Real-Time Dynamic Layout Optimization for Floating Offshore Wind Farm Control

📄 arXiv: 2401.08484v1 📥 PDF

作者: Timothé Jard, Reda Snaiki

分类: eess.SY

发布日期: 2024-01-16

💡 一句话要点

提出实时动态布局优化以解决浮动海上风电场控制问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 浮动海上风电 动态布局优化 实时控制 模型预测控制 风电场性能提升

📋 核心要点

  1. 现有的风电场布局在风速和湍流变化下，导致下游涡轮机性能下降，亟需改进。
  2. 本研究提出了一种实时动态布局优化策略，通过集中控制和模型预测控制来应对尾流效应。
  3. 实验结果表明，动态布局优化在稳定能量生产方面相比静态布局提升了25%。

📝 摘要（中文）

下游风力涡轮机在上游涡轮机后面运行时面临显著的性能挑战，主要由于风速降低和湍流增加。这导致风能生产下降和下游涡轮机的动态负载增加。因此，实时监测和控制对提高风电场性能至关重要。本研究探索了一种动态布局优化策略，以最小化风电场中的尾流效应，同时满足电力需求。研究考虑了两个场景：电力最大化和电力设定点跟踪。该方法涉及一个集中式风电场控制器优化布局，随后由风力涡轮机控制器满足规定目标。每个浮动海上风力涡轮机采用模型预测控制来调整气动推力。在一个1x3风电场布局的案例研究中，结果显示在第一个场景中，与静态布局相比，稳定能量生产提高了25%。在第二个场景中，所需的电力生产迅速且稳定地实现。

🔬 方法详解

问题定义：本研究旨在解决浮动海上风电场中下游涡轮机因上游涡轮机造成的尾流效应，导致的性能下降和能量生产不足的问题。现有方法未能有效应对动态风速和湍流变化对风电场布局的影响。

核心思路：论文提出了一种实时动态布局优化策略，利用浮动海上风力涡轮机的灵活性，通过集中式控制和模型预测控制来优化风电场布局，以最小化尾流效应并满足电力需求。

技术框架：整体架构包括一个集中式风电场控制器负责布局优化，随后由各个风力涡轮机控制器执行具体的控制任务。控制策略结合了动态风电场模型，考虑了浮动平台的运动和在变化风况下的尾流传输。

关键创新：本研究的创新点在于实时动态布局优化策略的提出，能够根据实时风况调整风电场布局，显著提高了下游涡轮机的能量生产效率，与传统静态布局方法形成鲜明对比。

关键设计：每个浮动海上风力涡轮机采用模型预测控制来调整气动推力，控制策略中考虑了浮动平台的动态特性和风速变化的影响，确保了优化过程的实时性和有效性。

📊 实验亮点

实验结果显示，在1x3风电场布局的案例研究中，采用动态布局优化策略后，稳定能量生产相比静态布局提高了25%。在电力设定点跟踪场景中，所需的电力生产能够迅速且稳定地实现，验证了该方法的有效性。

🎯 应用场景

该研究的动态布局优化策略具有广泛的应用潜力，特别是在浮动海上风电场的实时控制和优化中。通过提高风电场的能量生产效率，能够显著提升可再生能源的利用率，推动可持续发展。此外，该方法也可为其他类型的风电场布局优化提供参考。

📄 摘要（原文）

Downstream wind turbines operating behind upstream turbines face significant performance challenges due to reduced wind speeds and increased turbulence. This leads to decreased wind energy production and higher dynamic loads on downwind turbines. Consequently, real-time monitoring and control have become crucial for improving wind farm performance. One promising solution involves optimizing wind farm layouts in real-time, taking advantage of the added flexibility offered by floating offshore wind turbines (FOWTs). This study explores a dynamic layout optimization strategy to minimize wake effects in wind farms while meeting power requirements. Two scenarios are considered: power maximization and power set-point tracking. The methodology involves a centralized wind farm controller optimizing the layout, followed by wind turbine controllers to meet the prescribed targets. Each FOWT employs model predictive control to adjust aerodynamic thrust force. The control strategy integrates a dynamic wind farm model that considers floating platform motion and wake transport in changing wind conditions. In a case study with a 1x3 wind farm layout of 5 MW FOWTs, the results show a 25% increase in stable energy production compared to a static layout in one hour for the first scenario. In the second scenario, desired power production was swiftly and consistently achieved.