CN103559552A - 带罚函数粒子群算法的分散式风电场微观选址系统 - Google Patents

Abstract

本发明涉及风电场微观选址的技术领域，特别涉及一种包含了风电场信息采集，风电场风功率预测以及风机站优化定位的分散式风电场微观选址系统，具体是一种基于带罚函数的双适应值粒子群算法的分散式风电场微观选址系统及方法。本发明包括风电场信息采集单元、风电场风功率预测单元、风机站选址定位单元；风电场信息采集单元是由上位机与图像处理芯片相连，风速仪与A/D转换器相连，A/D转换器与上位机相连。本发明能够更快捷地获得拟建风电场区域的风资源数据和地表信息数据，能够准确地对拟建风电场地区进行风资源预测，能对分散式风电场风机站进行优化的选址定位，填补了国内这一技术领域的空白，为电力行业作出了较大的贡献。

Description

带罚函数粒子群算法的分散式风电场微观选址系统

技术领域

本发明涉及风电场微观选址的技术领域，特别涉及一种包含了风电场信息采集，风电场风功率预测以及风机站优化定位的分散式风电场微观选址系统，具体是一种基于带罚函数的双适应值粒子群算法的分散式风电场微观选址系统及方法。

背景技术

在全球能源危机日益严重的背景下，风能以其储量大，开发方便，清洁环保等特点越来越受到人们的重视。我国的风力发电增长迅猛，累计装机容量从2006年的2600兆瓦增长至2010年的30000兆瓦，并将在“十二五”期间，以每年10000兆瓦以上的新增装机速度持续增长。

风力发电在可再生能源的利用中有着不可估量的发展前景，但是随着风电场的发展，规模不断增大，风电场所在的地形也越来越复杂，随之而来的问题也就越来越多。其中风电场微观选址即风机站的定位作为风电场建设项目的前期工程，对风电场效益及风电场的成败起着重要的作用。但是现在风电场微观选址存在着很多问题，包括对拟建风电场地区各类数据采集困难，对拟建风电场风资源情况评估不准确，以及风机站优化定位需要用到国外的WindFarmer、Wasp等软件，核心技术受制于人等情况。另外根据了解，在分散式风电蓬勃发展的今天还没有特别适合分散式风电场风机站的微观选址方法。

发明内容

为了解决以上微观选址中存在的技术问题，本发明提出了一种带罚函数粒子群算法的分散式风电场微观选址系统，即一种基于带罚函数的双适应值粒子群算法的分散式风电场微观选址系统。

本发明的目的是通过下述技术方案实现的：

带罚函数粒子群算法的分散式风电场微观选址系统，包括风电场信息采集单元、风电场风功率预测单元、风机站选址定位单元；风电场信息采集单元是由上位机与图像处理芯片相连，风速仪与A/D转换器相连，A/D转换器与上位机相连。

所述的上位机安装有GoogleEarth；图像处理芯片采用SPCA563B；风速仪为富源飞科FY-CW2风速风向仪；A/D转换器采用89C51单片机与德州仪器TLC0831模数转换芯片。

所述的SPCA563B的USB接口与上位机的USB接口相连，进行双向通信，FY-CW2风速风向仪与89C51的USB接口相连；TLC0831模数转换芯片嵌入89C51单片机中，89C51单片机与上位机的USB接口相连。

所述的风电场信息采集单元，在确定拟建风电场区域情况下，用于收集拟建风电场地区风速风向数据，拟建风电场地区粗糙度数据，障碍物数据，地形数据。

所述的风电场的数据采集单元，利用上位机安装的GoogleEarth采集拟建风电场地区的地表实时信息，将采集到的图片传输至图像处理芯片进行处理，得到拟建风电场地区粗糙度数据，障碍物数据，地形数据等，再将这些数据传递给上位机进行保存；利用风速风向仪采集到的测风点风数据，经由A/D转换器转换成数字信号，传递给上位机进行保存。

所述的风电场风功率预测单元，用于风功率预测，在全面考虑粗糙度、障碍物、地形高程、尾流作用等因素对风速影响后，对风电场各个点风速进行预测，结合风机功率曲线，得到风电场的各点的风功率密度。

所述的风电场的风功率预测单元，以风场数据采集单元得到的拟建风电场风向风速的数据为基础，综合考虑影响风速的各种因素，给出了影响风速各因素的具体物理模型和受影响后的风速变化公式，根据测风点的风速风向数据预测拟建风电场各个点的风数据，根据风机功率曲线得到各点的风功率，由各点的风功率得到风电场总的输出功率。

