CN111639794B - 风机选址方法、装置、计算机设备和存储介质 - Google Patents
风机选址方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111639794B CN111639794B CN202010424622.2A CN202010424622A CN111639794B CN 111639794 B CN111639794 B CN 111639794B CN 202010424622 A CN202010424622 A CN 202010424622A CN 111639794 B CN111639794 B CN 111639794B
- Authority
- CN
- China
- Prior art keywords
- fan
- path
- nodes
- node
- output efficiency
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000010187 selection method Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000003016 pheromone Substances 0.000 claims description 73
- 238000011144 upstream manufacturing Methods 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 21
- 230000008020 evaporation Effects 0.000 claims description 8
- 238000001704 evaporation Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本申请涉及一种风机选址方法、装置、计算机设备和存储介质。所述方法包括:根据预设距离在待选区域内确定多个待选节点;采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行多批次的节点选择,得到多条最终待选路径;按照每条最终待选路径所对应的所述系统输出效率,从所述多条最终待选路径中确定出所述系统输出效率最高的目标待选路径;获取构成所述目标待选路径的目标待选节点,作为所述风机的选址点。采用本方法能够提高形成的风机系统的系统输出效率,使得系统中的每一个风机都得到了充分合理的利用,实现资源利用最大化,同样的制造成本实现最大化的系统输出效率,提高了风机系统的经济性。
Description
技术领域
本申请涉及新能源技术领域,特别是涉及一种风机选址方法、装置、计算机设备和存储介质。
背景技术
随着煤炭、天然气、石油等不可再生能源的减少,以及环境问题的日益突出,人们开始注意并大力发展清洁环保的新能源,如风能、太阳能、水能和地热能等。其中,风能具有清洁可再生、易获取、分布广等优点,因此合理使用风能有利于解决目前环境污染和能源短缺等问题。
风机的尾流效应影响叶轮的发电,风机的布局决定了风机尾流相互作用的程度,影响风电场的效率。因此,合理而有效的风机布局可以提高风机的输出效率,使风电场的年发电量达到最大。
传统技术中,风电场在布局时,很多都采用经验值,这种方法并一定得到风场输出效率最优的布局方案,使得风电场没有得到充分合理的利用,降低了风场的输出效率,造成了资源浪费。
发明内容
基于此,有必要针对上述技术问题,提供一种风机选址方法、装置、计算机设备和存储介质。
一种风机选址方法,应用于包括至少两个风机的风机系统,所述方法包括:
根据预设距离在待选区域内确定多个待选节点;
采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行多批次的节点选择,得到多条最终待选路径;其中,每批次的节点选择得到多条待选路径,每条所述待选路径由所选择的N个待选节点构成,N为所述风机的个数,所述系统输出效率为对所述待选路径进行风机设置所对应的所述风机系统的输出效率;
按照每条最终待选路径所对应的所述系统输出效率,从所述多条最终待选路径中确定出所述系统输出效率最高的目标待选路径;
获取构成所述目标待选路径的目标待选节点,作为所述风机的选址点。
在其中一个实施例中,所述根据预设距离在待选区域内确定待选节点,包括:
当所述待选区域为矩形区域时,获取所述待选区域中的划分方块;其中,所述划分方块为边长为所述预设距离的正方形方块;
以所述划分方块的边为起点,沿所述待选区域的长度方向和宽度方向依次形成新的所述划分方块,将所述待选区域完全填充;
获取所述划分方块的重合顶点,作为所述待选节点。
在其中一个实施例中,所述采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行多批次的节点选择,得到多条最终待选路径,包括:
采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径;
判断i是否大于等于迭代上限;
若否,则令将i+1作为新的i,并重复执行所述采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径的步骤;
若是,则将采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径,将第i批次的节点选择得到的待选路径作为所述多条最终待选路径。
在其中一个实施例中,所述采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径,包括:
对每一待选节点进行信息素初始化,以任一待选节点为起点,以所述预设距离为步长进行当前批次节点选择,按照禁止重复原则和前进原则进行N次的节点选择,最多得到m条待选路径;其中,所述禁止重复原则为在得到每条所述待选路径的每一次节点选择中,选择过的所述待选节点不再重复选择,所述前进原则包括在得到每条所述待选路径的每一次节点选择中,按照随机策略和确定策略相结合进行路径选择的原则;所述确定策略为确定选择信息素大的待选节点,所述随机策略为随机选择所述待选节点;当前批次节点选择得到的待选路径中包括当前指定待选路径,所述当前指定待选路径为前一批次节点选择中,所得到的所述待选路径对应的所述系统输出效率最大的待选路径;
对每一所述待选路径中的待选节点进行风机设置,根据所述风机之间相对于风的上下游位置关系,获取所述系统输出效率;其中,每一所述待选路径对应得到一所述系统输出效率;
根据每一所述系统输出效率增加对应所述待选路径中待选节点的前一信息素,得到当前信息素;
以任一待选节点为起点,以所述预设距离为步长进行下一批次节点选择,根据所述当前信息素,按照所述禁止重复原则和所述前进原则进行N次的节点选择,最多得到m条待选路径;其中,所述下一批次节点选择得到的待选路径中包括下一指定待选路径,所述下一指定待选路径为在所述当前批次节点选择中,所得到的所述待选路径对应的所述系统输出效率最大的待选路径。
在其中一个实施例中,所述对每一所述待选路径中的待选节点进行风机设置,根据所述风机之间相对于风的上下游位置关系,获取所述系统输出效率,包括:
对每一所述待选路径中的待选节点进行风机设置;
