CN111724273B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111724273B CN111724273B CN202010385917.3A CN202010385917A CN111724273B CN 111724273 B CN111724273 B CN 111724273B CN 202010385917 A CN202010385917 A CN 202010385917A CN 111724273 B CN111724273 B CN 111724273B
- Authority
- CN
- China
- Prior art keywords
- fan
- cluster
- clustering
- clusters
- algorithm
- 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 54
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009827 uniform distribution 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种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,包括升压站选址;规划初始串组数量;串组自动分区;优化线路选取。本发明将复杂的整体集电线路规划问题进行降维,分区域、分串组处理,解决了现有方法计算强度大的问题。在串组自动分区步骤中,通过改进模糊C‑均值聚类算法,明显的提升了集电线路规划结果的整体计算效率及经济性。同时,提出一种串组自动构建凸多变形的方法,通过判断各多边形间是否重存在叠彻,彻底避免了各串组间存在交叉的可能。在优化线路选取中,采用Delaunay三角剖分法获得有效线路,并提出一种串组节点均共线的解决方案,使优化路径整体方案更具普适性,提升了最优路径提取的效率。
Description
技术领域
本发明涉及风电场集电线路规划技术领域,尤其涉及一种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。
背景技术
风电场集电线路规划一般包括升压站选址,规划串组数量,串组自动分区,优化线路选取等步骤,现有电场集电线路规划方案通常采用遗传算法、RRT快速搜索算法、蚁群算法等方式不以空间方位为基础进行聚类,对此类规划方法针对性不足,且其多针对整体数据进行规划,规划的过程计算量较大,耗时久且效率低。同时,其无法主动满足海上风电场集电线路规划的部分边权条件,如海缆相互不得交叉等。
使用模糊均值聚类算法进行集电线路规划,首先要将其由块状聚类模式改进为放射状聚类,以满足集电线路规划的实际情况。而现有采用模糊均值聚类算法进行集电线路规划的分串组方案中,如只采用传统的轮盘算法,由于边权条件的限制(例如串组内最多风机个数),在无法满足上述限制时,某些节点在迭代过程中反复出现在几个的串组中,使得分类结果陷入无限循环的状态,导致整体算法陷入死循环。现存方案多以增加聚类中心个数为唯一解决方式,使得所得集电线路拓扑结构的串组数一定增加,对方案经济性有较大影响。
由于单台风机的定容有变大的趋势,单个串组中的风机个数将随之减少,一方面使得串组内风机个数的冗余度变低;另一方面使得在海缆限容较小时,风场内的串组个数将增加,线路拓扑结构更加复杂。而在此背景下,为解决采用大容量风电机组的海上风场集电线路规划问题,串组间是否可能存在交叉路径是亟需解决的问题。
为获得不为环形的成本最优放射形拓扑结构,且要考虑各串组所选取路径为全局最优解,现有方案一般采用Prim最小生成树算法、kruskal算法等方式将路径选取问题转化为图论的问题,并寻找最优路径。在拓扑结构较为复杂的情况下,多采用Prim最小生成树算法,而此类方法应用对象是所有节点间相互的连线,因此在最优路径选取过程中将会产生许多无效路径(如相互交叉的路径、实际距离较远节点间的连线等),降低方案运行效率。为解决上述问题,应首先考虑对各串组内节点进行的Delaunay三角剖分,选取有效路径后,再使用Prim最小生成树算法寻找最优路径,以达到提升效率的目的。但进行Delaunay三角剖分的前提是,串组内各节点不能同时共线,否则无法形成Delaunay三角形,因此需要解决无法使用Delaunay三角剖分时有效路径的选取问题。
发明内容
本发明的目的是提供一种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,以解决上述技术问题。
本发明提供了一种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,采用自动规划集电线路算法进行集电线路规划,包括如下步骤:
1)计算区域限容,基于K-means算法将整体风场区域分为满足区域限容的i个子区域,以聚类中心ki作为区域Pi的升压站坐标;
2)在自动规划集电线路算法中输入子区域Pi中各风机及升压站坐标;
3)在自动规划集电线路算法中输入单台风机额定容量及使用海缆的设计容量,并计算单串组可连风机数量、区域Pi最少串组数;
4)设置启动改进模糊C-均值聚类算法的初始参数,所述参数包括:迭代次数、聚类中心个数、迭代差值、影响因子;
5)启动改进模糊C-均值聚类算法执行步骤6)至步骤10)进行聚类;
6)利用轮盘赌算法获得聚类的初始类心;
7)当升压站到风机的矢量与升压站到类心的矢量夹角大于90°时,风机到类心的计算距离值为d=d*m,反之,若夹角小于90°,计算距离值为d=d*sin(α),其中,m为影响因子,α为夹角;
8)计算各个风机点到各个类心的距离dic,i∈(1,n_node),c∈(1,c_clusters),i表示第i台风机,n_node表示风机的数量,c表示类心,c_clusters表示类心的数量,dic表示第i台风机到第c个类心的距离,并将距离dic进行归一化处理,转化为各个风机到各个类心的隶属度矩阵,根据隶属度将风机节点划分到不同簇中;若风机节点到所有类心的距离都为正无穷大,,执行步骤6),重新选择初始类心进行计算,否则执行步骤9);
9)对风机进行簇类划分,重新计算簇心,并更新隶属度,直到簇心不再变化,执行步骤10),在迭代过程中,如果存在风机无法划分到任何簇中的情况,则执行步骤8),重新选择初始类心,重新聚类;如果风机循环划分少数几个簇中使分类陷入无限循环,执行步骤10);
10)对聚类结果进行过载检测,计算每串风机的容量,如果超过单串组可连风机数量,计算本串组内风机数量,按隶属度由大到小进行排序,保留单串组可连风机,将其余风机调整为所有簇中最小值,使之进入到隶属度次大值所在簇中重新进行聚类,并将此结果返回步骤9);如果没有过载,则聚类成功,返回最终的子区域划分结果,并执行步骤12);如果聚类结果的隶属度总迭代差值大于迭代差值,继续返回步骤9);如果聚类结果的隶属度总迭代差值小于迭代差值,故结束循环,执行步骤12);
11)基于改进模糊C-均值聚类算法对于超限容串组的循环机制导致部分将风机到各个串组隶属度相同的情况,将进入此步骤的风机到每个簇心的原隶属度删除,基于K-means算法重新计算其新的隶属度,在此结果基础上乘以相应权值,使其结果与原循环内的隶属度值处于同一量级,并返回步骤9);
12)启动计数器Timer;
13)将每个串组的节点构建为凸多边形,并计算每个凸多边形间的重叠面积是否为0,如果为0,则说明各串组间在进行路径选取过程中不可能存在相交问题,执行步骤14);若不为0,则Timer=Timer+1,判断Timer值是否大于迭代次数,如果大于迭代次数,则说明在设置的循环次数内无满足条件的聚类结果,故c_clusters=c_clusters+1,并返回步骤5);如果小于迭代次数,则说明在保证效率的前提下,算法仍可按照初始条件继续计算满足条件的聚类结果,则返回步骤6);
14)由于聚类结果存在迭代差值大于eps输出结果的情况,再次进行过载检测,计算每串风机的容量,如果超过单串组可连风机数量,则Timer=Timer+1,判断Timer值是否大于迭代次数,如果大于迭代次数,则c_clusters=c_clusters+1,并返回步骤5);如果小于迭代次数,返回步骤6);如果未超过单串组可连风机数量,执行步骤15);
15)在每个串组中添加升压站的坐标;
16)对每个子区域,构建图G(V,E),将线路规划问题转换为图论问题,串组内部所有节点间分别连线,判断是否所有连线的斜率相同,如果所有斜率相同,执行步骤18);反之,执行步骤17);
17)将聚类结果使用Delaunay三角剖分法,规划出串组内所有不交叉的路径;
18)使用Prim最小生成树法,以串组内所有节点间规划路径的欧式距离为权值,规划最优路径,并将Pi内各种串组所得路径整合;
19)判断是否遍历所有子区域Pi,如果已遍历则得到最终的集电线路规划结构;如果未遍历,则返回步骤2)。
进一步地,所述步骤6)包括:
选择彼此距离尽可能远的c_clusters个点,以减少算法的迭代步骤并使得分类结果更均匀,包括:首先随机选择一个风机点作为第一个初始类簇中心点,然后选择距离该点最远的那个点作为第二个初始类簇中心点,然后选择距离前两个点的距离最大的点作为第三个初始类簇的中心点,以此类推,直到选出c_clusters个初始类簇中心点。
进一步地,所述步骤8)包括:
采用风机到升压站和类心连线的垂直距离为风机到类心的距离进行计算:
模糊聚类的隶属度计算如下:当则隶属度值认为是0;其中,dij是第i台风机到第c个类心的距离;dkj是第i台风机到s所有类心的距离;c表示类心的数量;m是影响因子;uij是第i台风机到第c个类心的隶属度;
对于某台风机,将风机节点划分到隶属度最大的簇中,如果此台风机到所有类心的距离都为正无穷大,则此台风机到类心的隶属度值都为0,不属于任何类,则退出此次聚类,重新选择初始类心,重新进行聚类计算;如果风机到每个簇的隶属度相等,则执行步骤11)。
借由上述方案,通过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,具有如下技术效果:
1、在经过升压站选址及后续操作后,能够明显提升整体计算效率;
2、通过串组分区算法改进,在改进的模糊C-均值聚类算法中,引入了新的判断条件及算法结构,如迭代差值判断条件、内嵌隶属度更新算法模块、外循环迭代计数结构等,使之更适用于采用大容量风电机组的海上风电场的串组分区,且此改进算法的计算效率较同类改进算法而言效率更高;同时,此改进算法不以提升串组数为解决无满足分条件聚类结果的唯一方案,在一定程度上提升了最终集电线路规划结果的经济性;
3、通过防止串组集电线路间存在交叉的改进,引入Polygon模块,将串组构建为凸多变形,通过判断重叠面积彻底避免了线路间存在交叉的可能;
4、采用串组内所有节点共线的方案,使筛选路径整体方案更具普适性,提升了最优路径提取的效率,解决了在进行Prim最小生成树法寻找最优路径前,使用Delaunay三角剖分进行有效路径筛选,但在实际使用过程可能存在串组内所有节点共线导致无法使用上述方法的问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1为本发明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的流程图;
图2为本发明一实施例中升压站选址结果;
图3为本发明一实施例中串组自动分区结果;
图4为本发明一实施例中两串组内节点构建凸多变形结果;
图5为本发明串组内坐标点全部共线;
图6为本发明一实施例中串组内坐标点非全部共线;
图7为本发明一实施例中集电线路放射形拓扑结构规划过程展示;
图8为本发明一实施例中集电线路放射形拓扑结构规划结果。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
参图1所示,本实施了提供了一种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,采用自动规划集电线路算法进行集电线路规划,包括如下步骤:
1)计算区域限容,基于K-means算法将整体风场区域分为满足区域限容的i个子区域,以聚类中心ki为区域Pi的升压站坐标;
2)在自动规划集电线路算法中输入子区域Pi中各风机及升压站坐标ki;
3)在自动规划集电线路算法中输入单台风机额定容量及使用海缆的设计容量,并计算单串组可连风机数量(Number_of_turbines_on_single_cable)、区域Pi最少串组数(Minimum_of_loop);
4)设置启动模糊C-均值聚类算法的初始参数:迭代次数(redundancy_for_loop)、聚类中心个数(c_clusters=Minimum_of_loop)、迭代差值(eps)、影响因子(m);
5)启动改进模糊C-均值聚类算法执行步骤6)至步骤10)进行聚类;
6)利用轮盘赌算法获得聚类的初始类心,在初始类心的选择过程中,为了获得合理的聚类效果,选择彼此距离尽可能远的c_clusters个点,这样不仅能够减少算法的迭代步骤而且能够使得分类结果更均匀;主要步骤是:首先随机选择一个风机点作为第一个初始类簇中心点,然后选择距离该点最远的那个点作为第二个初始类簇中心点,然后选择距离前两个点的距离最大的点作为第三个初始类簇的中心点,以此类推,直到选出c_clusters个初始类簇中心点;在初始类心确定后,即所有类心点都已经完全确定,则聚类结果即确定了,会使得聚类结果缺乏多样性,甚至可能导致聚类失败,为此引入轮盘算法,距离越远则点被选择的概率越高,而不是100%选择相距最远的点,这样既保证了初始点的均匀分布,同时为聚类提供多种聚类可能结果;
7)由于风机到类心的距离采用极坐标的形式,当升压站到风机的矢量与升压站到类心的矢量夹角大于90°时,则风机不属于此类,计算距离值为d=d*m(m≥1,则m>sin(α)),反之,若夹角小于90°,计算距离值为d=d*sin(α);
