风电场级MPPT预测模型控制方法和装置与流程

风电场级mppt预测模型控制方法和装置
技术领域
1.本技术涉及风机控制技术领域，尤其涉及一种风电场级mppt预测模型控制方法和装置。


背景技术：

2.风能是一种具有随机性、爆发性、不稳定性特征的能源，如何高效稳定的利用风能是风能开发的重要问题。风速的变化会引起风力机转速的变化，因为风力机转速可变，所以通过适当的控制使得风力机的叶尖速比处于或者接近最佳值时，可以最大限度的利用风能。可以在较宽的范围内保持最佳叶尖速比，从而提高风力机的运行效率。这种控制方法称作最大功率点追踪法(mppt)。
3.现有技术方案中，常见的mppt方法为最佳叶尖速比法、功率反馈法、爬山算法，其中功率反馈和爬山算法不需要风速信息作为输入，但是稳定性和响应速度相对较差，在目前装备了激光测风雷达的风力发电机组中，最佳叶尖速比法能提供更稳定的控制和更快速的响应，但是一方面目前的测风数据主要来自单机设备，每台风力发电机组都需要装备测风雷达才能实现该控制方法，另一方面传统方案中测风数据仅用最后时刻的数据作为控制输入，实际上是基于历史数据进行控制，响应速度与稳定性都存在进一步优化的空间。


技术实现要素：

4.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
5.为此，本技术的第一个目的在于提出一种风电场级mppt预测模型控制方法，解决了现有方法的单机测风数据用于风速预测时效果不够好，且仅基于历史数据进行风机控制存在进一步优化的空间的技术问题，通过相对准确的风速预测结果得到更加快速，超调量更小的控制结果，提升风电场各风机的mppt控制性能，从而更好的控制风机转速，提高风力机的运行效率，最大限度的利用风能。
6.本技术的第二个目的在于提出一种风电场级mppt预测模型控制装置。
7.本技术的第三个目的在于提出一种计算机设备。
8.本技术的第四个目的在于提出一种非临时性计算机可读存储介质。
9.为达上述目的，本技术第一方面实施例提出了一种风电场级mppt预测模型控制方法，包括：获取第一预设时长的风电场范围的风速场时空序列数据；基于风速场时空序列数据，使用训练好的风速预测模型进行预测，得到第二预设时长的风速场时空序列预测结果，其中，第二预设时长与第一预设时长相邻；根据风速场时空序列预测结果计算各个风机的第二预设时长内的控制量序列，并根据控制量序列中的第一个控制量，控制风机下一时刻的转速。
10.可选地，在本技术的一个实施例中，在根据控制量序列中的第一个控制量，控制风机下一时刻的转速后，还包括：
11.采用滚动优化方法周期性的对控制量序列进行更新。
12.可选地，在本技术的一个实施例中，获取第一预设时长的风电场范围的风速场时空序列数据，包括：
13.通过激光测风雷达获取风机第一预设时长的风速时间序列数据；
14.对风电场内所有风机第一预设时长的风速时间序列数据进行2d插值处理，得到第一预设时长的风电场范围的风速场时空序列数据。
15.可选地，在本技术的一个实施例中，在基于风速场时空序列数据，使用训练好的风速预测模型进行预测之前，包括：
16.获取第一预设时长的风电场各个风机测量的历史风速数据；
17.对历史风速数据进行2d插值处理，得到第一预设时长的风电场范围的历史风速场时空序列数据，其中，历史风速场时空序列数据包括各个风机所在区域的历史风速数据；
18.根据各个风机所在区域的历史风速数据，建立数据集，并根据数据集，以第一预设时长加上第二预设时长为时间序列长度进行随机采样，得到区域风速预测数据集；
19.使用区域风速预测数据集对风速预测模型进行训练，得到训练好的风速预测模型。
20.可选地，在本技术的一个实施例中，使用区域风速预测数据集对风速预测模型进行训练，得到训练好的风速预测模型，包括；
21.将区域风速预测数据集的中第一预设时长内的数据作为输入，将区域风速预测数据集的中第二预设时长内的数据作为预期输出，对风速预测模型进行训练，得到训练好的风速预测模型，其中，训练好的风速预测模型输入为第一预设时长的风速场时空序列数据，输出为第二预设时长的风速场时空序列预测结果。
22.可选地，在本技术的一个实施例中，根据风速场时空序列预测结果计算各个风机的第二预设时长内的控制量序列，包括：
23.根据风速场时空序列预测结果和风机固有的最优功率曲线，得到各个风机的最佳转速曲线；
24.初始化各个风机第二预设时长内的控制量，根据最佳转速曲线和第二预设时长内控制量，构建目标函数；
25.采用优化算法对控制量进行优化，将目标函数最小时的控制量作为最优控制量输出，得到各个风机的第二预设时长内的控制量序列。
26.可选地，在本技术的一个实施例中，目标函数表示为：
[0027][0028]
