CN106897793A - 一种可保证安全距离的基于遗传算法的风电场风力发电机排布优化方法 - Google Patents

Abstract

本发明公开了一种可保证安全距离的基于遗传算法的风电场风力发电机排布优化方法。对风力发电机进行选型；把风电场区域作为搜索域，在搜索域内随机生成风机的初始位置矩阵，作为算法的初始解，矩阵的每一行代表一种风机位置排布方案，矩阵的行数代表遗传算法每代的种群的个体数，对矩阵进行二进制编码；计算当前代每个个体的适应度，适应度函数设定为保持风机间安全距离且度电成本最低；根据每个个体的适应度值，求出当代最优，结合历史最优值记录，求出全局最优值及其对应的个体；本发明方法无须将风电场划分成正方形网格并进行选择，可以更有效的利用风电场范围内的土地资源和风资源，位置方案更加精确，实用性更强。

Description

一种可保证安全距离的基于遗传算法的风电场风力发电机排 布优化方法

技术领域

本发明涉及一种风电场风力发电机排布优化方法，特别涉及一种可保证风机间安全距离的基于遗传算法的风电场风力发电机排布优化方法。

背景技术

能源危机已经成为现代社会的主要问题之一，传统化石能源带来的环境污染问题日益严重，新能源利用领域亟待发展。风能是一种无污染的绿色可再生能源，因此近年来中国大力发展风能产业，兴建风电场，力图增加对风能源的利用。风电场选址是风电产业合理规划的重要步骤之一，分为宏观选址和微观选址。宏观选址是结合风资源分布情况、电网用电需求和经济规划等情况，对风电场的建场地点进行选择和确定。在宏观选址之后，在风电场区域内风力发电机的排布、选型等进行布置，以得到更高的整场发电量或者风力利用效率等，即为微观选址。微观选址在合理提高风力发电机的使用寿命和风资源的利用效率，降低风力发电成本和风电场不利影响等方面，具有关键性的作用。风电场的微观选址主要包括风资源评估、风机选型和风机位置优化等几块内容。其中风资源评估是基于对当地气象尤其是风的长期测量记录数据进行风能分布的分析，确定主导风向、风能大小、湍流强度、极端天气等情况，从而结合建场要求等进行风机选型，确定风机的型号和数量。在风资源评估和风机选型的基础上，进行风机位置优化。风机位置优化的主体部分是根据限制条件和目标函数来选择和设计优化算法并进行优化计算。风机位置优化的限制条件包括当地的风资源情况、地形地貌情况、风机选型结果等多方面，非线性且强耦合，非常复杂，也是风电场微观选址的主要问题所在。微观选址的目标函数与建设风电场的预期规划指标相关，一般为年发电量最高、风能发电度电成本最低、风场净资产值最高或者其他各种经济、社会效应指标的耦合等。

在多台风力发电机并存的大型风电场中，风机之间的尾流作用会导致处在上游风机尾流中的下游发电机到达叶轮面的风速减小、风能降低、发电量减小。风机位置优化必须考虑尾流影响。为了保证风机的安全运行，在工程实践中，风力发电机之间距离最短为3D，一般在5D以上(D是风力发电机的叶轮直径)。所以在确定风机位置时，需要考虑风机之间的最短距离，也称为安全距离。但是为了有效提高风能利用率和风电场区域的土地利用率，风机之间的距离又不能过长。所以风机位置优化的限制条件繁琐而又复杂。风机安全距离是风机优化选址过程中必须要考虑的因素。在世界范围内对风机位置的优化研究中，因为该问题的非线性和强耦合性，大多采用基于搜索的启发式算法来解决，诸如遗传算法、随机算法等。在解决问题的过程中，为了保证风机间的安全距离，采用的方法是将风电场区域划分为边长为安全距离的网格，认为在网格的端点上可以安装风机。如果安装风机，则该端点编码为“1”，未安装则编码为“0”。使用基于搜索的启发式算法结合目标函数来对端点选取进行优化得出风机位置选取最优方案。类似地，有些算法是将风机放置在网格中心。这种算法的主要问题在于，保证安全距离的同时将很大一部分的搜索域设定为不可行区域，搜索域变成了原来搜索域的子集，其可行解也是原可行解集合的子集，而且该可行解子集是原可行解集合的很小一部分，得到的优化结果离最优解距离很远，同时在风电场不大的情况下，方法并不比格点搜索更优。