获取对应所述待选路径下,上游风机与下游风机之间的上下游距离;其中,所述上游风机为位于风上游位置的风机,所述下游风机为位于风下游位置的风机;
根据初始输入风速、所述上下游距离、以及所述下游风机的叶轮半径确定所述下游风机的实际输入风速;
根据每一所述风机的实际输入风速得到每一所述风机的实际输出功率;
根据所述初始输入风速获取每一所述风机的理论输出功率;
获取所有所述风机的实际输出功率之和比所有所述风机的理论输出功率之和,得到所述系统输出效率。
在其中一个实施例中,所述前进原则还包括:节点信息素局部更新策略;其中,所述更新策略用于根据信息素蒸发速率降低所选择的待选节点的信息素。
一种风机选址装置,所述装置包括:
节点确定模块,用于根据预设距离在待选区域内确定多个待选节点;
路径选择模块,用于采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行多批次的节点选择,得到多条最终待选路径;其中,每批次的节点选择得到多条待选路径,每条所述待选路径由所选择的N个待选节点构成,N为所述风机的个数,所述系统输出效率为对所述待选路径进行风机设置所对应的所述风机系统的输出效率;
目标获取模块,用于按照每条最终待选路径所对应的所述系统输出效率,从所述多条最终待选路径中确定出所述系统输出效率最高的目标待选路径;
选址获取模块,用于获取构成所述目标待选路径的目标待选节点,作为所述风机的选址点。
在其中一个实施例中,所述节点确定模块包括:
方块获取单元,用于当所述待选区域为矩形区域时,获取所述待选区域中的划分方块;其中,所述划分方块为边长为所述预设距离的正方形方块;
方块填充单元,用于以所述划分方块的边为起点,沿所述待选区域的长度方向和宽度方向形成新的所述划分方块,将所述待选区域完全填充;
节点获取单元,用于获取所述矩形方块的重合顶点,作为所述待选节点。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据预设距离在待选区域内确定多个待选节点;
采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行多批次的节点选择,得到多条最终待选路径;其中,每批次的节点选择得到多条待选路径,每条所述待选路径由所选择的N个待选节点构成,N为所述风机的个数,所述系统输出效率为对所述待选路径进行风机设置所对应的所述风机系统的输出效率;
按照每条最终待选路径所对应的所述系统输出效率,从所述多条最终待选路径中确定出所述系统输出效率最高的目标待选路径;
获取构成所述目标待选路径的目标待选节点,作为所述风机的选址点。
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以下步骤:
根据预设距离在待选区域内确定多个待选节点;
采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行多批次的节点选择,得到多条最终待选路径;其中,每批次的节点选择得到多条待选路径,每条所述待选路径由所选择的N个待选节点构成,N为所述风机的个数,所述系统输出效率为对所述待选路径进行风机设置所对应的所述风机系统的输出效率;
按照每条最终待选路径所对应的所述系统输出效率,从所述多条最终待选路径中确定出所述系统输出效率最高的目标待选路径;
获取构成所述目标待选路径的目标待选节点,作为所述风机的选址点。
上述风机选址方法、装置、计算机设备和存储介质,所述方法包括:根据预设距离在待选区域内确定多个待选节点,采用蚁群算法,基于系统输出效率,在多个待选节点中进行多批次的节点选择,得到多条最终待选路径,以系统输出效率作为蚁群算法进行节点选择的选择依据,可以得到系统输出效率最高的待选路径。按照每条最终待选路径所对应的系统输出效率,从多条最终待选路径中确定出系统输出效率最高的目标待选路径,获取构成目标待选路径的目标待选节点,作为风机的选址点。以此实现风机选址布局,降低了影响系统输出效率的风机尾流相互作用,根据该选址点设置风机,提高了形成的风机系统的系统输出效率,使得系统中的每一个风机都得到了充分合理的利用,实现了资源利用最大化,同样的制造成本实现最大化的系统输出效率,提高了风机系统的经济性。
附图说明
图1为一个实施例中风机选址方法的应用环境图;
图2为一个实施例中风机选址方法的流程示意图;
图3为一个实施例中待选区域内待选节点的分布示意图;
图4为另一个实施例中在待选区域内确定待选节点的流程示意图;
图5a为另一个实施例中待选区域内待选节点的分布示意图;
图5b为另一个实施例中待选区域内待选节点的分布示意图;
图6为一个实施例中采用蚁群算法得到最终待选路径的流程示意图;
图7为另一个实施例中采用蚁群算法得到最终待选路径的流程示意图;
图8为一个实施例中获取系统输出效率的流程示意图;
图9为一个实施例中待选区域中一待选路径的结构示意图;
图10为一个实施例中Jensen模型结构示意图;
图11为一个实施例中风机选址装置的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的风机选址方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端102获取服务器104提供的待选区域,根据预设距离在待选区域内确定多个待选节点。终端102采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行多批次的节点选择,得到多条最终待选路径。其中,每批次的节点选择得到多条待选路径,每条所述待选路径由所选择N个待选节点构成,N为所述风机的个数。所述系统输出效率为对所述待选路径进行风机设置所对应的所述风机系统的输出效率。终端102按照每条最终待选路径所对应的所述系统输出效率,从所述多条最终待选路径中确定出所述系统输出效率最高的目标待选路径。终端102获取构成所述目标待选路径的目标待选节点,作为所述风机的选址点。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种风机选址方法,以该方法应用于包括至少两个风机的风机系统为例进行说明,包括以下步骤:
S201、根据预设距离在待选区域内确定多个待选节点。
其中,所述预设距离大于等于所述风机的叶轮直径,本实施例中所述预设距离为所述风机的叶轮直径。所述待选区域为用于设置所述风机系统的实际区域的轮廓图,可预先存储在所述风机系统中,或者直接从地图服务器如百度地图、谷歌地图的服务器中下载得到。所述待选节点为用于设置所述风机的待选位置。
具体地,所述风机系统以所述风机的叶轮直径R作为所述预设距离d,在预存的所述待选区域内确定多个待选节点。例如,如图3所示,以待选区域M的几何中心点为原点O,建立坐标系XOY,以原点O为起点,沿X轴正负方向延伸,形成直线a0,将直线a0以所述预设距离d为间隔,沿Y轴正方向依次形成直线(a1,a3,a5,a7)直至待选区域M的边界m,沿Y轴负方向依次形成直线(a2,a4,a6)直至待选区域M的边界m;以原点O为起点,沿Y轴的正负方向延伸,形成直线b0,将直线b0以所述预设距离d为间隔,沿X轴正方向依次形成直线(b1,b3,b5)直至待选区域M的边界m,沿X轴负方向依次形成直线(b2,b4,b6,b8)直至待选区域M的边界m。所述风机系统获取沿X轴正负方向形成的直线(b0~b8)和沿Y轴正负方向形成的直线(a0~a7)的交点作为所述多个待选节点。