其中，l表示目标函数，n表示第二预设时长内控制时刻的数量，表示第二预设时长内每个时刻风速对应的最佳转速，表示第二预设时长内每个时刻控制量对应的响应结果。
[0029]
为达上述目的，本技术第二方面实施例提出了一种风电场级mppt预测模型控制装置，包括：
[0030]
获取模块，用于获取第一预设时长的风电场范围的风速场时空序列数据；
[0031]
预测模块，用于基于风速场时空序列数据，使用训练好的风速预测模型进行预测，得到第二预设时长的风速场时空序列预测结果，其中，第二预设时长与第一预设时长相邻；
[0032]
控制模块，用于根据风速场时空序列预测结果计算各个风机的第二预设时长内的控制量序列，并根据控制量序列中的第一个的控制量，控制风机下一时刻的转速。
[0033]
为达上述目的，本技术第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现上述施例所述的风电场级mppt预测模型控制方法。
[0034]
为了实现上述目的，本技术第四方面实施例提出了一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，能够执行一种风电场级mppt预测模型控制方法。
[0035]
本技术实施例的风电场级mppt预测模型控制方法、装置、计算机设备和非临时性计算机可读存储介质，解决了现有方法的单机测风数据用于风速预测时效果不够好，且仅基于历史数据进行风机控制存在进一步优化的空间的技术问题，通过相对准确的风速预测结果得到更加快速，超调量更小的控制结果，提升风电场各风机的mppt控制性能，从而更好的控制风机转速，提高风力机的运行效率，最大限度的利用风能。
[0036]
本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
[0037]
本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0038]
图1为本技术实施例一所提供的一种风电场级mppt预测模型控制方法的流程示意图；
[0039]
图2为本技术实施例的风电场级mppt预测模型控制方法的控制架构示例图；
[0040]
图3为本技术实施例的风电场级mppt预测模型控制方法的风速预测模型的数据样本、输入数据以及输出数据的示例图；
[0041]
图4为本技术实施例的风电场级mppt预测模型控制方法的训练好的风速预测模型的输入以及输出示例图；
[0042]
图5为本技术实施例的风电场级mppt预测模型控制方法的风机的最佳转速曲线与其他控制序列下的响应结果的对比图；
[0043]
图6为本技术实施例二所提供的一种风电场级mppt预测模型控制装置的结构示意图。
具体实施方式
[0044]
下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
[0045]
目前的风力发电机组mppt(最大功率点跟踪)控制所需的风速信息都来自本机设备，没有利用到其它站点测风仪器的数据，单机测风数据用于风速预测时效果不够好，并且
控制操作的输入数据为历史数据，仅基于历史数据进行的控制存在进一步优化的空间。如果能将各站点测风数据上传至上位机，得到的测风数据应用于场站级控制。场站级测风数据包含的信息量更大，更适合应用于临近风速预测，而风速预测结果将能为mppt控制提供更充足的信息，从而实现更优化的控制。
[0046]
本技术提出一种风电场级mppt预测模型控制方法，将风电场测风数据进行场站级预测，再分发给各风力发电机用于mppt的预测模型控制，通过对风速进行场站级外推可以得到更加准确的风速预测结果，而在有相对准确的风速预测结果的基础上，预测模型控制将能得到更加快速，超调量更小的控制结果，从而提升风电场各风机的mppt控制性能。
[0047]
下面参考附图描述本技术实施例的风电场级mppt预测模型控制方法和装置。
[0048]
图1为本技术实施例一所提供的一种风电场级mppt预测模型控制方法的流程示意图。
[0049]
如图1所示，该风电场级mppt预测模型控制方法包括以下步骤：
[0050]
步骤101，获取第一预设时长的风电场范围的风速场时空序列数据；
[0051]
步骤102，基于风速场时空序列数据，使用训练好的风速预测模型进行预测，得到第二预设时长的风速场时空序列预测结果，其中，第二预设时长与第一预设时长相邻；
[0052]
步骤103，根据风速场时空序列预测结果计算各个风机的第二预设时长内的控制量序列，并根据控制量序列中的第一个控制量，控制风机下一时刻的转速。
[0053]
