E-10；基于0的AWC 优化后的整场机组疲劳损伤平均值为8.74E-09,均方差为9.43E-11；基于偏航角的AWC优化后的整场机组疲劳损伤平均值为1.28E-08,均方差AWC优化后的风电机组疲劳均量较大。

4.2不同风向下控制策略比较.
由于该风电场的分布具有对称结构，因此对于全风向下的研究，只须讨论凤向为0~90。

情况,其余风向可依此类推。

依旧假设风电场输入风速为8m/s,以每5。

为风向变化步长,计算出凤电场在不同控制策略下输出总功率和疲劳损伤情况。

图10,11分别为3种控制方法下风电场总功率和总疲劳损伤量仿真结果对比图。

20r
10
Fig.7Wind turbine fatigue damage based on
the traditional control
图8,9分别为基于8和偏航角的两种AWC 优化控制下，各机组的疲劳损伤量曲面图。

由图8,9可知:两种AWC方式均使得风电场各台机组的疲劳差异减小，疲劳分布更均匀;基于偏航角的
3.5E-13
*他控制
_4基于赠角AWC控制
■基卅航角AWC控制
劇3.0E-13
器2.5E^13
B2.0E-13
逼1.5E-13
甯1.0E-13
医0.5E-13
102030405060708090
凤向/(。

)
图10风电场总功率对比
Fig.10Comparison of total power of wind farm
风向/(°)
图11风电场总疲劳损伤量对比
Fig.ll Comparison of total扭tigue damage of wind faun 由图10,11可知：风向在10-35。

和55-80°0
•212
-
王俊，等考虑疲劳均衡的海上风电场主动尾流控制研究
时，基于0的AWC优化对于风电场总功率提升效果较小，低于5%,风电场总疲劳损伤量略有提高;在其余风向下，基于0的AWC优化对于风电场总功率提升了5.86%~20.19%,风电场总疲劳损伤量提升幅度低于12%；基于偏航角AWC优化，当风向在5,30,50。

和65。

左右时,风电场总功率提升效果较小，低于5%；在其余风向下,基于偏航角AWC控制对于风电场总功率提升了5.34%~ 29.64%,风电场总疲劳损伤量提升幅度相对较大，为31.30%~63.33%。

5结论
针对风电场整体输出功率最大和均匀风电场机组疲劳损伤量的优化目标，本文首先基于GH-Bladed软件计算建立了风电机组在不同控制工况下关键零部件的疲劳损伤量数据库，包括最大功率追踪控制、桨距控制和偏航控制3种控制工况。

然后结合风电场尾流风速计算方法,提出了两种海上风电场AWC方法，并引入量子粒子群算法进行优化求解。

仿真结果表明，两种AWC优化策略对应风电场的总功率均有所提高，且能够较好地平衡风电场疲劳分布。

其中，基于偏航角AWC优化策略的风电场总功率提升和疲劳分布优化效果更为理想，但会造成风电场总疲劳损伤量的增大。

参考文献：
[1]Spudi V.Wind farm load reduction via parametric
programming based controller design[J].IFAC Proceedings Volumes,2011,44(1):1704-1709.
[2]M Soleimanzadeh,R Wisniewski.Controller design for a
wind farni,considering both power and load aspects[J].
Mechatronics,2011,21(4)：720-727.
[3]Hart E,Keegan M,McMillan D.A lookup table approach
to determining wind turbine operational fatigue loading from wind field measurements[A].ASRANet International Conference on Offshore Renewable Energy
[C].Glasgow:ASRANet,2016.
[4]Yang J,Zheng S,Song D,et al.Analysis of wind turbine
fatigue load data model[A].2O1910th International Conference on Power Electronics and ECCE Asia(ICPE 2019-ECCE Asia)[C].Busan:IEEE,2019.3135-3140. [5]Zhao R,Shen W,Knudsen T,et al.Fatigue distribution
optimization for ofishore wind farms using intelligent agent control[J].Wind Energy,2012,15(7):927-944. [6]Laursen T K,Sivabalan S,Borchersen A B,et al.Wake—
effect minimising optimal control of wind farms,with load reduction[J].IFAC Proceedings Volumes,2014,47
(3):6770-6775.
[7]Reyes H M,Kanev S,Doekemeijer B,et al.Validation of
a lookup-table approach to modeling turbine fatigue
loads in wind farms under active wake control卩].Wind Energy Science,2019,4(4)：549-561.
[8]许帅，邓智文,汪建文，等.偏航工况下风电机组尾流
模型与风电场尾流叠加研究[JJ.能源研究与利用，2018(4):27-49.
[9]Knudsen T,Bak T,Svenstrup M.Survey of wind farm
control-power and fatigue optimization[J].Wind Energy, 2015,18(8):1333-1351.
[10] 苏永新.风电场疲劳分布和有功功率的统一控制[D].
湘潭:湘潭大学,2014.
[11]丁颖.量子粒子群算法的改进及其在认知无线电频谱
分配中的应用[D].南京:南京邮电大学,2013.
•213•
可冉圭能源2021,39(2)
Active wake control of offshore wind farm considering
fatigue equilibrium
Wang Jun1,2,Zhou Chuan1,2,Cai Yanfeng1,2,Deng Zhiwen3,Xu Chang3
(1.China Energy Group Guangdong Electric Power Design Institute Co.,Ltd.,Guangzhou510663,China；
2.Guangdong Kenuo Surveying Engineering co.,Ltd.,Guangzhou510663,China；
3.Energy and Electric College, Hohai University,Nanjing211100,China)
Abstract:The operation and maintenance cost of offshore wind farms is high,and the wake effect
is more prominent.It will not only affect and the efficiency of the wind turbines and the overall wind farm,but also affect the fatigue load of the wind turbines,causing difficulties in operation and maintenance.This paper focuses on the study of active wake control of offshore wind farms based on uniform fatigue.Based on the calculation of GH-Bladed software,a database of fatigue damage of key components of wind turbines under typical control conditions is established.The conditions include maximum power tracking,pitch angle control and yaw control・Based on the quantum particle swarm algorithm,multi-objective active wake optimization control strategy through pitch angle control and yaw control are carried out to achieve the increase in the power generation of offshore wind farms and the uniform fatigue of wind turbines.The simulation results show the feasibility of the proposed control strategy.
Key words:fatigue damage；active wake control；wake model；quantum particle swarm optimization algorithm
•214-。