S202、采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行多批次的节点选择,得到多条最终待选路径。
其中,每批次的节点选择至少得到多条待选路径,每条所述待选路径由所选择的N个待选节点构成N为所述风机的个数。所述系统输出效率为对所述待选路径进行风机设置所对应的所述风机系统的输出效率。
具体地,所述风机系统在得到的所述多个待选节点中,采用所述蚁群算法,在所述多个待选节点中进行多批次的节点选择,每批次的节点选择都基于上一批次的节点选择得到的待选路径所对应的所述系统输出效率进行,以此往复迭代,实现每批次的节点选择,直至节点选择的批次达到迭代上限,得到所述多条最终待选路径。例如,所述风机系统对所述多个待选节点进行第i批次的节点选择,每批次同时进行m次的路径选择,每批次的节点选择都基于第i-1次的节点选择得到的待选路径所对应的所述系统输出效率进行。其中,i取正整数,由1取到迭代上限T,m取正整数,且m≥2。
S203、按照每条最终待选路径所对应的所述系统输出效率,从所述多条最终待选路径中确定出所述系统输出效率最高的目标待选路径。
其中,每条最终待选路径上的待选节点位置不同,相应进行风机设置时,得到的所述风机系统的风机位置不同,则所述风机之间的距离不同,导致风机尾流相互作用的程度不同,进而影响所述风机系统的系统输出效率。
进一步地,所述系统输出效率可根据所述风机系统中所有所述风机的实际输出功率之和与理论输出效率之和的比值得到。
具体地,所述风机系统获取每条最终待选路径所对应的所述系统输出效率并进行比较,将所述系统输出效率最高的最终待选路径作为所述目标待选路径。
S204、获取构成所述目标待选路径的目标待选节点,作为所述风机的选址点。
具体地,所述风机系统将构成所述目标待选路径的待选节点作为所述目标待选节点,获取每一所述目标待选节点在所述待选区域中的位置,作为所述风机系统中每一风机的选址点。
本实施例中,风机系统根据预设距离在待选区域内确定多个待选节点,采用蚁群算法,基于系统输出效率,在多个待选节点中进行多批次的节点选择,得到多条最终待选路径,以系统输出效率作为蚁群算法进行节点选择的选择依据,可以得到系统输出效率最高的待选路径。所述风机系统按照每条最终待选路径所对应的系统输出效率,从多条最终待选路径中确定出系统输出效率最高的目标待选路径,获取构成目标待选路径的目标待选节点,作为风机的选址点,以此实现风机选址布局,降低了影响系统输出效率的风机尾流相互作用,根据该选址点设置风机,提高了形成的风机系统的系统输出效率,使得系统中的每一个风机都得到了充分合理的利用,实现了资源利用最大化,同样的制造成本实现最大化的系统输出效率,提高了风机系统的经济性。
在一个实施例中,如图4所示,步骤S201、根据预设距离在待选区域内确定多个待选节点,包括:
S401、当所述待选区域为矩形区域时,获取所述待选区域中的划分方块。
其中,所述划分方块为边长为所述预设距离的正方形方块。
具体地,所述风机系统可根据所述待选区域的长度和宽度为所述预设距离的奇偶倍数确定所述待选区域中的所述划分方块。例如,若所述待选区域的长度L和宽度W均为所述预设距离d的偶数倍(图5a),则以所述待选区域的任一顶点作为所述矩形方块的一顶点,沿所述待选区域的长度方向和宽度方向形成所述划分方块,直至所述待选区域的边界。若所述待选区域的长度L和宽度W为所述预设距离d的奇数倍(图5b),则以所述待选区域的几何中心作为所述矩形方块的中心点,沿所述待选区域的长度方向和宽度方向形成所述矩形方块,直至所述待选区域的边界。
S402、以所述划分方块的边为起点,沿所述待选区域的长度方向和宽度方向依次形成新的所述划分方块,将所述待选区域完全填充。
S403、获取所述矩形方块的重合顶点,作为所述待选节点。
具体地,所述风机系统以所述划分方块的四条边分别为起点,沿所述待选区域的长度方向和宽度方向依次形成新的所述划分方块,以通过所述划分方块将所述待选区域完全填充,获取所述划分方块之间的重合顶点,作为所述待选节点。
本实施例中,所述风机系统在待选区域为矩形区域时,在待选区域中获取边长为预设距离的正方形方块作为划分待选区域的划分方块,根据划分方块的每条边生成新的划分方块,以通过划分方块将待选区域完全填充,以确保对待选区域的充分合理利用,再获取划分方块之间的重合顶点,作为待选节点,以得到最多的待选接节点,为后续节点选择提供更多可能,有利于产生更高系统输出效率的待选路径。
在一个实施例中,如图6所示,步骤S202、采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行多批次的节点选择,得到多条最终待选路径,包括:
S601、采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径。
其中,m为进行路径选择的次数(N为每次路径选择中节点选择的次数即风机数量)。每批次的节点选择至少得到一条所述待选路径,得到一条所述待选路径时即为该批次的节点选择中,进行m次路径选择中的每一次的节点选择均相同,得到了同一条所述待选路径;每批次的节点选择最多得到m条所述待选路径,即该批次的节点选择中,进行m次路径选择中的每一次的节点选择存在不同,得到m条所述待选路径。
S602、判断i是否大于等于迭代上限。
其中,所述迭代上限T为进行节点选择的批次上限。
若否,则令将i+1作为新的i,并重复执行所述采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径的步骤。
若是,则将采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径,将第i批次的节点选择得到的待选路径作为所述多条最终待选路径。
具体地,所述风机系统在进行每一批次的节点选择时,均进行节点选择的批次判断,判断进行节点选择的批次i是否大于等于所述迭代上限T。如否,则继续执行采用所述蚁群算法,基于上一批次的节点选择得到的所述系统输出效率,在所述多个待选节点中进行下一批次的节点选择,最多得到m条待选路径的路径选择步骤;若是,则将进行该批次的节点选择后得到的待选路径作为所述多条最终待选路径。
其中,如图7所示,所述S601、采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径,包括:
S701、对每一待选节点进行信息素初始化,以任一待选节点为起点,以所述预设距离为步长进行当前批次节点选择,按照禁止重复原则和前进原则进行N次的节点选择,最多得到m条待选路径。
其中,所述信息素初始化即统一每一待选节点的信息素的过程,使得每一待选节点的信息素均相等。所述像素信息初始化满足如下初始化关系式:
τi为进行第i批次的节点选择时,每一所述待选节点的信息素,τ0为初始信息素。
其中,所述禁止重复原则为在得到每条所述待选路径的每一次节点选择中,选择过的所述待选节点不再重复选择。所述禁止重复原则满足如下禁止重复关系式:
allowedk=U-fornidk
forbidk为可选择的待选节点,forbidk为禁止选择的待选节点,即选择过的待选节点。
