CN102945326B - 一种基于二进制编码遗传算法的风机微观选址装置及方法 - Google Patents

Abstract

本发明涉及风电场风机选址技术领域，尤其涉及一种基于二进制编码遗传算法的风机微观选址装置及方法。本发明是由摄像头装置与图像CMOS传感器相连，图像CMOS传感器与图像处理芯片相连，图像处理芯片与单片机SPCE061A相连接；风速传感器与A/D转换器相连接，A/D转换器与89C51单片机相连接。本发明具有适用于平坦地形与复杂地形的风机选址的优点。还具有目标优化多元化，使得风电场投资费用小而经济效益高，并使得年发电量得到显著提高的优点效果。

Description

一种基于二进制编码遗传算法的风机微观选址装置及方法

技术领域

本发明涉及风电场风机选址技术领域，尤其涉及一种基于二进制编码遗传算法的风机微观选址装置及方法。是通过对备选风场风速风向的测量，通过摄像头装置对周围环境的监测，把图像数据传送到图像处理芯片SPCA563A处理，再传送至微控制器处理得到地面粗糙度的判断；风速仪测量后的风速信号经A/D转换后传送到微处理器。利用风机之间的尾流影响模型、噪声模型、风机建设和维护费用模型作为目标优化函数以及基于二进制的遗传算法计算得到各个风机最优位置。

背景技术

风能作为一种新型清洁可再生能源，随着在我国在风电行业的大力发展，风电场的建立日益增多。

风电场的选址主要有宏观选址和微观选址，宏观选址是根据风能资源确立风电场位置，风电场的地理位置确立后，需要通过微观选址确立各个风机的具体位置。风电场建立的优劣性，最主要考虑各个风机对风能的利用率，风机噪声的影响，及其风机建立成本和维护费用等因素，使风电场达到年发电量最大，建设成本和噪声污染最小，达到最优结果。

在现有的微观选址中，主要是通过WasP，WindFarmer等软件进行选址，但是在风机选址时需要人工布置每个风机的微观选址后，软件才可以计算出风场的最大发电量，要得到最优结果需要进行多次人工确定微观选址，因此工作量会相对较大；此外，这些商业软件比较局限于平坦地形的风机选址，对复杂地形计算误差会比较大。

发明内容

为了克服上述缺陷，本发明提供一种基于二进制编码遗传算法的风机微观选址装置及方法，目的是根据不同地形选择不同的风力机尾流模型计算风电场的输出功率、噪声影响，并且计算出风电场的投资维护费用，使得风电场的经济效益达到最大。

本发明解决其技术问题所采用的技术方案是：

一种基于二进制编码遗传算法的风机微观选址装置：摄像头装置与图像CMOS传感器相连，图像CMOS传感器与图像处理芯片相连，图像处理芯片与单片机SPCE061A相连接；风速传感器与A/D转换器相连接，A/D转换器与89C51单片机相连接。

所述的图像处理芯片采用SPCA563A；图像CMOS传感器采用SPCA561A；风速仪传感器采用科瑞文INT10；A/D转换器采用TLC1549M。

所述的图像CMOS传感器SPCA561A与图像处理芯片的连接关系如下：管脚GPIO0连接RGBIN[0]，GPIO1连接RGBIN[1]，GPIO2连接RGBIN[2]，TRAP0连接RGBIN[3]，TRAP1连接RGBIN[4]，TRAP2连接RGBIN[5]，TRAP3连接RGBIN[6]，TRAP4连接RGBIN[7]，TRAP5连接EXTVD，TRAP6连接EXTHD，GPIO3连接12CSCL，GPIO4连接12CSDA，EDO连接EXTCK2X，CPCLK连接EXTCK1X。

所述的图像处理芯片SPCA563A与单片机SPCE061A连接关系如下：SCK连接SCK，SD连接SDI，RDY连接LOAD。

所述的单片机SPCE061A内存有32K，可以选择用SPR4069的BMI接口方式对SPCE061A进行FLASH存储器扩展，采用BMI接口方式的A模式，即：CF0、CF1、CF2、CF3、CF4、CF5、CF6接低电平即接地，CF7接高电平；AD0、AD1、AD2、AD3、AD4、AD5、AD6、AD7连接SPCE061A的双向数据口IOA的低8位，用来传输地址和数据；MC0、MC1分别连接SPCE061A的IOB12、IOB11作为控制线，用来产生地址数据及读写控制信号；VDDQ的工作电压为3.3V，用于IO口供电，VDDI供电范围为2.25V到2.75V，用于对内部FLASH与逻辑控制器供电。