所述的风机站选址定位单元，是将基于带罚函数的双适应值粒子群算法应用于分散式风电场风机站的优化定位，提出利用风机站最小间隔、风电场噪声影响作为约束条件，以该约束条件为第一适应值；分散式风电场风机站设立是在变电站附近有个最优范围的，以超出分散式风机站最优范围作为罚函数，该罚函数与风电场年发电量结合成为目标函数，以该目标函数为第二适应值对风机站进行优化定位。

所述的风机站选址定位单元，提出一种基于带罚函数的双适应值粒子群算法对各个风机站进行优化定位，以风机间最小间距和风电场的噪声影响为约束条件，以该约束条件为第一适应值；以带有罚函数的风电场年发电功率为目标函数，以该目标函数为第二适应值，然后利用带约束的粒子群算法对风机站位置进行迭代优化，最终得到风机站的优化定位；

其中带罚函数的双适应值粒子群速度位置更新方程为：

$\left\{\begin{array}{cc}{v}_i(t+1)=\mathrm{\&omega;}{v}_i\left(t\right)+c_1{r}_1(z_i^p\left(t\right)-z_i\left(t\right))+c_2{r}_2(z_i^g\left(t\right)-z_i\left(t\right))& v<v_{\max }\\ z_i(t+1)=z_i\left(t\right)+v_i(t+1)& z_{\min }<z<z_{\max }\end{array}\right.---\left(1\right);$

式中：v_i(t+1)为第t+1代粒子的更新速度，z_i(t+1)表示第t+1代粒子的位置，ω为标准粒子群速度更新公式的权重，c₁c₂为学习因子，r₁、r₂为范围（0,1）的随机变量，

为个体i的个体最优位置和全局最优位置，z_min、z_max为种群位置上下限，v_max为最大速度；

第一适应值，即风机站位置约束条件为：

$f\left(z\right)=\left\{\begin{array}{cc}{(x_a-x_b)}^2+{(y_a-y_b)}^2-d_{\min }^2\&GreaterEqual;0& X_{\min }\&le;x_a,x_b\&le;X_{\max },Y_{\min }\&le;y_a,y_b\&le;Y_{\max }\\ L_{A\left(r\right)}(x_a,y_a)\&le;L_{\mathrm{limit}}& \&ForAll;a\&NotEqual;b,a,b\&Element;\{1,...N\}\end{array}\right.---\left(2\right);$

式中：f(z)为风机位置约束不等式组，（x_a，x_b），（_ya，_yb）分别为风机a，风机b的坐标，X_min、X_max为风电场横向坐标的上下限，Y_min、Y_max为风电场坐标位置的上下限，d_min为风机间最小距离，L_A(r)(x_a,y_a)为距风机a距离r处的风机噪声，L_limit为风机噪声影响限值；

第二适应值，即带有罚函数的风电场的输出功率为：

$P\left(N\right)=\underset{p=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_p\left[\underset{i}{\overset{N}{\mathrm{\&Sigma;}}}{\&Integral;}_{v_{\mathrm{in}}}^{v_{\mathrm{out}}}c\left(v\right)P_i\left(v_{\mathrm{np}}\right)\mathrm{dv}\right]+K\underset{i}{\overset{M}{\mathrm{\&Sigma;}}}\left[\right|X_i|+|Y_i\left|\right]---\left(3\right);$

式中：

为风电场的输出功率，

为罚函数，|X_i|+|Y_i|为第i台风机到最优位置的距离；

带罚函数的双适应值粒子群算法进行风机站定位步骤如下：

步骤1：设置种群参数。包括种群规模N，种群位置上下限（X_max，Y_max）、（X_min，Y_min），最大速度v_max，最大迭代次数T_max，粒子群速度位置更新公式权重、学习因子，最优值误差限ε等；

步骤2：获得满足第一适应值的初始位置z(t)和速度v(t)；随机初始化种群每个个体的初始位置z_i和速度v_i，根据约束条件f(z)计算每个个体的第一适应值，如果该个体满足约足约束，记为f(z)＝0；如果该个体不满足约束，记为f(z)≠0，如果某一个体f(z)＝0，则该个体可作为初始位置，初始速度不变，如果某一个体f(z)≠0，则按照公式（1）对该个体的速度位置进行更新，直到其满足f(z)＝0，至此，获得满足第一适应值的初始种群位置z(t)和速度v(t)；

