[论文解读] Wind farm yaw control set-point optimization under model parameter uncertainty

Michael F. Howland|arXiv (Cornell University)|Mar 14, 2021

Wind Energy Research and Development参考文献 57被引用 30

一句话总结

本文提出了一种用于风力发电机偏航控制设定点优化的随机规划框架，明确考虑了尾流模型参数（如尾流扩展率）以及风况变化的不确定性。通过集合卡尔曼滤波估计参数概率分布，该方法在大涡模拟中提升了控制鲁棒性，尤其在高频控制器更新条件下表现更优，尽管在高度湍流的对流边界层中未观察到显著的功率增益，这是由于固有的功率波动所致。

ABSTRACT

Wake steering, the intentional yaw misalignment of certain turbines in an array, has demonstrated potential as a wind farm control approach to increase collective power. Existing algorithms optimize the yaw misalignment angle set-points using steady-state wake models and either deterministic frameworks, or optimizers which account for wind direction and yaw misalignment variability and uncertainty. Wake models rely on parameterizations of physical phenomena in the mean flow field, such as the wake spreading rate. The wake model parameters are uncertain and vary in time at a wind farm depending on the atmospheric conditions, including turbulence intensity, stability, shear, veer, and other atmospheric features. In this study, we develop a yaw set-point optimization approach which includes model parameter uncertainty, in addition to wind condition variability and uncertainty. The optimization is tested in open-loop control numerical experiments using utility-scale wind farm operational data for which the set-point optimization framework with parameter uncertainty has a statistically significant impact on the wind farm power production for certain wind turbine layouts at low turbulence intensity, but the results are not significant for all layouts considered nor at higher turbulence intensity. The set-point optimizer is also tested for closed-loop wake steering control of a model wind farm in large eddy simulations of a convective atmospheric boundary layer. The yaw set-point optimization with model parameter uncertainty improved the robustness of the closed-loop wake steering control to increases in the yaw controller update frequency. Increases in wind farm power production were not statistically significant due to the high ambient power variability in the turbulent, convective ABL.

研究动机与目标

• 解决在大气条件和尾流模型参数不确定性下风场偏航控制缺乏鲁棒性的问题。
• 开发一种计算高效的参数概率分布估计方法，无需昂贵的贝叶斯采样。
• 测试在开环和闭环控制场景中，引入模型参数不确定性是否能提升风场功率输出和控制鲁棒性。
• 评估风况和尾流模型参数不确定性对偏航设定点优化结果的影响。
• 在真实、高保真度的对流大气边界层大涡模拟中评估所提框架的性能。

提出的方法

• 该方法采用随机规划，在风况（风速、风向、湍流）和尾流模型参数（如尾流扩展率）的联合不确定性下优化偏航设定点。
• 采用集合卡尔曼滤波（EnKF）基于SCADA功率数据和模型残差估计尾流模型参数的概率分布，避免了昂贵的MCMC采样。
• 将风况的概率分布（例如来自现场测量）与估计的参数分布相结合，以计算期望功率输出。
• 在使用实用规模风场数据的开环实验以及通过九台风电机组风场在对流边界层中的大涡模拟（LES）进行的闭环控制中测试该优化方法。
• 通过改变偏航控制器更新频率并测量模拟中设定点和能量比（Er）的变异性来评估控制鲁棒性。
• 采用能量比（Er）作为性能指标，将尾流转向控制与基准偏航对齐运行进行比较。

实验结果

研究问题

• RQ1 在开环偏航控制中，除了风况变化外，若同时考虑尾流模型参数的不确定性，是否能提升风场功率输出？
• RQ2 在不同控制器更新频率下，引入模型参数不确定性如何影响闭环尾流转向控制的鲁棒性？
• RQ3 风向、湍流强度和尾流模型参数不确定性对偏航设定点优化结果的相对影响是什么？
• RQ4 是否可以使用计算高效的参数估计方法（如EnKF）替代昂贵的贝叶斯采样，以实现尾流模型参数的不确定性量化？
• RQ5 在高度湍流的对流边界层中，尽管存在高自然波动性，不确定性感知优化是否仍能带来统计上显著的功率增益？

主要发现

• 在开环实验中，同时考虑风况和尾流模型参数不确定性，在低湍流强度下显著提升了B组集群的风场功率输出，但在A组集群或高湍流条件下未见显著提升。
• 同时考虑两类不确定性的优化方法优于仅考虑风况不确定性的方法，表明模型参数不确定性在设定点设计中具有关键作用。
• 在对流边界层的大涡模拟闭环仿真中，不确定性感知框架提升了对控制器更新频率的鲁棒性，并减少了各更新周期内偏航设定点的变异性。
• 尽管鲁棒性得到改善，但由于对流A类边界层中基线变异性较高（标准差约20%），未观察到风场能量产量的统计显著增加。
• 能量比（Er）的集合平均值在同时考虑参数和风况不确定性的优化中最高，表明整体性能稳定性更优。
• 确定性优化方法在可变更新周期下表现最差，凸显其对控制时机的敏感性及缺乏鲁棒性。