CN105512472A - 大型风电基地功率汇集系统拓扑结构分层优化设计及其优化设计方法 - Google Patents

大型风电基地功率汇集系统拓扑结构分层优化设计及其优化设计方法 Download PDF

Info

Publication number
CN105512472A
CN105512472A CN201510864659.6A CN201510864659A CN105512472A CN 105512472 A CN105512472 A CN 105512472A CN 201510864659 A CN201510864659 A CN 201510864659A CN 105512472 A CN105512472 A CN 105512472A
Authority
CN
China
Prior art keywords
population
station
wind
formula
collects
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510864659.6A
Other languages
English (en)
Other versions
CN105512472B (zh
Inventor
苗淼
张祥成
田旭
靳宝宝
彭飞
郭京兆
李兴源
陈云超
王曦
黄睿
王超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Qinghai Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Qianghai Electric Power Co Ltd
Original Assignee
State Grid Qinghai Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Qianghai Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Qinghai Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Qianghai Electric Power Co Ltd filed Critical State Grid Qinghai Electric Power Co Ltd
Priority to CN201510864659.6A priority Critical patent/CN105512472B/zh
Publication of CN105512472A publication Critical patent/CN105512472A/zh
Application granted granted Critical
Publication of CN105512472B publication Critical patent/CN105512472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16ZINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00Subject matter not provided for in other main groups of this subclass
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70Smart grids as climate change mitigation technology in the energy generation sector
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Wind Motors (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种大型风电基地功率汇集系统拓扑结构分层优化设计及其优化设计方法,其特点是该优化设计包括两个方面:其一是大型风电基地的风电场与汇集站以及不同电压等级汇集站之间拓扑结构优化设计;其二是大型风电基地的风电场内部风电机组之间以及风电机组与变电站之间拓扑结构优化设计;所述优化设计方法包括三个步骤:其一是采用改进单亲遗传算法得到经济性指标Ctotal;其二是采用蒙特卡洛法得到可靠性指标R;其三是根据经济性指标和可靠性指标,以min(OBJ)=λ1Ctotal2R为评估原则,确定功率汇集系统拓扑结构,其中OBJ为拓扑结构评估指标,Ctotal为经济性指标,R为可靠性指标。<!-- 2 -->