步骤3：种群迭代过程；通过公式（1）更新种群中每个个体的速度位置，获得新种群位置z(t+1)和速度v(t+1)。若某个个体f(z_i)=0，则继续，若f(z_i)≠0，则按照公式（1）对该个体的速度位置进行更新，直到其满足f(z_i)＝0；

将满足第一适应值的z(t+1)与粒子自身经历最好位置

和种群经历的最好位置

进行比较，对于 $\&ForAll;z_i(t+1)\&Element;z(t+1)$ ，如果 $P_i\left(z_i(t+1)\right)>P\left(z_i^p\left(t\right)\right)$ 则有 $z_i^p(t+1)=z_i(t+1),$ 即单个个体最优位置被改进，否则 $z_i^p(t+1)=z_i^p\left(t\right),$ 即单个个体最优位置不变；如果P_N(z_i(t+1))＞P_N(z^g(t))，则有z^g(t+1)＝z_i(t+1)，即种群经历最好位置被改进，否则z^g(t+1)＝z_i(t)，即种群经历最好位置不变；

步骤4：对收敛条件进行判断；当最终最优值

(ε为最优值误差限）时，停止迭代，输出优化结果或者满足如果t+1＝T_max，也将停止迭代，输出优化结果，否则继续迭代，转至步骤3；

输出的优化结果为满足风机站位置约束条件且风电场年输出功率最大的风电场各风机站优化的位置坐标。

本发明的优点及有益效果是：能够更快捷地获得拟建风电场区域的风资源数据和地表信息数据，能够准确地对拟建风电场地区进行风资源预测，能对分散式风电场风机站进行优化的选址定位，填补了国内这一技术领域的空白，为电力行业作出了较大的贡献。

下面结合附图和具体实施对本发明作进一步详细的说明。

附图说明

图1是本发明风电场信息采集单元设备连接图；

图2是本发明中TLC0831模数转换芯片管脚图；

图3是本发明中TLC0831模数转换芯片与89C51单片机管脚连接图；

图4是本发明中SPCA563B单片机结构图；

图5是本发明中风电场风功率预测单元流程图；

图6是本发明中Jensen尾流模型图；

图7是本发明的步骤流程框图。

具体实施方式

本发明是一种带罚函数粒子群算法的分散式风电场微观选址系统。该系统包括风电场信息采集单元、风电场风功率预测单元及风机站选址定位单元。

风电场信息采集单元是由上位机、图像处理芯片、风速仪、A/D转换器组成。如图1所示，由上位机与图像处理芯片相连，风速仪与A/D转换器相连，A/D转换器与上位机相连。上位机安装有GoogleEarth、图像处理芯片采用SPCA563B、风速仪选用富源飞科FY-CW2风速风向仪、A/D转换器采用89C51单片机与德州仪器TLC0831模数转换芯片。

管脚连接：SPCA563B的USB接口与上位机的USB接口相连，进行双向通信，FY-CW2风速风向仪与89C51的USB接口相连，TLC0831模数转换芯片管脚图见图2，TLC0831模数转换芯片嵌入89C51单片机中，引脚连接见图3，89C51单片机与上位机的USB接口相连。

风电场信息采集单元信息采集的实现方法是由上位机采集风电场地面的实时信息，传给SPCA563B单片机进行图像处理，SPCA563B内嵌USBl.1的控制器，利用USB接口可以与PC进行通信，此外还可以由USB为SPCA563B单片机供电，SPCA563B单片机结构图详见图4，由图像处理芯片得到拟建风电场地区的高程数据，粗糙度数据，障碍物数据，再将这些数据传回给上位机保存，为风电场风速预测单元，风机站选址定位单元提供数据支持。由风速仪采集得到的风电场风速风向数据，经由A/D转换器转换成数字信号传递给上位机保存，为风电场风速预测单元提供数据支持。

风电场风功率预测单元详见图5，该单元以风场数据采集单元得到的拟建风电场风向风速的数据为基础，综合考虑高程变化模型、粗糙度变化模型、障碍物变化模型，尾流模型对拟建风电场区域风速风向的影响，得到风电场更为精确的风速风向预测数据，即可得到每个风机所在n点的在p风向的入流速度v_np，结合风机功率曲线得到风电场各点的风功率。

风电场风功率预测单元实现方法是：以风场数据采集单元得到的拟建风电场风向风速的数据为基础，综合考虑高程变化模型、粗糙度变化模型、障碍物变化模型，尾流模型得到风电场更为精确的风速预测数据，即可得到每个风机n点的在p风向的入流速度v_np，结合风机功率曲线得到风电场各点的风功率。

