CN111339713B - 风电场的优化设计方法、系统、电子设备和存储介质 - Google Patents

风电场的优化设计方法、系统、电子设备和存储介质 Download PDF

Info

Publication number
CN111339713B
CN111339713B CN202010176942.0A CN202010176942A CN111339713B CN 111339713 B CN111339713 B CN 111339713B CN 202010176942 A CN202010176942 A CN 202010176942A CN 111339713 B CN111339713 B CN 111339713B
Authority
CN
China
Prior art keywords
design
target
pareto
design variable
optimization
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
Application number
CN202010176942.0A
Other languages
English (en)
Other versions
CN111339713A (zh
Inventor
许梦莹
蒋勇
许移庆
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.)
Shanghai Electric Wind Power Group Co Ltd
Original Assignee
Shanghai Electric Wind Power Group 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 Shanghai Electric Wind Power Group Co Ltd filed Critical Shanghai Electric Wind Power Group Co Ltd
Priority to CN202010176942.0A priority Critical patent/CN111339713B/zh
Publication of CN111339713A publication Critical patent/CN111339713A/zh
Application granted granted Critical
Publication of CN111339713B publication Critical patent/CN111339713B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种风电场的优化设计方法、系统、电子设备和存储介质，所述优化设计方法包括：获取风电场对应的n个优化目标；确定每个优化目标对应的目标函数和设计变量信息；采用智能优化算法获取多个优化目标对应的帕累托最优解集；根据预设条件从帕累托最优解集中选取目标帕累托解；获取目标帕累托解对应的目标设计变量值；根据目标设计变量值对风电场进行优化布局。本发明中通过多目标优化算法求解出一组各子目标尽可能最优的方案集合Pareto最优解集，用户可以根据自身偏好选择最终的优化设计方案，从而实现对风电场的优化布局设计，同时也提高了优化设计效率。

Description

风电场的优化设计方法、系统、电子设备和存储介质
技术领域
本发明涉及风电场设计技术领域，特别涉及一种风电场的优化设计方法、系统、电子设备和存储介质。
背景技术
风电场设计所包含的设计参数很多，如机组布局、机型选择、轮毂高度选择等。目前研究较多的是机组的布局优化，而且通常以单目标优化的方式进行，优化目标可以为年发电量最大、度电成本最低、净现值最大等，同时考虑场区边界、尾流影响、环境影响等设计约束条件。单目标设计的方案往往由于追求单一目标的最优化而导致其他方面恶化，如选择年发电量为目标时，为了追求发电量的最大化，可能将机组布置在施工成本很大的位置，从而导致风电场投资成本陡增、度电成本增加等。
随着业界对风电场精细化设计的重视程度越来越高，考虑单一目标的设计方法已不能满足市场需求，需要综合考虑发电量、成本、环境影响等多个目标以获得各目标均衡的全局最优解，从而达到全生命周期的综合效用最大化。目前，风电场多目标优化设计主要通过赋予权重的方式将多目标优化问题转化为单目标问题，但是，这种依赖于权重的方法效果好坏主要取决于专家的主观判断，因此无法做到相对客观的平衡各优化目标，从而无法满足实际优化设计需求。
发明内容
本发明要解决的技术问题是为了克服现有技术中风电场的优化设计方法存在主要依赖于专家的主观判断、无法做到相对客观的平衡各优化目标，无法满足实际优化设计需求的缺陷，目的在于提供一种风电场的优化设计方法、系统、电子设备和存储介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明提供一种风电场的优化设计方法，所述优化设计方法包括：