所述的A/D转换器TCL1549与89C51单片机连接关系如下：TLC1549M的管脚REF-、GND接地，管脚与89C51单片机的P3.0管脚相连接，I/OCLOCK管脚与P3.1连接、DATAOUT与P3.2连接。

一种基于二进制编码遗传算法的风机微观选址方法，是：

图像采集是由摄像头装置采集备选风电场周围环境图像，经过图像CMOS传感器SPCA561A传送至图像处理芯片SPCA563A处理，再由16位单片机SPCE061A处理后，判断图像中环境粗糙度等级；

风速传感器采集的风速信号经A/D转换器TCL1549M转换后成为数字量信号，再传送至89C51单片机处理；

对风电场中风速分布采用一种连续型概率分布模型校正，对风机间的相互尾流影响采用一种适用于山丘地形和平坦地形相融合的模型校正；在风力发电场微观选址中，把风机的功率输出最大、风机噪声影响最小、风机建设费用及其维护费用最少作为目标优化函数，利用二进制编码遗传优化算法计算，得到风电场内各个风机的最优地址。

所述的对适用于平坦地形的JESSEN模型

适用于复杂地形的LISSAMAN模型 $v_{d_2}=v_r\left(1-\left(1-\sqrt{1-C_T}\right){\left(\frac{D}{K+\mathrm{\α}d}\right)}^2\·{\left(\frac{v_0}{v_r}\right)}^2\right);$

其中v₀是上游来风的风速，v_r是海拔高度H处的风速，K₂为风力发电机半径，与是湍流后的风速，C_T是风机推力系数，α为尾流扩展系数，d为风机间的距离，D为叶片直径；根据地形的复杂程度通过权重系数法校正湍流对风速变化影响即：其中β₁，β₂都小于1。

所述的利用二进制编码的遗传优化算法计算，对风电场内风机位置进行排布优化，得到优化结果的方法如下：

(1)确定目标函数，目标函数为风电场功率输出最大，风机噪声影响最小、风机建设费用和维护费用最小，即：

风场总功率输出： $F_1=Max(\mathrm{\λ}\·\underset{i=1}{\overset{M}{\Σ}}({\∫}_{{\mathrm{\θ}}_1}^{{\mathrm{\θ}}_2}q\left(\mathrm{\θ}\right)d\mathrm{\θ}\·\underset{j=1}{\overset{N}{\Σ}}{P}_{wt}\left(j\right)\left)\right)$

其中θ₁和θ₂分别是风向的起始和终止角度，M为风向数量，N为风机台数，q(θ)为风向频率密度函数，P_wt(j)为第j个风机的输出功率且v_入为切入风速，v_N是额定风速，f(v)为风速分布概率函数且b为风速分布形状参数，a为修正系数，v为风速，λ为修正系数；

风场建设费用及故障处理费用： $F_2=Min\left(N\underset{t=1}{\overset{n}{\Σ}}\left(\left(\frac{2}{3}+\frac{1}{3}{e}^{-0.00174N^2}\right){(1+i)}^{-t}+\mathrm{\ρ}\·C\right)\right),$ 其中N为风机总台数，t为风场项目期数，i为设定的折现率，C为风机年平均维护费用，ρ为风机年出现故障的概率；

风机噪声影响，主要根据声功率等级判断风机噪声的影响:F₃＝Min(L_w-20lgr₀+DI_α-11)；

其中，L_w为距离声源α方向处的测量点的声功率等级，DI_α为声源指向性指数，r₀为测量点到声源的距离；

目标函数为：f＝w₁F₂+w₂F₃-w₃F₁+c_min；

其中w₁、w₂、w₃为加权系数，c_min为一个适当的相对较小的数，防止发生溢出；

(2)编码及初始种群：利用二进制编码把各点风机位置转换为0或者1，然后对编码位置随机生成N个点1，得到初始种群；

(3)个体自适应度： $1-\frac{f_i(F_1,F_2,F_3)}{\underset{i=1}{\overset{N}{\Σ}}{f}_i(F_1,F_2,F_3)};$