本技术实施例的风电场级mppt预测模型控制方法，通过获取第一预设时长的风电场范围的风速场时空序列数据；基于风速场时空序列数据，使用训练好的风速预测模型进行预测，得到第二预设时长的风速场时空序列预测结果，其中，第二预设时长与第一预设时长相邻；根据风速场时空序列预测结果计算各个风机的第二预设时长内的控制量序列，并根据控制量序列中的第一个控制量，控制风机下一时刻的转速。由此，能够解决现有方法的单机测风数据用于风速预测时效果不够好，且仅基于历史数据进行风机控制存在进一步优化的空间的技术问题，通过相对准确的风速预测结果得到更加快速，超调量更小的控制结果，提升风电场各风机的mppt控制性能，从而更好的控制风机转速，提高风力机的运行效率，最大限度的利用风能。
[0054]
本技术通过汇集各风机站点测风数据，基于时空序列数据深度学习的风电场级测风数据预测方法进行2d区域风场预测，再由预测数据分发至各机组控制器的控制架构，进行风机转速控制。如图2所示，首先通过各风机站点的测风雷达测量风速，并将测风数据通过dtu(数据传输单元)传输到上位机；在上位机将各风机站点的时间序列风速数据转换成时空序列数据，即在每一个时间步对整个风电场范围进行基于各风机站点测风数据的2d插值，得到每个时间步的风电场范围内的风速场信息；在上位机通过对t1时长的历史风速场时空序列数据进行预测，得到未来t2时长内的风场时空序列预测结果；将该预测结果中各风电场位置的风速时间序列数据分发给各风机的控制优化器，进行控制优化计算，并将控制优化结果提交给控制器进行控制。
[0055]
进一步地，在本技术实施例中，在根据控制量序列中的第一个控制量，控制风机下一时刻的转速后，还包括：
[0056]
采用滚动优化方法周期性的对控制量序列进行更新。
[0057]
本技术实施例中，虽然优化算法给出的控制量序列是预测时间段t内的所有时间
步的控制量，但是该方法是滚动进行的，在下一个时间步也会进行同样的计算来更新后续控制量，所以每次计算的结果只有控制序列的第一个控制量，既下一个控制时间步的控制量会被实际上用于控制。示例性的，t1、t2为两个控制时间步，在t1时刻预测风速并进行控制量计算，在t2时刻采用t1时刻计算得到的控制量进行控制，并进行下一轮预测与控制量计算，得到新的控制量序列，如此循环。
[0058]
进一步地，在本技术实施例中，获取第一预设时长的风电场范围的风速场时空序列数据，包括：
[0059]
通过激光测风雷达获取风机第一预设时长的风速时间序列数据；
[0060]
对风电场内所有风机第一预设时长的风速时间序列数据进行2d插值处理，得到第一预设时长的风电场范围的风速场时空序列数据。
[0061]
本技术实施例中，通过风机的激光测风雷达获取风电场内所有风机第一预设时长的风速时间序列数据；并对风电场内所有风机第一预设时长的风速时间序列数据进行2d插值处理，得到风电场范围的风速场时空序列数据。
[0062]
进一步地，在本技术实施例中，在基于风速场时空序列数据，使用训练好的风速预测模型进行预测之前，包括：
[0063]
获取第一预设时长的风电场各个风机测量的历史风速数据；
[0064]
对历史风速数据进行2d插值处理，得到第一预设时长的风电场范围的历史风速场时空序列数据，其中，历史风速场时空序列数据包括各个风机所在区域的历史风速数据；
[0065]
根据各个风机所在区域的历史风速数据，建立数据集，并根据数据集，以第一预设时长加上第二预设时长为时间序列长度进行随机采样，得到区域风速预测数据集；
[0066]
使用区域风速预测数据集对风速预测模型进行训练，得到训练好的风速预测模型。
[0067]
本技术实施例中，第一预设时长的风电场范围的历史风速场时空序列数据包括风电场各个风机所在区域的历史风速数据；收集各个风机所在区域的历史风速数据，建立数据集，以t1+t2为时间序列长度，进行随机采样，采样后的数据前t1时间段作为风速预测模型输入，后t2时间段作为风速预测模型预期输出，得到区域风速预测数据集。如图3所示，收集各个风机所在区域的历史风速数据，建立数据样本，以t1+t2为时间序列长度，进行随机采样，采样后的数据前t1时间段作为风速预测模型输入，后t2时间段作为风速预测模型预期输出。
[0068]
进一步地，在本技术实施例中，使用区域风速预测数据集对风速预测模型进行训练，得到训练好的风速预测模型，包括；
[0069]
将区域风速预测数据集的中第一预设时长内的数据作为输入，将区域风速预测数据集的中第二预设时长内的数据作为预期输出，对风速预测模型进行训练，得到训练好的风速预测模型，其中，训练好的风速预测模型输入为第一预设时长的风速场时空序列数据，输出为第二预设时长的风速场时空序列预测结果。
[0070]
由于测风数据为时空序列数据，本技术采用conv-lstm深度学习模型作为风速预测模型，采用区域风速预测数据集进行训练，得到输入为t1时间长度的风速时空序列数据，输出为t2时间长度的风速时空序列预测结果的风速预测模型。如图4所示，将t1时间长度的风速时空序列数据输入conv-lstm深度学习模型，conv-lstm深度学习模型输出t2时间长度