单台风机的输出功率为：

$P_i\left(v\right)=\left\{\begin{array}{cc}0& v<v_{\mathrm{in}}\\ {\&Integral;}_{v_{\mathrm{in}}}^{v_{\mathrm{out}}}{P}_N\frac{v^3-v_{\mathrm{in}}^3}{v_{\mathrm{out}}^3-v_{\mathrm{in}}^3}f\left(v\right)\mathrm{dv}& v_{\mathrm{in}}<v<v_{\mathrm{out}}\\ P_N& v>v_{\mathrm{out}}\end{array}\right.---\left(3\right);$

式中：P_i(v)为第i个风机的功率，v_in、v_out为风机额定的切入、切出风速，f(v)为风速的概率分布函数，f(v)采用威布尔分布a、k是威布尔分布的两个参数，a为尺度参数、k为形状参数。

风电场功率预测单元，其高程变化模型特征是：假设边界层为中性边界层（考虑到中性边界层理论完整，兼有其他边界层共性），风速随高度的变化服从普朗特经验公式，即风速随高度变化的幂定律公式：

$V_n=V_1{\left[\frac{H_n}{H_1}\right]}^{\mathrm{\&alpha;}}---\left(4\right);$

式中：V_n--H_n高度处的风速；V₁--H₁高度处的风速；α--风切变指数 $\mathrm{\&alpha;}=\lg \left[\frac{V_n}{V_1}\right]/\lg \left[\frac{H_n}{H_1}\right].$

风电场功率预测单元，其障碍物变化模型用于求解在障碍物作用下的风速减小情况，特征在于：

$\frac{\mathrm{\&Delta;v}}{v}=9.8{\left(\frac{z_a}{h}\right)}^{0.14}*\frac{x}{h}(1-P)\mathrm{\&beta;exp}(-0.67{\mathrm{\&beta;}}^{1.5})---\left(5\right);$

其中： $\mathrm{\&beta;}=\frac{z_a}{h}{[\frac{0.32}{\ln (h/z_a)}*\frac{x}{h}]}^{-0.47}---\left(6\right);$

Δv—障碍物遮蔽效应造成的风速减小量；

v—上游风速；

x—考察点与障碍物的距离；

h—障碍物的高度；

z_a—考察点的高度；

P—障碍物的孔隙度；

根据障碍物变化模型可以计算得到风速经过障碍物后的变化情况。

风电场功率预测单元，其粗糙度变化模型特征是：用受到粗糙度影响后的对数风廓线的变化来表示粗糙度对风速的影响。

对数风廓线是能表征风速随高度的变化曲线，当粗糙度变化时风廓线也会随着发生变化，当粗糙度从z₀变化到z₁时，对数风廓线也会随着变化，其变化公式为：

$v\left(z\right)=\left\{\begin{array}{cc}{v}^{\text{'}}\frac{\ln (z/z_0)}{\ln (0.3h/z_1)},& z\&GreaterEqual;0.3h\\ v^{\text{'}\text{'}}+(v^{\text{'}}-v^{\text{'}\text{'}})\frac{\ln (z/0.09h)}{\ln (0.3/0.09)},& 0.09h\&le;z\&le;0.3h\\ v^{\text{'}\text{'}}\frac{\ln (z/z_1)}{\ln (0.09h/z_1)},& z\&le;0.09h\end{array}\right.---\left(7\right);$

式中： $v^{\text{'}}=\left(\frac{v_{*1}}{k}\right)\ln \left(\frac{0.3h}{z_0}\right),v^{\text{'}\text{'}}=\left(\frac{v_{*2}}{k}\right)\ln \left(\frac{0.09h}{z_1}\right),$ v_*1、v_*2分别对应z₀、z₁的摩擦速度，k是卡曼常数，k=0.4，h为内边界层高度，h由下式确定：

$\frac{h}{z^{\text{'}}}(\ln \frac{h}{z^{\text{'}}}-1)=0.9\frac{x}{z^{\text{'}}}---\left(8\right);$

