CN106503839B - 一种海上风电场环形集电网络分层规划方法 - Google Patents
一种海上风电场环形集电网络分层规划方法 Download PDFInfo
- Publication number
- CN106503839B CN106503839B CN201610899142.5A CN201610899142A CN106503839B CN 106503839 B CN106503839 B CN 106503839B CN 201610899142 A CN201610899142 A CN 201610899142A CN 106503839 B CN106503839 B CN 106503839B
- Authority
- CN
- China
- Prior art keywords
- partition
- node
- optimization
- cable
- clustering center
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005192 partition Methods 0.000 claims abstract description 62
- 238000005457 optimization Methods 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000013461 design Methods 0.000 claims description 17
- 210000000349 chromosome Anatomy 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 241001513371 Knautia arvensis Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及一种海上风电场环形集电网络分层规划方法，包括步骤：S1：读入海上风电场数据；S2：预设定最优分区数，并得到各分区的初始聚类中心和分区划分矩阵；S3：对各分区进行初步分串优化；S4：更新聚类中心和分区划分矩阵；S5：采用单亲遗传算法对各分区进行环形结构分串优化；S6：判断当前优化度值与前一优化度值之间的差值是否小于阈值，若为否，则返回步骤S4，若为是，则优化结束，得到环形集电网络规划结果。与现有技术相比，本发明采用了变电站层、风机层和电缆层的分层规划优化方式，简化了优化的复杂度，同时可以降低成本，提高可靠性。
Description
技术领域
本发明涉及一种集电网络设计技术，尤其是涉及一种海上风电场环形集电网络分层规划方法。
背景技术
近年环境污染日趋严重，清洁能源备受关注，能源安全已上升到国家战略。最新世界能源展望指出预计到2035年可再生能源将占全球发电能力增长的一半，其中风电和太阳能光伏这样的间歇性供电占比45％。随着可再生能源发电能力的增长，其在全球发电结构中占比将超过30％，到2035年将超过煤炭成为电力行业的主要能源来源。其中，海上风电凭借其巨大的风能资源蕴藏量、更接近电网负荷中心便于并网与利用等巨大优势，其规模化发展已经成为我国当前风电发展的重要任务。
大规模远距离海上风电场可能意味着更多数量的风电机组和更长距离的电能传输要求。而海上环境恶劣，条件特殊，更多的不确定因素导致海上风电场的建设与运行维护成本也大大高于陆上，集电系统更是大型海上风电场运行中最易发生故障的部分之一。一旦发生故障，其维护、检修工作的条件更恶劣、难度更大。因此，海上风电场运行部门已开始高度重视这一问题，力求在海上风电场规划设计阶段便对可靠性进行科学的评估和规划。而且，随着海上风电场规模的逐渐增大，接入的主网对其可靠性要求也逐渐提高。
一般情况下环形接线方式在某段电缆故障时，电缆中通过的电流最大可达正常时的两倍，需要采用载流量更大的电缆，则经济成本更高。因此，目前关于海上风电场集电网络的研究多聚焦于经济性更优放射形结构的拓扑优化中，基于图论的最小生成树算法、遗传算法、粒子群算法被广泛应用。环形结构由于成本高昂，相关研究鲜少涉及。但是对于容量大、离岸距离远的大型海上风电场，由于海底电缆故障定位困难、修复成本高且耗时长，严重影响风电场的发电效益，海上维护困难引起的经济性、可靠性矛盾突出。目前规划中的超大规模海上风电场装机容量甚至达到2500MW，远海风电场(far offshore wind farm)离岸距离则可能达到50～60km。因此，需要着重量化评估有备用的环形结构带来的成本增加与可靠性收益。实际应用中，伦敦奥运会前并网的英国London array大型海上风电场，离岸距离20公里，一期装机容量630MW，其集电网络即采用的环形结构。
