CN108258724A - 一种风电场机组布局多目标优化方法 - Google Patents

Abstract

本发明公开了一种风电场机组布局多目标优化方法，包括建立面向风电场机组布局优化的约束多目标优化模型，以最小化风电场全寿命周期成本和最大化风电场年发电量为优化目标，以风力机安装最小间距和风电场场地限制为约束条件；求解所述约束多目标优化模型，输出一组Pareto最优解集；从Pareto最优解集中选择最优方案。本发明以最小化化风电场全寿命周期成本和最大化风电场年发电量为优化目标进行风电场机组布局优化设计，同时考虑了风力机安装最小间距，风场地表限制作为约束条件，更符合实际情况，本发明求解问题时采用进化多目标优化算法，能够同时找到一组各有利弊的Pareto最优解集，满足不同用户需求，可以根据实际情况，选择实施。

Description

一种风电场机组布局多目标优化方法

技术领域

本发明涉及再生能源技术领域，更具体地说涉及一种风电场机组布局多目标优化方法。

背景技术

近年来，世界各国都在大力发展，如太阳能、风能等可再生能源技术，用于解决不断凸显的能源危机和环境恶化问题，以实现经济社会的可持续发展。风力资源作为一种廉价且丰富的清洁可再生资源得到了广泛的重视。

风电场机组布局优化是有效利用风力资源、提高风力发电量的重要方法，具体是指通过综合考虑风资源分布、地形地貌、交通运输、生态环境、闪影效应、噪声效应和土地地质等影响因素，以风电场发电量最大、投资成本最小、噪声最低等为目标，对风电场内各台风力机进行合理布置，也称为风电场微观选址。

目前关于风电场机组布局优化方法大都是单目标优化，如仅考虑最大化风电场发电量，或最小化投资成本。虽然一些研究同时考虑了最大化发电量和最小化全寿命周期成本，但是在风力发电量计算以及全寿命周期成本计算等方面存在不足，如发电量计算过程中没有考虑到风力机组之间的尾流效应，没有考虑到受复杂地形影响而导致的风力机安装高度不同对发电量的影响；在全寿命周期成本计算中，没有考虑到复杂地形对于总投资及运行维护费用带来的影响。另外，现有研究一般假设风电场建设场地为平坦区域，没有考虑到复杂地形对布局优化产生的影响；现有研究一般假设风电场建设区为无约束的(即所有地方均可以安装风力机)，没有考虑到如自然条件或人为的限制 (如水源地禁止安装风力机)。鉴于此，本发明提出考虑复杂地形和约束限制的风电场机组布局约束多目标优化方法。

发明内容

本发明要解决的技术问题是：提供一种风电场机组布局多目标优化方法。

本发明解决其技术问题的解决方案是：

一种风电场机组布局多目标优化方法，包括以下步骤：

步骤1.建立面向风电场机组布局优化的约束多目标优化模型，以最小化风电场全寿命周期成本和最大化风电场年发电量为优化目标，以风力机安装最小间距和风电场场地限制为约束条件；

步骤2.求解所述约束多目标优化模型，输出一组Pareto最优解集；

步骤3.从Pareto最优解集中选择最优方案。

作为上述技术方案的进一步改进，所述约束多目标优化模型如表达式1所示，

其中F_cost(x)表示风电场年化成本，包括年化初始投资成本及年平均运行和维护费用，具体如表达式2计算所得，F_cost(x)＝(C_CP+C_OM)/T，其中T为系统全寿命周期，C_CP是年化初始总投资成本，包括风力机组成本、控制系统、并网电力基础设施以及安装费用，C_OM是系统的年平均运行和维护费用；

F_wp(x)表示风电场年发电量，具体如表达式3计算所得，

其中，表示第ip 台风力机的平均输出功率，N_wt表示风力机个数，T_year表示年发电小时；

将风场地表大致均匀地划分为大小为4D×4D的区域，整个风场地表被离散成N个风力机安装位置，以长度为n的一组0,1变量作为决策变量，即如表达式4所示，x＝(x₁,x₂,…x_i,…,x_n),x_i∈{0,1}，其中x_i＝1表示第i个位置安装风力机，否则不安装风力机，同时该安装位置的高度H_i已知；