8)计算各个风机点到各个类心的距离dic,i∈(1,n_node),c∈(1,c_clusters),i表示第i台风机,n_node表示风机的数量,c表示类心,c_clusters表示类心的数量,dic表示第i台风机到第c个类心的距离,并将距离进行归一化处理,转化为各个风机到各个类心的隶属度矩阵,根据隶属度将风机节点划分到不同簇中;如果存在风机不属于任何类,即风机节点到所有类心的距离都为正无穷大(由于python语法中无穷大在计算中不能比较,故以d=d*m代替),说明初始选择的类心无法完成聚类,需要重新选择初始类心,返回上面6),重新选择初始类心进行计算,否则继续执行下面9);风机节点到类心距离计算方法是:为了获得辐射状的聚类结果,采用风机到升压站和类心连线的垂直距离为风机到类心的距离,而不使用风机到类心的直线距离;
其中,当升压站到类心相量与升压站到风机相量夹角小于等于90°时,风机到类心的距离为风机到相量的垂直距离dic=d,如果夹角大于90°,则风机到类心的距离设置为模糊聚类的隶属度计算如下:当则隶属度值可认为是0;dij——是第i台风机到第c个类心的距离;dkj——是第i台风机到s所有类心的距离;c——表示类心的数量;m——是影响因子;uij——是第i台风机到第c个类心的隶属度;对于某台风机来说,将风机节点划分到隶属度最大的簇中,如果此台风机到所有类心的距离都为正无穷大,则此台风机到类心的隶属度值都为0,不属于任何类,则退出此次聚类,重新选择初始类心,重新进行聚类计算;如果部分风机到每个簇的隶属度相等,则进入11);
9)对风机进行簇类划分,重新计算簇心,并更新隶属度,直到簇心不再变化,执行10),在迭代过程中,如果存在风机无法划分到任何簇中,则执行8),重新选择初始类心,重新聚类;如果风机循环划分少数几个簇中使分类陷入无限循环,说明风机到几个簇的隶属度相同,则执行下面10);
10)对聚类结果进行过载检测,计算每串风机的容量,如果超过Number_of_turbines_on_single_cable,则计算本串组内风机数量,按隶属度由大到小进行排序,保留Number_of_turbines_on_single_cable的风机,其余风机对于此簇的隶属度仍为所有簇中最大,故将其调整为所有簇中最小值,使这些风机进入到隶属度次大值所在簇中重新进行聚类,并将此结果返回9);如果没有过载,则聚类成功,返回最终的子区域划分结果,并进入12);如果聚类结果的隶属度总迭代差值大于eps,说明聚类结果迭代前后仍存在较大差异,故继续返回9);如果聚类结果的隶属度总迭代差值小于eps,说明聚类结果已收敛,聚心位置几乎确定,继续进行迭代的意义很小,故结束循环,进入12);
11)由于改进模糊均值聚类法对于超限容串组的循环机制,会导致部分风机到各个串组隶属度相同,因此将进入此步骤的风机到每个簇心的原隶属度删除,使用K-means算法重新计算其新的隶属度,为使此值仍可进入模糊均值聚类循环中继续使用,将在此结果基础上乘以相应权值,以保证其结果仍与原循环内的隶属度值处于同一量级,并返回9);
12)启动计数器Timer;
13)将每个串组的节点分别使用shapely.geometry的Polygon模块构建为凸多边形,并计算每个凸多边形间的重叠面积是否为0,如果为0,则说明各串组间在进行路径选取过程中不可能存在相交问题,进行14);若不为0,则Timer=Timer+1,判断Timer值是否大于redundancy_for_loop,如果大于redundancy_for_loop,则说明在设置的循环次数内无满足条件的聚类结果,故c_clusters=c_clusters+1,并返回5);如果小于redundancy_for_loop,则说明在保证效率的前提下,算法仍可按照初始条件继续计算满足条件的聚类结果,则返回6);
14)由于聚类结果存在迭代差值大于eps输出结果的情况,故需再次进行过载检测,计算每串风机的容量:
如果超过Number_of_turbines_on_single_cable,则Timer=Timer+1,判断Timer值是否大于redundancy_for_loop,如果大于redundancy_for_loop,则c_clusters=c_clusters+1,并返回5);如果小于redundancy_for_loop,则返回6);如果未超过Number_of_turbines_on_single_cable,则进入15);
15)在每个串组中添加升压站ki的坐标;
16)对每个子区域,构建图G(V,E),将线路规划问题转换为图论问题,串组内部所有节点间分别连线,判断是否所有连线的斜率相同,如果所有斜率相同,则不能使用Delaunay三角剖分,进入18);反之,进入17);
17)将聚类结果使用Delaunay三角剖分法,规划出串组内所有不交叉的路径;
18)使用Prim最小生成树法,以串组内所有节点间规划路径的欧式距离为权值,规划最优路径,并将Pi内各种串组所得路径整合;
19)判断是否遍历所有子区域Pi,如果已遍历则得到最终的集电线路规划结构;如果未遍历,则返回2)。
下面通过具体应用实例对本发明作进一步详细说明。