作者M.Banzo等在IEEE Transactions on Power Systems，2011,26(3)：1338-1348(IEEE电力系统，2011年第26卷3期：1338-1348)上发表的Stochastic Optimizationmodel for electric power system planning of offshore wind farms的文章给指出海上风电场的整体性能，包括发电效率、投资成本和运行可靠性，都极大的依赖于电力系统的设计，所以海上风电场的集电网络的设计应当极大限度的降低投资成本，保证较高的发电效率和运行可靠性。作者C.Shadi等在IEEE Transactions on Industrial Electronics，2014，61(1):320-328(IEEE工业电子，2104年第61卷1期：320-328)上发表的Topologydesign for collector systems of offshore wind farms with pure DC powersystems的文章中指出对于大容量深远海的海上风电场，由于其可进入性差，再加上海上环境的不确定性，导致海上风电场的发电效率低，以及建设和维护成本高。作者M.A.Parker等在IET Renewable Power Generation，2013，7(4)：390-400(IET可再生能源发电，2013年第7卷4期：390-400)上发表的文章指出环形集电网络具有高可靠性，适用于大型海上风电场。但是这些文献只给出了环形结构连接方式，没有提供优化模型，以及如何得到最优结构的优化方法。
本文首先建立基于目标函数的集电网络规划模型，根据大规模海上集电网络的特点将其划分为变电站层、风机层、电缆层，对各层进行分层规划。首先采用模糊聚类算法对变电站层进行分区，进而利用单亲遗传算法对各集电子区域内的风机层进行分串，再结合多旅行商问题的解决思路将电缆层的各台风机连接起来。对拓扑结构的经济性和可靠性进行定量评估，最终得到海上风电场环形集电网络优化设计方案。
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海上风电场环形集电网络分层规划方法。
本发明的目的可以通过以下技术方案来实现：
一种海上风电场环形集电网络分层规划方法，包括步骤：
S1：读入海上风电场数据，其中，所述风电场数据包括风机坐标、海上变电站坐标和设备成本及参数；
S2：预设定最优分区数，并得到各分区的初始聚类中心和分区划分矩阵；
S3：对各分区进行初步分串优化，得到初始的所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离，其中所述节点为风机；
S4：根据当前所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离更新聚类中心和分区划分矩阵；
S5：采用单亲遗传算法对各分区进行环形结构分串优化，并更新所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离；
S6：根据当前所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离结合当前聚类中心和分区划分矩阵计算优化度值，并判断当前优化度值与前一优化度值之间的差值是否小于阈值，若为否，则返回步骤S4，若为是，则优化结束，得到环形集电网络规划结果。
所述步骤S4中更新后的分区划分矩阵中的元素μij具体为：
CHij＝CHi/n
CHlj＝CHl/n
其中：μij为节点j对聚类中心i的隶属度，dij为节点j到聚类中心i的欧式距离，λm、λh为调整系数，CMij为聚类中心i对应分区内节点j的两侧海缆总成本，CHij、CHlj为等效高压电缆长度的长度，CHi为第i段高压电缆的长度，n为节点数，dlj为节点j到聚类中心l的欧式距离，CMlj为分区l内节点j的两侧海缆总成本，CHl为第l段高压电缆的长度，c为分区个数，m为为加权指数；
聚类中心具体为：
其中：pi为聚类中心i，xj为节点j，pcc为公共连接点的坐标向量。
所述优化度值Obj为：
CHij＝CHi/n
其中：μij为节点j对聚类中心i的隶属度，c为分区个数，n为节点数，dij为节点j到聚类中心i的欧式距离，λm、λh为调整系数，CMij为聚类中心i对应分区内节点j的两侧海缆总成本，CHij为等效高压电缆长度的长度，CHi为第i段高压电缆的长度。
所述第i段高压电缆的长度CHi取聚类中心i到岸上公共连接点的距离。
所述步骤S5具体包括步骤：
S51：采用单亲遗传算法对各分区进行环形结构分串优化；
S52：进行电缆选型，并更新所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离。
与现有技术相比，本发明具有以下优点：
1)采用了变电站层、风机层和电缆层的分层规划优化方式，简化了优化的复杂度，同时可以降低成本，提高可靠性。
2)聚类中心和分区划分矩阵的优化基于所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离得到，可以实现针对成本的针对性优化。
3)优化度值以各个样本点与聚类中心的失真度即两个矢量间的欧氏距离及分区拓扑优化后海缆长度两者之和最小为目标函数，可以提高对于海缆的优化效果。
4)取聚类中心i到岸上公共连接点的距离，可以在保证准确度的同时简化计算。
附图说明
图1(a)(b)(c)为集电系统拓扑结构示意图；
图2为本发明方法的主要步骤流程示意图；
图3为单亲遗传算法染色体对编码方式示例示意图；
图4为多旅行商问题路线描述示意图；
图5为海上风电机组排布示意图；
图6(a)为分区数为三个时大型海上风电场环形结构集电网络优化设计示意图；
图6(b)为分区数为四个时大型海上风电场环形结构集电网络优化设计示意图；
图7(a)为分区数为三个时大型海上风电场放射形结构集电网络优化设计示意图；
图7(b)为分区数为四个时大型海上风电场放射形结构集电网络优化设计示意图；
图8为放射形及环形结构集电网络可用容量变化曲线图。
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。
首先，需要建立风电场集电网络的数学模型