获取风电场对应的n个优化目标；其中，n≥2且取整数；
确定每个所述优化目标对应的目标函数和设计变量信息；
采用智能优化算法基于所述目标函数和所述设计变量信息进行处理，获取多个所述优化目标对应的帕累托最优解集；
其中，所述帕累托最优解集中不同的帕累托解对应不同的设计变量值；
根据预设条件从所述帕累托最优解集中选取目标帕累托解；
获取所述目标帕累托解对应的目标设计变量值；
根据所述目标设计变量值对所述风电场进行优化布局。
较佳地，所述设计变量信息包括设计变量、所述设计变量的取值类型、取值范围以及约束条件。
较佳地，所述智能优化算法包括目标遗传算法、基于群智能的多目标优化算法或快速非支配排序遗传算法。
较佳地，所述智能优化算法为所述快速非支配排序遗传算法时，所述采用智能优化算法基于所述目标函数和所述设计变量信息进行处理，获取多个所述优化目标对应的帕累托最优解集的步骤包括：
设置染色体数包括所述设计变量中的机组数量，以及设置染色体的基因包括所述设计变量中除所述机组数量之外的信息并获取对应的设置信息；
采用所述快速非支配排序遗传算法根据所述设置信息进行交叉和/或变异处理以获取多个所述优化目标对应的所述帕累托最优解集。
本发明还提供一种风电场的优化设计系统，所述优化设计系统包括优化目标获取模块、确定模块、最优解集获取模块、目标帕累托解选取模块、设计变量获取模块和布局模块；
所述优化目标获取模块用于获取风电场对应的n个优化目标；其中，n≥2且取整数；
所述确定模块用于确定每个所述优化目标对应的目标函数和设计变量信息；
所述最优解集获取模块用于采用智能优化算法基于所述目标函数和所述设计变量信息进行处理，获取多个所述优化目标对应的帕累托最优解集；
其中，所述帕累托最优解集中不同的帕累托解对应不同的设计变量值；
所述目标帕累托解选取模块用于根据预设条件从所述帕累托最优解集中选取目标帕累托解；
所述设计变量获取模块用于获取所述目标帕累托解对应的目标设计变量值；
所述布局模块用于根据所述目标设计变量值对所述风电场进行优化布局。
较佳地，所述设计变量信息包括设计变量、所述设计变量的取值类型、取值范围以及约束条件。
较佳地，所述智能优化算法包括目标遗传算法、基于群智能的多目标优化算法或快速非支配排序遗传算法。
较佳地，所述智能优化算法为所述快速非支配排序遗传算法时，所述最优解集获取模块包括设置单元和最优解集获取单元；
所述设置单元用于设置染色体数包括所述设计变量中的机组数量，以及设置染色体的基因包括所述设计变量中除所述机组数量之外的信息并获取对应的设置信息；
所述最优解集获取单元用于采用所述快速非支配排序遗传算法根据所述设置信息进行交叉和/或变异处理以获取多个所述优化目标对应的所述帕累托最优解集。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现上述的风电场的优化设计方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的风电场的优化设计方法的步骤。
本发明的积极进步效果在于：
本发明中，基于智能优化算法(如NSGA-II快速非支配排序遗传算法)求解出一组各子目标尽可能最优的方案集合Pareto(帕累托)最优解集(Pareto前沿)，用户可根据自身偏好选择最终的优化设计方案，进而实现对风电场的优化布局设计，同时也提高了优化设计效率。
附图说明
图1为本发明实施例1的风电场的优化设计方法的流程图。
图2为本发明实施例2的风电场的优化设计方法的流程图。
图3为本发明实施例2的风电场的优化设计方法中Pareto前沿示意图。
图4为本发明实施例3的风电场的优化设计系统的模块示意图。
图5为本发明实施例4的风电场的优化设计系统的模块示意图。
图6为本发明实施例5的实现风电场的优化设计方法的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示，本实施例的风电场的优化设计方法包括：
S101、获取风电场对应的n个优化目标；其中，n≥2且取整数；
其中，优化目标的选取根据实际的业务需求确定。
S102、确定每个优化目标对应的目标函数和设计变量信息；
其中，设计变量信息包括但不限于设计变量、设计变量的取值类型、设计变量的取值范围和设计变量的约束条件。
具体地，多目标优化问题的一般描述为：
其中，X为设计变量组成的向量，fm(X)表示第m个目标函数，F(X)为目标函数向量，gj(X)为j个不等式约束函数，hk(X)为k个等式约束函数，p和q均取整数。
在风电场设计中，设计变量包括：机组数量、机组位置、机型、轮毂高度、基础型式等；优化目标包括：年发电量、度电成本、净现值、噪音水平、电磁干扰等。针对不同的优化目标，其所涉及的设计变量也会有所不同。常见的约束条件包括：机组间间距至少大于3倍叶轮直径、风电场边界、不可安装风机区域、容量系数大于30％等。