由于算法自动规划路径的结果每次略有不同,图2至图8每节分步演示图所得结果均来自不同的规划结果,不具有连续性,仅作为过程展示讲解。
算例中风机坐标为:
x_list=[0.0,0.0,0.0,0.0,0.0,0.0,0.0,1.0,1.0,2.0,2.0,2.0,2.0,2.0,3.0,3.0,3.0,3.0,4.0,4.0,4.0,5.0,5.0,5.0,6.0,6.0,6.0,6.0,6.0,6.0,6.0,7.0,7.0,8.0,8.0,10.0,10.0,10.0,10.0,10.0,10.0,10.0,11.0,11.0,12.0,12.0,12.0,12.0,12.0,13.0,13.0,13.0,13.0,14.0,14.0,14.0,15.0,15.0,15.0,16.0,16.0,16.0,16.0,16.0,16.0,16.0,17.0,17.0,18.0,18.0]
y_list=[1.0,2.0,3.0,4.0,6.0,8.0,10.0,5.0,7.0,2.0,3.0,4.0,8.0,9.0,5.0,6.0,7.0,10.0,1.0,10.0,11.0,2.0,3.0,4.0,1.0,6.0,7.0,8.0,9.0,10.0,11.0,2.0,3.0,4.0,5.0,1.0,2.0,3.0,4.0,6.0,8.0,10.0,5.0,7.0,2.0,3.0,4.0,8.0,9.0,5.0,6.0,7.0,10.0,1.0,10.0,11.0,2.0,3.0,4.0,1.0,6.0,7.0,8.0,9.0,10.0,11.0,2.0,3.0,4.0,5.0]
1、升压站选址
参图2所示,升压站选址使用kmeans算法,将整个风机区域分为若干个子区域。算法以欧式距离为计算基础,按照设定的中心个数k,将风机坐标分为k组子区域,星标部分为此算例各子区域升压站的位置,此位置为风机子区域的聚类中心,因此为相对最优的升压站坐标点。计算所得升压站坐标为:[(13.514285714285714,5.628571428571429),(3.5142857142857142,5.628571428571429)]。
2、规划初始串组数量
在得到升压站位置及初步的机组分组后,本算法将结合风机容量及海缆容量等因素计算初始串组数量,以达到力求经济性优化的目的。
以下为初始串组数量的计算方式:
Number_of_turbines_on_single_cable=floor(Cable_capacity/P_turbine)
Minimum_of_loop=ceil(len(x_list)/Number_of_turbines_on_single_cable)
其中,
Number_of_turbines_on_single_cable——单串组可连风机数量;
Minimum_of_loop——最小串组数;
Cable_capacity——海缆限容;
P_turbine——风电机组定容;
floor——向下取整;
ceil——向上取整;
len()——数组长度。
3、串组自动分区
以升压站选址中的一个子区域为例,其升压站坐标为:(3.5142857142857142,5.628571428571429);所包含风机坐标为:
x_list=[0.0,0.0,0.0,0.0,0.0,0.0,0.0,1.0,1.0,2.0,2.0,2.0,2.0,2.0,3.0,3.0,3.0,3.0,4.0,4.0,4.0,5.0,5.0,5.0,6.0,6.0,6.0,6.0,6.0,6.0,6.0,7.0,7.0,8.0,8.0]
y_list=[1.0,2.0,3.0,4.0,6.0,8.0,10.0,5.0,7.0,2.0,3.0,4.0,8.0,9.0,5.0,6.0,7.0,10.0,1.0,10.0,11.0,2.0,3.0,4.0,1.0,6.0,7.0,8.0,9.0,10.0,11.0,2.0,3.0,4.0,5.0]
参图3所示,使用改进模糊C-均值聚类算法将子区域进行串组分区。
其中,为保证串组间不存在线路重叠的情况,将进行步骤13)的内容,若串组连线凸多边形存在重叠情况,会出现如下情形:
参图4所示,图中上部分及下部分分别为两串组所构建凸多边形的结果,而图中两多边形存在面积重叠,故不满足步骤13)的要求。
4、优化线路选取
在优化路线选取中将分两种情况进行说明:串组内坐标点全部共线、串组内坐标点非全部共线。
参图5所示,若串组内坐标点全部共线,例如:串组内各节点坐标为[[0.0,2.0],[1.0,3.0],[2.0,4.0],[3.0,5.0]];
若出现上述情况,无法形成有效的Delaunay平面,因此,若遇到此类状态应直接使用Prim最小生成树法进行路径规划。
参图6所示,若串组内坐标点非全部共线,则将使用Delaunay三角剖分进行有效路径的初步筛选。