Description

大型风电基地功率汇集系统拓扑结构分层优化设计及其优化设计方法
技术领域
本发明涉及大型风电基地功率汇集系统拓扑结构分层优化设计及其优化设计方法,属于电网划技术领域。
背景技术
随着对风资源的大量开发利用以及风力发电技术的发展,大规模集中式开发成为目前风力发电的主要形式。由于受到风资源和负荷分布条件的限制,目前风电基地距离负荷中心较远,大规模的风电无法就地消纳,因此大型风电基地中的风电场需要在内部汇集并升压为不同电压等级后并入公共电网,再输送到负荷中心进行消纳。而大型风电基地包含数量众多的风电场、不同电压等级汇集站、汇集导线等,风电场内部则包含数量较多的风电机组、配套升压变、不同电压等级变电站、汇集电缆等。这些电气设备之间的不同汇集方式对整个功率汇集系统的经济性和可靠性都有较大影响,并最终影响整个风电基地的投资收益。
目前对风电场内部功率汇集系统进行优化设计的方法较多,而针对大型风电基地内部风电场之间功率汇集系统拓扑结构优化设计则较少。前者所采用的方法主要是建立功率汇集系统的数学模型,然后运用智能优化算法进行求解,但是这些方法往往只考虑了整个功率汇集系统的经济性条件,并未涉及整个功率汇集系统拓扑结构的可靠性;所采用的优化算法主要是遗传算法,但是传统遗传算法是基于双亲繁殖方式,它在求解组合优化问题时会造成染色体基因的重复和缺失;针对该问题,有学者开始使用单亲遗传算法,但是简单单亲遗传算法则存在寻优效率较低、早熟收敛的问题。
发明内容
本发明目的是针对现有技术的不足而提供的一种大型风电基地功率汇集系统拓扑结构分层优化设计及其优化设计方法,其特点是以经济性为目标函数运用多精英协同进化思想加快单亲遗传算法的寻优效率,引入模拟退火算法的退火选择机制,改善遗传算法的早熟收敛问题;对形成的拓扑结构采用蒙特卡洛法进行可靠性分析得到可靠性指标,将经济性和可靠性指标共同作为功率汇集系统拓扑结构评估指标。采用大型风电基地功率汇集系统拓结构分层优化设计方法,可使得大型风电基地功率汇集系统更加经济可靠。
本发明的目的由以下技术措施实现:
大型风电基地功率汇集系统拓扑结构分层优化设计包括两个方面:其一是大型风电基地的风电场与汇集站以及不同电压等级汇集站之间拓扑结构优化设计;其二是大型风电基地的风电场内部风电机组之间以及风电机组与变电站之间拓扑结构优化设计;所述大型风电基地包含多个不同电压等级的汇集站,汇集站以下则汇集不同容量的风电场,不同电压等级的汇集站通过汇集导线采用优化设计出的拓扑结构连接;所述风电场内部包含不同电压等级的变电站及数量众多的风电机组,风电机组之间、风电机组与变电站以及不同电压等级的变电站之间采用优化设计出的拓扑结构通过汇集电缆连接。
大型风电基地功率汇集系统拓扑结构分层优化设计方法包括以下步骤:
1)采用改进的单亲遗传算法以经济性指标为目标函数进行拓扑结构优化设计,得到经济性指标Ctotal
(1)建立大型风电基地拓扑结构优化数学模型
a)风电场内部集电系统拓扑结构优化设计方法的数学模型为:
min(Ctotal)(1)
其中Ctotal为风电场内部集电系统投资成本,计算公式为:
C t o t a l = C 0 + C G T + C C A B L E + C S = r ( 1 + r ) N ( 1 + r ) N &CenterDot; 100 100 - P R &CenterDot; C i n v = KC i n v - - - ( 2 )
式中C0为风电机组固定成本;CGT为风电机组配套箱变成本;CCABLE为汇集导线成本;CS为变电站成本;N为风电场生命周期;r为利率;PR为利润百分比;Cinv为风电场集电系统必要的投资。
风电机组配套箱变成本CGT可表示为:
CGT=NTCT(3)
式中NT为配套箱变数目,其中CT为配套箱变单价。