S103、采用智能优化算法基于目标函数和设计变量信息进行处理，获取多个优化目标对应的帕累托最优解集，该帕累托最优解集为一组各子目标尽可能最优的方案集合，保证最优个体多样性，从而为决策者提供不同偏好选择。
其中，帕累托最优解集中不同的帕累托解对应不同的设计变量值。
另外，智能优化算法包括但限于目标遗传算法、基于群智能的多目标优化算法或快速非支配排序遗传算法。
S104、根据预设条件从帕累托最优解集中选取目标帕累托解；
S105、获取目标帕累托解对应的目标设计变量值；
S106、根据目标设计变量值对风电场进行优化布局。
本实施例中，基于智能优化算法求解出一组各子目标尽可能最优的方案集合Pareto最优解集(Pareto前沿)，用户可根据自身偏好选择最终的优化设计方案，进而实现对风电场的优化布局设计，同时也提高了优化设计效率。
实施例2
如图2所示，本实施例的风电场的优化设计方法是对实施例1的进一步改进，具体地：
步骤S103包括：
S1031、采用NSGA-II快速非支配排序遗传算法基于目标函数和设计变量信息进行处理，获取多个优化目标对应的帕累托最优解集。
其中，通过设置染色体数包括设计变量中的机组数量，以及设置染色体的基因包括设计变量中除机组数量之外的信息并获取对应的设置信息；
采用快速非支配排序遗传算法根据设置信息进行交叉和/或变异处理以获取多个优化目标对应的帕累托最优解集。
具体地，选择NSGA-II快速非支配排序遗传算法，并基于设计变量进行算法设置的过程如下：
将NSGA-II快速非支配排序遗传算法中每个个体(对应多个机组)作为一个设计方案，染色体数为机组数量，染色体的基因包括机位坐标(x，y)、机型、轮毂高度、基础型式等。遗传算法最重要的是选择、交叉、变异，对于本实施例的风电场多目标优化的设计问题，主要涉及对交叉和变异算法进行设置。
(1)交叉：对于非支配排序中的两个个体a1，a2，分别将其染色体(即所有机组)按照机位坐标进行排序。对于a1，a2中位置相近的机组，比较其f1(优化目标，如年发电量、度电成本)的大小，并采用a2中f1比对应的a1中大的机组替换对应的a1的机组。完成替换后，检查a1是否满足约束条件：例如，若两两机组间距不满足约束，则删除相近机组中f1较小的机组，并随机生成新的满足约束的机组。当完成约束条件检查后，即完成交叉。
(2)变异：变异针对单个个体a而言，每个染色体都有发生变异的概率P1(二进制向量，长度为机组数量，0为不发生变异，1为发生变异)。对于每个染色体，各基因也有变异的概率P2(二进制向量，长度为设计变量个数，0为不发生变异，1为发生变异)。
对于发生变异的基因，离散型则随机从其待选参数中选择，对于连续型则需有特定的公式，在风电场多目标优化问题中机位点坐标为连续型，其变异公式如下：
Z(x，y)＝Z0(x，y)+D*α
其中，Z(x，y)为变异后的坐标点位置，Z0(x，y)为变异前的坐标点位置，D为常数，可设置为风电场的平均直径，α为0～1间的随机数。
采用NSGA-II快速非支配排序遗传算法基于上述的交叉和变异算法的设置求解出多个优化目标对应的帕累托最优解集。
下面结合实例具体说明：
(1)选取优化目标，并确定目标函数以及设计变量信息
其中，AEP：年发电量，N：风机数量，Umax:机组运行最大风速，ρ：空气密度，A：扫风面积，Cp:风能利用系数，与空气密度和风速相关，P(U，θ)：θ风向下出现U风速的概率，LCOE：度电成本，FCR：固定开支费率，ICC：初始投资成本，与机型、机组数量、基础类型、轮毂高度等相关，AOE：年运行成本。
发电量的设计变量为：机型、机组数量、机位点坐标、轮毂高度。度电成本的设计变量为：机型、机组数量、轮毂高度、基础类型。其中，机型、机组数量、基础类型为离散整数型，机位点坐标为连续数，轮毂高度可为离散值或连续值。其中，发电量计算的输入文件为风功率图谱，包含了风电场各点位的风速、风频等信息，另外还需要采用尾流模型来计算此机位点的风速U。
约束条件为：机组间距大于3D，机位点坐标位于特定区域中，风电场容量不得大于50MW。
(2)选取NSGA-II快速非支配排序遗传算法基于设计变量进行算法设置
将NSGA-II快速非支配排序遗传算法中每个个体(对应多个机组)作为一个设计方案，染色体数为机组数量，染色体的基因包括机位坐标(x，y)、机型、轮毂高度、基础型式等。遗传算法最重要的是选择、交叉、变异，对于本实施例的风电场多目标优化的设计问题，主要涉及对交叉和变异算法进行设置。
假设备选机型3种(取值为2，2.5，3MW)，基础类型3种(取值为1，2，3)，轮毂高度3种(取值为80，90，100)，机组数量的最大值对应机型为25，20，16。
交叉：对于非支配排序中的两个个体a1，a2，分别将其染色体(即所有机组)按照机位坐标进行排序。对于a1，a2中位置相近的机组，比较其f1(优化目标，如年发电量、度电成本)的大小，并采用a2中f1比对应的a1中大的机组替换对应的a1的机组。完成替换后，检查a1是否满足约束条件：例如，若两两机组间距不满足约束，则删除相近机组中f1较小的机组，并随机生成新的满足约束的机组。若风电场容量大于50MW，则删除发电量最小的机组。当完成约束条件检查后，即完成交叉。
