一种基于深度神经网络的、考虑尾流效应的风电场级偏航控制协调功率-负载优化算法

《Renewable Energy》：A coherent power-load optimization algorithm for wind farm-level yaw control considering wake effects via deep neural network

风电场协调功率-载荷优化算法研究提出基于深度神经网络的元模型预测疲劳载荷，结合改进差分进化算法优化叶轮转向角，在提升总发电量约8%的同时降低85%额外疲劳载荷。

　　风力发电作为可再生能源的重要组成部分，在全球范围内得到了广泛的应用和发展。随着技术的进步和对能源需求的增加，风力涡轮机的规模和数量都在不断扩大，这使得风力发电场的布局和运行管理变得更加复杂。特别是在风力发电场中，风力涡轮机之间的尾流效应（wake effects）对整体发电效率和设备寿命产生了重要影响。尾流效应不仅会降低整个风力发电场的总功率输出，还会增加风力涡轮机的疲劳载荷。因此，如何在提升风力发电场总功率的同时，有效控制和减少风力涡轮机的疲劳载荷，成为当前研究的热点之一。

传统的风力发电场优化策略主要集中在提高总功率输出上，例如通过调整风力涡轮机的轴向诱导因子（axial induction factor）或使用主动尾流控制技术。然而，这些方法往往忽略了风力涡轮机在运行过程中所承受的疲劳载荷，特别是在尾流效应的影响下。因此，研究者们开始关注如何在优化风力发电场总功率的同时，兼顾风力涡轮机的结构安全和疲劳载荷控制。近年来，随着人工智能和深度学习技术的发展，越来越多的研究开始尝试将这些先进技术应用于风力发电场的优化设计中。

本研究提出了一种基于深度神经网络（DNN）的元模型，用于预测风力涡轮机在不同风速、湍流强度、偏航角度以及尾流效应下的疲劳载荷。该元模型的设计充分考虑了风力涡轮机的结构动力学特性，特别是针对风力涡轮机底部的横向弯矩（out-of-plane tower bottom moment）进行了详细的计算和分析。横向弯矩是风力涡轮机安全运行的重要指标，其变化会直接影响涡轮机的结构疲劳和使用寿命。因此，通过准确预测这一参数，可以为风力发电场的优化提供更加全面的数据支持。

在风力涡轮机的优化过程中，传统的优化方法通常依赖于分析模型和优化算法，例如使用解析尾流模型来快速预测风力发电场的流场分布，并通过迭代优化来确定最佳的偏航角度。然而，这些方法在处理复杂的尾流效应时存在一定的局限性，尤其是在大规模风力发电场中，计算时间较长，难以满足实际工程需求。为了提高计算效率，本研究引入了深度神经网络技术，将风力涡轮机的尾流效应和风速分布视为图像进行处理，从而实现对尾流效应的高效建模和预测。这种方法不仅能够减少计算时间，还能提高预测的准确性，为风力发电场的优化设计提供新的思路。

在实际应用中，风力涡轮机的偏航角度优化通常需要考虑多个因素，包括风速、湍流强度、尾流效应以及风力涡轮机自身的结构特性。传统的优化方法往往无法全面考虑这些因素，导致优化结果可能在提升总功率的同时，对风力涡轮机的疲劳载荷控制不足。本研究提出的协同功率-载荷优化算法，通过结合深度神经网络的预测能力和优化算法的迭代能力，能够在保证风力发电场总功率输出的同时，有效降低风力涡轮机的疲劳载荷。这种算法在实际工程中具有重要的应用价值，因为它能够在较短时间内完成优化计算，从而提高风力发电场的运行效率和安全性。

为了验证该算法的有效性，本研究对风力发电场中的多个风力涡轮机进行了数值模拟和实验分析。结果表明，与传统的单一功率优化算法相比，协同功率-载荷优化算法在提升总功率输出的同时，能够显著降低风力涡轮机的疲劳载荷。具体而言，该算法在提升总功率输出方面表现出约8%的改进，而在减少由功率优化引起的额外疲劳载荷方面，效果更为显著，能够有效降低85%的疲劳载荷。这一成果表明，协同优化策略在风力发电场的运行管理中具有重要的应用前景。

此外，本研究还探讨了风力涡轮机偏航角度对自身及下游涡轮机疲劳载荷的影响。通过分析不同偏航角度下的尾流效应，研究发现，合理的偏航策略不仅能够提高风力发电场的总功率输出，还能有效减少尾流对下游涡轮机的不利影响。例如，当上游涡轮机的偏航角度被优化时，其尾流对下游涡轮机的干扰可以被显著降低，从而减少下游涡轮机的疲劳载荷。这一发现对于风力发电场的布局优化和运行管理具有重要的指导意义。

在风力涡轮机的结构动力学分析中，本研究特别关注了横向弯矩的变化情况。通过模拟不同风速和湍流强度下的风力涡轮机运行状态，研究发现，横向弯矩的波动与风速和湍流强度密切相关。在高风速和高湍流强度的条件下，横向弯矩的波动幅度较大，这会增加风力涡轮机的疲劳损伤。因此，通过优化风力涡轮机的偏航角度，可以有效降低横向弯矩的波动，从而延长风力涡轮机的使用寿命。

为了进一步验证协同优化算法的效果，本研究还对多个风力涡轮机进行了实验分析。实验结果表明，该算法在不同风速和湍流强度条件下均能有效提升风力发电场的总功率输出，并显著降低风力涡轮机的疲劳载荷。特别是在高风速和高湍流强度的极端天气条件下，协同优化算法的优势更加明显。这表明，该算法不仅适用于常规风力发电场的优化设计，还能够应对复杂的风况变化，提高风力发电场的适应性和稳定性。

综上所述，本研究通过引入深度神经网络技术，构建了一个能够同时预测风力涡轮机功率输出和疲劳载荷的元模型，并在此基础上提出了一种协同优化算法。该算法能够在保证风力发电场总功率输出的同时，有效降低风力涡轮机的疲劳载荷，从而提高风力发电场的运行效率和安全性。研究结果表明，协同优化算法在提升总功率输出和减少疲劳载荷方面均表现出色，具有重要的实际应用价值。未来，随着人工智能技术的不断发展，协同优化算法有望在风力发电场的运行管理中发挥更大的作用，为实现更高效、更安全的风力发电提供技术支持。