CN105139269A - 一种多期风电场微观选址方法 - Google Patents

Abstract

本发明涉及一种多期风电场微观选址方法，通过区域网格化，基于全局搜索能力极强的遗传算法，并在遗传算法中加入禁忌搜索，在可移动的网格邻域内对最优解风机位置进行微调，使得算法在优化过程中拥有较好的稳定性和克服早熟的能力，弥补了遗传算法局部搜索能力不足的缺点，提高了整体算法性能，并且能够有效处理不规则形状风电场的优化排布。相比于传统的分步优化多期风电场，本发明的优化过程考虑不同期内风电场间的尾流影响，有助于提高风力机的发电效率，追求风电场长期最优收益。本发明的方法可扩展至类似问题的求解之中，研究成果有利于提高风电场的风能利用效率和经济效益，具有较强的实用性。

Description

一种多期风电场微观选址方法

技术领域

本发明涉及一种风电场微观选址方法，尤其是涉及一种多期风电场微观选址方法。

背景技术

风能作为一种新型清洁可再生能源，具有非常广阔的应用和开发前景。风力发电通过风力机将风能转化为电能，主要目的是节约传统化石能源，以满足日益增长的能源需求并减少环境污染。

目前，风能利用率不高的问题仍然是制约风电市场发展的关键因素，如何进一步提高风电效率也是国内外学者研究的重点。合理规划风电场中风机排布是提高风能利用率的重要手段之一，对于风电场规划设计的研究主要集中于风电场微观选址技术。风电场微观选址是根据宏观选址选定风场的风向、风速、地形、地貌等特征以及风机特性对风机位置、台数、型号、塔高、风机之间道路以及电缆连接进行联合优化的理论与技术。微观选址排布优化方法是提高风电场风能资源利用率和功率输出的关键方法，能够通过有效的风机位置排布使整个风电场具有最大的经济效益，有助于实现风电场建设的合理决策与科学发展。风电场微观选址优化问题是一个无解析解的复杂优化问题，难以通过梯度信息求解，需要运用先进控制理论进行优化决策，目前用于求解风电场微观选址的优化方法主要包括遗传算法、贪婪算法、粒子群优化算法等。

由于初始投资预算、地形条件、当地政策等因素，现代大型风电场经常需要通过分期的方式完成整个项目的建设，合理的工程管理与有效的风电场微观选址策略对风电场项目经济效益至关重要。然而目前国内外对于多期风电场项目管理方法的研究比较有限，大多依据传统的经验实施对于多期风电场分步优化决策，即仅仅优化当前可用风机在一定区域内的排布方式，以期在较短的时间内获得较高的经济收益，却忽视了不同期风机间尾流的影响，以致对项目的整体收益造成重大损失。因此如何有效管理多期风电场项目，合理规划多期风电场内风力机的排布方式，进一步提高风力机的发电效率和风电场的经济效益仍然是微观选址领域的难题之一。

申请号为201210459400.X，申请日为2012-11-15的专利公开了一种基于二进制编码遗传算法的风机微观选址方法，该方法根据不同地形选择不同的风力机尾流模型计算风电场的投资维护费用等，使得风电场经济效益最大化，然而该方法没有对多期风电场的风机尾流影响进行考虑。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑不同期风电场风力机间的尾流影响，以整个风电场项目的经济效益为优化目标的风电场微观选址方法。

本发明的目的可以通过以下技术方案来实现：

一种多期风电场微观选址方法，包括以下步骤：

(1)获取风电场区域和各期风电场起止时间，计算各期风电场投资成本；

(2)根据风电场形状及风机型号，将风电场区域划分为满足最小约束距离的N个大小相等的正方形网格，随机生成M个长度为N的二进制字符串，所述二进制字符串中，字符“1”表示网格中心位置有一台风机，字符“0”表示网格中无风机；

(3)设定遗传算法的优化目标为个体净现值NPV，表达为如下：

其中，I_j为第j期风电场的投资，j＝1,2,...,n，n为风电场总期数，AEP_k代表第k年风电场的总产能，代表第k年风电场运行和维护费用，Y_js与Y_je分别表示第j期风电场开始和结束的时间，p为当地每千瓦时电价，C_O&M为风电场年运行维护费用，Δp与ΔC_O&M为二者的年均增长率，r为年利率；

(4)设定遗传算法的最大迭代次数，将步骤(2)中的M个二进制字符串作为遗传算法的初始种群，计算种群中当前代所有初始个体的个体适应度f_i，f_i＝NPV，i＝1，2，...，M；

(5)使用遗传算法优化迭代出风电场微观选址方案。

所述的步骤(5)具体包括：

(5-1)对当代个体进行选择运算，选出作为父代个体的个体；

(5-2)利用交叉变异算子对父代个体进行交叉变异运算，生成子代个体；

(5-3)计算子代个体的个体适应度f_i，将适应度值最高的个体作为禁忌搜索算法的初始解，利用禁忌搜索算法计算初始解的邻域解，将初始解和邻域解中的较大值作为最优解；