变异：变异针对单个个体a而言，每个染色体都有发生变异的概率P1(二进制向量，长度为机组数量，0为不发生变异，1为发生变异)。对于每个染色体，各基因也有变异的概率P2(二进制向量，长度为设计变量个数，0为不发生变异，1为发生变异)。
对于发生变异的基因，离散型则随机从其待选参数中选择，对于连续型则需有特定的公式，在风电场多目标优化问题中机位点坐标为连续型，其变异公式如下：
Z(x，y)＝Z0(x，y)+D*α
其中，Z(x，y)为变异后的坐标点位置，Z0(x，y)为变异前的坐标点位置，D为常数，可设置为风电场的平均直径，α为0～1间的随机数。
交叉变异的基本作用就是改变设计参数的值，从而找到能得到AEPmax和LCOEmin的解。
(3)采用NSGA-II快速非支配排序遗传算法基于上述的交叉和变异算法的设置求解出并输出多个优化目标对应的Pareto最优解集
Pareto最优解集为多个风电场设计方案对应的目标值，此时，Pareto最优解集为多组(AEP，LCOE)，每组(AEP，LCOE)对应具体的设计方案(几台机组，机组类型、基础类型、轮毂高度、机组的机位点坐标)。
(4)用户根据自身偏好从Pareto最优解集中选取目标帕累托解以及该目标帕累托解对应的目标设计变量值
如图3所示，横轴表示目标函数f1(AEP)，纵轴表示目标函数f2(LCOE)，曲线上每个点对应一个Pareto解，所有Pareto解构成Pareto最优解集(Pareto前沿)；其中，每个Pareto解对应一组(AEP，LCOE)。
用户可根据自身喜好选择，若用户倾向于侧重AEP，就选择AEP较高，LCOE较低的解即可；反之，若用户倾向于侧重LCOE，就选择LCOE较高，AEP较低的解即可。
本实施例中，基于NSGA-II快速非支配排序遗传算法求解出一组各子目标尽可能最优的方案集合Pareto最优解集(Pareto前沿)，用户可根据自身偏好选择最终的优化设计方案，进而实现对风电场的优化布局设计，同时也提高了优化设计效率。
实施例3
如图4所示，本实施例的风电场的优化设计系统包括优化目标获取模块1、确定模块2、最优解集获取模块3、目标帕累托解选取模块4、设计变量获取模块5和布局模块6。
优化目标获取模块1用于获取风电场对应的n个优化目标；其中，n≥2且取整数；
其中，优化目标的选取根据实际的业务需求确定。
确定模块2用于确定每个优化目标对应的目标函数和设计变量信息；
其中，设计变量信息包括但不限于设计变量、设计变量的取值类型、设计变量的取值范围和设计变量的约束条件。
具体地，多目标优化问题的一般描述为：
其中，X为设计变量组成的向量，fm(X)表示第m个目标函数，F(X)为目标函数向量，gj(X)为j个不等式约束函数，hk(X)为k个等式约束函数，p和q均取整数。
在风电场设计中，设计变量包括：机组数量、机组位置、机型、轮毂高度、基础型式等；优化目标包括：年发电量、度电成本、净现值、噪音水平、电磁干扰等。针对不同的优化目标，其所涉及的设计变量也会有所不同。常见的约束条件包括：机组间间距至少大于3倍叶轮直径、风电场边界、不可安装风机区域、容量系数大于30％等。
最优解集获取模块3用于采用智能优化算法基于目标函数和设计变量信息进行处理，获取多个优化目标对应的帕累托最优解集；
其中，帕累托最优解集中不同的帕累托解对应不同的设计变量值。
智能优化算法包括但不限于目标遗传算法、基于群智能的多目标优化算法或快速非支配排序遗传算法。
目标帕累托解选取模块4用于根据预设条件从帕累托最优解集中选取目标帕累托解；
设计变量获取模块5用于获取目标帕累托解对应的目标设计变量值；
布局模块6用于根据目标设计变量值对风电场进行优化布局。
本实施例中，基于NSGA-II快速非支配排序遗传算法求解出一组各子目标尽可能最优的方案集合Pareto最优解集(Pareto前沿)，用户可根据自身偏好选择最终的优化设计方案，进而实现对风电场的优化布局设计，同时也提高了优化设计效率。
实施例4
如图5所示，本实施例的风电场的优化设计系统是对实施例3的进一步改进，具体地：
最优解集获取模块3用于采用NSGA-II快速非支配排序遗传算法基于目标函数和设计变量信息进行处理，获取多个优化目标对应的帕累托最优解集。
其中最优解集获取模块3包括设置单元7和最优解集获取单元8。
设置单元7用于设置染色体数包括设计变量中的机组数量，以及设置染色体的基因包括设计变量中除机组数量之外的信息并获取对应的设置信息；
最优解集获取单元8用于采用快速非支配排序遗传算法根据设置信息进行交叉和/或变异处理以获取多个优化目标对应的帕累托最优解集。
具体地，选择NSGA-II快速非支配排序遗传算法，并基于设计变量进行算法设置：