由于每一段馈线上所连接风电机组数目取决于该段导线所能传输的最大容量,因此每一段馈线上不同汇集处根据传输容量不同可以选择不同截面类型导线,从而节约汇集导线成本,CCABLE可表示为:
C ( F j , i ) = &Sigma; m = 1 NF ( j , i ) C C B ( t y p e ) d m - - - ( 4 )
式中CCB(type)为第j条馈线第m段导线的造价;dm为导线长度;NF(j,i)为第j条馈线分段数。
进一步可将经济性优化问题表示为:
min &lsqb; C t o t a l &rsqb; min &lsqb; K ( &Sigma; j = 1 N s &Sigma; i = 1 N F i C ( F j , i ) + &Sigma; j = 1 N s C s i + C G T + C 0 ) &rsqb; - - - ( 5 )
式中NS为变电站或汇集站数目;NFi为第i座变电站或汇集站馈线数目;C(Fj,i)为第i座变电站或汇集站第j段馈线成本;Csi为第i座变电站或汇集站成本。
b)风电基地功率汇集系统拓扑结构优化设计数学模型:min(Ctotal)
其中Ctotal为风电基地功率汇集系统投资成本,可表示为:
Ctotal=C1+C2(6)
式中C1为风电基地汇集站投资成本,C2为汇集导线成本。
C1可表示为:
C1=N*P(7)
式中N为汇集站数目,P为单个汇集站成本。
C2可表示为:
C2=p1*l(8)
式中p1为汇集导线单位造价,l为汇集导线长度。
约束条件为:
式中ILm为Fj,i段馈线中第m小段正常运行时的电流,Irated(type)为该类型导线电流的额定值;X为变电站、汇集站和风电机组抽象点集合。
(2)确定风电场内部风电机组、不同电压等级变电站和不同电压等级汇集站的地理位置分布,确定遗传算法的种群规模N、子种群数M、最大迭代次数iter、模拟退火算法初始温度T、温度衰减率k。
(3)确定染色体编码方法,针对风电机组、升压变电站和汇集站的实际地理位置分布,可以对它们进行顺序编号,故采用自然数编码,其优点是染色体基因与电气设备序号为一一对应关系,在整个遗传操作过程中不需要进行复杂的编码和解码操作,故而能提高整个算法的寻优效率。
(4)随机产生种群规模为N的初始种群,染色体长度为电气设备数目。
(5)确定单亲遗传算法适应度函数:
f i t n e s s = 1 C t o t a l - - - ( 10 )
(6)根据适应度计算公式计算个体适应度并将种群分为M个子种群,对每个子种群单独进行确定式采样选择操作,根据公式确定各个个体在下一代群体中的期望生存数目,其中fi为个体适应度,N为种群规模,计算可以确定出下一代种群中个体数目,其中表示取整运算,对Ni的小数部分进行降序排列,顺序选取前个个体进入下一代种群,由此可确定参与下一步遗传操作的父代个体。
(7)为避免子种群内最优个体在交叉遗传操作中被破坏,因此在进行交叉操作之前分别保存每个子种群内适应度最优个体local_best,然后对每个子种群内父代个体进行交叉操作,产生新一代临时子种群,为避免算法“早熟”,陷入局部最优解,将父代种群与临时种群采用模拟退火算法中的Meteopolis原则,以概率p接受子种群中的后代个体作为新个体,并将最优个体local_best替换后代个体中适应度最差个体,进而产生新种群,在所有子种群都完成更新操作后形成新一代种群,其中Meteopolis选择操作为:
p = 1 f ( x &prime; ) &GreaterEqual; f ( x ) exp ( f ( x ) - f ( x &prime; ) T ) f ( x &prime; ) < f ( x ) - - - ( 11 )
式中f(x')为临时种群中新个体适应度,f(x)为父代个体适应度,当新个体适应度大于且等于父代个体适应度时,完全接受该个体,否则以概率接受该个体。