影响海上风电场集电网络成本的因素包括：风机的数量、位置及电压等级、电气设备负载、拓扑接线形式、电缆截面、长度以及电缆沟的布置等。这些变量相互关联又相互制约，使得集电网络优化模型具有多离散变量和强非线性的特点。大型海上风电场交流集电网络拓扑结构优化的最终目标是在满足可靠性要求的基础上力求集电网络成本最低。大型海上风电场集电网络主要包括连接各风机的海底电缆集电网络、海上变电站和连接大陆电网的输电电缆，整体上呈现出多个电压等级和多个集电子区域的特点。
图1给出了集电系统拓扑结构示意图。
集电网络的成本Cwhole_cs主要包括风力发电机组塔底箱变的成本，集电网络中压海缆成本、海上变电站电气设备(变压器和其他辅助电气设备)及高压输电电缆成本，如下式所示：
Cwhole_cs＝CWTtran+CSUB+CCable (1)
其中，CSUB为海上变电站成本，风力发电机组与塔底箱变的总成本CWTtran可量化为：
CWTtran＝Nwt·PWTtran
其中，Nwt为大型海上风电场中风机台数，PWTtran为箱变的单价。
电缆总成本CCable，包括中压海缆总成本CMV_cable和高压电缆总成本CHV_cable两部分。由于集电网络结构与潮流、短路电流分布相互耦合，在建模过程中必须将这些离散变量彼此的非线性影响进行有效描述。
CCable＝CHV_cable+CMV_cable (2)
其中，Ns、Nsf及Nsfc分别为大型海上风电场中海上变电站数量、与第s个海上变电站连接的馈线数(即风机串数)、第s个变电站的第f个馈线中海缆的段数。Ccable,sfc为对应的海缆成本(包含海缆的安装及运输费用Cinstall、Ctrans)。
Ccable,sfc＝Lsfc·Cunit(typei) (5)
其中Lsfc为第s个变电站上第f个馈线中第c段海缆的长度，Cunit(typei)为该段海缆的单价(其型号为typei)。Cunit(typei)则通过负载电流、最大允许电压降落ΔVmax(与每段海缆的长度相关)、最大短路电流等选取。Lhvcable,s为第s个海上变电站与公共连接点之间的高压电缆长度。
海上变电站中电气设备的成本主要包括各个海上变电站的主变成本和主变辅助设备如保护设备和控制设备的成本。
其中POStran,s为第s个海上变电站主变的单价；NOStran,s为第s个海上变电站的主变台数；Celec,s为第s个海上变电站其他电气设备的成本，本文主要考虑了高压及中压GIS开关。
此外，海上风电场还需要考虑特定的海洋条件。一方面海缆敷设不能交叉、不能同沟，需尽量减少与海域内其他管道的交叉、航道约束等；另一方面方案设计需满足计算结果的最优性与可行性。
综上，大型海上风电场环形集电网络拓扑结构优化设计的数学模型描述如下：
ST:Isfc＜Irated(typei)
|ΔVsfc|＜ΔVmax
其中，Isfc、ΔVsfc分别为第s个变电站上第f个馈线中第c段海缆上流过的电流及该段海缆的电压降落。Fi为风机节点集合，由于海缆不能交叉敷设，约束条件要求风机簇间没有交集，所有风机都要包含在风机簇中。
大型海上风电场的额定容量一般在几百甚至上千兆瓦，这种情况下一座海上变电站很难满足变电要求，另外这种规模的风电场风机数量较多且分布范围较广，仅设置一座海上变电站无疑增加了中压海缆敷设的成本和难度，同时降低了整个风电场的可靠性。由此对大型海上风电场进行变电区域划分是非常有必要的。
本文采用基于目标函数的模糊聚类算法进行风电场集电子区域划分(即分区)。基于目标函数的模糊聚类方法(Fuzzy Clustering Method，简称FCM)，就是把聚类归结为一个带约束的非线性规划问题，通过优化求解得到数据集的模糊划分和聚类分区。以大型海上风电场中所有风力发电机组的坐标作为数据集，以拟规划的海上变电站个数作为聚类数，以各个样本点与聚类中心的失真度即两个矢量间的欧氏距离及分区拓扑优化后海缆长度两者之和最小为目标函数，进行聚类计算，具体如下：
集电网络优化模型的求解方法
基于目标函数的模糊聚类算法分区
St:U∈Mfc
其中：n为节点数，即风机数量；c为聚类数(即上海变电站数量)；μij为划分矩阵U的元素，表示元素j对聚类中心i的隶属度；dij为节点j到聚类中心i的欧氏距离，表示如下：
(dij)2＝|xj-pi|A＝(xj-pi)TA(xj-pi) (9)
其中A为单位矩阵；CMij为环形分组i内节点j的两侧海缆总成本；CHij为等效高压电缆的长度：CHij＝CHi/n，
其中CHi为第i段高压电缆长度，近似等于海上分区内海上变电站到岸上公共连接点的距离：
CHi＝||pi-pcc||·Cunit(typei) (10)
其中pcc为公共连接点的坐标向量。λm、λh为调整系数，为一常数，将成本数据与距离数据调整为同一数量级。
上述目标函数的约束条件为等式：
由拉格朗日条件极值法可得拉格朗日函数如下：
L对λ及μij分别求导，最终解得：
同理：
令：
则有：
求得划分矩阵U及聚类中心pi后，进一步通过迭代计算，最终得到最优分区数即海上变电站的规划个数、分区内的聚类中心即分区内海上变电站的位置，通过划分矩阵即可知各台风力发电机组隶属于哪一分区。
一种海上风电场环形集电网络分层规划方法，如图2所示，包括步骤：
S1：读入海上风电场数据，其中，风电场数据包括风机坐标、海上变电站坐标(若已知)和设备成本及参数；
S2：预设定最优分区数(当分区数未知时需要确定)，并得到各分区的初始聚类中心和分区划分矩阵；
S3：对各分区进行初步分串优化，得到初始的所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离，其中节点为风机；