(4)遗传算子的选择：

①选择算子：按照确定式采样选择原则，群体中各个个体在下一代群体中期望生存的数目用n_i的整数部分[n_i]确定各个对应个体在下一代群体中的生存数目，由此可以确定下一代群体中的个个体；按照n_i的小数部分对个体进行降序排序，顺序取前个个体加入到下一代群体中，确定出下一代群体中的N个个体；这样就保证了适应度较大的一些个体一定能被保留在下一代群体中；

②自适应交叉算子：设个体f_i与f_j的海明距离为HD(f_i,f_j)，如果HD(f_i,f_j)≤1，i≠j，不做交叉，另选个体；如果HD(f_i,f_j)＞1,i≠j则交叉概率为：

$p_c=\left\{\begin{array}{cc}{p}_{c_1}\left(1-\exp \&lsqb;\frac{\left(f_{\max }-f\right)}{f_{\max }-\stackrel{\&OverBar;}{f}}\left({\mathrm{lnf}}_{\max }-\ln \stackrel{\&OverBar;}{f}\right)\&rsqb;\right),& f\&GreaterEqual;\stackrel{\&OverBar;}{f}\\ p_{c_1},& f<\stackrel{\&OverBar;}{f}\end{array}\right.;$

其中，f_max为最大适应度值，为平均适应度值，f是进行交叉配对的个体自适应度值；

③突变算子：遗传算法中基因变异概率很小，范围一般在0.01—0.1之间，个体f的变异概率与群体及个体的适应度相关，可以用公式计算为： $p_m=p_{m_0}\exp \&lsqb;-\frac{\stackrel{\&OverBar;}{f}}{f_{\max }}\&CenterDot;ln\frac{f_{\max }}{\stackrel{\&OverBar;}{f}}\&rsqb;\left(1-\frac{\stackrel{\&OverBar;}{f}}{f_{\max }}\right)+p_{m_1},$ 其中和为变异系数，且

(5)算法终止条件：对通过前面步骤得到的自带个体按其适应度从大到小进行排列，选出适应度最大的100个个体作为新的父代群体，再对其重复步骤运算，直至最优的微观选址稳定，稳定的判断条件是：连续迭代次数达到X(X为一个比较大的整数)代时，最优结果误差在[0，1]间时，得到最优结果结束运算。

本发明的有益效果是：与现有的风机微观选址方法相比，本发明方法具有适用于平坦地形与复杂地形的风机选址的优点。还具有目标优化多元化，使得风电场投资费用小而经济效益高，并使得年发电量得到显著提高的优点效果。

附图说明

图1是本发明风速仪传感器、图像处理芯片SPCA863A与单片机相连结构图；

图2是图像处理芯片SPCA863A结构图；

图3是图像处理芯片SPCA863A管脚连接图；

图4是图像处理芯片SPCA863A电源连接电路图；

图5是A/D转换器TLC1549与单片机89C51连接图；

图6是平坦地形风机湍流模型；

图7是综合复杂地形风机湍流模型；

图8是选定一点风机噪声计算模型。

具体实施方式

实施例1：

本发明是一种基于二进制编码遗传算法的风机微观选址装置及方法。如图1所示，可以根据不同地形选择不同的风力机尾流模型计算风电场的输出功率、噪声影响，并且计算出风电场的投资维护费用，使得风电场的经济效益达到最大。风电场风速数据通过风速仪测量得到；障碍物、地面粗糙度等数据可以通过硬件设备摄像头采集图像经过识别处理得到其数据。图像采集是由摄像头装置采集备选风电场周围环境图像，经过图像CMOS传感器SPCA561A传送至图像处理芯片SPCA563A处理，由16位单片机SPCE061A处理后，判断图像中环境粗糙度等级。由于单片机SPCE061A片内FLASH只有32K，很难满足大容量存储图片，我们可以利用FLASH存储器SPR4069进行扩展到4Mbits。风速数据直接由风速传感器经过A/D转换后传送至微处理器。风速仪采用科瑞文INT10风速仪，A/D转换器采用TLC1549M。

CMOS传感器SPCA561A与图像处理芯片的连接关系如下：管脚GPIO0连接RGBIN[0]，GPIO1连接RGBIN[1]，GPIO2连接RGBIN[2]，TRAP0连接RGBIN[3]，TRAP1连接RGBIN[4]，TRAP2连接RGBIN[5]，TRAP3连接RGBIN[6]，TRAP4连接RGBIN[7]，TRAP5连接EXTVD，TRAP6连接EXTHD，GPIO3连接12CSCL，GPIO4连接12CSDA，EDO连接EXTCK2X，CPCLK连接EXTCK1X，如图2至图3所示。

