基于FLORIDyn动态模型的时变入流条件下闭环模型预测风电场流控制研究

这篇综述深入探讨了闭环模型预测控制（MPC）在风电场流控制（WFFC）中的应用，采用动态工程模型FLORIDyn实现十台风机的能量最大化。研究通过集成卡尔曼滤波器（EnKF）持续修正流场估计，并开发新型优化策略，在时变条件下实现3%-4.4%的能源增益。相比开环查表法（LuT），闭环框架对测量噪声更具鲁棒性，为动态风场控制提供了创新解决方案。

　　

摘要

研究聚焦风电场流控制（WFFC）的核心挑战：通过集体协同操作提升风机群整体效能。传统开环控制依赖预计算稳态设定点，而闭环控制通过实时测量优化设定点，显著增强灵活性与鲁棒性。本文创新性地将FLORIDyn动态模型与集成卡尔曼滤波（EnKF）结合，构建闭环模型预测控制框架，在3小时时变入流实验中实现3%-4.4%的能源增益。当测量存在噪声时，性能仍优于贪婪控制基线1.9%-3%，凸显其对复杂工况的适应能力。

1 引言

全球能源转型亟需降低化石燃料依赖，风能因其低碳特性成为关键替代方案。然而风机尾流效应导致下游涡轮机输出功率下降，风电场流控制通过操纵尾流形态缓解此问题。现有模型分为三类：高精度大涡模拟（LES）计算成本过高；中精度雷诺平均Navier-Stokes（RANS）模型因维度简化可能失效；低精度解析模型（如Bastankhah-Porté-Agel模型）仅适用于稳态尾流预测。

FLORIDyn模型通过观测点（OPs）传递转子平面状态，结合高斯加权平均实现动态尾流模拟，其计算效率与动态特性使其成为闭环控制的理想选择。当前开环控制依赖查表法（LuT），无法应对风机停机或异质流场等突发状况。闭环控制通过状态估计（如EnKF）修正模型参数，但动态模型的闭环应用仍属研究空白。

经济模型预测控制（eMPC）通过滚动优化实现能量最大化，区别于传统MPC的参考跟踪。现有研究多假设全流场信息可获取，而本文首次提出仅依赖涡轮机本地测量（功率、风向）的无预览控制框架，更贴近工程实际。

2 方法论

2.1 代理模型

FLORIDyn模型通过OPs携带涡轮状态（如偏航角）、流场状态（如风向）及位置信息。OPs基于局部风速和方向传播，采用高斯加权平均整合邻近OP数据，增强状态相关性。模型使用高斯尾流公式计算风速衰减和偏转，无需合成预览信息，仅通过OPs传递上游流场变化预测。

2.2 状态估计

集成卡尔曼滤波（EnKF）克服了非线性系统线性化难题，提供状态估计不确定性量化。通过投影各集合OPs至公共集合并修正，生成风速（K_u）和风向（K_φ）卡尔曼增益矩阵。权重矩阵W的稀疏对角特性使其逆矩阵可近似为单位矩阵，简化计算流程。

2.3 控制器设计

研究提出四项创新：(1) 能量/功率最大化成本函数分析；(2) 优化问题降维实现现实涡轮操作；(3) 隐式限制偏航角避免非线性约束；(4) 动态模型闭环框架。控制器仅需涡轮功率和风向测量，通过FLORIDyn预测尾流相互作用，滚动优化未来偏航角设定点。

3 仿真验证

在十涡轮风场的LES模拟中，测试了湍流和时变风向场景。无噪声风向测量下闭环控制实现4.4%能量增益，噪声环境下仍保持3%优势。相比LuT控制器，闭环框架在噪声条件下鲁棒性更优，但无噪声时性能相当。

5 结论

闭环模型预测控制通过FLORIDyn和EnKF的动态耦合，显著提升时变流场下的风场性能。未来研究可探索尾流中心估计（如Di Cave方法）与在线参数估计的融合，进一步强化控制精度。该框架为无预览条件下的动态风场控制树立了新基准。