S4：根据当前所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离更新聚类中心和分区划分矩阵，其中更新后的分区划分矩阵中的元素μij具体为：
CHij＝CHi/n
CHlj＝CHl/n
其中：μij为节点j对聚类中心i的隶属度，dij为节点j到聚类中心i的欧式距离，λm、λh为调整系数，CMij为聚类中心i对应分区内节点j的两侧海缆总成本，CHij、CHlj为等效高压电缆长度的长度，CHi为第i段高压电缆的长度(亦即第i个分区到岸上登录点)，n为节点数，dlj为节点j到聚类中心l的欧式距离，CMlj为分区l内节点j的两侧海缆总成本，CHl为第l段高压电缆的长度，c为分区个数，m为加权指数；
聚类中心具体为：
其中：pi为聚类中心i，xj为节点j，pcc为公共连接点的坐标向量。
第i段高压电缆的长度CHi取聚类中心i到岸上公共连接点的距离。
S5：采用单亲遗传算法对各分区进行环形结构分串优化，并更新所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离,具体包括步骤：
S51：采用单亲遗传算法对各分区进行环形结构分串优化；单亲遗传算法分串：
对大型海上风电场拓扑结构规划分区后，采用单亲遗传算法(Single ParentGenetic Algorithm，简称SPGA)对某一分区进行拓扑结构优化。与传统遗传算法相比,SPGA的突出特点是:在子代群体生成过程中，每个子体只有一个母体，通过对母体随机执行换位算子或逆转算子产生出具有不同性状的新个体。单亲换位算子和逆转算子既可保证新一代个体具有成为可行解的基本特性，又可提高对解空间的搜索能力.单亲换位算子能使任何一个母体通过有限次的基因换位生成另一个新个体。单亲逆转算子执行速度较快，有助于将母体中的有效基因段直接遗传到子体中.采用染色体对的并行遗传方式，让一个染色体携带路径信息(即路径染色体)，另外一个染色体携带分组信息(即断点染色体)，两个染色体都采用简单直观的整数编码，如图3所示。
一个染色体对代表了该分区内各子集电网络的一种拓扑结构，即表征海缆路径的多旅行商路径，由此可得到每段海缆上所连接的海上风机数量和流经的最大短路电流。根据每段海缆的载流量和最大短路电流进行海缆选型及校验。根据选定的海缆型号、相应的海缆单价及其长度即可得到中压海缆的造价。将中压海缆造价与子集电网络中其他设备如箱变、海上变电站等的成本相加，就得到该染色体对应的子集电网络拓扑方式的成本，并以此作为该染色体的适应度值，具体计算方法将在优化模型中进行分析。
考虑到海缆连接不能交叉的这一特殊约束，在适应度函数中加入了与交叉次数正相关的惩罚函数。通过设置相应的参数值，使最终的优化方案中不会有海缆交叉的情况出现。
S52：进行电缆选型，并更新所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离。同时进行电缆选型，计算中压电缆总成本，将其与箱变成本、海上变电站成本相加得到该分区集电系统总成本即个体适应度值。
多旅行商问题的路由连接：多旅行商问题(Multiple Traveling SalesmanProblem，简称MTSP)是旅行商问题的扩展，即有N个城市，有M个旅行商分别从同一城市(或不同城市)出发，走一条旅行路线，访问所有城市，使得每个城市有且仅有一个旅行商经过(出发城市除外)，最后每个旅行商回到原来的出发城市(构成环形路径)，且总旅行路程最短。借鉴多旅行商问题的解决思路，将一个含有N台风力发电机组的海上风电场分区视为N个城市的集合，将该分区内的风力发电机组分为M个环形风力发电机组串。由此将海上风电场环形集电网络拓扑结构设计问题转化为M个旅行商访问N个城市的MTSP问题。此外根据每个旅行商走过的城市数的多少，MTSP有任务是否均分之说，即每串连接的风机数量是否有必要相等或接近。多旅行商问题的路线描述如图4所示。
S6：根据当前所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离结合当前聚类中心和分区划分矩阵计算优化度值，并判断当前优化度值与前一优化度值之间的差值是否小于阈值，若为否，则返回步骤S4，若为是，则优化结束，得到环形集电网络规划结果。
优化度值Obj为：
CHij＝CHi/n
其中：μij为节点j对聚类中心i的隶属度，c为分区个数，n为节点数，dij为节点j到聚类中心i的欧式距离，λm、λh为调整系数，CMij为聚类中心i对应分区内节点j的两侧海缆总成本，CHij为等效高压电缆长度的长度，CHi为第i段高压电缆的长度。
具体应用实例
案例风电场为离岸50km，共含259台单机容量为3.5MW的风力发电机组的大型海上风电场，海上风力发电机组的具体参数见表1。海上风力发电机组坐标已确定，风电场排布如图5所示。综合设备成本与传输损耗的因素，普遍认为30～36kV是交流电气系统中风机之间连接的最佳电压等级。集电网络采用海底中压电缆连接，电压水平为35kV，输电电缆为高压海底电缆，电压水平为110kV或220kV。
表1单个海上风电机组参数
在考虑大型海上风电场可行分区数、分区内可行环形连接的海上风力发电机组簇数及集电网络设备型号选择等因素的基础上，采用本文提出的环形结构集电网络优化设计方法对一个规划中的实际海上风电场集电网络进行了优化设计。35kV海缆的主要参数如表2所示，根据海缆的载流量和短路特性，400截面的海缆最大可允许9台3.5MW的风机电流同时流过，超出这个数量则无更粗海缆与之匹配，无法进行海缆选型。因此，每串风机数量在1-9之间进行优化。每串风机数量越少，可靠性越高，但是经济成本巨大；每串风机数量越多，经济性越高，需满足一定的可靠性要求。