所述约束条件中风力机安装距离不小于8倍风轮直径；风场地表中x_j＝0,j∈J的位置禁止安装风力机，且风力机总的安装数量确定，即

作为上述技术方案的进一步改进，所述步骤3中当要求整个系统的全寿命周期成本小于等于给定值Cost时，选择Pareto最优解集中目标函数值F_wp(x)最大的解,即使系统年发电量最大的个体x，作为最终配置方案，所述给定值Cost指风电场建设过程所要求的最大成本额度；当要求整个系统的年发电量大于等于给定值Power时，选择 Pareto最优解集中目标函数值F_cost(x)最小的解，即使系统全寿命周期成本最小的个体x，作为最终配置方案，所述给定值Power指风电场建设过程所要求的最小年发电量。

本发明的有益效果是：本发明以最小化化风电场全寿命周期成本和最大化风电场年发电量为优化目标进行风电场机组布局优化设计，同时考虑了风力机安装最小间距，风场地表限制作为约束条件，更符合实际情况，本发明求解问题时采用进化多目标优化算法，能够同时找到一组各有利弊的Pareto最优解集，满足不同用户需求，可以根据实际情况，选择实施。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。

图1是本发明的优化方法流程图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。

参照图1，本发明创造公开了一种风电场机组布局多目标优化方法，包括以下步骤：

步骤1.建立面向风电场机组布局优化的约束多目标优化模型，以最小化风电场全寿命周期成本和最大化风电场年发电量为优化目标，以风力机安装最小间距和风电场场地限制为约束条件；

步骤2.求解所述约束多目标优化模型，输出一组Pareto最优解集；

步骤3.从Pareto最优解集中选择最优方案。

具体地，本发明以最小化化风电场全寿命周期成本和最大化风电场年发电量为优化目标进行风电场机组布局优化设计，同时考虑了风力机安装最小间距，风场地表限制作为约束条件，更符合实际情况，本发明求解问题时采用进化多目标优化算法，能够同时找到一组各有利弊的Pareto最优解集，满足不同用户需求，可以根据实际情况，选择实施。

进一步作为优选的实施方式，本发明创造具体实施方式中，所述约束多目标优化模型如表达式1所示，

其中F_cost(x)表示风电场年化成本，包括年化初始投资成本及年平均运行和维护费用，具体如表达式2计算所得， F_cost(x)＝(C_CP+C_OM)/T，其中T为系统全寿命周期，C_CP是年化初始总投资成本，包括风力机组成本、控制系统、并网电力基础设施以及安装费用，通过如下公式计算所得，其中c_cp表示风力机组单位kw发电成本；c_cph表示基准安装高度H_ref下的安装费用，H_i为第i个风力机的安装高度，其余费用按照c_cp的α倍计算；N_wt为风力机个数，P^*为风力机最大功率；d′为控制系数。

C_OM是系统的总运行和维护成本，按照C_CP的η倍计，同时考虑到通货膨胀率以及名义利率i_nom，通过如下公式计算，C_OM＝ηC_cpR_F，其中ir是年实际利率，i_nom是名义利率，是年通胀率。

F_wp(x)表示风电场年发电量，具体如表达式3计算所得，

其中，表示第ip 台风力机的平均输出功率，N_wt表示风力机个数，T_year表示年发电小时；

表达式4如下所示，表达式4描述风速分布的威布尔分布，其中表示高度为H_ref下所考虑地区年均风速，k表示控制威布尔分布一致性的形状参数，c表示控制平均风速分布的尺度参数，Γ为伽马函数。

表达式3中表示第ip台风力机的平均输出功率，P(v)表示风力机功率曲线，f(v)表示风速概率密度函数，v表示风力机所在位置风速，P(v)通过如下表达式5计算所得，其中P_wtr是风力机的额定功率，V_c是风力机的切入速度，V_f是风力机的额定风速，V_f是风力机的切出风速，考虑到风电场的复杂地形以及风力机位置处的风速受到周围多台机组的尾流影响，位于不同安装位置(具有不同的安装高度H_i)的风力机风速v通过如下表达式6计算所得，其中表示基准高度H_ref下的年均风速，β为尾流因子，γ控制系数。