在经过初选后将以串组内所有节点间规划路径的欧式距离为权值,规划最优路径,并将各串组所得路径整合。
参图7所示,集电线路拓扑结构规划过程后,最终将删除无效路径,从而得到集电线路放射形拓扑结构规划结果,参图8所示。
本发明提供的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同现有方法相比具有如下技术效果:
1、同非采用改进模糊均值聚类法为核心算法的方案而言,本发明通过改进模糊均值聚类法,提升了串组分区的效率及效果;
2、本发明可根据需求调整风机组的定容值及海缆的限容值,为不同参数风机组及海缆的组合结果提供了比较的可能;
3、同采用改进模糊均值聚类法为核心算法的现有方案相比:
1)现有同类方案多采用满足规定迭代次数进行算法重置的方式,其中由于簇心的逐渐拟合,导致迭代后期聚类结果基本无变化,换言之,其进行了多次无效计算。本发明除满足集电线路边权条件得到分类结果外,提出了通过计算迭代差值判断算法是否有继续进行迭代的必要性,通过外循环重置聚类算法的方式提升了算法的有效计算效率;
2)本发明在不能得到满足集电线路边权条件的聚类结果时,进入到了新的嵌套算法中,为部分风机重新产生隶属度值,并可返回现有的聚类结果继续进行聚类,使聚类结果不断的接近满足集电线路边权条件,相比于其它同类改进算法不断重置聚类结果而言,本算法的效率有显著提升;
3)其它同类改进算法多采用记录聚类算法内循环的聚类次数判断是否超过最大迭代值,且超过迭代值的解决方案多为直接将串组个数增加。本发明采用记录外循环中是否满足设定条件的方式(具体参见图1)来判断是否将串组数量增加,降低了增加串组数量的可能性,提高了方案的整体经济性;
4、本发明将各串组节点凸多边形化,通过比较重叠面积的方式判断各串组是否存在交叉的可能性;
5、本发明在使用Delaunay三角剖分法前,提出了通过判断各串组内各节点间连线的斜率是否相同的串组内所有节点共线的解决方案,可避免在使用Delaunay三角剖分法时产生错误。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (3)
1.一种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,其特征在于,采用自动规划集电线路算法进行集电线路规划,包括如下步骤:
1)计算区域限容,基于K-means算法将整体风场区域分为满足区域限容的i个子区域,以聚类中心ki作为区域Pi的升压站坐标;
2)在自动规划集电线路算法中输入子区域Pi中各风机及升压站坐标;
3)在自动规划集电线路算法中输入单台风机额定容量及使用海缆的设计容量,并计算单串组可连风机数量、区域Pi最少串组数;
4)设置启动改进模糊C-均值聚类算法的初始参数,所述参数包括:迭代次数、聚类中心个数、迭代差值、影响因子;
5)启动改进模糊C-均值聚类算法执行步骤6)至步骤10)进行聚类;
6)利用轮盘赌算法获得聚类的初始类心;
7)当升压站到风机的矢量与升压站到类心的矢量夹角大于90°时,风机到类心的计算距离值为d=d*m,反之,若夹角小于90°,计算距离值为d=d*sin(α),其中,m为影响因子,α为夹角;
8)计算各个风机点到各个类心的距离dic,i∈(1,n_node),c∈(1,c_clusters),i表示第i台风机,n_node表示风机的数量,c表示类心,c_clusters表示类心的数量,dic表示第i台风机到第c个类心的距离,并将距离dic进行归一化处理,转化为各个风机到各个类心的隶属度矩阵,根据隶属度将风机节点划分到不同簇中;若风机节点到所有类心的距离都为正无穷大,,执行步骤6),重新选择初始类心进行计算,否则执行步骤9);
9)对风机进行簇类划分,重新计算簇心,并更新隶属度,直到簇心不再变化,执行步骤10),在迭代过程中,如果存在风机无法划分到任何簇中的情况,则执行步骤8),重新选择初始类心,重新聚类;如果风机循环划分少数几个簇中使分类陷入无限循环,执行步骤10);
10)对聚类结果进行过载检测,计算每串风机的容量,如果超过单串组可连风机数量,计算本串组内风机数量,按隶属度由大到小进行排序,保留单串组可连风机,将其余风机调整为所有簇中最小值,使之进入到隶属度次大值所在簇中重新进行聚类,并将此结果返回步骤9);如果没有过载,则聚类成功,返回最终的子区域划分结果,并执行步骤12);如果聚类结果的隶属度总迭代差值大于迭代差值,继续返回步骤9);如果聚类结果的隶属度总迭代差值小于迭代差值,故结束循环,执行步骤12);
11)基于改进模糊C-均值聚类算法对于超限容串组的循环机制导致部分将风机到各个串组隶属度相同的情况,将进入此步骤的风机到每个簇心的原隶属度删除,基于K-means算法重新计算其新的隶属度,在此结果基础上乘以相应权值,使其结果与原循环内的隶属度值处于同一量级,并返回步骤9);