表2中压(35kV)海缆的主要参数
从表2中可知，中压海缆价格昂贵，上海东海大桥100MW海上风电场内部中压海缆敷设长度约为70km，若海上风电场容量更大，则中压海缆部分具有较大的优化空间。本文以经济性最优作为目标，以可靠性作为约束，在满足海上特殊条件要求的情况下，根据大规模海上集电系统的特点将其划分为变电站层、风机层、海缆层，采用上述算法对各层分别进行优化求解。在变电站层优化分区数量(每个分区内的风机数量受高压海缆的载流量和短路特性限制)，在风机层优化分串数量(每个分串内的风机数量受中压海缆的载流量和短路特性限制)，在海缆层优化海缆截面及长度。最终得到分区数为3、4的两个优化设计方案，具体如图6所示，同时给出该优化方案中电气设备成本汇总结果，见表2、3。
表2变电设备用量及成本汇总
表3不同截面中压海缆用量及成本汇总
作为对比参照，本文对案例风电场也进行了放射形结构拓扑设计。放射形结构拓扑采用当前被广泛使用的基于图论的最小生成树算法，在相同的分区数下设计结果如图7所示。将两类典型的连接结构从经济性和可靠性两方面对优化结果进行定量评估。两种结构下集电网络总成本比较如表4所示。
表4不同优化算法下集电网络总成本
根据已有的发电可靠性评估经验，在缺乏发电系统可靠性资料、负荷预测资料和经验不足的情形下，通常选择概率评估方法较理想。而海上风电场集电系统设备数量众多、类型各异，状态组合和运行情况复杂，从海上风电机组可用性[19]方面考虑，本文拟采用蒙特卡洛模拟法进行集电系统的可靠性评估。风力发电机组、电缆故障率及修复时间的选取如表5所示，经济性最优的放射形及环形结构的集电网络在一年内可用风力发电机组数的时序图如图8所示。
表5海上风电机组及电缆的故障参数
两种结构集电网络在一年内可用风机容量如图8所示。从经济性方面考虑，环形集电网络成本比放射形结构集电网络增加了24％，但其平均可用容量也增加了23.7％。两者的成本差距主要存在于电缆成本上。环形结构风电场可靠性明显优于放射形结构风电场，海上风电场采用环形结构集电网络时，其可用容量与额定总容量基本持平，保证了风电场的稳定高效输出电能，而海上风电场采用放射形结构集电网络时，其可用容量变化幅度大且平均容量较低。环形结构虽然经济成本大于放射形结构，但其对可靠性的提升也是显而易见的，由此对于可靠性要求严格的风电场，环形结构不失为有利选择。
本文重点比较不同拓扑结构的优劣，图8中的平均可用容量未计及风能影响，计及风能影响的发电量产值如表6所示。年利用小时数受海上风能影响，但是对同一个海上风电场，风能影响相同，因此本文以上海东海大桥海上风电场设计的基准2600小时为参照标准。发电量产值的上网电价以中国国家发展改革委确定的2017年以前投运的近海风电项目上网电价为0.85元/kWh为计算依据。不同拓扑结构的综合比较如表6所示。
表6不同拓扑结构的综合比较
由表6可知尽管环形结构在建设初期投资成本较高，但由于其具有更高的可靠性，风电场在20年运营期内的发电量产值远远高于放射形结构。表6数据仅考虑了拓扑结构的可靠性因素，还未计及海上风电场由于可及性差所带来的维护困难问题，若计及海上风电场的可及性影响，则环形结构带来的收益更加巨大。
Claims (2)
1.一种海上风电场环形集电网络分层规划方法，其特征在于，
建立基于目标函数的集电网络规划模型，根据大规模海上集电网络的特点将其划分为变电站层、风机层、电缆层，对各层进行分层规划；首先采用模糊聚类算法对变电站层进行分区，进而利用单亲遗传算法对各集电子区域内的风机层进行分串，再结合多旅行商问题的解决思路将电缆层的各台风机连接起来；对拓扑结构的经济性和可靠性进行定量评估，最终得到海上风电场环形集电网络优化设计方案；
包括步骤：
S1：读入海上风电场数据，其中，所述风电场数据包括风机坐标、海上变电站坐标和设备成本及参数；
S2：预设定最优分区数，并得到各分区的初始聚类中心和分区划分矩阵；
S3：对各分区进行初步分串优化，得到初始的所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离，其中所述节点为风机；
S4：根据当前所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离更新聚类中心和分区划分矩阵；
S5：采用单亲遗传算法对各分区进行环形结构分串优化，并更新所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离；
S6：根据当前所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离结合当前聚类中心和分区划分矩阵计算优化度值，并判断当前优化度值与前一优化度值之间的差值是否小于阈值，若为否，则返回步骤S4，若为是，则优化结束，得到环形集电网络规划结果；
所述步骤S4中更新后的分区划分矩阵中的元素μij具体为：
CHij＝CHi/n
CHlj＝CHl/n
其中：μij为节点j对聚类中心i的隶属度，dij为节点j到聚类中心i的欧氏距离，λm、λh为调整系数，CMij为聚类中心i对应分区内节点j的两侧海缆总成本，CHij、CHlj为等效高压电缆的长度，CHi为第i段高压电缆的长度，n为节点数，dlj为节点j到聚类中心l的欧氏距离，CMlj为分区l内节点j的两侧海缆总成本，CHl为第l段高压电缆的长度，c为分区个数，m为加权指数；
聚类中心具体为：
其中：Pi为聚类中心i，xj为节点j，pcc为公共连接点的坐标向量；
所述优化度值Obj为