图像处理芯片SPCA563A与单片机SPCE061A连接关系如下：SCK连接SCK，SD连接SDI，RDY连接LOAD，如图4所示。

单片机SPCE061A由于片内存只有32K，我们选择用SPR4069的BMI接口方式对单片机SPCE061A进行FLASH存储器扩展，并且我们采用BMI接口方式的A模式，即：CF0、CF1、CF2、CF3、CF4、CF5、CF6接低电平即接地，CF7接高电平；AD0、AD1、AD2、AD3、AD4、AD5、AD6、AD7连接单片机SPCE061A的双向数据口IOA的低8位，用来传输地址和数据。MC0、MC1分别连接单片机SPCE061A的IOB12、IOB11作为控制线，用来产生地址数据及读写控制信号。VDDQ的工作电压为3.3V，用于IO口供电，VDDI供电范围为2.25V到2.75V，用于对内部FLASH与逻辑控制器供电。

风速仪传感器采集的的风速信号经A/D转换器TCL1549M转换后成为数字量信号，再传送至89C51单片机处理，A/D转换器TCL1549与89C51单片机连接关系如下：TLC1549M的管脚REF-、GND接地，管脚与89C51单片机的P3.0管脚相连接，I/OCLOCK管脚与P3.1连接、DATAOUT与P3.2连接，如图5所示。

在风力机微观选址目标函数设计中，以风电场输出功率、噪声污染、风机投资维护费用作为优化目标，根据其权重，设置权重系数，得到综合目标函数，经过基于二进制的遗传算法优化得到各个风机的最优位置。

根据以上所述，基于二进制的遗传算法优化过程如下：

步骤一：根据风电场业主要求，确定风电场需要安装的风力机台数N以及业主要求的风机可选位置。

步骤二：根据风电场地形计算经过平坦地形山丘地形，并且经过风机后的风速变化，经过平坦地形和复杂地形后的风机尾流可用加权系数法计算得到；

其中风机尾流模型：平坦地形选择Jessen模型，如图6所示，下游风机风速：

$v_{d_1}=v_0(1-(1-\sqrt{1-C_T}){\left(\frac{D}{K_1+{\mathrm{\&alpha;}}_{1}d}\right)}^2)$

式中，v₀为初始风速，v_r是海拔高度H处的风速，K为风力发电机半径，为经过平坦地形一个风机后的风速，C_T为风机推力系数即一个常数，K₁为风机尾流下降系数，D为所要安装风机叶片直径，d为两个风机间的距离，α₁为尾流扩展常数且h为风机轮毂离地面的高度，z₀为地面粗糙度，地面粗糙度一般分为4类：A类指近海海面、海岸、湖岸及沙漠地区；B类指田野、乡村、丛林、山丘及房屋比较稀疏的中小城市郊区；C类指建筑比较密集的中等城市市区；D类指有密集建筑群但房屋比较高大的大城市市区。

山丘地形选择Lissaman模型，如图7所示，假设风电机组的下风向是复杂地形，安装风机之前和之后的某点风速分别是下游风机风速为v'_d和v_r 其中d_f是风速下降系数， $d_f=(1-\sqrt{1-C_T}){\left(\frac{D}{K_2+{\mathrm{\&alpha;}}_{2}d}\right)}^2\&CenterDot;{\left(\frac{v_0}{v_r}\right)}^2$

式中C_T为风机推力系数，K₂为山丘地形风机尾流下降系数，d为两个风机之间的间距，α₂为山丘地形尾流扩展常数，

通过权重系数结合两种模型得到经过山丘地形风机后的风速为

式中β₁、β₂为加权系数，并且都小于1。

地面粗糙度等级划分如表1所示。

步骤三：风电场中单个风力机输出的功率计算为：

式中，P_wt(i)为第i个风机的功率，f(v)为风速的连续概率分布函数，v_入为进入风机的风速，P_N为风机的额定功率，v_N为风机在额定功率下的风速，一般为17m/s，并且其中，b为风速分布形状参数，a为修正系数，v为风速，那么风电场总输出功率为： $F_1=Max(\mathrm{\&lambda;}\&CenterDot;\underset{i=1}{\overset{M}{\&Sigma;}}({\&Integral;}_{{\mathrm{\&theta;}}_1}^{{\mathrm{\&theta;}}_2}q\left(\mathrm{\&theta;}\right)d\mathrm{\&theta;}\&CenterDot;\underset{j=1}{\overset{N}{\&Sigma;}}{P}_{wt}\left(j\right)\left)\right)$