其中,所述前进原则包括在得到每条所述待选路径的每一次节点选择中,按照随机策略和确定策略相结合进行路径选择的原则。所述确定策略为确定选择信息素大的待选节点,所述随机策略为随机选择所述待选节点。
具体地,所述前进原则满足如下前进关系式:
其中,Pij k为第k周期次的节点选择中,节点i选择节点j的选择概率;q是区间[0,1]上均匀分布的随机数,q0是选择较大信息素的概率,τ为信息素,σ为启发函数,即由节点i选择节点j的期望程度,指数β越大,期望度越高,α为信息启发式因子,通常取值为1。
进一步地,当前批次节点选择得到的待选路径中包括当前指定待选路径。所述当前指定待选路径为前一批次节点选择中,所得到的所述待选路径对应的所述系统输出效率最大的待选路径。以确保所述蚁群算法趋向于确定对应所述系统输出效率大的待选路径,而不会退化。
进一步地,所述前进原则还包括:节点信息素局部更新策略。
其中,所述局部更新策略用于根据信息素ρ蒸发速率降低所选择的待选节点的信息素τi。所述局部更新策略满足如下局部更新关系式:
τi=(1-ρ)τi
S702、对每一所述待选路径中的待选节点进行风机设置,根据所述风机之间相对于风的上下游位置关系,获取所述系统输出效率。
其中,每一所述待选路径对应得到一所述系统输出效率。
具体地,所述风机系统对每一所述待选路径中的待选节点进行风机设置,获取每一所述风机的理论输入风速即初始输入风速V0,和每一所述风机在相对于风的上下游位置关系影响下的实际输入风速Vi,根据风机功率计算公式分别得到每台所述风机的理论输出功率PWT和实际输出功率Pwf。所述风机系统将所述风机系统中所有所述风机的实际输出功率Pwf比上与所述理论输出效率PWT之和,得到所述风机系统的系统输出效率εwf。
其中,所述系统输出效率εwf满足下式:
其中,ε=0.4为每台风机的输出效率,A为风机叶轮旋转产生的面积,ρ0是风的密度。
S703、根据每一所述系统输出效率增加对应所述待选路径中待选节点的前一信息素,得到当前信息素。
具体地,所述风机系统在每批次的节点选择后,对选择的得到的待选路径进行全局信息素更新,即根据每一所述系统输出效率增加对应所述待选路径中每一待选节点的前一信息素,得到所述待选路径中每一待选节点的当前信息素。所述全局信息素更新满足如下全局信息素更新关系式:
其中,ρ代表信息素蒸发速率,新增加的信息素被乘上ρ之后,更新后信息素浓度被控制在旧信息量和新释放的信息素量之间。
S704、以任一待选节点为起点,以所述预设距离为步长进行下一批次节点选择,根据所述当前信息素,按照所述禁止重复原则和所述前进原则进行N次的节点选择,最多得到m条待选路径。
其中,所述下一批次节点选择得到的待选路径中包括下一指定待选路径,所述下一指定待选路径为在所述当前批次节点选择中,所得到的所述待选路径对应的所述系统输出效率最大的待选路径。以确保所述蚁群算法趋向于确定对应所述系统输出效率大的待选路径,而不会退化。
具体地,所述风机系统在节点选择的批次未达到所述迭代上限T时,执行以任一待选节点为起点,以所述预设距离为步长进行下一批次节点选择,根据所述当前信息素,按照所述禁止重复原则和所述前进原则进行N次的节点选择,最多得到m条待选路径的节点选择的步骤,以此往复迭代,以得到对应所述系统输出效率尽可能高的待选路径。
本实施例中,所述风机系统采用遵循禁止重复原则和前进原则的蚁群算法对待选区域中的待选节点进行有限批次的节点选择,每批次的节点选择中进行有限次的路径选择,每次路径选择中进行与所需设置风机数量个数相同次数的节点选择,得到所需设置风机数量个数的待选节点,并通过获取当前批次节点选择下,当前路径选择得到的待选路径对应的系统输出效率,对当前路径选择得到的待选路径中的待选节点进行全局信息素更新,并将得到的待选路径对应的系统输出效率最大的待选路径作为下一批次节点选择的指定路径,继续采用蚁群算法进行下一批次的节点选择,直至节点选择批次达到迭代上限。通过上述方法提高了风机选址的效率,同时得到的最终待选路径中包括经过有限批次的节点选择后得到对应系统输出效率最大的待选路径,整个蚁群算法趋向于获取对系统输出效率大的待选路径,以此实现以风机系统的系统输出效率尽可能高的风机选址,使得资源利用最大化,提高了风机系统的经济性。
在一个实施例中,如图8所示,所述S602、对每一所述待选路径中的待选节点进行风机设置,根据所述风机之间相对于风的上下游位置关系,获取所述系统输出效率,包括:
S801、对每一所述待选路径中的待选节点进行风机设置。
S802、获取对应所述待选路径下,上游风机与下游风机之间的上下游距离。
其中,所述上游风机为位于风上游位置的风机,所述下游风机为位于风下游位置的风机。
具体地,所述风机系统获取对应所述待选路径下,所述待选路径中的待选节之间点平行于风向的间距,并根据该间距确定所述上游风机与下游风机之间的上下游距离。如图9所示,待选路径S中包括进行风机设置的待选节点S1~S6,在风向F下,待选节点S1,S2,S3处的风机为上游风机,待选节点S5,S6处的风机为下游风机,待选节点S4处的风机相对于在待选节点S3处的风机为下游风机,相对于在待选节点S5处的风机上游风机。其中,待选节点S2处的风机对待选节点S6处的风机造成风速影响,待选节点S3处的风机对待选节点S4和待选节点S4处的风机造成风速影响,待选节点S4处的风机对待选节点5处的风机造成风速影响。待选节点S2处的风机与待选节点S6处的风机之间的上下游距离为2R(R为风机的叶轮直径),待选节点S3处的风机与待选节点S4处的风机之间的上下游距离为R,待选节点S3处的风机与待选节点S5处的风机之间的上下游距离为2R,待选节点S4处的风机与待选节点S5处的风机之间的上下游距离为R。
S803、根据初始输入风速、所述上下游距离、以及所述下游风机的叶轮半径确定所述下游风机的实际输入风速。
其中,不因相对于风的上下游位置关系影响的风机的实际输入风速即为所述初始输入风速。
具体地,如图10所示,所述风机系统可根据Jensen尾流模型得到所述下游风机的实际输入风速。具体过程如下:
首先,所述风机系统根据能量守恒定律建立上游风机与下游风机之间的能量守恒关系式,具体可根据所述上游风机的输出能量等于所述下游风机的输入能量建立上下游风机之间的能量守恒关系式。为简化计算,所述上游风机的输出能量等于所述上游风机后涡轮处输出风速v1产生的动能与所述上游风机远离涡轮处的初始输入风速V0产生的动能之和。所述能量守恒关系式满足下式:
r=r0+bXv1=V0(1-2a)
则由上式可以得到:
其中:
式中,ρ为空气密度,v1为上游风机后涡轮处的输出风速,V0为上游风机的初始输入风速,V为距离上游风机X位置处的下游电机的实际输入风速。X为上游风机到下游区域风机的上下游距离,r为下游风机的尾流半径,ɑ为轴向感应系数,CT为推力系数,b为尾流膨胀系数,r0为风机的叶轮半径,z0和z分别是表面粗糙度和风机的高度。
求解上述关系式,即可得到所述下游风机的实际输入风速V。同理,可以得到每台所述下游风机的实际输入风速Vi。
S804、根据每一所述风机的实际输入风速得到每一所述风机的实际输出功率。
S805、根据所述初始输入风速获取每一所述风机的理论输出功率。
S806、获取所有所述风机的实际输出功率之和比所有所述风机的理论输出功率之和,得到所述系统输出效率。