CHij＝CHi/n
所述步骤S5具体包括步骤：
S51：采用单亲遗传算法对各分区进行环形结构分串优化，其中，一个染色体对代表了该分区内各子集电网络的一种拓扑结构，即表征海缆路径的多旅行商路径，由此得到每段海缆上所连接的海上风机数量和流经的最大短路电流；
S52：进行电缆选型，并更新所有分串各节点的两侧海缆总成本、各分串高压电缆的长度和各节点到聚类中心的欧氏距离。
2.根据权利要求1所述的一种海上风电场环形集电网络分层规划方法，其特征在于，所述第i段高压电缆的长度CHi取聚类中心i到岸上公共连接点的距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610899142.5A CN106503839B (zh) | 2016-10-14 | 2016-10-14 | 一种海上风电场环形集电网络分层规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610899142.5A CN106503839B (zh) | 2016-10-14 | 2016-10-14 | 一种海上风电场环形集电网络分层规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106503839A CN106503839A (zh) | 2017-03-15 |
| CN106503839B true CN106503839B (zh) | 2021-09-14 |
Family
ID=58295292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610899142.5A Active CN106503839B (zh) | 2016-10-14 | 2016-10-14 | 一种海上风电场环形集电网络分层规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106503839B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991229B (zh) * | 2017-03-30 | 2020-08-21 | 华北电力大学 | 一种针对复杂拓扑的风电场等值建模方法 |
| CN110137951B (zh) * | 2019-05-16 | 2021-06-08 | 广东电力交易中心有限责任公司 | 基于节点电价的市场分区方法及装置 |
| CN110334391B (zh) * | 2019-05-23 | 2023-03-28 | 明阳智慧能源集团股份公司 | 一种多维度约束风电场集电线路自动规划方法 |
| CN110416925B (zh) * | 2019-07-12 | 2021-07-20 | 上海电机学院 | 一种海上风电的海底电缆布线设计方法 |
| 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 |
| CN111079982B (zh) * | 2019-11-25 | 2023-06-09 | 上海电气风电集团股份有限公司 | 风电场的电缆路径的规划方法、系统、介质及电子设备 |
| CN110704995B (zh) * | 2019-11-28 | 2020-05-01 | 电子科技大学中山学院 | 多变电站多类型风机的电缆布局方法和计算机存储介质 |
| 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 |
| CN111724273B (zh) * | 2020-05-09 | 2023-04-14 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 采用大容量风电机组的海上风电场自动规划集电线路方法 |
| CN112070115B (zh) * | 2020-08-03 | 2024-02-02 | 国家电网有限公司 | 一种基于旅行商问题算法和流潮分析的电网构建方法 |
| CN112436439B (zh) * | 2020-11-11 | 2022-11-18 | 阳光新能源开发股份有限公司 | 一种光伏电站电缆桥架布设方法及装置 |
| CN112487659B (zh) * | 2020-12-15 | 2022-08-02 | 国网江苏省电力有限公司经济技术研究院 | 一种海上风电场集电系统优化设计方法和系统 |
| CN112529735B (zh) * | 2020-12-23 | 2022-08-26 | 南方电网科学研究院有限责任公司 | 一种风电场风电机组等值分群方法、装置及存储介质 |
| CN113285666B (zh) * | 2021-06-08 | 2023-11-07 | 安徽华电工程咨询设计有限公司 | 一种光伏电缆槽盒布置设计方法 |
| CN113328471A (zh) * | 2021-06-11 | 2021-08-31 | 中国华能集团清洁能源技术研究院有限公司 | 适用于大容量多场址海上风电送出的风场布置方法及系统 |