的风速时空序列预测结果。
[0071]
进一步地，在本技术实施例中，根据风速场时空序列预测结果计算各个风机的第二预设时长内的控制量序列，包括：
[0072]
根据风速场时空序列预测结果和风机固有的最优功率曲线，得到各个风机的最佳转速曲线；
[0073]
初始化各个风机第二预设时长内的控制量，根据最佳转速曲线和第二预设时长内控制量，构建目标函数；
[0074]
采用优化算法对控制量进行优化，将目标函数最小时的控制量作为最优控制量输出，得到各个风机的第二预设时长内的控制量序列。
[0075]
本技术实施例中，直驱风机在功率追踪阶段保持桨距角不变，主要通过控制变流器的iq(控制量)来控制电磁转矩从而控制电机转速。在预测得到风速后，可以通过风机固有的最优功率曲线得到风速对应的最佳转速曲线，在预测时间点之后的t2时间段内，通过调整控制量iq在各时间步的大小可以得到不同的控制响应曲线，该曲线越接近预测风速对应的最佳转速曲线，则控制效果越好。如图5所示，通过风机固有的最优功率曲线得到风速对应的最佳转速曲线，在预测时间点之后的t2时间段内，通过调整控制量iq在各时间步的大小可以得到不同的控制响应曲线。
[0076]
采用优化算法(粒子群、遗传算法等)对控制量进行优化，以使目标函数l最小，并将该控制量作为最优控制量输出，得到第二预设时长内的控制量序列。
[0077]
进一步地，在本技术实施例中，目标函数表示为：
[0078][0079]
其中，l表示目标函数，n表示第二预设时长内控制时刻的数量，即控制时间步的数量，表示第二预设时长内每个时刻风速对应的最佳转速，表示第二预设时长内每个时刻控制量对应的响应结果。
[0080]
图6为本技术实施例二所提供的一种风电场级mppt预测模型控制装置的结构示意图。
[0081]
如图6所示，该风电场级mppt预测模型控制装置，包括：
[0082]
获取模块10，用于获取第一预设时长的风电场范围的风速场时空序列数据；
[0083]
预测模块20，用于基于风速场时空序列数据，使用训练好的风速预测模型进行预测，得到第二预设时长的风速场时空序列预测结果，其中，第二预设时长与第一预设时长相邻；
[0084]
控制模块30，用于根据风速场时空序列预测结果计算各个风机的第二预设时长内的控制量序列，并根据控制量序列中的第一个的控制量，控制风机下一时刻的转速。
[0085]
本技术实施例的风电场级mppt预测模型控制装置，包括获取模块，用于获取第一预设时长的风电场范围的风速场时空序列数据；预测模块，用于基于风速场时空序列数据，使用训练好的风速预测模型进行预测，得到第二预设时长的风速场时空序列预测结果，其中，第二预设时长与第一预设时长相邻；控制模块，用于根据风速场时空序列预测结果计算
各个风机的第二预设时长内的控制量序列，并根据控制量序列中的第一个的控制量，控制风机下一时刻的转速。由此，能够解决现有方法的单机测风数据用于风速预测时效果不够好，且仅基于历史数据进行风机控制存在进一步优化的空间的技术问题，通过相对准确的风速预测结果得到更加快速，超调量更小的控制结果，提升风电场各风机的mppt控制性能，从而更好的控制风机转速，提高风力机的运行效率，最大限度的利用风能。
[0086]
为了实现上述实施例，本技术还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现上述施例所述的风电场级mppt预测模型控制方法。
[0087]
为了实现上述实施例，本技术还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例的风电场级mppt预测模型控制方法。
[0088]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0089]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0090]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0091]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0092]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0093]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0094]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0095]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种风电场级mppt预测模型控制方法，其特征在于，包括以下步骤：获取第一预设时长的风电场范围的风速场时空序列数据；基于所述风速场时空序列数据，使用训练好的风速预测模型进行预测，得到第二预设时长的风速场时空序列预测结果，其中，所述第二预设时长与所述第一预设时长相邻；根据所述风速场时空序列预测结果计算各个风机的第二预设时长内的控制量序列，并根据所述控制量序列中的第一个控制量，控制风机下一时刻的转速。