具体地,所述风机系统将每一台风机的实际输入风速输入功率计算公式得到每一风机的实际输出效率,每一台风机的初始输入风速输入功率计算公式得到每一风机的理论输出效率。所述风机系统获取所有所述风机的实际输出功率Pi之和比上所有所述风机的理论输出功率PWF之和,得到所述风机系统的系统输出效率εwf。
本实施例中,所述风机系统根据风机之间相对于风的上下游位置关系,确定风机之间的尾流影响,得到风机的实际风速,基于实际风速与初始输入风速分别计算风机的实际输出功率和理论输出功率,进而得到所述风机系统的系统输出效率,以为每一批次的节点选择中,进行每周期次的节点选择时提供选择依据,和进行全局信息素更新的更新依据。具体采用的Jensen尾流模型计算系统实际输出功率,整个过程简单、编码容易,并且提高了实际输出功率的精度。
应该理解的是,虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-8中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图11所示,提供了一种风机选址装置,包括:节点确定模块1110、路径选择模块1120、目标获取模块1130和选址获取模块1140,其中:
所述节点确定模块1110用于根据预设距离在待选区域内确定多个待选节点;
所述路径选择模块1120用于采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行多批次的节点选择,得到多条最终待选路径;其中,每批次的节点选择得到多条待选路径,每条所述待选路径由所选择的N个待选节点构成,N为所述风机的个数,所述系统输出效率为对所述待选路径进行风机设置所对应的所述风机系统的输出效率;
所述目标获取模块1130用于按照每条最终待选路径所对应的所述系统输出效率,从所述多条最终待选路径中确定出所述系统输出效率最高的目标待选路径;
所述选址获取模块1140用于获取构成所述目标待选路径的目标待选节点,作为所述风机的选址点。
在一个实施例中,所述节点确定模块1110包括:
方块获取单元,用于当所述待选区域为矩形区域时,获取所述待选区域中的划分方块;其中,所述划分方块为边长为所述预设距离的正方形方块;方块填充单元,用于以所述划分方块的边为起点,沿所述待选区域的长度方向和宽度方向形成新的所述划分方块,将所述待选区域完全填充;节点获取单元,用于获取所述矩形方块的重合顶点,作为所述待选节点。
在一个实施例中,所述路径选择模块1120用于:
采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径;判断i是否大于等于迭代上限;若否,则令将i+1作为新的i,并重复执行所述采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径的步骤;若是,则将采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径,将第i批次的节点选择得到的待选路径作为所述多条最终待选路径。
在一个实施例中,所述路径选择模块1120还用于:
对每一待选节点进行信息素初始化,以任一待选节点为起点,以所述预设距离为步长进行当前批次节点选择,按照禁止重复原则和前进原则进行N次的节点选择,最多得到m条待选路径;其中,所述禁止重复原则为在得到每条所述待选路径的每一次节点选择中,选择过的所述待选节点不再重复选择,所述前进原则包括在得到每条所述待选路径的每一次节点选择中,按照随机策略和确定策略相结合进行路径选择的原则;所述确定策略为确定选择信息素大的待选节点,所述随机策略为随机选择所述待选节点;当前批次节点选择得到的待选路径中包括当前指定待选路径,所述当前指定待选路径为前一批次节点选择中,所得到的所述待选路径对应的所述系统输出效率最大的待选路径;对每一所述待选路径中的待选节点进行风机设置,根据所述风机之间相对于风的上下游位置关系,获取所述系统输出效率;其中,每一所述待选路径对应得到一所述系统输出效率;根据每一所述系统输出效率增加对应所述待选路径中待选节点的前一信息素,得到当前信息素;以任一待选节点为起点,以所述预设距离为步长进行下一批次节点选择,根据所述当前信息像素,按照所述禁止重复原则和所述前进原则进行N次的节点选择,最多得到m条待选路径;其中,所述下一批次节点选择得到的待选路径中包括下一指定待选路径,所述下一指定待选路径为在所述当前批次节点选择中,所得到的所述待选路径对应的所述系统输出效率最大的待选路径。
在一个实施例中,所述路径选择模块1120还用于:
对每一所述待选路径中的待选节点进行风机设置;获取对应所述待选路径下,上游风机与下游风机之间的上下游距离;其中,所述上游风机为位于风上游位置的风机,所述下游风机为位于风下游位置的风机;根据初始输入风速、所述上下游距离、以及所述下游风机的叶轮半径确定所述下游风机的实际输入风速;根据每一所述风机的实际风速得到每一所述风机的实际输出功率;根据所述初始输入风速获取每一所述风机的理论输出功率;获取所有所述风机的实际输出功率之和比所有所述风机的理论输出功率之和,得到所述系统输出效率。
在一个实施例中,所述前进原则还包括:节点信息素局部更新策略;其中,所述更新策略用于根据信息素蒸发速率降低所选择的待选节点的信息素。
关于风机选址装置的具体限定可以参见上文中对于风机选址方法的限定,在此不再赘述。上述风机选址装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种风机选址方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据预设距离在待选区域内确定多个待选节点;采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行多批次的节点选择,得到多条最终待选路径;其中,每批次的节点选择得到多条待选路径,每条所述待选路径由所选择的N个待选节点构成,N为所述风机的个数,所述系统输出效率为对所述待选路径进行风机设置所对应的所述风机系统的输出效率;按照每条最终待选路径所对应的所述系统输出效率,从所述多条最终待选路径中确定出所述系统输出效率最高的目标待选路径;获取构成所述目标待选路径的目标待选节点,作为所述风机的选址点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当所述待选区域为矩形区域时,获取所述待选区域中的划分方块;其中,所述划分方块为边长为所述预设距离的正方形方块;以所述划分方块的边为起点,沿所述待选区域的长度方向和宽度方向依次形成新的所述划分方块,将所述待选区域完全填充;获取所述划分方块的重合顶点,作为所述待选节点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径;判断i是否大于等于迭代上限;若否,则令将i+1作为新的i,并重复执行所述采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径的步骤;若是,则将采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径,将第i批次的节点选择得到的待选路径作为所述多条最终待选路径。