式中，λ为修正系数，以防止计算溢出，q(θ)为风向频率密度函数，θ为风向角度，σ为频率最大的角度值，M为风向个数，N为拟建的风机台数；θ₁和θ₂分别是风向的起始和终止角度，P_wt(j)为第j个风机的输出功率。

步骤四：计算风电场风机对某一点的噪声影响。

风电机组噪声影响，风机噪声主要由湍流噪声和脱落涡噪声组成，湍流噪声是由于风机叶片转动，与流入湍流相遇后使得空气动力学负荷发生变化而引起的噪声；脱落涡噪声是当旋涡离开叶片表面时,围绕叶片的流动环量发生变化,在叶片表面诱导出压力脉动而引起的噪声。如图8所示，设在声源α角度方向上并且声源距离r₀处A的声级为L_A,α＝L_w-20lgr₀+DI_α-11，其中L_w为A计权声功率级，其中SPL_a,1/3(f)为湍流噪声，SPL_b,1/3(f)为脱落涡噪声，为风轮中心与预测点连线与叶片平面的夹角，θ为声源与预测点连线与叶片转动平面间的夹角，ψ为声源与预测点连线和叶片转动平面水平投影间的夹角；声源指向性指数风场总体噪声声功率等级为F₃＝Min(L_w-20lgr₀+DI_α-10.6)

步骤五：风场投资维护费用计算

风场投资维护模型函数为： $F_2=Min\left(N\&CenterDot;\underset{t=1}{\overset{n}{\&Sigma;}}\left(\left(\frac{2}{3}+\frac{1}{3}{e}^{-0.00174N^2}\right){(1+i)}^{-t}+\mathrm{\&rho;}\&CenterDot;C\right)\right)$

N为所需安装风机台数，C为单台风机年平均维护费用，ρ为每台风机年出现故障的概率，t为风场项目期数，i为设定的折现率。

步骤六：确定总目标函数f＝w₁F₂+w₂F₃-w₃F₁+c_min，F₁、F₂、F₃分别为风场年发电量数学模型、风场噪声数学模型、风场投资维护费用数学模型，c_min为一个很小的系数，防止目标函数发生溢出，w₁、w₂、w₃为权重系数，并且3个权重系数之间的数学关系为：w₃＞w₂＞w₁

步骤七：业主提供可选择风机位置后，对每个风机位置进行二进制编码，即把风电场风机可以选择的位置转换为数字0或者数字1，并且随机形成初始种群。

步骤八：根据步骤六得到每个个体的函数值f_i(F₁,F₂,F₃)，然后求出群体总体的函数值最后计算得到每个个体自适应度函数为：

$1-\frac{f_k(F_1,F_2,F_3)}{\underset{i=1}{\overset{N}{\&Sigma;}}{f}_i(F_1,F_2,F_3)}$ (K＝1，2，……N)；

这里的f_k(F₁，F₂，F₃)计算的是第K个个体f_k的目标函数，对每一个个体而言，f_k(F₁，F₂，F₃)＝w₁F₂+w₂F₃+w₃F₁+C_min；

步骤九：遗传算子的确定：

①选择算子：根据确定式采样选择原则，使适应度较大的个体保存到下一代。本发明采用自适应的交叉概率，不同的个体采用不同的交叉概率，对于适应度值高于群体平均适应度值的个体，对应于较低的交叉概率，使它得以保护进入下一代；而低于平均适应度的个体，给予较高的交叉概率，使之被淘汰。

本算法按照确定式采样选择原则，群体中各个个体在下一代群体中期望生存的数目N为群体个体总数，然后用n_i的整数部分[n_i]确定各个对应个体在下一代群体中的生存数目，由此可以确定下一代群体中的个个体。按照n_i的小数部分对个体进行降序排序，顺序取前个个体加入到下一代群体中，确定出下一代群体中的N个个体。这样就保证了适应度较大的一些个体一定能被保留在下一代群体中。