式中：z'＝max(z₀,z₁)；x为粗糙度变化位置与风机站点的距离。

其中粗糙度与摩擦速度之间的关系：

$\frac{v_{*2}}{v_{*1}}=\frac{\ln (h/z_0)}{\ln (h/z_1)}---\left(9\right);$

由对数风廓线v(z)可得到经粗糙度变化后风机站位置轮毂高度处的风速。

风电场功率预测单元,其尾流模型采用Jensen模型，确定尾流效应的物理因素主要有机组间的距离、风电机组的功率特性和推力特性以及风的湍流强度。

Jensen模型如附图6所示：

Jensen模型的动能方程式为：

$\left\{\begin{array}{c}\mathrm{\&rho;\&pi;}{R}_w^2{v}_x=\mathrm{\&rho;\&pi;}{R}^2{v}_t+\mathrm{\&rho;\&pi;}(R_w^2-R^2)v_0\\ \frac{d{R}_w}{\mathrm{dt}}=k_w({\mathrm{\&sigma;}}_G+{\mathrm{\&sigma;}}_0)\\ \frac{d{R}_w}{\mathrm{dx}}=\frac{d{R}_w}{\mathrm{dt}}\frac{\mathrm{dt}}{\mathrm{dx}}=k_w({\mathrm{\&sigma;}}_G+{\mathrm{\&sigma;}}_0)/v\end{array}\right.---\left(10\right);$

式中R、R_w分别为叶轮半径和尾流半径；v₀、v_t、v_x分别为自然风速、通过转子的风速和受到尾流影响的风速；σ_G、σ₀分别为风电机组产生的湍流和自然湍流的均方差，通常情况下σ_G＝0.08v₀、σ₀＝0.12v₀。式中k_w是一常数，令尾流下降系数k＝k_w(σ_G+σ₀)/v。

由于 $v_t=v_0\sqrt{1-C_t},$ C_t为风电机组推力系数。

所以： $v_x=v_0[1-(1-\sqrt{1-C_t}){\left(\frac{R}{R+\mathrm{KX}}\right)}^2]---\left(11\right);$

即风机下游距离为X位置处的尾流风速为v_x。

根据以上物理模型能够准确地预测出拟建风电场区域内各点的风资源情况,结合公式（2）可求得拟建风电场各点的风功率。

风机站选址定位单元，该单元采用带罚函数的双适应值粒子群算法对分散式风电场风机站进行优化选址，以风机间最小间隔和风电场的噪声影响为约束条件，以该约束条件为第一适应值，在分散式风电场建设中，在已有变电站附近某一范围内为风机站定位最优位置，超出这一范围就会使风电场的建设成本和运营成本大大提升，所以以风机站是否在最优范围及距离最优范围的距离作为罚函数，以带罚函数的风电场年输出功率为目标函数，以该目标函数为第二适应值，风机站位置约束条件为：

$f\left(z\right)=\left\{\begin{array}{cc}{(x_a-x_b)}^2+{(y_a-y_b)}^2-d_{\min }^2\&GreaterEqual;0& X_{\min }\&le;x_a,x_b\&le;X_{\max },Y_{\min }\&le;y_a,y_b\&le;Y_{\max }\\ L_{A\left(r\right)}\left(x_{a,}{y}_a\right)\&le;L_{\mathrm{limit}}& \&ForAll;a\&NotEqual;b,a,b\&Element;\{1,...N\}\end{array}\right.---\left(1\right);$

带罚函数的风电场年输出功率为：

$P\left(N\right)=\underset{p=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_p\left[\underset{i}{\overset{N}{\mathrm{\&Sigma;}}}{\&Integral;}_{v_{\mathrm{in}}}^{v_{\mathrm{out}}}c\left(v\right)P_i\left(v_{\mathrm{np}}\right)\mathrm{dv}\right]+K\underset{i}{\overset{M}{\mathrm{\&Sigma;}}}\left[\right|X_i|+|Y_i\left|\right]---\left(2\right);$

利用带罚函数的双适应值粒子群算法对风机站位置进行迭代，最终得到优化的风机站定位。

风机站选址定位单元实现方法是基于带罚函数的双适应值粒子群算法对风机站进行优化选址，风电场风机站位置约束条件f(z)为第一适应值，带罚函数的风电场年输出功率P(N)为第二适应值。

风机站位置约束条件f(z)有以下约束原则求得：

①.为保证风机运行安全和尽量减小尾流损失，风机间必须满足最小允许距离d的要求。

②.风机产生的噪声会对人体和自然环境产生危害，风场的风机排布必须满足风机噪声限值的要求。

噪声的计算公式：L_A(r)＝L_A(r0)-20lg(r/r₀)-(A_atm+A_bar+A_gr+A_misc)dB(A)（10）

式中：L_A(r)为与风机发电机轴心距离为r的处噪声值，L_A(r0)为风力发电机下的噪声值，A_atm为空气吸收引起的噪声衰减量，A_bar为由遮挡物引起的噪声衰减量，A_gr为由地面效应引起的噪声衰减量，A_misc为由其他因素引起的噪声衰减量。在建立N台风机的风场中，每台风机的坐标向量为z＝(x_a,y_a)a∈{1……N}所以约束条件为：