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对每一待选节点进行信息素初始化,以任一待选节点为起点,以所述预设距离为步长进行当前批次节点选择,按照禁止重复原则和前进原则进行N次的节点选择,最多得到m条待选路径;其中,所述禁止重复原则为在得到每条所述待选路径的每一次节点选择中,选择过的所述待选节点不再重复选择,所述前进原则包括在得到每条所述待选路径的每一次节点选择中,按照随机策略和确定策略相结合进行路径选择的原则;所述确定策略为确定选择信息素大的待选节点,所述随机策略为随机选择所述待选节点;当前批次节点选择得到的待选路径中包括当前指定待选路径,所述当前指定待选路径为前一批次节点选择中,所得到的所述待选路径对应的所述系统输出效率最大的待选路径;对每一所述待选路径中的待选节点进行风机设置,根据所述风机之间相对于风的上下游位置关系,获取所述系统输出效率;其中,每一所述待选路径对应得到一所述系统输出效率;根据每一所述系统输出效率增加对应所述待选路径中待选节点的前一信息素,得到当前信息素;以任一待选节点为起点,以所述预设距离为步长进行下一批次节点选择,根据所述当前信息素,按照所述禁止重复原则和所述前进原则进行N次的节点选择,最多得到m条待选路径;其中,所述下一批次节点选择得到的待选路径中包括下一指定待选路径,所述下一指定待选路径为在所述当前批次节点选择中,所得到的所述待选路径对应的所述系统输出效率最大的待选路径。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对每一所述待选路径中的待选节点进行风机设置;获取对应所述待选路径下,上游风机与下游风机之间的上下游距离;其中,所述上游风机为位于风上游位置的风机,所述下游风机为位于风下游位置的风机;根据初始输入风速、所述上下游距离、以及所述下游风机的叶轮半径确定所述下游风机的实际输入风速;根据每一所述风机的实际风速得到每一所述风机的实际输出功率;根据所述初始输入风速获取每一所述风机的理论输出功率;获取所有所述风机的实际输出功率之和比所有所述风机的理论输出功率之和,得到所述系统输出效率。
在一个实施例中,所述前进原则还包括:节点信息素局部更新策略;其中,所述更新策略用于根据信息素蒸发速率降低所选择的待选节点的信息素。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据预设距离在待选区域内确定多个待选节点;采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行多批次的节点选择,得到多条最终待选路径;其中,每批次的节点选择得到多条待选路径,每条所述待选路径由所选择的N个待选节点构成,N为所述风机的个数,所述系统输出效率为对所述待选路径进行风机设置所对应的所述风机系统的输出效率;按照每条最终待选路径所对应的所述系统输出效率,从所述多条最终待选路径中确定出所述系统输出效率最高的目标待选路径;获取构成所述目标待选路径的目标待选节点,作为所述风机的选址点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当所述待选区域为矩形区域时,获取所述待选区域中的划分方块;其中,所述划分方块为边长为所述预设距离的正方形方块;以所述划分方块的边为起点,沿所述待选区域的长度方向和宽度方向依次形成新的所述划分方块,将所述待选区域完全填充;获取所述划分方块的重合顶点,作为所述待选节点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径;判断i是否大于等于迭代上限;若否,则令将i+1作为新的i,并重复执行所述采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径的步骤;若是,则将采用所述蚁群算法,基于所述系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径,将第i批次的节点选择得到的待选路径作为所述多条最终待选路径。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对每一待选节点进行信息素初始化,以任一待选节点为起点,以所述预设距离为步长进行当前批次节点选择,按照禁止重复原则和前进原则进行N次的节点选择,最多得到m条待选路径;其中,所述禁止重复原则为在得到每条所述待选路径的每一次节点选择中,选择过的所述待选节点不再重复选择,所述前进原则包括在得到每条所述待选路径的每一次节点选择中,按照随机策略和确定策略相结合进行路径选择的原则;所述确定策略为确定选择信息素大的待选节点,所述随机策略为随机选择所述待选节点;当前批次节点选择得到的待选路径中包括当前指定待选路径,所述当前指定待选路径为前一批次节点选择中,所得到的所述待选路径对应的所述系统输出效率最大的待选路径;对每一所述待选路径中的待选节点进行风机设置,根据所述风机之间相对于风的上下游位置关系,获取所述系统输出效率;其中,每一所述待选路径对应得到一所述系统输出效率;根据每一所述系统输出效率增加对应所述待选路径中待选节点的前一信息素,得到当前信息素;以任一待选节点为起点,以所述预设距离为步长进行下一批次节点选择,根据所述当前信息素,按照所述禁止重复原则和所述前进原则进行N次的节点选择,最多得到m条待选路径;其中,所述下一批次节点选择得到的待选路径中包括下一指定待选路径,所述下一指定待选路径为在所述当前批次节点选择中,所得到的所述待选路径对应的所述系统输出效率最大的待选路径。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对每一所述待选路径中的待选节点进行风机设置;获取对应所述待选路径下,上游风机与下游风机之间的上下游距离;其中,所述上游风机为位于风上游位置的风机,所述下游风机为位于风下游位置的风机;根据初始输入风速、所述上下游距离、以及所述下游风机的叶轮半径确定所述下游风机的实际输入风速;根据每一所述风机的实际风速得到每一所述风机的实际输出功率;根据所述初始输入风速获取每一所述风机的理论输出功率;获取所有所述风机的实际输出功率之和比所有所述风机的理论输出功率之和,得到所述系统输出效率。
在一个实施例中,所述前进原则还包括:节点信息素局部更新策略;其中,所述更新策略用于根据信息素蒸发速率降低所选择的待选节点的信息素。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种风机选址方法,应用于包括至少两个风机的风机系统,其特征在于,所述方法包括:
根据预设距离在待选区域内确定多个待选节点;
采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径;
判断i是否大于等于迭代上限;
若否,则将i+1作为新的i,并重复执行所述采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径;