②交叉算子：交叉算子是在两个不同父代个体间交换基因产生新的后代的算子。在本算法中，两个父代个体之间采用自适应交叉，即如果两个个体间基因相似度较高则不做交叉另选个体，如果两个个体间基因差别大则可以按一定概率作交叉。假设个体f_i与f_j的海明距离为HD(f_i,f_j)，如果HD(f_i,f_j)≤1，且i≠j，则两个个体不做交叉，另选新个体再进行判断；如果HD(f_i,f_j)＞1,且i≠j，则两个个体可以进行交叉，并且交叉概率为：

$p_c=\left\{\begin{array}{cc}{p}_{c_1}\&CenterDot;\left(1-\exp \&lsqb;\frac{\left(f_{\max }-f\right)}{f_{\max }-\stackrel{\&OverBar;}{f}}\left({\mathrm{lnf}}_{\max }-\ln \stackrel{\&OverBar;}{f}\right)\&rsqb;\right),& f\&GreaterEqual;\stackrel{\&OverBar;}{f}\\ p_{c_1},& f<\stackrel{\&OverBar;}{f}\end{array}\right.$

其中，f_max为最大适应度值，为平均适应度值，f是进行交叉配对的个体自适应度值。

③突变算子：突变是带有一定概率的改变某个体基因的算子。对群体中的个体可以按一个很小的概率对其基因作突变得到新的个体，可以用公式计算为： $p_m=p_{m_0}\&CenterDot;\exp \&lsqb;-\frac{\stackrel{\&OverBar;}{f}}{f_{\max }}\&CenterDot;ln\frac{f_{\max }}{\stackrel{\&OverBar;}{f}}\&rsqb;\left(1-\frac{\stackrel{\&OverBar;}{f}}{f_{\max }}\right)+p_{m_1},$ 其中和为变异系数，且

⑽算法终止：通过前面步骤得到的自带个体按其适应度从大到小进行排列，选出适应度最大的100个个体作为新的父代群体，再对其重复步骤运算，直至最优的微观选址稳定，稳定的判断条件是：连续迭代次数达到X(X为一个比较大的整数)代时，最优结果误差在[0，1]间时，得到最优结果结束运算。

表1地面粗糙度等级划分表

Claims (2)

1.一种基于二进制编码遗传算法的风机微观选址装置，其特征是：

摄像头装置与图像CMOS传感器相连，图像CMOS传感器与图像处理芯片相连，图像处理芯片与单片机SPCE061A相连接；风速传感器与A/D转换器相连接，A/D转换器与89C51单片机相连接；

所述的图像处理芯片采用SPCA563A；图像CMOS传感器采用SPCA561A；风速仪传感器采用科瑞文INT10；A/D转换器采用TLC1549M；

所述的图像CMOS传感器与图像处理芯片的连接关系如下：管脚GPIO0连接RGBIN[0]，GPIO1连接RGBIN[1]，GPIO2连接RGBIN[2]，TRAP0连接RGBIN[3]，TRAP1连接RGBIN[4]，TRAP2连接RGBIN[5]，TRAP3连接RGBIN[6]，TRAP4连接RGBIN[7]，TRAP5连接EXTVD，TRAP6连接EXTHD，GPIO3连接12CSCL，GPIO4连接12CSDA，EDO连接EXTCK2X，CPCLK连接EXTCK1X；

所述的图像处理芯片与单片机SPCE061A连接关系如下：SCK连接SCK，SD连接SDI，RDY连接LOAD；

所述的单片机SPCE061A内存有32K，可以选择用SPR4069的BMI接口方式对SPCE061A进行FLASH存储器扩展，采用BMI接口方式的A模式，即：CF0、CF1、CF2、CF3、CF4、CF5、CF6接低电平即接地，CF7接高电平；AD0、AD1、AD2、AD3、AD4、AD5、AD6、AD7连接SPCE061A的双向数据口IOA的低8位，用来传输地址和数据；MC0、MC1分别连接SPCE061A的IOB12、IOB11作为控制线，用来产生地址数据及读写控制信号；VDDQ的工作电压为3.3V，用于IO口供电，VDDI供电范围为2.25V到2.75V，用于对内部FLASH与逻辑控制器供电；

所述的A/D转换器与89C51单片机连接关系如下：TLC1549M的管脚REF-、GND接地，管脚与89C51单片机的P3.0管脚相连接，I/OCLOCK管脚与P3.1连接、DATAOUT与P3.2连接。