$f\left(z\right)=\left\{\begin{array}{cc}{(x_a-x_b)}^2+{(y_a-y_b)}^2-d_{\min }^2\&GreaterEqual;0& X_{\min }\&le;x_a,x_b\&le;X_{\max },Y_{\min }\&le;y_a,y_b\&le;Y_{\max }\\ L_{A\left(r\right)}(x_a,y_a)\&le;L_{\mathrm{limit}}& \&ForAll;a\&NotEqual;b,a,b\&Element;\{1,...N\}\end{array}\right.---\left(12\right)$

式中：f(z)为风机位置约束不等式组，（x_a，x_b），（y_a，y_b）分别为风机a，风机b的坐标，X_min、X_max为风电场横向坐标的上下限，Y_min、Y_max为风电场纵坐标位置的上下限，d_min为风机间最小间距，L_A(r)(x_a,y_a)为距风机a距离r处的风机噪声，L_limit为风机噪声影响限值。

风机噪声影响限值L_limit由表1确定，详见表1，需要注意的是：该表确定的是允许风电场噪声排放的最高限值。

风电场年输出功率P(N)的计算公式为:

$P\left(N\right)=\underset{p=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_p\left[\underset{i}{\overset{N}{\mathrm{\&Sigma;}}}{\&Integral;}_{v_{\mathrm{in}}}^{v_{\mathrm{out}}}c\left(v\right)P_i\left(v_{\mathrm{np}}\right)\mathrm{dv}\right]+K\underset{i}{\overset{M}{\mathrm{\&Sigma;}}}\left[\right|X_i|+|Y_i\left|\right]---\left(13\right);$

式中：M为风向数目，ρ_p为在p风向上所占比例，c(v)为风速分布函数，N为风机台数，P_i(v_np)为第i台风机在p风向上的发电功率，K是惩罚因子。|X_i|+|Y_i|为第i台风机到最优位置的距离，|X_i|+|Y_i|由下式求得：

由模拟实验得到，惩罚因子K一般取值在10～20之间为最佳，K的取值随着风机台数，风机容量及最优范围的不同而产生变化。

粒子速度运动方程采用标准粒子群速度位置更新方程：

$\left\{\begin{array}{cc}{v}_i(t+1)=\mathrm{\&omega;}{v}_i\left(t\right)+c_1{r}_1(z_i^p\left(t\right)-z_i\left(t\right))+c_2{r}_2(z_i^g\left(t\right)-z_i\left(t\right))& v<v_{\max }\\ z_i(t+1)=z_i\left(t\right)+v_i(t+1)& z_{\min }<z<z_{\max }\end{array}\right.---\left(15\right);$

式中ω为标准粒子群速度更新公式的权重，c₁c₂为学习因子，权重ω随着迭代次数t增加而线性减小，ω的变化满足公式：

一般取ω_min＝0.4,ω_max＝1.4，r₁、r₂为范围（0,1）的随机变量，

为个体i的个体最优位置和全局最优位置，

分别由P_i(v)、P(N)计算得到，z_min、z_max为种群位置上下限，v_max为最大速度。

基于带罚函数的双适应值粒子群算法进行分散式风电场微观选址的步骤：流程详见图7。

步骤1:设置种群参数，包括种群规模N，种群位置上限（X_max，Y_max）、下限（X_min，Y_min），最大速度v_max、最大迭代次数T_max，标准粒子群速度位置更新公式的权重ω、学习因子c₁c₂，其中权重ω随着迭代次数t增加而线性减小，ω的变化满足公式：

一般取ω_min＝0.4,ω_max＝1.4，最优值误差限ε＝1*10^-4。

步骤2：获得满足第一适应值的初始种群位置z(t)和速度v(t)，随机初始化种群每个个体的初始位置z_i、速度v_i，根据约束条件f(z)计算每个个体的第一适应值，如果该个体满足约束，记为f(z)＝0；如果该个体不满足约束，记为f(z)≠0。如果某一个体f(z)＝0，则该个体可作为初始位置，初始速度不变，如果某一个体f(z)≠0，则按照公式（15）对该个体的速度位置进行更新，直到其满足f(z)＝0，至此，获得满足第一适应值的初始种群位置z(t)和速度v(t)。

步骤3：种群迭代过程，通过公式（15）更新种群中每个个体的速度位置，获得新种群位置z(t+1)和速度v(t+1)。若某个个体f(z_i)=0，则继续，若f(z_i)≠0，则按照公式（15）对该个体的速度位置进行更新，直到其满足f(z_i)＝0。