与本专利相关的文献和专利中，Mosetti，G.等在1994年的Journal of WindEngineering and Industrial Aerodynamics发表的论文“Optimization of windturbine positioning in large windfarms by means of a genetic algorithm”中，第一次提出了使用遗传算法来解决风机排布优化的问题的方法，使用的是在风场区域内划分棋盘格，把风机放置在网格中心，来保持风机之间的安全距离。这种方法一直以来被广泛采用，例如Grady，S.A.等在2005年发表在Renewable Energy的论文“Placement of windturbines using genetic algorithms”对Mosetti等人的方法提出了改进，但是采用的仍然是棋盘格的方法来保证风机之间的安全距离。专利《一种基于遗传算法的风电场风机优化排布方案》(申请公布号：CN 103793566 A)提出了使用遗传算法来解决风力发电机排布的问题，但是在风电场区域的搜索方法同样是是人为划分风机直径倍数的网格。这些相关文献和专利中，都是采用划分安全距离网格的方法来保证风机之间的安全距离，搜索域被人为缩小，得出的优化结果质量不高。

发明内容

本发明目的在于克服上述现有研究和技术存在的问题和缺陷，提出一种可保证风机间安全距离的基于遗传算法的风电场风力发电机排布优化方法。该算法在风电场区域进行搜索时，优化算法的搜索域是连续的，能够保持解的可行域未被缩小，可提高风机排布位置精度，优化效果更好，更具有实用性。

本发明的目的通过以下的技术方案实现：一种可保证安全距离的基于遗传算法的风电场风力发电机排布优化方法，包含以下步骤：

1)根据风电场地形气象特性，读入风电场相关地形和气象等参数，并进行计算流体力学模拟和风资源评估；

2)根据风资源评估结果和建场装机容量等要求，对风力发电机进行选型；

3)把风电场区域作为搜索域，在搜索域内随机生成风机的初始位置矩阵，作为算法的初始解，矩阵的每一行代表一种风机位置排布方案，矩阵的行数代表遗传算法每代的种群的个体数，对矩阵进行二进制编码；

4)计算当前代每个个体的适应度，适应度函数设定为保持风机间安全距离且度电成本最低；

5)根据每个个体的适应度值，求出当代最优，结合历史最优值记录，求出全局最优值及其对应的个体；

6)判断是否达到算法最大迭代次数或设定收敛标准，若为是，则输出当前全局最优值对应的个体并解码，作为风机位置方案，完成风力发电机排布优化，否则进行步骤7)；

7)把当代所有个体作为父代个体群，根据设定的选择方法、交叉率和变异率，进行选择操作、交叉操作和变异操作并返回步骤4)。

进一步地，使用基于遗传算法的改进型优化算法来优化风机位置的选取，通过对适应度函数的设定来保持风机安全距离，从而对风电场区域进行搜索，搜索域是连续的。个体适应度由两部分组成，一部分是度电成本，另一部分是风机之间的距离函数，适应度函数值越小，个体适应度越优。个体适应度fitness计算公式为：

其中：CoE是年发电成本，AEP是风电场年平均发电量，d_ij是风机i和风机j之间的直线距离，N是风电场风机总台数，c1和c2是设定的权重系数，f₁是为了保证风机之间的安全距离设定的函数，其表达式为：