12)启动计数器Timer;
13)将每个串组的节点构建为凸多边形,并计算每个凸多边形间的重叠面积是否为0,如果为0,则说明各串组间在进行路径选取过程中不可能存在相交问题,执行步骤14);若不为0,则Timer=Timer+1,判断Timer值是否大于迭代次数,如果大于迭代次数,则说明在设置的循环次数内无满足条件的聚类结果,故c_clusters=c_clusters+1,并返回步骤5);如果小于迭代次数,则说明在保证效率的前提下,算法仍可按照初始条件继续计算满足条件的聚类结果,则返回步骤6);
14)由于聚类结果存在迭代差值大于eps输出结果的情况,再次进行过载检测,计算每串风机的容量,如果超过单串组可连风机数量,则Timer=Timer+1,判断Timer值是否大于迭代次数,如果大于迭代次数,则c_clusters=c_clusters+1,并返回步骤5);如果小于迭代次数,返回步骤6);如果未超过单串组可连风机数量,执行步骤15);
15)在每个串组中添加升压站的坐标;
16)对每个子区域,构建图G(V,E),将线路规划问题转换为图论问题,串组内部所有节点间分别连线,判断是否所有连线的斜率相同,如果所有斜率相同,执行步骤18);反之,执行步骤17);
17)将聚类结果使用Delaunay三角剖分法,规划出串组内所有不交叉的路径;
18)使用Prim最小生成树法,以串组内所有节点间规划路径的欧式距离为权值,规划最优路径,并将Pi内各种串组所得路径整合;
19)判断是否遍历所有子区域Pi,如果已遍历则得到最终的集电线路规划结构;如果未遍历,则返回步骤2)。
2.根据权利要求1所述的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,其特征在于,所述步骤6)包括:
选择彼此距离尽可能远的c_clusters个点,以减少算法的迭代步骤并使得分类结果更均匀,包括:首先随机选择一个风机点作为第一个初始类簇中心点,然后选择距离该点最远的那个点作为第二个初始类簇中心点,然后选择距离前两个点的距离最大的点作为第三个初始类簇的中心点,以此类推,直到选出c_clusters个初始类簇中心点。
3.根据权利要求1所述的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,其特征在于,所述步骤8)包括:
采用风机到升压站和类心连线的垂直距离为风机到类心的距离进行计算:
对于某台风机,将风机节点划分到隶属度最大的簇中,如果此台风机到所有类心的距离都为正无穷大,则此台风机到类心的隶属度值都为0,不属于任何类,则退出此次聚类,重新选择初始类心,重新进行聚类计算;如果风机到每个簇的隶属度相等,则执行步骤11)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010385917.3A CN111724273B (zh) | 2020-05-09 | 2020-05-09 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010385917.3A CN111724273B (zh) | 2020-05-09 | 2020-05-09 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111724273A CN111724273A (zh) | 2020-09-29 |
CN111724273B true CN111724273B (zh) | 2023-04-14 |
Family
ID=72564417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010385917.3A Active CN111724273B (zh) | 2020-05-09 | 2020-05-09 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724273B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749281B (zh) * | 2021-01-19 | 2023-04-07 | 青岛科技大学 | 一种融合服务协作关系的Restful类型Web服务聚类方法 |
CN112836388B (zh) * | 2021-03-02 | 2023-02-07 | 中国电建集团中南勘测设计研究院有限公司 | 一种海上风电场集电线路设计方法 |
CN113837452B (zh) * | 2021-09-07 | 2023-06-23 | 中国海洋大学 | 一种面向水下无线传感器网络的移动充电路径规划方法 |