将满足第一适应值的z(t+1)与粒子自身经历最优位置和种群经历的最优位置

进行比较，对于 $\&ForAll;z_i(t+1)\&Element;z(t+1),$ 如果 $P_i\left(z_i(t+1)\right)>P\left(z_i^p\left(t\right)\right)$ 则有 $z_i^p(t+1)=z_i(t+1),$ 即单个个体最优位置被改进，否则 $z_i^p(t+1)=z_i^p\left(t\right),$ 即单个个体最优位置不变；如果P_N(z_i(t+1))＞P_N(z^g(t))，则有z^g(t+1)＝z_i(t+1)，即种群经历最好位置被改进，否则z^g(t+1)＝z_i(t)，即种群经历最好位置不变。

步骤4：对收敛条件进行判断，当最终最优值

为最优值误差限）时，停止迭代，输出优化结果或者达到最大迭代次数，t+1＝T_max时，也将停止迭代，输出优化结果，否则继续迭代，转至步骤3。

最终得到满足风机站位置约束，分散式风电场年输出功率最大的风场风机站优化排布。输出优化后各风机站的位置坐标。

表1风电场噪声排放限值，单位dB

Claims (9)

1.带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：

包括风电场信息采集单元、风电场风功率预测单元、风机站选址定位单元；风电场信息采集单元是由上位机与图像处理芯片相连，风速仪与A/D转换器相连，A/D转换器与上位机相连。

2.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的上位机安装有Google Earth；图像处理芯片采用SPCA563B；风速仪为富源飞科FY-CW2风速风向仪；A/D转换器采用89C51单片机与德州仪器TLC0831模数转换芯片。

3.根据权利要求2所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的SPCA563B的USB接口与上位机的USB接口相连，进行双向通信，FY-CW2风速风向仪与89C51的USB接口相连；TLC0831模数转换芯片嵌入89C51单片机中，89C51单片机与上位机的USB接口相连。

4.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的风电场信息采集单元，在确定拟建风电场区域情况下，用于收集拟建风电场地区风速风向数据，拟建风电场地区粗糙度数据，障碍物数据，地形数据。

5.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的风电场的数据采集单元，利用上位机安装的Google Earth采集拟建风电场地区的地表实时信息，将采集到的图片传输至图像处理芯片进行处理，得到拟建风电场地区粗糙度数据，障碍物数据，地形数据等，再将这些数据传递给上位机进行保存；利用风速风向仪采集到的测风点风数据，经由A/D转换器转换成数字信号，传递给上位机进行保存。

6.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的风电场风功率预测单元，用于风功率预测，在全面考虑粗糙度、障碍物、地形高程、尾流作用等因素对风速影响后，对风电场各个点风速进行预测，结合风机功率曲线，得到风电场的各点的风功率密度。

7.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的风电场的风功率预测单元，以风场数据采集单元得到的拟建风电场风向风速的数据为基础，综合考虑影响风速的各种因素，给出了影响风速各因素的具体物理模型和受影响后的风速变化公式，根据测风点的风速风向数据预测拟建风电场各个点的风数据，根据风机功率曲线得到各点的风功率，由各点的风功率得到风电场总的输出功率。

8.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的风机站选址定位单元，是将基于带罚函数的双适应值粒子群算法应用于分散式风电场风机站的优化定位，提出利用风机站最小间隔、风电场噪声影响作为约束条件，以该约束条件为第一适应值；分散式风电场风机站设立是在变电站附近有个最优范围的，以超出分散式风机站最优范围作为罚函数，该罚函数与风电场年发电量结合成为目标函数，以该目标函数为第二适应值对风机站进行优化定位。

9.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的风机站选址定位单元，提出一种基于带罚函数的双适应值粒子群算法对各个风机站进行优化定位，以风机间最小间距和风电场的噪声影响为约束条件，以该约束条件为第一适应值；以带有罚函数的风电场年发电功率为目标函数，以该目标函数为第二适应值，然后利用带约束的粒子群算法对风机站位置进行迭代优化，最终得到风机站的优化定位；

其中带罚函数的双适应值粒子群速度位置更新方程为：

$\left\{\begin{array}{cc}{v}_i(t+1)=\mathrm{\&omega;}{v}_i\left(t\right)+c_1{r}_1(z_i^p\left(t\right)-z_i\left(t\right))+c_2{r}_2(z_i^g\left(t\right)-z_i\left(t\right))& v<v_{\max }\\ z_i(t+1)=z_i\left(t\right)+v_i(t+1)& z_{\min }<z<z_{\max }\end{array}\right.---\left(1\right);$