2.如权利要求1所述的方法，其特征在于，在根据所述控制量序列中的第一个控制量，控制风机下一时刻的转速后，还包括：采用滚动优化方法周期性的对所述控制量序列进行更新。3.如权利要求1所述的方法，其特征在于，所述获取第一预设时长的风电场范围的风速场时空序列数据，包括：通过激光测风雷达获取风机第一预设时长的风速时间序列数据；对风电场内所有风机第一预设时长的风速时间序列数据进行2d插值处理，得到所述第一预设时长的风电场范围的风速场时空序列数据。4.如权利要求1所述的方法，其特征在于，在基于所述风速场时空序列数据，使用训练好的风速预测模型进行预测之前，包括：获取第一预设时长的风电场各个风机测量的历史风速数据；对所述历史风速数据进行2d插值处理，得到所述第一预设时长的风电场范围的历史风速场时空序列数据，其中，所述历史风速场时空序列数据包括各个风机所在区域的历史风速数据；根据所述各个风机所在区域的历史风速数据，建立数据集，并根据所述数据集，以所述第一预设时长加上所述第二预设时长为时间序列长度进行随机采样，得到区域风速预测数据集；使用所述区域风速预测数据集对所述风速预测模型进行训练，得到训练好的风速预测模型。5.如权利要求4所述的方法，其特征在于，所述使用所述区域风速预测数据集对所述风速预测模型进行训练，得到训练好的风速预测模型，包括；将所述区域风速预测数据集的中第一预设时长内的数据作为输入，将所述区域风速预测数据集的中第二预设时长内的数据作为预期输出，对所述风速预测模型进行训练，得到训练好的风速预测模型，其中，所述训练好的风速预测模型输入为第一预设时长的风速场时空序列数据，输出为第二预设时长的风速场时空序列预测结果。6.如权利要求1所述的方法，其特征在于，所述根据所述风速场时空序列预测结果计算各个风机的第二预设时长内的控制量序列，包括：根据所述风速场时空序列预测结果和风机固有的最优功率曲线，得到各个风机的最佳转速曲线；初始化各个风机第二预设时长内的控制量，根据所述最佳转速曲线和所述第二预设时长内的控制量，构建目标函数；采用优化算法对所述控制量进行优化，将目标函数最小时的控制量作为最优控制量输出，得到各个风机的第二预设时长内的控制量序列。
7.如权利要求6所述的方法，其特征在于，所述目标函数表示为：其中，l表示目标函数，n表示第二预设时长内控制时刻的数量，表示第二预设时长内每个时刻风速对应的最佳转速，表示第二预设时长内每个时刻控制量对应的响应结果。8.一种风电场级mppt预测模型控制装置，其特征在于，包括：获取模块，用于获取第一预设时长的风电场范围的风速场时空序列数据；预测模块，用于基于所述风速场时空序列数据，使用训练好的风速预测模型进行预测，得到第二预设时长的风速场时空序列预测结果，其中，所述第二预设时长与所述第一预设时长相邻；控制模块，用于根据所述风速场时空序列预测结果计算各个风机的第二预设时长内的控制量序列，并根据所述控制量序列中的第一个的控制量，控制风机下一时刻的转速。9.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一所述的方法。10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。

技术总结
本申请提出了一种风电场级MPPT预测模型控制方法，涉及风机控制技术领域，其中，该方法包括：获取第一预设时长的风电场范围的风速场时空序列数据；基于风速场时空序列数据，使用训练好的风速预测模型进行预测，得到第二预设时长的风速场时空序列预测结果，其中，第二预设时长与第一预设时长相邻；根据风速场时空序列预测结果计算各个风机的第二预设时长内的控制量序列，并根据控制量序列中的第一个控制量，控制风机下一时刻的转速。本申请能够实现更优化的控制风机转速，从而提高风力机的运行效率，最大限度的利用风能。最大限度的利用风能。最大限度的利用风能。


技术研发人员：章卓雨 干芸 申旭辉 周国栋 田立亭 严浩 汤海雁 严祺慧 巴蕾 李冬 彭程 杨正中 张钧阳 袁赛杰 赵瑞斌 蒋云
受保护的技术使用者：盛东如东海上风力发电有限责任公司 华能国际电力江苏能源开发有限公司 华能国际电力江苏能源开发有限公司清洁能源分公司
技术研发日：2022.12.20
技术公布日：2023/5/16