(8)计算T=kT,更新冷却温度T,判断迭代次数是否大于最大迭代次数,若是则输出最终结果,否则,重新计算新种群中个体适应度并进行下一次迭代循环,直到迭代次数大于最大迭代次数。
2)采用蒙特卡洛法进行可靠性分析得到可靠性指标R。
(1)以等效故障受阻容量SEQ为可靠性指标,考察拓扑结构可靠性,确定仿真次数n,其中SEQ计算如下:
S E Q = &Integral; 0 n &lsqb; ( P - P ( t ) ) &times; 1 &rsqb; d t n - - - ( 12 )
式中n为仿真次数,P为装机容量,P(t)为每次仿真过程中功率汇集点处功率。
(2)随机产生风电机组、汇集站和汇集导线随机故障,判断系统中各元件状态,并进行拓扑结构连通性判断,根据拓扑连通性计算可靠性指标R。
3)根据上述所得经济性和可靠性指标,以min(OBJ)=λ1Ctotal2R为评估原则,确定功率汇集系统拓扑结构,其中OBJ为拓扑结构评估指标,Ctotal为经济性指标,R为可靠性指标。
本发明具有以下优点:
1.在考虑经济性指标的同时考虑可靠性指标,可对经济性指标和可靠性指标权重的不同灵活设置λ1和λ2
2.使用改进的单亲遗传算法,采用多种群多精英协同进化,可加快算法收敛速度;在遗传操作过程中引入模拟退火算法Meteopolis原则,可避免遗传算法陷入局部最优解。
具体有效性对比如图6所示。
附图说明
图1为本发明技术方案流程图。
1、输入参数,2、产生初始种群,3、计算个体适应度,4、分组遗传操作,5、终止条件判断,6、输出最优拓扑,7、计算经济性指标Ctotal,8、计算可靠性指标R,9、输出最终结果。
图2为风电基地汇集站分布示意图。
图3为风电场内部风机分布示意图。
图4为风电场内部集电系统拓扑结构优化结果。
图5为风电基地功率汇集系统拓扑结构优化结果。
图6为技术方案对比图。
曲线1为常规单亲遗传算法;图2多种群多精英协同进化算法;图3为本发明技术方案。
具体实施方式
下面通过实施例对本发明进行具体的描述,有必要在此指出的是本实施例只用于对本发明进行进一步说明,但不能理解为对本发明保护范围的限制,该领域的技术熟练人员可以根据上述本发明的内容对本发明做出一些非本质性的改进和调整。
实施例1
如图1所示:输入参数1与产生初始种群2连接,初始种群2与计算每个个体适应度3连接,计算每个个体适应度3与分组遗传操作4连接,分组遗传操作4与终止条件判断5连接,若满足迭代终止条件,则终止条件判断5与得到最优拓扑结构6连接;否则跳转计算每个个体适应度3,得到最优拓扑结构6分别与经济性优化指标7和可靠性评估指标8连接,经济性优化指标7和可靠性评估指标8与汇集系统最优拓扑9连接。
如图3所示:某一110kV汇集站下风电场内部风电机组、变电站位置分布,该风电场装机容量为100MW,单台风机容量为2MW,每台风机配置一台10kV升压变压器就地升压为10kV,以10台风机为一组汇集接入35kV变电站,经过一台100MVA主变升压为110kV接入110kV汇集站。
以图3所示风电场为例采用本发明技术方案进行拓扑结构优化设计的具体实施步骤为:
1)输入风机、升压变电站和汇集站坐标,设定最大迭代次数iter等于300,种群规模N等于64,子种群数M等于8,模拟退火算法初始温度T等于300,温度衰减率k等于0.95。
2)以功率汇集系统投资成本Ctotal作为遗传算法目标函数,适应度函数为以投资成本最少为原则设计拓扑结构。其中Ctotal计算为:
min &lsqb; K ( &Sigma; j = 1 N s &Sigma; i = 1 N F i C ( F j , i ) + &Sigma; j = 1 N s C s i + C G T + C 0 ) &rsqb;
3)随机产生种群规模为N的个体。
4)分别计算个体适应度。