式中：v_i(t+1)为第t+1代粒子的更新速度，z_i(t+1)表示第t+1代粒子的位置，ω为标准粒子群速度更新公式的权重，c₁c₂为学习因子，r₁、r₂为范围（0,1）的随机变量，

为个体i的个体最优位置和全局最优位置，z_min、z_max为种群位置上下限，v_max为最大速度；

第一适应值，即风机站位置约束条件为：

$f\left(z\right)=\left\{\begin{array}{cc}{(x_a-x_b)}^2+{(y_a-y_b)}^2-d_{\min }^2\&GreaterEqual;0& X_{\min }\&le;x_a,x_b\&le;X_{\max },Y_{\min }\&le;y_a,y_b\&le;Y_{\max }\\ L_{A\left(r\right)}(x_a,y_a)\&le;L_{\mathrm{limit}}& \&ForAll;a\&NotEqual;b,a,b\&Element;\{1,...N\}\end{array}\right.---\left(2\right);$

式中：f(z)为风机位置约束不等式组，（x_a，x_b），（y_a，y_b）分别为风机a，风机b的坐标，X_min、X_max为风电场横向坐标的上下限，Y_min、Y_max为风电场坐标位置的上下限，d_min为风机间最小距离，L_A(r)(x_a,y_a)为距风机a距离r处的风机噪声，L_limit为风机噪声影响限值；

第二适应值，即带有罚函数的风电场的输出功率为：

$P\left(N\right)=\underset{p=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_p\left[\underset{i}{\overset{N}{\mathrm{\&Sigma;}}}{\&Integral;}_{v_{\mathrm{in}}}^{v_{\mathrm{out}}}c\left(v\right)P_i\left(v_{\mathrm{np}}\right)\mathrm{dv}\right]+K\underset{i}{\overset{M}{\mathrm{\&Sigma;}}}\left[\right|X_i|+|Y_i\left|\right]---\left(3\right);$

式中：

为风电场的输出功率，

为罚函数，|X_i|+|Y_i|为第i台风机到最优位置的距离；

带罚函数的双适应值粒子群算法进行风机站定位步骤如下：

步骤1：设置种群参数。包括种群规模N，种群位置上下限（X_max，Y_max）、（X_min，Y_min），最大速度v_max，最大迭代次数T_max，粒子群速度位置更新公式权重、学习因子，最优值误差限ε等；

步骤2：获得满足第一适应值的初始位置z(t)和速度v(t)；随机初始化种群每个个体的初始位置z_i和速度v_i，根据约束条件f(z)计算每个个体的第一适应值，如果该个体满足约足约束，记为f(z)＝0；如果该个体不满足约束，记为f(z)≠0，如果某一个体f(z)＝0，则该个体可作为初始位置，初始速度不变，如果某一个体f(z)≠0，则按照公式（1）对该个体的速度位置进行更新，直到其满足f(z)＝0，至此，获得满足第一适应值的初始种群位置z(t)和速度v(t)；

步骤3：种群迭代过程；通过公式（1）更新种群中每个个体的速度位置，获得新种群位置z(t+1)和速度v(t+1)。若某个个体f(z_i)=0，则继续，若f(z_i)≠0，则按照公式（1）对该个体的速度位置进行更新，直到其满足f(z_i)＝0；

将满足第一适应值的z(t+1)与粒子自身经历最好位置

和种群经历的最好位置

进行比较，对于 $\&ForAll;z_i(t+1)\&Element;z(t+1),$ 如果 $P_i\left(z_i(t+1)\right)>P\left(z_i^p\left(t\right)\right)$ 则有 $z_i^p(t+1)=z_i(t+1),$ 即单个个体最优位置被改进，否则 $z_i^p(t+1)=z_i^p\left(t\right),$ 即单个个体最优位置不变；如果P_N(z_i(t+1))＞P_N(z^g(t))，则有z^g(t+1)＝z_i(t+1)，即种群经历最好位置被改进，否则z^g(t+1)＝z_i(t)，即种群经历最好位置不变；

步骤4：对收敛条件进行判断；当最终最优值(ε为最优值误差限）时，停止迭代，输出优化结果或者满足如果t+1＝T_max，也将停止迭代，输出优化结果，否则继续迭代，转至步骤3；

输出的优化结果为满足风机站位置约束条件且风电场年输出功率最大的风电场各风机站优化的位置坐标。

Images