CN115081720A (zh) * | 2022-06-29 | 2022-09-20 | 中国电力工程顾问集团中南电力设计院有限公司 | 基于最小生成树和扫描算法的海上风电场海缆拓扑优化方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503839B (zh) * | 2016-10-14 | 2021-09-14 | 上海电力学院 | 一种海上风电场环形集电网络分层规划方法 |
CN107357965A (zh) * | 2017-06-16 | 2017-11-17 | 北京道亨时代科技有限公司 | 一种风电场集电线路的路径规划设计方法 |
CN107909222B (zh) * | 2017-12-11 | 2021-02-19 | 北京天润新能投资有限公司 | 一种基于风机智能分组的风电场集电线路三维路径规划方法及系统 |
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 |
-
2020
- 2020-05-09 CN CN202010385917.3A patent/CN111724273B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111724273A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111724273B (zh) | 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 | |
CN110334391B (zh) | 一种多维度约束风电场集电线路自动规划方法 | |
CN107506854B (zh) | 一种考虑差异化场景的220kV电网网架结构规划方法 | |
CN106503839B (zh) | 一种海上风电场环形集电网络分层规划方法 | |
CN110504705B (zh) | 一种海上风电集群电气系统规划方法 | |
CN112990538B (zh) | 一种山地光伏电站集电线路确定方法、装置及设备 | |
WO2021253291A1 (zh) | 风电场布局的优化方法、优化系统及计算机可读存储介质 | |
CN103902775A (zh) | 超大规模集成电路多层绕障Steiner最小树构造方法 | |
CN107316113A (zh) | 一种输电网规划方法及系统 | |
CN111754035A (zh) | 风电场布局的优化方法、优化系统及计算机可读存储介质 | |
CN112947480B (zh) | 一种移动机器人路径规划方法、存储介质及系统 | |
CN112052544B (zh) | 风电场集电网络设计方法、系统、存储介质及计算设备 | |
CN108594079A (zh) | 一种配电网故障定位方法、装置和计算机可读介质 | |
CN108198084A (zh) | 一种复杂网络重叠社区发现方法 | |
Jong et al. | A new hybrid Artificial Intelligence (AI) approach for hydro energy sites selection and integration | |
CN108736472A (zh) | 一种考虑礁石影响的潮汐流能发电场规划方法 | |
CN112052543A (zh) | 一种基于混合整数二阶锥规划的保底网架搜索建模方法 | |
CN116520084A (zh) | 一种含源配电网故障定位方法、装置及存储介质 | |
CN107133691A (zh) | 用于风电场输电网的拓扑优化方法 | |
CN109816184B (zh) | 大型风电场拓扑规划方法及装置 | |
CN114896746A (zh) | 一种海上风电场集电系统拓扑优化方法 | |
Chen et al. | Fast service restoration of distribution system with distributed generations | |
Chen et al. | Optimal Design of Topological Structure for Mountainous Wind Farm Collection System | |
CN116820137B (zh) | 一种无人机配电网巡检路线生成方法 | |
CN111683376B (zh) | 一种大田协同灌溉通信网络节点优化部署方法 |
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 |