其中：D_s是风机之间的安全距离，一般设定为5D～8D。

进一步地，对风电场区域可行域的搜索密度由遗传算法中对位置坐标的编码决定，搜索范围是连续的，并且可通过适应度函数的设定来保证风机之间的安全距离。

与现有技术相比，本发明具有以下优点：

1.对风电场区域风机位置可行域搜索细致连续。因为对风机位置坐标直接编码，而不是对风电场区域划分棋盘格后对棋盘格进行选择，可在风电场范围内进行连续搜索。能够有效针对实际风电场区域进行风机位置选择和优化。如果为了提高搜索速度，可通过遗传算法种群编码方式来改变位置搜索密度。

2.算法先进，保证了求解的可行性。使用遗传算法保证针对风电场微观选址这类非线性强耦合优化问题能够得到可行解。本发明算法充分考虑实际风场区域的特点和使用风机利用风能的特点，可推广至复杂地形风电场微观选址。

3.实用性强。本发明适应度函数的设计适用于应用在风电场区域存在道路、维修等限制条件，存在不可建风机子区域的情况。

4.扩展性好，本发明算法编码灵活，该研究方法和成果可以有效推广拓展至类似的问题求解中，解决相应问题。

附图说明

图1是本发明方法的流程图。

图2是实施例风电区域的风玫瑰图。

图3是实施例使用本发明进行排布优化选址的结果图。

图4是采用传统对风电区域进行方格划分和排布优化选址的结果图。

具体实施方式

以下结合附图对本发明的实施作如下详述：

实施例

本实施例对某风电场进行发电机建场前的风机排布选型优化。在该边长为2千米的正方形风电场区域内装配额定功率为1.5MW，风机叶轮面直径为80m的风力发电机。装配风机台数为7台。现设风电场区域为横坐标[0,2000](米)，纵坐标为[0,2000](米)，遗传算法的可行域为该范围内的二维平面本实施实例中风电场建设在平原中，粗糙长度为0.3米，不考虑复杂地形的影响。优化目标为在保持风机安全距离为5D的前提下整个风电场度电成本最低。整个过程的流程如图1所示。实施步骤具体如下：

1)根据风电场地形气象特性，读入风电场相关地形和气象等参数，并进行计算流体力学模拟和风资源评估；

2)根据风资源评估结果和建场装机容量等要求，对风力发电机进行选型；

3)把风电场区域作为搜索域，在搜索域内随机生成风机的初始位置矩阵，作为算法的初始解，矩阵的每一行代表一种风机位置排布方案，矩阵的行数代表遗传算法每代的种群的个体数，对矩阵进行二进制编码；

4)计算当前代每个个体的适应度，适应度函数设定为保持风机间安全距离且度电成本最低；

5)根据每个个体的适应度值，求出当代最优，结合历史最优值记录，求出全局最优值及其对应的个体；

6)判断是否达到算法最大迭代次数或设定收敛标准，若为是，则输出当前全局最优值对应的个体并解码，作为风机位置方案，完成风力发电机排布优化，否则进行步骤7)；

7)把当代所有个体作为父代个体群，根据设定的选择方法、交叉率和变异率，进行选择操作、交叉操作和变异操作并返回步骤4)。

使用基于遗传算法的改进型优化算法来优化风机位置的选取，为了保持风机之间的距离大于等于安全距离通过对适应度函数的设定来保持风机安全距离，从而对风电场区域进行搜索，搜索域是连续的。个体适应度由两部分组成，一部分是度电成本，另一部分是风机之间的距离函数，适应度函数值越小，个体适应度越优。个体适应度计算公式为：

其中：CoE是年发电成本，AEP是风电场年平均发电量，d_ij是风机i和风机j之间的直线距离，N是风电场风机总台数，c₁和c₂是设定的权重系数，f₁是为了保证风机之间的安全距离设定的函数，其表达式为：