若是,则对每一待选节点进行信息素初始化,以任一待选节点为起点,以所述预设距离为步长进行当前批次节点选择,按照禁止重复原则和前进原则进行N次的节点选择,最多得到m条待选路径;其中,所述禁止重复原则为在得到每条所述待选路径的每一次节点选择中,选择过的所述待选节点不再重复选择,所述前进原则包括在得到每条所述待选路径的每一次节点选择中,按照随机策略和确定策略相结合进行路径选择的原则;所述确定策略为确定选择信息素大的待选节点,所述随机策略为随机选择所述待选节点;当前批次节点选择得到的待选路径中包括当前指定待选路径,所述当前指定待选路径为前一批次节点选择中,所得到的所述待选路径对应的所述系统输出效率最大的待选路径;
对每一所述待选路径中的待选节点进行风机设置,根据所述风机之间相对于风的上下游位置关系,获取所述系统输出效率;其中,每一所述待选路径对应得到一所述系统输出效率;
根据每一所述系统输出效率增加对应所述待选路径中待选节点的前一信息素,得到当前信息素;
以任一待选节点为起点,以所述预设距离为步长进行下一批次节点选择,根据所述当前信息素,按照所述禁止重复原则和所述前进原则进行N次的节点选择,最多得到m条待选路径;其中,所述下一批次节点选择得到的待选路径中包括下一指定待选路径,所述下一指定待选路径为在所述当前批次节点选择中,所得到的所述待选路径对应的所述系统输出效率最大的待选路径,将第i批次的节点选择得到的待选路径作为多条最终待选路径;其中,每批次的节点选择得到多条待选路径,每条所述待选路径由所选择的N个待选节点构成,N为所述风机的个数,所述系统输出效率为对所述待选路径进行风机设置所对应的所述风机系统的输出效率;
按照每条最终待选路径所对应的所述系统输出效率,从所述多条最终待选路径中确定出所述系统输出效率最高的目标待选路径;
获取构成所述目标待选路径的目标待选节点,作为所述风机的选址点。
2.根据权利要求1所述的方法,其特征在于,所述根据预设距离在待选区域内确定待选节点,包括:
当所述待选区域为矩形区域时,获取所述待选区域中的划分方块;其中,所述划分方块为边长为所述预设距离的正方形方块;
以所述划分方块的边为起点,沿所述待选区域的长度方向和宽度方向依次形成新的所述划分方块,将所述待选区域完全填充;
获取所述划分方块的重合顶点,作为所述待选节点。
3.根据权利要求1所述的方法,其特征在于,所述对每一所述待选路径中的待选节点进行风机设置,根据所述风机之间相对于风的上下游位置关系,获取所述系统输出效率,包括:
对每一所述待选路径中的待选节点进行风机设置;
获取对应所述待选路径下,上游风机与下游风机之间的上下游距离;其中,所述上游风机为位于风上游位置的风机,所述下游风机为位于风下游位置的风机;
根据初始输入风速、所述上下游距离、以及所述下游风机的叶轮半径确定所述下游风机的实际输入风速;
根据每一所述风机的实际输入风速得到每一所述风机的实际输出功率;
根据所述初始输入风速获取每一所述风机的理论输出功率;
获取所有所述风机的实际输出功率之和比所有所述风机的理论输出功率之和,得到所述系统输出效率。
4.根据权利要求1所述的方法,其特征在于,所述前进原则还包括:节点信息素局部更新策略;其中,所述局部更新策略用于根据信息素蒸发速率降低所选择的待选节点的信息素。
5.一种风机选址装置,其特征在于,所述装置包括:
节点确定模块,用于根据预设距离在待选区域内确定多个待选节点;
路径选择模块,用于采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径;判断i是否大于等于迭代上限;若否,则将i+1作为新的i,并重复执行所述采用蚁群算法,基于系统输出效率,在所述多个待选节点中进行i批次的节点选择,每批次节点选择最多得到m条待选路径;若是,则对每一待选节点进行信息素初始化,以任一待选节点为起点,以所述预设距离为步长进行当前批次节点选择,按照禁止重复原则和前进原则进行N次的节点选择,最多得到m条待选路径;其中,所述禁止重复原则为在得到每条所述待选路径的每一次节点选择中,选择过的所述待选节点不再重复选择,所述前进原则包括在得到每条所述待选路径的每一次节点选择中,按照随机策略和确定策略相结合进行路径选择的原则;所述确定策略为确定选择信息素大的待选节点,所述随机策略为随机选择所述待选节点;当前批次节点选择得到的待选路径中包括当前指定待选路径,所述当前指定待选路径为前一批次节点选择中,所得到的所述待选路径对应的所述系统输出效率最大的待选路径;对每一所述待选路径中的待选节点进行风机设置,根据所述风机之间相对于风的上下游位置关系,获取所述系统输出效率;其中,每一所述待选路径对应得到一所述系统输出效率;根据每一所述系统输出效率增加对应所述待选路径中待选节点的前一信息素,得到当前信息素;以任一待选节点为起点,以所述预设距离为步长进行下一批次节点选择,根据所述当前信息素,按照所述禁止重复原则和所述前进原则进行N次的节点选择,最多得到m条待选路径;其中,所述下一批次节点选择得到的待选路径中包括下一指定待选路径,所述下一指定待选路径为在所述当前批次节点选择中,所得到的所述待选路径对应的所述系统输出效率最大的待选路径,将第i批次的节点选择得到的待选路径作为多条最终待选路径;其中,每批次的节点选择得到多条待选路径,每条所述待选路径由所选择的N个待选节点构成,N为所述风机的个数,所述系统输出效率为对所述待选路径进行风机设置所对应的所述风机系统的输出效率;
目标获取模块,用于按照每条最终待选路径所对应的所述系统输出效率,从所述多条最终待选路径中确定出所述系统输出效率最高的目标待选路径;
选址获取模块,用于获取构成所述目标待选路径的目标待选节点,作为所述风机的选址点。
6.根据权利要求5所述的装置,其特征在于,所述节点确定模块包括:
方块获取单元,用于当所述待选区域为矩形区域时,获取所述待选区域中的划分方块;其中,所述划分方块为边长为所述预设距离的正方形方块;
方块填充单元,用于以所述划分方块的边为起点,沿所述待选区域的长度方向和宽度方向形成新的所述划分方块,将所述待选区域完全填充;
节点获取单元,用于获取所述划分方块的重合顶点,作为所述待选节点。
7.根据权利要求5所述的装置,其特征在于,所述路径选择模块还用于:
对每一所述待选路径中的待选节点进行风机设置;获取对应所述待选路径下,上游风机与下游风机之间的上下游距离;其中,所述上游风机为位于风上游位置的风机,所述下游风机为位于风下游位置的风机;根据初始输入风速、所述上下游距离、以及所述下游风机的叶轮半径确定所述下游风机的实际输入风速;根据每一所述风机的实际输入风速得到每一所述风机的实际输出功率;根据所述初始输入风速获取每一所述风机的理论输出功率;获取所有所述风机的实际输出功率之和比所有所述风机的理论输出功率之和,得到所述系统输出效率。
8.根据权利要求5所述的装置,其特征在于,所述前进原则还包括:节点信息素局部更新策略;其中,所述局部更新策略用于根据信息素蒸发速率降低所选择的待选节点的信息素。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一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至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010424622.2A CN111639794B (zh) | 2020-05-19 | 2020-05-19 | 风机选址方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010424622.2A CN111639794B (zh) | 2020-05-19 | 2020-05-19 | 风机选址方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639794A CN111639794A (zh) | 2020-09-08 |