| CN114186488A (zh) * | 2021-12-06 | 2022-03-15 | 国网福建省电力有限公司经济技术研究院 | 一种大规模海上风电场集电系统拓扑结构优化方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006133021A2 (en) * | 2005-06-03 | 2006-12-14 | Aspeed Software Corporation | Method and system for conditioning of numerical algorithms for solving optimization problems within a genetic framework |
| CN104680262A (zh) * | 2015-03-18 | 2015-06-03 | 国网上海市电力公司 | 一种受端电网最优分层分区方案获取方法 |
| CN105184683A (zh) * | 2015-10-10 | 2015-12-23 | 华北电力科学研究院有限责任公司 | 一种基于风电场运行数据的概率聚类分群方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793566B (zh) * | 2014-01-28 | 2016-11-02 | 同济大学 | 一种基于遗传算法的风电场多型号风机优化排布方法 |
| CN105512472B (zh) * | 2015-11-30 | 2018-05-01 | 国网青海省电力公司 | 大型风电基地功率汇集系统拓扑结构分层优化设计方法 |
-
2016
- 2016-10-14 CN CN201610899142.5A patent/CN106503839B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006133021A2 (en) * | 2005-06-03 | 2006-12-14 | Aspeed Software Corporation | Method and system for conditioning of numerical algorithms for solving optimization problems within a genetic framework |
| CN104680262A (zh) * | 2015-03-18 | 2015-06-03 | 国网上海市电力公司 | 一种受端电网最优分层分区方案获取方法 |
| CN105184683A (zh) * | 2015-10-10 | 2015-12-23 | 华北电力科学研究院有限责任公司 | 一种基于风电场运行数据的概率聚类分群方法 |
Non-Patent Citations (3)
| Title |
|---|
| 云南电网网架重构策略研究;张雪丽，;《中国优秀硕士学位论文全文数据库工程科技II辑（月刊）》;20150315(第03期);C042-1023 * |
| 基于免疫单亲遗传和模糊C均值的聚类算法;蒋红芬,等；;《江苏技术师范学院学报》;20060831;第12卷(第4期);46-50 * |
| 基于单亲遗传算法和模糊C-均值算法的混合聚类算法;韩斌，;《华东船舶工业学院学报》;20000630;第15卷(第3期);20-23 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106503839A (zh) | 2017-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106503839B (zh) | 一种海上风电场环形集电网络分层规划方法 | |
| Hou et al. | Optimisation of offshore wind farm cable connection layout considering levelised production cost using dynamic minimum spanning tree algorithm | |
| Gonzalez-Longatt et al. | Optimal electric network design for a large offshore wind farm based on a modified genetic algorithm approach | |
| CN112487659B (zh) | 一种海上风电场集电系统优化设计方法和系统 | |
| CN109638870B (zh) | 一种特高压直流送端电网的调相机配置方法 | |
| Srikakulapu et al. | Optimized design of collector topology for offshore wind farm based on ant colony optimization with multiple travelling salesman problem | |
| CN109598377B (zh) | 一种基于故障约束的交直流混合配电网鲁棒规划方法 | |
| CN112398678B (zh) | 适用于多源异构电网的运行方式拓扑结构特征提取方法 | |
| Fu et al. | Collection system topology for deep-sea offshore wind farms considering wind characteristics | |
| CN109740975A (zh) | 考虑潮汐资源评估与流速方向的潮汐流能发电场规划方法 | |
| Lingling et al. | Optimization of electrical connection scheme for large offshore wind farm with genetic algorithm | |