(5-4)判断当前是否达到最大迭代次数，若是，则最优解为步骤(5-3)中的最优解；若否，则返回步骤(5-1)。

所述的步骤(5-1)具体包括：

(5-1a)计算群体中所有个体的个体适应度的总和Σf_i，i＝0，1，2…，M；

(5-1b)计算每个被遗传到下一代的概率p_i，p_i＝f_i/Σf_i；

(5-1c)每个个体在区间[0，1]上占据一个概率区间，概率区间大小为该个体的p_i，各概率区间之间无交集；

(5-1d)产生M个[0，1]上的随机数，每个概率区间上出现随机数的次数为对应个体作为父代个体的次数。

所述的步骤(1)中，风电场区域为不规则几何形状。

所述利用交叉变异算子对父代个体进行交叉变异运算具体为：

采用“均匀交叉”的方式作为交叉算子，通过交叉算子，子代继承两个父代的混合基因；采用“位翻转”方式作为变异算子，以改变选中基因座中对应位的信息。

与现有技术相比，本发明具有以下优点：

1)相比于分步优化多期风电场，多期风电场同步优化目标是风电场项目整体的经济效益，本发明的优化过程考虑不同期内风电场间的尾流影响，有助于提高风力机的发电效率，追求风电场长期最优收益。

2)传统的算法难以解决形状不规则的风电场的优化问题，本发明通过区域网格化，能够有效处理不规则形状风电场的优化排布。

3)选址方案的计算使用基于全局搜索能力极强的遗传算法，并加入禁忌搜索，使得算法在优化过程中拥有较好的稳定性和克服早熟的能力，弥补了遗传算法局部搜索能力不足的缺点，提高了整体算法性能。

4)本发明的方法可扩展至类似问题的求解之中，研究成果有利于提高风电场的风能利用效率和经济效益，具有较强的实用性。

附图说明

图1为本发明的流程图；

图2为风力机潜在位置与染色体字符串的关系示意图；

图3为多期风电场项目时间轴示意图，LT表示项目终止时间；

图4为两期风电场项目时间轴示意图；

图5(a)、(b)、(c)分别为三期风电场项目的三种时间轴示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，一种风电场微观选址方法，具体包括以下步骤：

S01，结合实际工程建设需求，确定风电场区域、各期风电场起止时间，然后计算各期风电场投资成本。如图3所示，为多期风电场项目时间轴示意图。

风电场各期的起止时间直接影响到风电场中风机数量和年发电量，进而影响到风电场整体的投资、经济效益和维护成本等。

以往的关于风电场问题的研究中，为了避免计算和仿真的复杂度，风电场形状多选择规则的矩形区域，然而实际中存在不规则的风电场形状，传统的算法难以解决相关优化问题，本发明所提出的方法能够有效处理不规则形状风电场的优化排布问题，本发明中的风电场区域即不规则几何形状。

S02，将风电场区域划分为N个矩形网格，网格大小满足所选风机型号的最小约束距离。随机生成M个二进制字符串，M的选择影响种群最终的优化结果，一般不小于染色体长度。风力机位置放置于网格中心以处理风力机间的位置约束，随机生成与网格数量相同的染色体二进制字符串作为算法的初始解，将字符串依次置于风电场网格中，其中0代表网格无风力机，1代表网格中放置风力机，进而完成编码过程。如图2所示，为染色体字符串与风力机位置关系。

S03，设定遗传算法优化目标，所述优化目标为个体的净现值NPV，一个典型n期风电场净现值可以表达为(1)：

其中，I_j为第j期风电场的投资，j＝1,2,...,n，AEP_k代表第k年风电场的总产能，代表第k年风电场运行和维护费用，Y_js与Y_je分别表示第j期风电场开始和结束的时间(Y_2s即为第2期风电场开始时间)，p为当地每千瓦时电价，C_O&M为风电场年运行维护费用，Δp与ΔC_O&M为二者的年均增长率，r为年利率；同步优化多期风电场的意义在于在风电场建设初期即考虑到今后多期风力机间的尾流影响，从而实现风电场整体效益的最大化。

上述模型是基于图3中的时间轴确定的，是一个通用的模型，但是根据不同的具体情况，实际风电场建设的时间节点也不一样，有些建设期内会出现多次交叉，建设期数越多，模型描述越复杂，需要分情况讨论，公式会冗长难懂。而该模型能够基本反映多期风电场建设中各个阶段的资金流入和流出情况，但是需要根据具体情况进行调整。

以如图4所示的两期风电场为例，其NPV的计算可表示为：

然而，若以三期风电场为例，三期风电场时间节点关系更为复杂，有多种不同情况，如图5所示，因此，实际NPV模型需要根据风电场建设的具体情况得出，通用的公式模型难以以简单的方式描述，因此我们采用修订后的NPV模型，但实际情况还是需要具体调整。