CN111639794B true CN111639794B (zh) | 2022-07-08 |
Family
ID=72332044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010424622.2A Active CN111639794B (zh) | 2020-05-19 | 2020-05-19 | 风机选址方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639794B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103269085A (zh) * | 2013-04-16 | 2013-08-28 | 东北大学 | 一种分布式风机选址定容系统 |
CN110533210A (zh) * | 2018-05-25 | 2019-12-03 | 中车株洲电力机车研究所有限公司 | 一种基于遗传算法的风电场选址方法及装置 |
CN111062627A (zh) * | 2019-12-19 | 2020-04-24 | 华润电力技术研究院有限公司 | 一种风电场宏观选址方法、系统及相关设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9728974B2 (en) * | 2013-10-10 | 2017-08-08 | Tmeic Corporation | Renewable energy site reactive power control |
-
2020
- 2020-05-19 CN CN202010424622.2A patent/CN111639794B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103269085A (zh) * | 2013-04-16 | 2013-08-28 | 东北大学 | 一种分布式风机选址定容系统 |
CN110533210A (zh) * | 2018-05-25 | 2019-12-03 | 中车株洲电力机车研究所有限公司 | 一种基于遗传算法的风电场选址方法及装置 |
CN111062627A (zh) * | 2019-12-19 | 2020-04-24 | 华润电力技术研究院有限公司 | 一种风电场宏观选址方法、系统及相关设备 |
Non-Patent Citations (2)
Title |
---|
基于蚁群算法的城市体育设施优化选址;李显良等;《计算机与现代化》;20200315(第03期);全文 * |
多叉树蚁群算法及在区位选址中的应用研究;赵元等;《地理学报》;20110215(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111639794A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109408657B (zh) | 一种超大规模空间数据快速制图方法及系统 | |
Guirguis et al. | Toward efficient optimization of wind farm layouts: Utilizing exact gradient information | |
Mittal et al. | A novel hybrid optimization methodology to optimize the total number and placement of wind turbines | |
CN103744428B (zh) | 一种基于邻域智能水滴算法的水面无人艇路径规划方法 | |
CN103996074B (zh) | 基于cfd和改进pso的复杂地形风电场微观选址方法 | |
Hou et al. | Offshore wind farm layout design considering optimized power dispatch strategy | |
CN102622482B (zh) | 一种基于二进制粒子群算法的风机优化布置方法 | |
CN101374087A (zh) | 一种移动自组网络、节点及其区域划分方法 | |
Parada et al. | Assessing the energy benefit of using a wind turbine micro-siting model | |
CN106156138A (zh) | 兴趣点的空间索引的建立、周边搜索方法和装置 | |
CN112632874A (zh) | 一种直升机流场数值模拟的优化方法及系统 | |
CN115470678A (zh) | 一种基于风电场噪声评估的机位自动优化方法及装置 | |
CN111639794B (zh) | 风机选址方法、装置、计算机设备和存储介质 | |
CN109684185B (zh) | 基于启发式遍历的超级计算机大数据处理能力测试方法 | |
Lu et al. | Wind farm layout design optimization through multi-scenario decomposition with complementarity constraints | |
Liao et al. | Grid partition variable step alpha shapes algorithm | |
CN114119882B (zh) | 飞行器动态流场分析中高效的嵌套网格宿主单元搜索方法 | |
CN116191404A (zh) | 分布式电源发电预测方法、装置、电子设备及存储介质 | |
Tao et al. | Optimal layout of a Co-Located wind/tidal current farm considering forbidden zones | |
CN113935140A (zh) | 风电场集电线路的路径规划方法、装置、电子设备及存储介质 | |
CN113761696A (zh) | 海上风电场海缆布局方案生成方法、装置和计算机设备 | |
CN113158598A (zh) | 基地型风电场流场cfd分区计算方法、装置、设备和介质 | |
CN112381333A (zh) | 一种基于分布式改进蝙蝠算法的微电网优化方法 | |
Lückehe et al. | Simulated Annealing With Parameter Tuning for Wind Turbine Placement Optimization. | |
CN114336696B (zh) | 一种兆瓦级氢储能电站容量配置方法及系统 |
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 |