为降低风机间的尾流影响，减少发电量，将风场地表大致均匀地划分为大小为4D×4D的区域，整个风场地表就被离散成N个风力机安装位置，以长度为n的一组0,1变量作为决策变量，即如表达式4 所示，x＝(x₁,x₂,…x_i,…,x_n),x_i∈{0,1}，其中x_i＝1表示第i个位置安装风力机，否则不安装风力机，同时该安装位置的高度H_i已知；

所述约束条件中风力机安装距离不小于8倍风轮直径；风场地表中x_j＝0,j∈J的位置禁止安装风力机，且风力机总的安装数量确定，即

进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤2具体包括以下步骤：

步骤21.算法参数设置，主要包括种群规模N和终止条件，终止条件采用最大运行代数，设置为maxGen；

步骤22.设置当前进化代gen＝1，同时初始化种群，随机生成N个个体x作为父代种群，记为S，其中x＝(x₁,x₂,…x_i,…,x_n)且 x_i∈{0,1}，即个体由n个随机生成的0,1变量组成；另外，针对风电场的安装限制条件，将x_i＝1但i∈J的基因值修正为x_i＝0，同时将另外一个x_ii＝0且的基因值修正为1，确保

步骤23.随机生成Ng个参考点g＝(g₁,...,g_m)，作为偏好信息种群 (记作父代参考点种群G)，Ng表示偏好信息种群的大小，其中 0<g_i<1.2,i＝1,2,...,m，m表示目标个数，此处m＝2；

步骤24.若满足终止条件，即gen>maxGen，则终止计算，输出当前的非支配解集；否则，基于当前种群S，通过分段交叉和多点变异算子产生子代种群Sc，规模也为N；重新生成Ng个新的参考点，记为种群Gc；

步骤25.将父代种群S与子代种群Sc合并，得到规模为2N的合种群S_all＝S∪Sc，将父代参考点种群G和子代参考点种群Gc合并，得到规模为2Ng的合种群G_all＝G∪Gc，基于S_all和G_all计算个体和参考点的适应度，然后依据适应度对所有个体和参考点进行排序；

步骤26.根据排序结果从前往后选取N个体和Ng个参考点作为新的父代种群S和参考点种群G；

步骤27.重复步骤24至步骤26，直至满足终止条件，即达到最大运行代数，输出S中的非支配个体作为所求解的解。

具体地，步骤24中，所述分段交叉算子，其操作步骤如下，

令q＝1，并初始化集合Sc'为空集；

首先选取个体x_2q-1和x_2q，x_2q-1∈S，x_2q∈S,其次随机生成两个交叉点i'，j'且i',j'∈[1,n]，然后交换x_2q-1和x_2q位于第i'到第 j'段的基因值，得到新的个体x'_2q-1和x'_2q，并保存到集合Sc'，即 Sc'＝Sc'∪x'_2q-1∪x'_2q；

令q＝q+1；若q>N/2，则结束交叉操作，开始变异操作；否则转向上一步；

步骤24中，所述均匀变异算子，其操作步骤如下：

设置变异操作的概率为σ，σ∈(0,1)；令q＝1，初始化Sc为空集；

针对个体x_q∈Sc'，随机生成一个位于(0，1)区间的实数，记为rand。若rand<σ，则随机选取l个变异位置，将所选变异位置的基因值(x_i)翻转，即0变为1；1变为0，由此得到新的变异个体x'_q,并存入集合Sc，即Sc＝Sc∪x'_q；若rand≥σ，将x_q存入集合Sc，即Sc＝Sc∪x_q；

令q＝q+1；若q>N，转向步骤25，否则转向上一步。

步骤25中，所述的个体和参考点的适应度计算方法为：

将种群中的个体归一化，获取每一个目标函数f_m的最大值f_i ^max和最小值f_i ^min，然后依据下式将每个个体目标函数值转换到区间[0,1]，即其中f_i(x)表示进化过程中个体x 的第i个目标的原始目标函数值，表示个体x归一化后的目标函数值；