S04，设定遗传算法的最大迭代次数，将步骤(2)中的M个二进制字符串作为遗传算法的初始种群，利用公式(1)计算种群中当前代的所有初始个体适应度值f_i，i＝1，2，...，M。

S05，对当代个体进行选择运算，选出作为父代个体的个体，具体包括以下步骤：

S0501，计算群体中所有个体的个体适应度的总和Σf_i。

S0502，计算每个被遗传到下一代的概率p_i，p_i＝f_i/Σf_i，i＝0，1，2，…，M。

S0503，每个个体在区间[0，1]上占据一个概率区间，概率区间大小为该个体的p_i，各概率区间之间无交集。

S0504，产生M个[0，1]上的随机数，每个概率区间上出现随机数的次数为对应个体作为父代个体的次数。

S06，利用交叉变异算子对父代个体进行交叉变异运算，生成子代个体，所述交叉变异运算具体为：采用“均匀交叉”的方式作为交叉算子，通过交叉算子，子代继承两个父代的混合基因；采用“位翻转”方式作为变异算子，以改变选中基因座中对应位的信息。

S07，利用公式(1)计算子代个体的个体适应度，将最优解作为禁忌搜索算法的初始解，利用禁忌搜索算法计算初始解的邻域解，将初始解和邻域解中的较大值作为最优解。

遗传算法是一种有效的全局搜索算法，然而传统的遗传算法局部搜索能力有限，搜索过程容易陷入早熟情况。本发明的算法对当前代的最优解引入禁忌搜索算法，将该最优解作为禁忌搜索的初始解，搜索最优解的邻域解，即对于当前最优排布结果，在可移动的网格邻域内对风机位置进行微调，通过比较调整前后排布结果的适应度值大小得出种群中最优解，提高了算法的局部搜索能力，从而进一步提高了算法的整体搜索性能。

S08，判断当前是否达到最大迭代次数，若是，则进入步骤S09；若否，则返回步骤S05。

S09，迭代计算结束，最终微观选址方案为步骤S07中的最优解。

Claims (5)

1.一种多期风电场微观选址方法，其特征在于，包括以下步骤：

(1)获取风电场区域和各期风电场起止时间，计算各期风电场投资成本；

(2)根据风电场形状及风机型号，将风电场区域划分为满足最小约束距离的N个大小相等的正方形网格，随机生成M个长度为N的二进制字符串，所述二进制字符串中，字符“1”表示网格中心位置有一台风机，字符“0”表示网格中无风机；

(3)设定遗传算法的优化目标为个体净现值NPV，表达为如下：

其中，I_j为第j期风电场的投资，j＝1,2,...,n，n为风电场总期数，AEP_k代表第k年风电场的总产能，代表第k年风电场运行和维护费用，Y_js与Y_je分别表示第j期风电场开始和结束的时间，p为当地每千瓦时电价，C_O&M为风电场年运行维护费用，Δp与ΔC_O&M为二者的年均增长率，r为年利率；

(4)设定遗传算法的最大迭代次数，将步骤(2)中的M个二进制字符串作为遗传算法的初始种群，计算种群中当前代所有初始个体的个体适应度f_i，f_i＝NPV，i＝1，2，...，M；

(5)使用遗传算法优化迭代出风电场微观选址方案。

2.根据权利要求1所述的一种多期风电场微观选址方法，其特征在于，所述的步骤(5)具体包括：

(5-1)对当代个体进行选择运算，选出作为父代个体的个体；

(5-2)利用交叉变异算子对父代个体进行交叉变异运算，生成子代个体；

(5-3)计算子代个体的个体适应度f_i，将适应度值最高的个体作为禁忌搜索算法的初始解，利用禁忌搜索算法计算初始解的邻域解，将初始解和邻域解中的较大值作为最优解；

(5-4)判断当前是否达到最大迭代次数，若是，则最优解为步骤(5-3)中的最优解；若否，则返回步骤(5-1)。

3.根据权利要求2所述的一种多期风电场微观选址方法，其特征在于，所述的步骤(5-1)具体包括：

(5-1a)计算群体中所有个体的个体适应度的总和Σf_i，i＝0，1，2…，M；

(5-1b)计算每个被遗传到下一代的概率p_i，p_i＝f_i/Σf_i；

(5-1c)每个个体在区间[0，1]上占据一个概率区间，概率区间大小为该个体的p_i，各概率区间之间无交集；

(5-1d)产生M个[0，1]上的随机数，每个概率区间上出现随机数的次数为对应个体作为父代个体的次数。

4.根据权利要求1所述的一种多期风电场微观选址方法，其特征在于，所述的步骤(1)中，风电场区域为不规则几何形状。

5.根据权利要求2所述的一种多期风电场微观选址方法，其特征在于，所述利用交叉变异算子对父代个体进行交叉变异运算具体为：

采用“均匀交叉”的方式作为交叉算子，通过交叉算子，子代继承两个父代的混合基因；采用“位翻转”方式作为变异算子，以改变选中基因座中对应位的信息。