将NSGA-II快速非支配排序遗传算法中每个个体(对应多个机组)作为一个设计方案，染色体数为机组数量，染色体的基因包括机位坐标(x，y)、机型、轮毂高度、基础型式等。遗传算法最重要的是选择、交叉、变异，对于本实施例的风电场多目标优化的设计问题，主要涉及对交叉和变异算法进行设置。
(1)交叉：对于非支配排序中的两个个体a1，a2，分别将其染色体(即所有机组)按照机位坐标进行排序。对于a1，a2中位置相近的机组，比较其f1(优化目标，如年发电量、度电成本)的大小，并采用a2中f1比对应的a1中大的机组替换对应的a1的机组。完成替换后，检查a1是否满足约束条件：例如，若两两机组间距不满足约束，则删除相近机组中f1较小的机组，并随机生成新的满足约束的机组。当完成约束条件检查后，即完成交叉。
(2)变异：变异针对单个个体a而言，每个染色体都有发生变异的概率P1(二进制向量，长度为机组数量，0为不发生变异，1为发生变异)。对于每个染色体，各基因也有变异的概率P2(二进制向量，长度为设计变量个数，0为不发生变异，1为发生变异)。
对于发生变异的基因，离散型则随机从其待选参数中选择，对于连续型则需有特定的公式，在风电场多目标优化问题中机位点坐标为连续型，其变异公式如下：
Z(x，y)＝Z0(x，y)+D*α
其中，Z(x，y)为变异后的坐标点位置，Z0(x，y)为变异前的坐标点位置，D为常数，可设置为风电场的平均直径，α为0～1间的随机数。
采用NSGA-II快速非支配排序遗传算法基于上述的交叉和变异算法的设置求解出多个优化目标对应的帕累托最优解集。
下面结合实例具体说明：
(1)选取优化目标，并确定目标函数以及设计变量信息
其中，AEP：年发电量，N：风机数量，Umax:机组运行最大风速，ρ：空气密度，A：扫风面积，Cp:风能利用系数，与空气密度和风速相关，P(U，θ)：θ风向下出现U风速的概率，LCOE：度电成本，FCR：固定开支费率，ICC：初始投资成本，与机型、机组数量、基础类型、轮毂高度等相关，AOE：年运行成本。
发电量的设计变量为：机型、机组数量、机位点坐标、轮毂高度。度电成本的设计变量为：机型、机组数量、轮毂高度、基础类型。其中，机型、机组数量、基础类型为离散整数型，机位点坐标为连续数，轮毂高度可为离散值或连续值。其中，发电量计算的输入文件为风功率图谱，包含了风电场各点位的风速、风频等信息，另外还需要采用尾流模型来计算此机位点的风速U。
约束条件为：机组间距大于3D，机位点坐标位于特定区域中，风电场容量不得大于50MW。
(2)选取NSGA-II快速非支配排序遗传算法基于设计变量进行算法设置
将NSGA-II快速非支配排序遗传算法中每个个体(对应多个机组)作为一个设计方案，染色体数为机组数量，染色体的基因包括机位坐标(x，y)、机型、轮毂高度、基础型式等。遗传算法最重要的是选择、交叉、变异，对于本实施例的风电场多目标优化的设计问题，主要涉及对交叉和变异算法进行设置。
假设备选机型3种(取值为2，2.5，3MW)，基础类型3种(取值为1，2，3)，轮毂高度3种(取值为80，90，100)，机组数量的最大值对应机型为25，20，16。
交叉：对于非支配排序中的两个个体a1，a2，分别将其染色体(即所有机组)按照机位坐标进行排序。对于a1，a2中位置相近的机组，比较其f1(优化目标，如年发电量、度电成本)的大小，并采用a2中f1比对应的a1中大的机组替换对应的a1的机组。完成替换后，检查a1是否满足约束条件：例如，若两两机组间距不满足约束，则删除相近机组中f1较小的机组，并随机生成新的满足约束的机组。若风电场容量大于50MW，则删除发电量最小的机组。当完成约束条件检查后，即完成交叉。
变异：变异针对单个个体a而言，每个染色体都有发生变异的概率P1(二进制向量，长度为机组数量，0为不发生变异，1为发生变异)。对于每个染色体，各基因也有变异的概率P2(二进制向量，长度为设计变量个数，0为不发生变异，1为发生变异)。
对于发生变异的基因，离散型则随机从其待选参数中选择，对于连续型则需有特定的公式，在风电场多目标优化问题中机位点坐标为连续型，其变异公式如下：
Z(x，y)＝Z0(x，y)+D*α
其中，Z(x，y)为变异后的坐标点位置，Z0(x，y)为变异前的坐标点位置，D为常数，可设置为风电场的平均直径，α为0～1间的随机数。
交叉变异的基本作用就是改变设计参数的值，从而找到能得到AEPmax和LCOEmin的解。
(3)采用NSGA-II快速非支配排序遗传算法基于上述的交叉和变异算法的设置求解出并输出多个优化目标对应的Pareto最优解集
Pareto最优解集为多个风电场设计方案对应的目标值，此时，Pareto最优解集为多组(AEP，LCOE)，每组(AEP，LCOE)对应具体的设计方案(几台机组，机组类型、基础类型、轮毂高度、机组的机位点坐标)。
(4)用户根据自身偏好从Pareto最优解集中选取目标帕累托解以及该目标帕累托解对应的目标设计变量值