2.一种基于二进制编码遗传算法的风机微观选址方法，其特征是：

图像采集是由摄像头装置采集备选风电场周围环境图像，经过图像CMOS传感器SPCA561A传送至图像处理芯片SPCA563A处理，再由16位单片机SPCE061A处理后，判断图像中环境粗糙度等级；

风速传感器采集的风速信号经A/D转换器TCL1549M转换后成为数字量信号，再传送至89C51单片机处理；

对风电场中风速分布采用一种连续型概率分布模型校正，对风机间的相互尾流影响采用一种适用于复杂地形的LISSAMAN模型和平坦地形JESSEN模型相融合的校正；在风力发电场微观选址中，把风机的功率输出最大、风机噪声影响最小、风机建设费用及其维护费用最少作为目标优化函数，利用二进制编码遗传优化算法计算，包括目标函数、编码及初始种群得到风电场内各个风机的最优地址；

所述的适用于平坦地形的JESSEN模型

适用于复杂地形的LISSAMAN模型为

其中v₀是上游来风的风速，v_r是海拔高度H处的风速，K为风力发电机半径，与是湍流后的风速，C_T是风机推力系数，α为尾流扩展系数，d为风机间的距离，D为叶片直径；根据地形的复杂程度通过权重系数法校正湍流对风速变化影响即：其中β₁，β₂都小于1；

所述的利用二进制编码的遗传优化算法计算，对风电场内风机位置进行排布优化，得到优化结果的方法如下：

(1)确定目标函数，目标函数为风电场功率输出最大，风机噪声影响最小、风机建设费用和维护费用最小，即：

风场总功率输出：

其中θ₁和θ₂分别是风向的起始和终止角度，M为风向数量，N为风机台数，q(θ)为风向频率密度函数，P_wt(j)为第j个风机的输出功率且v_入为切入风速，v_N是额定风速，f(v)为风速分布概率函数且b为风速分布形状参数，a为修正系数，v为风速，λ为修正系数；

风场建设费用及故障处理费用：

其中N为风机总台数，t为风场项目期数，i为设定的折现率，C为风机年平均维护费用，ρ为风机年出现故障的概率；

风机噪声影响，主要根据声功率等级判断风机噪声的影响:F₃＝Min(L_w-20lgr₀+DI_α-11)；

其中，L_w为距离声源α方向处的测量点的声功率等级，DI_α为声源指向性指数，r₀为测量点到声源的距离；

目标函数为：f＝w₁F₂+w₂F₃-w₃F₁+c_min；

其中w₁、w₂、w₃为加权系数，c_min为一个相对较小的数，防止发生溢出；

(2)编码及初始种群：利用二进制编码把各点风机位置转换为0或者1，然后对编码位置随机生成N个点1，得到初始种群；

(3)个体自适应度：(K＝1，2，……N)；

这里的f_k(F₁，F₂，F₃)计算的是第K个个体f_k的目标函数，对每一个个体而言，f_k(F₁，F₂，F₃)＝w₁F₂+w₂F₃+w₃F₁＋c_min；

(4)遗传算子的选择：

①选择算子：按照确定式采样选择原则，群体中各个个体在下一代群体中期望生存的数目用n_i的整数部分[n_i]确定各个对应个体在下一代群体中的生存数目，由此可以确定下一代群体中的个个体；按照n_i的小数部分对个体进行降序排序，顺序取前个个体加入到下一代群体中，确定出下一代群体中的N个个体；这样就保证了适应度较大的一些个体一定能被保留在下一代群体中；

②自适应交叉算子：设个体f_i与f_j的海明距离为HD(f_i,f_j)，如果HD(f_i,f_j)≤1，i≠j，不做交叉，另选个体；如果HD(f_i,f_j)＞1,i≠j则交叉概率为：

其中，f_max为最大适应度值，为平均适应度值，f是进行交叉配对的个体自适应度值；

③突变算子：遗传算法中基因变异概率很小，范围一般在0.01—0.1之间，个体f的变异概率与群体及个体的适应度相关，可以用公式计算为：其中和为变异系数，且

(5)算法终止条件：对通过前面步骤得到的自带个体按其适应度从大到小进行排列，选出适应度最大的100个个体作为新的父代群体，再对其重复步骤运算，直至最优的微观选址稳定，稳定的判断条件是：连续迭代次数达到X(X为整数)代时，最优结果误差在[0，1]间时，得到最优结果结束运算。