5)将种群均分为M个子种群,对各个子种群内个体分别采用确定式采样选择操作选择父代个体,并保存局部最优个体local_best。
6)对各个子种群内父代个体分别进行基因移位、基因换位和基因倒位等遗传操作产生新个体。
7)计算新个体接受概率p。
p = 1 f ( x &prime; ) &GreaterEqual; f ( x ) exp ( f ( x ) - f ( x &prime; ) T ) f ( x &prime; ) < f ( x )
以概率p接受新个体,用最优个体local_best替代后代个体中适应度最差的个体并完成群体更新。
8)以公式T=kT更新模拟退火算法冷却温度,并判断迭代次数是否大于最大迭代次数,若是则输出最终结果,否则迭代次数加1并跳转步骤4)。
9)对生成的拓扑结构进行可靠性分析,设定仿真次数n等于1000,产生风机、升压变压器和汇集站等电气设备随机故障,判断拓扑结构连通性。
10)以公式计算等效故障受阻容量指标SEQ
11)根据计算得出的经济性和可靠性指标,以min(OBJ)=λ1Ctotal2R为评估原则选择拓扑结构。
根据上述方法和步骤对区域一进行拓扑优化设计,并分别取λ1=0.6,λ2=0.4可得出三种典型拓扑结构的经济性、可靠性和OBJ指标如下表所示。
以OBJ最小为原则,该区域拓扑结构为混链形。同理通过整个方法流程可得整个风电场集电系统拓扑结构如图4所示。
实施例2
如图2所示:某大型风电基地分布情况,其包含一750kV外送通道,三座330kV汇集站,每个330kV汇集站下包含五个110kV汇集站,每个汇集站下面汇集100MW的风电场容量。各个区域内110kV汇集站汇集接入到330kV汇集站;三个330kV汇集站汇集接入到750kV外送通道。
对图2所示风电基地区域一进行拓扑结构优化设计的具体实施步骤为:
1)输入不同电压等级汇集站坐标,设定最大迭代次数iter等于300,种群规模N等于64,子种群数M等于8,模拟退火算法初始温度T=300,温度衰减率k等于0.95。
2)以功率汇集系统投资成本Ctotal作为遗传算法目标函数,适应度函数为以投资成本最少为原则设计拓扑结构。其中Ctotal计算为:
Ctotal=C1+C2
其中C1=N*P,C2=p1*l,式中N为汇集站数目,P为单个汇集站成本;N为汇集站数目,P为单个汇集站成本。
3)随机产生种群规模为N的个体。
4)分别计算个体适应度。
5)将种群均分为M个子种群,对各个子种群内个体分别采用确定式采样选择操作选择父代个体,并保存局部最优个体local_best。
6)对各个子种群内父代个体分别进行基因移位、基因换位和基因倒位等遗传操作产生新个体。
7)计算新个体接受概率p。
p = 1 f ( x &prime; ) &GreaterEqual; f ( x ) exp ( f ( x ) - f ( x &prime; ) T ) f ( x &prime; ) < f ( x )
以概率p接受新个体,用最优个体local_best替代后代个体中适应度最差的个体并完成群体更新。
8)以公式T=kT更新模拟退火算法冷却温度,并判断迭代次数是否大于最大迭代次数,若是则输出最终结果,否则迭代次数加1并跳转步骤4)。
9)对生成的拓扑结构进行可靠性分析,设定仿真次数n等于1000,产生汇集站、汇集导线和高压断路器等电气设备随机故障,判断拓扑结构连通性。
10)以公式计算等效故障受阻容量指标SEQ
11)根据计算得出的经济性和可靠性指标,以min(OBJ)=λ1Ctotal2R为评估原则选择拓扑结构。
根据上述步骤对图4所示风电基地区域一进行拓扑结构优化设计,并分别取λ1=0.3,λ2=0.7可得出三种典型拓扑结构的经济性、可靠性和OBJ指标如下表所示。
以OBJ最小为原则,可得该区域拓扑结构为链形。同理通过整个方法流程可得整个风电基地功率汇集系统拓扑结构如图5所示。