如图3所示，横轴表示目标函数f1(AEP)，纵轴表示目标函数f2(LCOE)，曲线上每个点对应一个Pareto解，所有Pareto解构成Pareto最优解集(Pareto前沿)；其中，每个Pareto解对应一组(AEP，LCOE)。
用户可根据自身喜好选择，若用户倾向于侧重AEP，就选择AEP较高，LCOE较低的解即可；反之，若用户倾向于侧重LCOE，就选择LCOE较高，AEP较低的解即可。
本实施例中，基于NSGA-II快速非支配排序遗传算法求解出一组各子目标尽可能最优的方案集合Pareto最优解集(Pareto前沿)，用户可根据自身偏好选择最终的优化设计方案，进而实现对风电场的优化布局设计，同时也提高了优化设计效率。
实施例5
图6为本发明实施例5提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例1或2中任意一实施例中的风电场的优化设计方法。图6显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1或2中任意一实施例中的风电场的优化设计方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1或2中任意一实施例中的风电场的优化设计方法中的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例1或2中任意一实施例中的风电场的优化设计方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (6)

1.一种风电场的优化设计方法，其特征在于，所述优化设计方法包括：
获取风电场对应的n个优化目标；其中，n≥2且取整数；
确定每个所述优化目标对应的目标函数和设计变量信息；
采用快速非支配排序遗传算法基于所述目标函数和所述设计变量信息进行处理，获取多个所述优化目标对应的帕累托最优解集；具体为：
设置染色体数包括所述设计变量中的机组数量，以及设置染色体的基因包括所述设计变量中除所述机组数量之外的信息并获取对应的设置信息；
采用所述快速非支配排序遗传算法根据所述设置信息进行交叉和/或变异处理以获取多个所述优化目标对应的所述帕累托最优解集；
其中，所述帕累托最优解集中不同的帕累托解对应不同的设计变量值；
根据预设条件从所述帕累托最优解集中选取目标帕累托解；
获取所述目标帕累托解对应的目标设计变量值；
根据所述目标设计变量值对所述风电场进行优化布局；
多目标优化问题的描述为：
其中，X为设计变量组成的向量，fm(X)表示第m个目标函数，F(X)为目标函数向量，gj(X)为j个不等式约束函数，hk(X)为k个等式约束函数，p和q均取整数。
2.如权利要求1所述的风电场的优化设计方法，其特征在于，所述设计变量信息包括设计变量、所述设计变量的取值类型、取值范围以及约束条件。
3.一种风电场的优化设计系统，其特征在于，所述优化设计系统包括优化目标获取模块、确定模块、最优解集获取模块、目标帕累托解选取模块、设计变量获取模块和布局模块；
所述优化目标获取模块用于获取风电场对应的n个优化目标；其中，n≥2且取整数；
所述确定模块用于确定每个所述优化目标对应的目标函数和设计变量信息；
所述最优解集获取模块用于采用快速非支配排序遗传算法基于所述目标函数和所述设计变量信息进行处理，获取多个所述优化目标对应的帕累托最优解集；
所述最优解集获取模块包括设置单元和最优解集获取单元；
所述设置单元用于设置染色体数包括所述设计变量中的机组数量，以及设置染色体的基因包括所述设计变量中除所述机组数量之外的信息并获取对应的设置信息；
所述最优解集获取单元用于采用所述快速非支配排序遗传算法根据所述设置信息进行交叉和/或变异处理以获取多个所述优化目标对应的所述帕累托最优解集；
其中，所述帕累托最优解集中不同的帕累托解对应不同的设计变量值；
所述目标帕累托解选取模块用于根据预设条件从所述帕累托最优解集中选取目标帕累托解；
所述设计变量获取模块用于获取所述目标帕累托解对应的目标设计变量值；
所述布局模块用于根据所述目标设计变量值对所述风电场进行优化布局；
多目标优化问题的描述为：
其中，X为设计变量组成的向量，fm(X)表示第m个目标函数，F(X)为目标函数向量，gj(X)为j个不等式约束函数，hk(X)为k个等式约束函数，p和q均取整数。
4.如权利要求3所述的风电场的优化设计系统，其特征在于，所述设计变量信息包括设计变量、所述设计变量的取值类型、取值范围以及约束条件。
5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序时实现权利要求1-2中任一项所述的风电场的优化设计方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-2中任一项所述的风电场的优化设计方法的步骤。