| Gonzalez-Longatt | Optimal offshore wind farms' collector design based on the multiple travelling salesman problem and genetic algorithm | |
| 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 | |
| Shen et al. | Optimal planning for electrical collector system of offshore wind farm with double-sided ring topology | |
| Ren et al. | An alterable weight minimum spanning tree method for electrical collector system planning in tidal current generation farms | |
| CN115496427B (zh) | 一种多微网系统柔性互联投资规划决策方法 | |
| Hou et al. | Offshore wind farm cable connection configuration optimization using dynamic minimum spanning tree algorithm | |
| Paleba et al. | Optimal placement and sizing distributed wind generation using particle swarm optimization in distribution system | |
| Li et al. | Cable connection optimization for onshore wind farms considering restricted area and topography | |
| CN115495989A (zh) | 一种考虑风特性的海上风电场集电系统拓扑结构设计方法 | |
| Ge et al. | Improved harris hawks optimization for configuration of PV intelligent edge terminals | |
| Li et al. | Optimization of the offshore wind power grid-connected structure based on an improved genetic algorithm | |
| Jiang et al. | Expansion planning method of offshore multiplatform power system with wind power considering cable size selection | |
| Chen et al. | Grouping-Based Optimal Design of Collector System Topology for a Large-Scale Offshore Wind Farm by Improved Simulated Annealing | |
| Dong et al. | Planning for Network Expansion Based on Prim Algorithm and Reinforcement Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 201306 No. 1851, Hucheng Ring Road, Pudong New Area, Shanghai Patentee after: Shanghai Electric Power University Country or region after: China Address before: 200090 No. 2103, Pingliang Road, Shanghai, Yangpu District Patentee before: SHANGHAI University OF ELECTRIC POWER Country or region before: China |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240222 Address after: 200120, Room 1006A, No. 958 Lujiazui Ring Road, Pudong New Area, Shanghai Patentee after: Shanghai Shenergy New Energy Investment Co.,Ltd. Country or region after: China Address before: 201306 No. 1851, Hucheng Ring Road, Pudong New Area, Shanghai Patentee before: Shanghai Electric Power University Country or region before: China |
|
| TR01 | Transfer of patent right |