Claims (2)

1.大型风电基地功率汇集系统拓扑结构分层优化设计,其特征在于该功率汇集系统拓扑结构优化设计包括两个方面:其一是大型风电基地的风电场与汇集站以及不同电压等级汇集站之间拓扑结构优化设计;其二是大型风电基地的风电场内部风电机组之间以及风电机组与变电站之间拓扑结构优化设计;所述大型风电基地包含多个不同电压等级的汇集站,汇集站以下则汇集不同容量的风电场,不同电压等级的汇集站通过汇集导线采用优化设计出的拓扑结构连接;所述风电场内部包含不同电压等级的变电站及数量众多的风电机组,风电机组之间、风电机组与变电站以及不同电压等级的变电站之间采用优化设计出的拓扑结构通过汇集电缆连接。
2.根据权利要求1所述大型风电基地功率汇集系统拓扑结构分层优化设计方法,其特征在于该方法包括以下步骤:
1)采用改进的单亲遗传算法以经济性指标为目标函数进行拓扑结构优化设计,得到经济性指标Ctotal
(1)建立大型风电基地拓扑结构优化数学模型
a)风电场内部集电系统拓扑结构优化设计方法的数学模型为:
min(Ctotal)(1)
其中Ctotal为风电场内部集电系统投资成本,计算公式为:
C t o t a l = C 0 + C G T + C C A B L E + C S = r ( 1 + r ) N ( 1 + r ) N &CenterDot; 100 100 - P R &CenterDot; C i n v = KC i n v - - - ( 2 )
式中C0为风电机组固定成本;CGT为风电机组配套箱变成本;CCABLE为汇集导线成本;CS为变电站成本;N为风电场生命周期;r为利率;PR为利润百分比;Cinv为风电场集电系统必要的投资;
风电机组配套箱变成本CGT可表示为:
CGT=NTCT(3)
式中NT为配套箱变数目,其中CT为配套箱变单价;
由于每一段馈线上所连接风电机组数目取决于该段导线所能传输的最大容量,因此每一段馈线上不同汇集处根据传输容量不同可以选择不同截面类型导线,从而节约汇集导线成本,CCABLE可表示为:
C ( F j , i ) = &Sigma; m = 1 NF ( j , i ) C C B ( t y p e ) d m - - - ( 4 )
式中CCB(type)为第j条馈线第m段导线的造价;dm为导线长度;NF(j,i)为第j条馈线分段数;
进一步可将经济性优化问题表示为:
min[Ctotal]
min &lsqb; K ( &Sigma; j = 1 N s &Sigma; i = 1 N F i C ( F j , i ) + &Sigma; j = 1 N s C s i + C G T + C 0 ) &rsqb; - - - ( 5 )
式中NS为变电站或汇集站数目;NFi为第i座变电站或汇集站馈线数目;C(Fj,i)为第i座变电站或汇集站第j段馈线成本;Csi为第i座变电站或汇集站成本;
b)风电基地功率汇集系统拓扑结构优化设计数学模型:min(Ctotal)
其中Ctotal为风电基地功率汇集系统投资成本,可表示为:
Ctotal=C1+C2(6)
式中C1为风电基地汇集站投资成本,C2为汇集导线成本;
C1可表示为:
C1=N*P(7)
式中N为汇集站数目,P为单个汇集站成本;
C2可表示为:
C2=p1*l(8)
式中p1为汇集导线单位造价,l为汇集导线长度;
约束条件为:
式中ILm为Fj,i段馈线中第m小段正常运行时的电流,Irated(type)为该类型导线电流的额定值;X为变电站、汇集站和风电机组抽象点集合;
(2)确定风电场内部风电机组、不同电压等级变电站和不同电压等级汇集站的地理位置分布,确定遗传算法的种群规模N、子种群数M、最大迭代次数iter、模拟退火算法初始温度T、温度衰减率k;
(3)确定染色体编码方法,针对风电机组、升压变电站和汇集站的实际地理位置分布,可以对它们进行顺序编号,故采用自然数编码,其优点是染色体基因与电气设备序号为一一对应关系,在整个遗传操作过程中不需要进行复杂的编码和解码操作,故而能提高整个算法的寻优效率;
(4)随机产生种群规模为N的初始种群,染色体长度为电气设备数目;
(5)确定单亲遗传算法适应度函数:
f i t n e s s = 1 C t o t a l - - - ( 10 )
(6)根据适应度计算公式计算个体适应度并将种群分为M个子种群,对每个子种群单独进行确定式采样选择操作,根据公式确定各个个体在下一代群体中的期望生存数目,其中fi为个体适应度,N为种群规模,计算可以确定出下一代种群中个体数目,其中表示取整运算,对Ni的小数部分进行降序排列,顺序选取前个个体进入下一代种群,由此可确定参与下一步遗传操作的父代个体;
(7)为避免子种群内最优个体在交叉遗传操作中被破坏,因此在进行交叉操作之前分别保存每个子种群内适应度最优个体local_best,然后对每个子种群内父代个体进行交叉操作,产生新一代临时子种群,为避免算法“早熟”,陷入局部最优解,将父代种群与临时种群采用模拟退火算法中的Meteopolis原则,以概率p接受子种群中的后代个体作为新个体,并将最优个体local_best替换后代个体中适应度最差个体,进而产生新种群,在所有子种群都完成更新操作后形成新一代种群,其中Meteopolis选择操作为:
p = 1 f ( x &prime; ) &GreaterEqual; f ( x ) exp ( f ( x ) - f ( x &prime; ) T ) f ( x &prime; ) < f ( x ) - - - ( 11 )
式中f(x')为临时种群中新个体适应度,f(x)为父代个体适应度,当新个体适应度大于且等于父代个体适应度时,完全接受该个体,否则以概率接受该个体;
(8)计算T=kT,更新冷却温度T,判断迭代次数是否大于最大迭代次数,若是则输出最终结果,否则,重新计算新种群中个体适应度并进行下一次迭代循环,直到迭代次数大于最大迭代次数;
2)采用蒙特卡洛法进行可靠性分析得到可靠性指标R;
(1)以等效故障受阻容量SEQ为可靠性指标,考察拓扑结构可靠性,确定仿真次数n,其中SEQ计算如下:
S E Q = &Integral; 0 n &lsqb; ( P - P ( t ) ) &times; 1 &rsqb; d t n - - - ( 12 )
式中n为仿真次数,P为装机容量,P(t)为每次仿真过程中功率汇集点处功率;
(2)随机产生风电机组、汇集站和汇集导线随机故障,判断系统中各元件状态,并进行拓扑结构连通性判断,根据拓扑连通性计算可靠性指标R;
3)根据上述所得经济性和可靠性指标,以min(OBJ)=λ1Ctotal2R为评估原则,确定功率汇集系统拓扑结构,其中OBJ为拓扑结构评估指标,Ctotal为经济性指标,R为可靠性指标。
CN201510864659.6A 2015-11-30 2015-11-30 大型风电基地功率汇集系统拓扑结构分层优化设计方法 Active CN105512472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510864659.6A CN105512472B (zh) 2015-11-30 2015-11-30 大型风电基地功率汇集系统拓扑结构分层优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510864659.6A CN105512472B (zh) 2015-11-30 2015-11-30 大型风电基地功率汇集系统拓扑结构分层优化设计方法