个体与参考点的Pareto支配关系统计：遍历每一组个体与参考点，确定他们之间的Pareto支配关系。同时设定每个参考点携带的积分为1，当某一参考点仅被一个个体支配，那么它的积分全部分配给该个体；当参考点被多个(如n_r)个体支配，那么它的积分平均分配给这n_r个个体，即每个个体得到1/n_r积分，由此得到个体的初始适应度计算公式如下表达式7所示，其中s_i表示第i个个体，g表示参考点，n_r表示参考点被个体s_i支配的个数，个体初始适应度值等于该个体能够支配的所有参考点赋予其的积分，若个体不能支配任何参考点，那么

对于每个参考点，若其被n_r个个体Pareto支配，则得到积分1/n_r，若不被任何个体支配，则得到积分0，由此得到参考点的适应度其计算公式如下表达式8所示，依据个体和参考点的适应度值和的值，对个体和参考点进行从大到小排序，所述Pareto支配关系是指对于个体x和y，xPareto支配个体y当且仅当m表示目标函数个数；即个体x在所有目标函数上不差于个体y，并且 x至少在一个目标函数上优于y。

进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤3中当要求整个系统的全寿命周期成本小于等于给定值Cost时，选择Pareto最优解集中目标函数值F_wp(x)最大的解,即使系统年发电量最大的个体x，作为最终配置方案，所述给定值Cost指风电场建设过程所要求的最大成本额度；当要求整个系统的年发电量大于等于给定值Power时，选择Pareto最优解集中目标函数值F_cost(x)最小的解，即使系统全寿命周期成本最小的个体x，作为最终配置方案，所述给定值Power指风电场建设过程所要求的最小年发电量。

以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (3)

1.一种风电场机组布局多目标优化方法，其特征在于，包括以下步骤：

步骤1.建立面向风电场机组布局优化的约束多目标优化模型，以最小化风电场全寿命周期成本和最大化风电场年发电量为优化目标，以风力机安装最小间距和风电场场地限制为约束条件；

步骤2.求解所述约束多目标优化模型，输出一组Pareto最优解集；

步骤3.从Pareto最优解集中选择最优方案。

2.根据权利要求1所述的一种风电场机组布局多目标优化方法，其特征在于：所述约束多目标优化模型如表达式1所示，

其中F_co_st(x)表示风电场年化成本，包括年化初始投资成本及年平均运行和维护费用，具体如表达式2计算所得，F_cost(x)＝(C_CP+C_OM)/T，其中T为系统全寿命周期，C_CP是年化初始总投资成本，包括风力机组成本、控制系统、并网电力基础设施以及安装费用，C_OM是系统的年平均运行和维护费用；

F_wp(x)表示风电场年发电量，具体如表达式3计算所得，

其中，表示第ip台风力机的平均输出功率，N_wt表示风力机个数，T_year表示年发电小时；

将风场地表大致均匀地划分为大小为4D×4D的区域，整个风场地表被离散成N个风力机安装位置，以长度为n的一组0,1变量作为决策变量，即如表达式4所示，x＝(x₁,x₂,…x_i,…,x_n),x_i∈{0,1}，其中x_i＝1表示第i个位置安装风力机，否则不安装风力机，同时该安装位置的高度H_i已知；

所述约束条件中风力机安装距离不小于8倍风轮直径；风场地表中x_j＝0,j∈J的位置禁止安装风力机，且风力机总的安装数量确定，即

3.根据权利要求2所述的一种风电场机组布局多目标优化方法，其特征在于：所述步骤3中当要求整个系统的全寿命周期成本小于等于给定值Cost时，选择Pareto最优解集中目标函数值F_wp(x)最大的解,即使系统年发电量最大的个体x，作为最终配置方案，所述给定值Cost指风电场建设过程所要求的最大成本额度；当要求整个系统的年发电量大于等于给定值Power时，选择Pareto最优解集中目标函数值F_cost(x)最小的解，即使系统全寿命周期成本最小的个体x，作为最终配置方案，所述给定值Power指风电场建设过程所要求的最小年发电量。