CN202010176942.0A 2020-03-13 2020-03-13 风电场的优化设计方法、系统、电子设备和存储介质 Active CN111339713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010176942.0A CN111339713B (zh) 2020-03-13 2020-03-13 风电场的优化设计方法、系统、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010176942.0A CN111339713B (zh) 2020-03-13 2020-03-13 风电场的优化设计方法、系统、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111339713A CN111339713A (zh) 2020-06-26
CN111339713B true CN111339713B (zh) 2023-09-26

Family

ID=71186574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010176942.0A Active CN111339713B (zh) 2020-03-13 2020-03-13 风电场的优化设计方法、系统、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111339713B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112035979B (zh) * 2020-09-03 2024-10-01 国电联合动力技术有限公司 一种风电机组整机一体化优化设计方法、平台及寻优方法
CN112765743A (zh) * 2021-01-13 2021-05-07 国电联合动力技术有限公司 一种风电机组整机一体化设计多目标协同优化方法及装置
CN113569449B (zh) * 2021-07-13 2023-06-20 内蒙古工业大学 飞轮储能用电机有限元模型优化方法、设备及介质
CN115018370A (zh) * 2022-06-29 2022-09-06 华能集团技术创新中心有限公司 一种海上风电场基于全场尾流的模拟控制方法及装置
CN116701830B (zh) * 2023-04-26 2024-06-25 清华大学 基于模糊规则与稳定性推理控制的帕累托前沿解优选方法
CN117669300A (zh) * 2023-11-16 2024-03-08 中国科学院空天信息创新研究院 无线电能传输系统多目标优化设计方法、装置及存储介质
CN117669800A (zh) * 2023-11-16 2024-03-08 中国科学院空天信息创新研究院 基于机器学习的无线电能传输系统优化方法、装置及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6757667B1 (en) * 2000-04-12 2004-06-29 Unilever Home & Personal Care Usa, Division Of Conopco, Inc. Method for optimizing formulations
CN102622649A (zh) * 2012-03-07 2012-08-01 南京邮电大学 一种基于信息熵的改进进化多目标优化方法
CN104866919A (zh) * 2015-05-20 2015-08-26 天津大学 基于改进nsga-ii的含风电场电网多目标规划方法
CN108258724A (zh) * 2018-01-22 2018-07-06 佛山科学技术学院 一种风电场机组布局多目标优化方法
EP3428856A1 (en) * 2016-03-09 2019-01-16 Sony Corporation Information processing method and information processing device
CN110533263A (zh) * 2019-09-11 2019-12-03 绍兴建元电力集团有限公司 一种基于改进nsga-ii算法的电-气-热综合系统多目标优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6757667B1 (en) * 2000-04-12 2004-06-29 Unilever Home & Personal Care Usa, Division Of Conopco, Inc. Method for optimizing formulations
CN102622649A (zh) * 2012-03-07 2012-08-01 南京邮电大学 一种基于信息熵的改进进化多目标优化方法
CN104866919A (zh) * 2015-05-20 2015-08-26 天津大学 基于改进nsga-ii的含风电场电网多目标规划方法