Publications (2)

Publication Number Publication Date
CN105512472A true CN105512472A (zh) 2016-04-20
CN105512472B CN105512472B (zh) 2018-05-01

Family

ID=55720449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510864659.6A Active CN105512472B (zh) 2015-11-30 2015-11-30 大型风电基地功率汇集系统拓扑结构分层优化设计方法

Country Status (1)

Country Link
CN (1) CN105512472B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503839A (zh) * 2016-10-14 2017-03-15 上海电力学院 一种海上风电场环形集电网络分层规划方法
CN106712076A (zh) * 2016-11-18 2017-05-24 上海电力学院 一种海上风电场集群规模下的输电系统优化方法
CN107133691A (zh) * 2017-04-20 2017-09-05 中国能源建设集团广东省电力设计研究院有限公司 用于风电场输电网的拓扑优化方法
CN110705813A (zh) * 2019-07-23 2020-01-17 电子科技大学 一种考虑可靠性风电场集电系统的混合线缆连接方法
CN111030179A (zh) * 2019-12-26 2020-04-17 上海电气风电集团股份有限公司 风电场布局的优化方法、优化系统及计算机可读存储介质
CN111313406A (zh) * 2020-03-02 2020-06-19 合肥阳光新能源科技有限公司 一种集电线路的确定方法、装置及电站
CN112131795A (zh) * 2020-09-25 2020-12-25 国电联合动力技术有限公司 基于退火模拟和遗传算法的风机排布方法及装置
CN112531779A (zh) * 2020-12-07 2021-03-19 国网新疆电力有限公司昌吉供电公司 多区域电网接线方法
CN115510677A (zh) * 2022-10-17 2022-12-23 华能山东发电有限公司 一种风电场发电能力评估方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102760195A (zh) * 2012-08-01 2012-10-31 中国能源建设集团广东省电力设计研究院 海上风电场集电系统拓扑设计方法及装置
WO2014071996A1 (en) * 2012-11-12 2014-05-15 Abb Technology Ag System and method for visualizing a combined physical and virtual communication network of a power plant
CN204258715U (zh) * 2014-10-17 2015-04-08 国网青海省电力公司经济技术研究院 基于改进单亲遗传算法的光伏电站汇集拓扑优化装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102760195A (zh) * 2012-08-01 2012-10-31 中国能源建设集团广东省电力设计研究院 海上风电场集电系统拓扑设计方法及装置
WO2014071996A1 (en) * 2012-11-12 2014-05-15 Abb Technology Ag System and method for visualizing a combined physical and virtual communication network of a power plant
CN204258715U (zh) * 2014-10-17 2015-04-08 国网青海省电力公司经济技术研究院 基于改进单亲遗传算法的光伏电站汇集拓扑优化装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
XU LIU等: "Reliability Issues of Offshore Wind Farm Topology", 《INTERNATIONAL CONFERENCE ON PROBABILISTIC METHODS APPLIED TO POWER SYSTEMS》 *
孙君洋: "大型海上风电场内部汇集网拓扑结构研究与设计", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
符杨 等: "大型海上风电场集电系统拓扑结构优化与规划", 《电网技术》 *
谭任深: "海上风电场集电系统的优化设计", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
魏书荣 等: "大型海上风电场中压集电系统拓扑结构的优化方法", 《上海电力学院学报》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503839A (zh) * 2016-10-14 2017-03-15 上海电力学院 一种海上风电场环形集电网络分层规划方法
CN106712076A (zh) * 2016-11-18 2017-05-24 上海电力学院 一种海上风电场集群规模下的输电系统优化方法
CN106712076B (zh) * 2016-11-18 2019-04-09 上海电力学院 一种海上风电场集群规模下的输电系统优化方法
CN107133691A (zh) * 2017-04-20 2017-09-05 中国能源建设集团广东省电力设计研究院有限公司 用于风电场输电网的拓扑优化方法
CN107133691B (zh) * 2017-04-20 2020-09-08 中国能源建设集团广东省电力设计研究院有限公司 用于风电场输电网的拓扑优化方法
CN110705813B (zh) * 2019-07-23 2022-11-22 电子科技大学 一种考虑可靠性风电场集电系统的混合线缆连接方法
CN110705813A (zh) * 2019-07-23 2020-01-17 电子科技大学 一种考虑可靠性风电场集电系统的混合线缆连接方法
CN111030179A (zh) * 2019-12-26 2020-04-17 上海电气风电集团股份有限公司 风电场布局的优化方法、优化系统及计算机可读存储介质
CN111030179B (zh) * 2019-12-26 2023-08-25 上海电气风电集团股份有限公司 风电场布局的优化方法、优化系统及计算机可读存储介质
CN111313406A (zh) * 2020-03-02 2020-06-19 合肥阳光新能源科技有限公司 一种集电线路的确定方法、装置及电站
CN111313406B (zh) * 2020-03-02 2022-05-24 阳光新能源开发股份有限公司 一种集电线路的确定方法、装置及电站
CN112131795A (zh) * 2020-09-25 2020-12-25 国电联合动力技术有限公司 基于退火模拟和遗传算法的风机排布方法及装置
CN112531779A (zh) * 2020-12-07 2021-03-19 国网新疆电力有限公司昌吉供电公司 多区域电网接线方法
CN112531779B (zh) * 2020-12-07 2024-01-23 国网新疆电力有限公司昌吉供电公司 多区域电网接线方法
CN115510677A (zh) * 2022-10-17 2022-12-23 华能山东发电有限公司 一种风电场发电能力评估方法及系统
CN115510677B (zh) * 2022-10-17 2024-01-09 华能山东发电有限公司 一种风电场发电能力评估方法及系统