其中：Ds是风机之间的安全距离，在本实施例中设为风机风轮直径D的5倍，即5D。

适当设置c₁和c₂的值，使风力发电机选址算法既能保证安全距离，又能达到度年成本最低。

上述的基于遗传算法的风电场风力发电机排布改进优化方法主要包括种群初始化(种群中的每一个个体都代表一种风机位置方案)，编码、计算当代个体适应度、通过选择操作、交叉操作和变异操作生成子代种群等环节组成。整个实施例是按照图1中所示的流程，进行风力发电机排布优化计算。将图2中所示的风玫瑰信息作为风电场区域的风资源信息输入本发明的中设计的风机排布改进优化算法。图3是在保证风机安全距离的前提下，使用本发明的基于遗传算法的风电场风力发电机排布改进优化算法对7台风力发电机的位置进行排布的优化结果。假设风机工作寿命为20年，度电成本为0.4886元/千瓦时，考虑了尾流影响的整场风机效率为99.57％。

图4中给出了使用传统的风电场区域网格划分的方法来保证风机之间安全距离的风机可能位置。本实施例中风机安全距离为400米，共有36个位置可放置风力发电机。采用了本发明的基于遗传算法的风电场风力发电机排布改进优化算法的结果并未局限于这36个位置，而是得出了图4中的方案。说明使用本发明的基于遗传算法的风电场风力发电机排布改进优化算法的可行域是整个风电场区域，得出的风机排布结果能够充分利用风力发电场区域的土地资源，能够有效提高风能利用率。

Claims (3)

1.一种可保证安全距离的基于遗传算法的风电场风力发电机排布优化方法，其特征在于，包含以下步骤：

1)根据风电场地形气象特性，读入风电场相关地形和气象等参数，并进行计算流体力学模拟和风资源评估；

2)根据风资源评估结果和建场装机容量等要求，对风力发电机进行选型；

3)把风电场区域作为搜索域，在搜索域内随机生成风机的初始位置矩阵，作为算法的初始解，矩阵的每一行代表一种风机位置排布方案，矩阵的行数代表遗传算法每代的种群的个体数，对矩阵进行二进制编码；

4)计算当前代每个个体的适应度，适应度函数设定为保持风机间安全距离且度电成本最低；

5)根据每个个体的适应度值，求出当代最优，结合历史最优值记录，求出全局最优值及其对应的个体；

6)判断是否达到算法最大迭代次数或设定收敛标准，若为是，则输出当前全局最优值对应的个体并解码，作为风机位置方案，完成风力发电机排布优化，否则进行步骤7)；

7)把当代所有个体作为父代个体群，根据设定的选择方法、交叉率和变异率，进行选择操作、交叉操作和变异操作并返回步骤4)。

2.根据权利要求1所述的一种可保证安全距离的基于遗传算法的风电场风力发电机排布优化方法，其特征在于，使用基于遗传算法的改进型优化算法来优化风机位置的选取，通过对适应度函数的设定来保持风机安全距离，从而对风电场区域进行搜索，搜索域是连续的。个体适应度由两部分组成，一部分是度电成本，另一部分是风机之间的距离函数，适应度函数值越小，个体适应度越优。个体适应度fitness计算公式为：

$fitness=c1\·\frac{CoE}{AEP}+c2\·\underset{i=1,j=2,i\≠j}{\overset{N}{\Σ}}{f}_1\left(d_{ij}\right)$

其中：CoE是年发电成本，AEP是风电场年平均发电量，d_ij是风机i和风机j之间的直线距离，N是风电场风机总台数，c1和c2是设定的权重系数，f₁是为了保证风机之间的安全距离设定的函数，其表达式为：

$f_1\left(d_{ij}\right)=\left\{\begin{array}{cc}0,& if{d}_{ij}\&GreaterEqual;D_s\\ D_s-d_{ij},& if{d}_{ij}<D_s\end{array}\right.$

其中：D_s是风机之间的安全距离，一般设定为5D～8D。

3.根据权利要求1所述的一种可保证安全距离的基于遗传算法的风电场风力发电机排布优化方法，其特征在于，对风电场区域可行域的搜索密度由遗传算法中对位置坐标的编码决定，搜索范围是连续的，并且可通过适应度函数的设定来保证风机之间的安全距离。