EP3428856A1 (en) * 2016-03-09 2019-01-16 Sony Corporation Information processing method and information processing device
CN108258724A (zh) * 2018-01-22 2018-07-06 佛山科学技术学院 一种风电场机组布局多目标优化方法
CN110533263A (zh) * 2019-09-11 2019-12-03 绍兴建元电力集团有限公司 一种基于改进nsga-ii算法的电-气-热综合系统多目标优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于NSGA-Ⅱ和PGA混合遗传算法的中压配电网线路优化规划;杜鹃;;科技资讯(第33期) *
杜鹃 ; .基于NSGA-Ⅱ和PGA混合遗传算法的中压配电网线路优化规划.科技资讯.2012,(第33期),全文. *

Also Published As

Publication number Publication date
CN111339713A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111339713B (zh) 风电场的优化设计方法、系统、电子设备和存储介质
Yang et al. Wind farm layout optimization for wake effect uniformity
Şişbot et al. Optimal positioning of wind turbines on Gökçeada using multi‐objective genetic algorithm
AU2018415216B2 (en) Mesoscale data-based automatic wind turbine layout method and device
CN109670213B (zh) 一种风电场多机等值建模方法及装置
CN102682185A (zh) 单风力发电机的风电功率预测方法
CN111461443B (zh) 风电场的优化设计方法、系统、电子设备和存储介质
CN111178440B (zh) 一种基于高效减小agv总运输成本的路径优化方法
Liu et al. Clustering methods of wind turbines and its application in short-term wind power forecasts
Wang et al. Optimizing wind farm layout by addressing energy-variance trade-off: A single-objective optimization approach
CN114444784A (zh) 风电场机位的多目标排布优化方法及系统
CN111126707B (zh) 能耗方程构建、能耗预测方法与装置
WO2017049428A1 (zh) 一种基于备用对象代价性能比的旋转备用容量优化方法
CN115544699A (zh) 基于遗传算法的海缆布局优化方法、装置、设备及介质
CN113962113A (zh) 一种海上风电场风机优化排布方法及系统
CN105894034B (zh) 一种基于二次聚类的商业负荷特性聚类分析方法
Su et al. Optimal placement and capacity sizing of energy storage systems via NSGA-II in active distribution network
CN115995840A (zh) 基于风、光、储能协调的新能源系统调峰优化方法和装置
CN116522800A (zh) 一种基于场景概率的多目标风-储电站选址定容方法
CN116976514A (zh) 一种分布式电源选址定容方法、装置及存储介质
Gómez-Lorente et al. Multi-objective evolutionary algorithms for the design of grid-connected solar tracking systems
CN111987738A (zh) 一种微电网配置方法及装置
CN115358160A (zh) 一种基于改进遗传算法的复杂地形风电场微观选址方法
CN115036936A (zh) 一种基于线损的风电集群参与电力系统调频方法
CN113947321A (zh) 一种分布式信息能源网络拓扑结构构建方法和系统

Legal Events

Date Code Title Description
PB01 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