Also Published As

Publication number Publication date
CN105512472B (zh) 2018-05-01

Similar Documents

Publication Publication Date Title
CN105512472A (zh) 大型风电基地功率汇集系统拓扑结构分层优化设计及其优化设计方法
Dahmani et al. Optimization and reliability evaluation of an offshore wind farm architecture
CN106503839B (zh) 一种海上风电场环形集电网络分层规划方法
Syahputra Fuzzy multi-objective approach for the improvement of distribution network efficiency by considering DG
CN104281737B (zh) 一种海上风电场集电系统拓扑结构选型方法
CN107979092A (zh) 一种考虑分布式电源与软开关接入的配电网动态重构方法
CN104037765B (zh) 基于改进遗传算法选取有源配电网供电恢复方案的方法
CN108462210B (zh) 基于数据挖掘的光伏可开放容量计算方法
Ling-Ling et al. Optimization of large-scale offshore wind farm electrical collection systems based on improved FCM
Smail et al. Optimal design of the electric connection of a wind farm
Gao et al. Multi-objective dynamic reconfiguration for urban distribution network considering multi-level switching modes
CN104866919A (zh) 基于改进nsga-ii的含风电场电网多目标规划方法
CN114285090B (zh) 基于单站-分区-全网的新能源极限消纳能力评估方法
CN107681655A (zh) 一种潮汐流能发电场协调规划方法
CN102930078A (zh) 一种孤立微网分布式电源容量与布点优化方法
CN103761582A (zh) 一种高适应度的互动型微电网配置规划方法
CN114996908B (zh) 考虑智能软开关接入的主动配电网扩展规划方法及系统
CN113852084B (zh) 考虑智能软开关优化配置的配电网多阶段韧性提升方法
CN104732302A (zh) 一种基于免疫算法的多级电磁环网优化解环方法
CN110970891A (zh) 极端天气下基于多能协调的配电网弹性提升方法
Lingling et al. Optimization of electrical connection scheme for large offshore wind farm with genetic algorithm
CN105552880A (zh) 基于状态枚举法的电力系统典型故障集确定方法
Lu et al. Clean generation mix transition: Large-scale displacement of fossil fuel-fired units to cut emissions
CN104143119A (zh) 一种多尺度分层蜂窝输电网及其规划方法
CN109002938B (zh) 考虑n-1安全准则的交直流混合配电网双层规划方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant