CN111985690B - 一种风电基地升压站选址方法 - Google Patents

Abstract

本发明公开了一种风电基地升压站选址方法，以GIS三维风电模型作为研究场景，将风机的布局作为输入数据，结合工程及地理限制因素，引入经济成本投资模型，把风电基地升压站投资成本最小作为优化目标，并针对风电基地的布局和电气结构，设计最优化算法，对经济成本投资模型进行求解，得到最优的风电基地升压站选址结果；针对风电基地的布局和电气结构的优化设计是通过为各个风电场的风机进行初步分类，使风电场分割为多个小区域，这就相当于同时对整个风电基地进行多个升压站的寻址，这样做能够避免对整个风电基地的风机进行聚类时出现不同风电场的风机分在同一组的情况以及避免使用多个种群为各个风电场进行升压站选址而导致搜寻最优结果困难的情况。

Description

一种风电基地升压站选址方法

技术领域

本发明涉及风电基地升压站选址的技术领域，尤其是指一种风电基地升压站选址方法。

背景技术

投资成本以及后期收益问题一直都是风电建设项目的关键问题。优化风电建设项目的设计方案，以降低投资成本及改善风电的收益，成为了风电行业的重点工作。

作为影响风电建设项目经济成本的重要环节，风电场的升压站选址是工程的重点工作。传统的风电场升压站选址大多依赖于工程经验和人为对地形图的综合分析，在风电场范围内选取位置适宜的点位作为升压站选址的备选方案，再经过经济成本评估以及各种实际限制因素的考量，最终确定升压站选址的优选方案。这种方法不仅会消耗大量的时间，还会因为人为误差影响选址方案的准确以及降低整个风电投资项目的经济效益。

风电场升压站选址的核心是聚类、寻找质心的问题，同时由于风电场升压站需要考虑多项因素，它亦是一个多目标综合性组合优化问题。聚类就是把具有相似性质的数据聚合加以分类，已达到类内数据对象之间具有较高的相似度，是一种得到广泛使用的算法。而粒子群优化算法等智能算法作为成熟的求解优化问题工具，过往被广泛应用到电网规划中。

而且，随着地理信息系统(Geographic Information System，GIS)的发展，GIS与风电行业的结合的研究也逐渐紧密。近年来国内采用GIS分析技术同风电相结合的研究多数内容集中于地理环境因素对风速的影响、风电场的微观选址以及风能图谱的制作等多个方面。利用GIS技术分析、整理风电场的地理信息，能为风电场升压站的选址提供更精确的技术手段。

专利CN201811146346.7是一种多层次综合评估的风电场升压站自动选址方法。

缺点：层次评估分析的过程仍需以工程经验为主体，并非依靠完善的经济投资模型的计算与智能算法的优化，以该方法为手段的选址过程会因为评估的误差而得不到精确的选址结果。

专利CN201711282126.2一种基于风电场场内道路自动选线的升压站选址系统及选址方法。

缺点：没有充分结合GIS中的地理信息和考虑实际工程中的限制因素，使升压站的选址模型更加完善。

上述两个现有方案的共同缺点：这两种方案均为针对单一风电场升压站选址设计的。大型风电基地是由多个风电场组成的，其中的各个风电场区域和界限都是十分明显的(风电基地的示例图如附图1所示)，而且风电基地由于其装机容量大，需要经过两级升压后才能往公共电网输送电能(风电基地的简明电气结构如附图2所示)。若按照传统方法，各个风电场的低压升压站寻址由于聚类样本不同，需要使用多个种群进行寻优；或者将所有风机作为聚类样本，直接运用聚类算法或智能算法为其寻找升压站，都将使得优化结果精确度严重下降。因此，无论是经济投资模型的建立，还是考虑工程因素后的优选方案的确定，都要针对风电基地的规模设计一种适用于风电基地升压站选址的方法才能更加迅速准确的完成风电基地升压站选址的优选方案。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种可靠的风电基地升压站选址方法，可得到精确的升压站选址结果，使得风电投资项目的经济效益进一步优化。

为实现上述目的，本发明所提供的技术方案为：一种风电基地升压站选址方法，以GIS三维风电模型作为研究场景，将风机的布局作为输入数据，结合工程及地理限制因素，引入适用于风电基地升压站选址的经济成本投资模型，把风电基地升压站投资成本最小作为优化目标，并针对风电基地的布局和电气结构，设计基于差分进化算法的优化算法，对经济成本投资模型进行求解，得到最优的风电基地升压站选址结果；其中，所述差分进化算法基于种群变异进化，用于解决连续变量的全局优化问题，所述风电基地是由多个风电场组成，针对风电基地的布局和电气结构的优化设计是通过为各个风电场的风机进行初步分类，使风电场分割为多个小区域，这就相当于同时对整个风电基地进行多个升压站的寻址，这样做能够避免对整个风电基地的风机进行聚类时出现不同风电场的风机分在同一组的情况以及避免使用多个种群为各个风电场进行升压站选址而导致搜寻最优结果困难的情况；

所述的风电基地升压站选址方法，具体执行以下步骤：

1)导入所有风机的坐标，利用风机的坐标集合及聚类算法进行种群位置及种群速度初始化，导入风电基地的高程点坐标数据，建立搜索范围、禁选范围及标记风电场进场道路数据，初始化差分进化算法的相关参数；

2)结合步骤1)中初始化的种群位置以及风电场的高程点坐标数据，得到种群所有个体的实际三维坐标；

3)结合已建立的经济成本投资模型，代入各个风机的坐标位置，计算种群中每个个体的适应度值；

4)比较步骤3)中得到的种群每个个体的适应度值，确定当前全局最佳个体位置以及全局最佳适应度值；

5)通过变异和交叉操作更新种群中的所有个体；

6)修正步骤5)得到的新种群中所有个体的位置；

7)结合步骤6)中修正位置后的种群，计算当前种群所有个体的适应度值，进行当前最佳个体和全局最佳适应度值的确定；

8)若迭代代数小于设定的迭代次数，则重复步骤3)-7)；若迭代代数等于设定的迭代次数，则终止迭代，将当前全局最佳位置作为升压站的选址结果。

所述经济成本投资模型的目标函数数学表述如下：

Min：F＝C_line+C_loss+C_self+C_slope+C_road (1)

其中：

C_road＝c₂·(R_a,i+R_b,j) (9)

约束条件：

①线路的长度：

l_a,ik≤L_a,l_b,ji≤L_b (12)

②升压站禁选范围：

以上公式变量说明：

F为适应度函数值；C_line为升压站输电线路投资费用；C_self为升压站站内设备费用；C_loss为线路输电损耗；C_slope为升压站放置坡度成本；C_road为升压站进场道路建设成本；N₁为新建低压升压站总数；N₂为新建高压升压站总数；ω₁为低压侧单位长度线路的投资费用；ω₂为高压侧单位长度线路的投资费用；

为折算系数；t为升压站的折旧年限；r₀为贴现率；l_a,ik为低压升压站i与风机k间的线路长度；l_b,ji为高压升压站j与低压升压站i间的线路长度；J_a,i为与低压升压站i连接的风机的集合；J_b,j为与高压升压站j连接的低压升压站的集合；(x_i,y_i,z_i)为低压升压站i的实际坐标；(x_j,y_j,z_j)为高压升压站j的实际坐标；(x_k,y_k,z_k)为风机k的实际坐标；f(S_a,i)为低压升压站i的站内设备投资费用；f(S_b,j)为高压升压站j的站内设备投资费用；S_a,i为第i个低压升压站的容量；S_b,j为第j个高压升压站的容量；u(S_a,i)为新建低压升压站i的运行费用；u(S_b,j)为新建高压升压站j的运行费用；W_k为风机k的装机容量；N_a,ik为与低压升压站i连接的风机k的数量；N_b,ji为与高压升压站j连接的低压升压站i的数量；ρ为网损折算系数；ρ₁为单位电能损耗折价系数；ρ₂为线路单位长度电阻；ρ₃为线路年损耗小时数；U为线路的线电压；cosψ为功率因素；R_a,i为低压升压站i与风电场进场道路的距离；R_b,j为高压升压站j与风电场进场道路的距离；(x_r,min,y_r,min,z_r,min)为风电场进场道路与升压站的最短距离高程点坐标；(x_R,y_R)为风电场禁选区域的高程点坐标集合；α_a,ik为与风机k连接的低压升压站i的坡度；β_a,ik为低压升压站i与风机k间的坡度；α_b,ij为与高压升压站j连接的低压升压站i的坡度；β_b,ij为低压升压站i与高压升压站j间的坡度；c₁为升压站放置平均单位坡度成本；c₂为升压站单位进场道路建设成本；L_a为低压升压站i与风机k间的线路长度范围；L_b为高压升压站j与低压升压站i间的线路长度范围；

在步骤3)中，将种群位置矢量

按公式(1)-(13)进行计算，获得第m代种群中每个个体n的适应度值F_n,m，其中n＝1,2,…,M，M为种群规模。

在步骤1)中，输入风电场中各个风机的三维坐标数据作为样本数据，利用风电场高程点坐标数据建立搜索范围及禁选范围，设置种群规模M、迭代次数Z，风电场数量K，各风机的装机容量W_k、低压升压站个数N₁，高压升压站个数N₂、低压侧单位长度线路的投资费用ω₁、高压侧单位长度线路的投资费用ω₂、单位电能损耗折价系数ρ₁、线路单位长度电阻ρ₂、线路年损耗小时数ρ₃、升压站放置平均单位坡度成本c₁、升压站单位进场道路建设成本c₂、交叉算子K_cr和变异系数G；

随机初始化第一代种群的个体位置：分别以各个风电场的风机作为聚类样本，根据风电场升压站所需个数分别为各个风电场的风机进行初步聚类，即得到每个风电场风机群的初始质心：

并以

作为聚类样本根据高压升压站所需个数进行聚类，即得到低压升压站的随机质心：

使种群的个体为：

这样使得每个风电场的风机均能够与其相对应的种群个体进行适应度值函数的计算及聚类划分；而且，由于种群位置的Z轴坐标仅由风电场实际地形所决定，初始化的种群位置只能包含X轴和Y轴坐标；故种群中个体位置的矢量描述为：

其中，

为第m代种群中个体n的位置，n为种群中个体的序号，m为种群的代数，(x_a,N1,n,m,y_a,N1,n,m)为代表低压升压站位置的第m代种群个体n第N₁维坐标，(x_b,N2,n,m,y_b,N2,n,m)为代表高压升压站位置的第m代种群个体n第N₂维坐标，M为种群规模；

令m＝1，即可随机初始化第一代种群的个体位置。

在步骤2)中，利用种群位置中的X轴和Y轴坐标以及风电场高程点坐标数据查找得到种群个体所代表的实际三维坐标，以便进行适应度值的计算；故种群个体的所代表的实际位置描述为：

其中，

为第m代种群中个体n的实际三维位置，即种群位置矢量，

为代表低压升压站的第m代种群个体n实际的三维坐标，

为代表高压升压站的第m代种群个体n的实际三维坐标，M为种群规模。

在步骤4)中，将步骤3)计算出来的第m代种群中每个个体n的适应度值F_n,m与该个体之前的局部最佳适应度值F_n,best进行比较，将其中更大的适应度值和对应位置，分别作为新的局部个体最佳适应度值F_n,best和局部个体最佳位置p_n,best；然后，将新的局部个体最佳适应度值F_n,best与整个种群之前的全局最佳适应度值F_g,best进行比较，将其中更大的适应度值和对应位置，分别作为整个种群新的全局最佳适应度值F_g,best和全局个体最佳位置p_g,best。

在步骤5)中，在第m代种群

中的所有个体中随机选择3个互不相同的个体作为目标向量个体，定义为

按公式(14)进行变异操作，产生变异个体

按公式(15)对所有个体中的所有维度进行交叉操作，产生新种群：

其中，

为第m+1代个体n第i₀维的位置，

为第m代个体n第i₀维的位置，

变异个体第i₀维的位置，rand为在[0,1]之间产生的均匀随机数，M为种群规模，G为变异系数，K_cr为交叉算子，N₁为低压升压站个数，N₂为高压升压站个数。

在步骤6)中，对步骤5)中所获得新种群中所有个体的坐标位置进行校验，判断更新后的每一个体的所有维度位置是否出现在禁止区域；若是，计算出现在禁选区域的个体的维度位置所代表的坐标点到禁止区域边界的最短距离，并把出现在禁选区域的个体的该维度位置所代表的坐标点替换为禁止区域边界点到更新后个体最短距离的节点，从而形成第m+1代种群；按照公式(16)-(19)更新个体的位置，并按照步骤2)，得到第m+1代种群中个体n的实际三维位置

其中，

为第m+1代个体n第i₁维的坐标，

为第m+1代个体n第i₂维的坐标,

为第m+1代个体n第i₁维个体位置到禁止区域边界的最短距离的节点坐标，

为第m+1代个体n第i₂维个体位置到禁止区域边界的最短距离的节点坐标，(x_R,y_R)为风电场禁选区域的高程点坐标集合，N₁为低压升压站个数，N₂为高压升压站个数。

在步骤7)中，利用步骤6)中修正后的种群实际三维位置

计算得到当前的全局最佳适应度值F_g,best和全局个体最佳位置p_g,best。

在步骤8)中，如果迭代代数m小于设定的迭代次数Z，则令m＝m+1，并且重复步骤3)-7)；如果迭代代数m等于设定的迭代次数Z，则迭代终止，并将当前全局最佳位置

作为升压站的选址结果：

其中，

为代表低压升压站位置的种群全局最佳个体第N₁维的三维坐标，

为代表高压升压站位置的种群全局最佳个体第N₂维的三维坐标。

本发明与现有技术相比，具有如下优点与有益效果：

1、针对风电基地的布局和电气结构建立的经济成本投资模型使风电基地升压站选址得到更好结果。

2、针对风电基地由多个风电场组成，各个风电场界限明显，而且风电基地中的风电机组需要经过两级升压后才能往外输电的实际情况，分别为各个风电场的风电机组进行初步分类，使风电场又分割为数个小区域，该做法相当于同时对整个风电基地进行多个升压站的寻址，并以此设计最优化计算方法进行求解，使得在使用优化算法解决这类大数据寻优问题的过程更加快速准确，并且符合实际工程的要求。

附图说明

图1为风电基地及其升压站布局示例图。

图2为风电基地集电系统示例图。

图3为本发明方法逻辑流程示意图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图3所示，本实施例所提供的风电基地升压站选址方法，以GIS三维风电模型作为研究场景，将风机的布局作为输入数据，结合工程及地理限制因素，引入适用于风电基地升压站选址的经济成本投资模型，把风电基地升压站投资成本最小作为优化目标，并针对风电基地的布局和电气结构，设计基于差分进化算法(差分进化算法基于种群变异进化，用于解决连续变量的全局优化问题)的优化算法，对经济成本投资模型进行求解，得到最优的风电基地升压站选址结果；其中，风电基地是由多个风电场组成，针对风电基地的布局和电气结构的优化设计是通过为各个风电场的风机进行初步分类，使风电场分割为多个小区域，这就相当于同时对整个风电基地进行多个升压站的寻址，这样做能够避免对整个风电基地的风机进行聚类时出现不同风电场的风机分在同一组的情况以及避免使用多个种群为各个风电场进行升压站选址而导致搜寻最优结果困难的情况。

所述经济成本投资模型的目标函数数学表述如下：

Min：F＝C_line+C_loss+C_self+C_slope+C_road (1)

其中：

C_road＝c₂·(R_a,i+R_b,j) (9)

约束条件：

③线路的长度：

l_a,ik≤L_a,l_b,ji≤L_b (12)

④升压站禁选范围：

以上公式变量说明：

F为适应度函数值；C_line为升压站输电线路投资费用；C_self为升压站站内设备费用；C_loss为线路输电损耗；C_slope为升压站放置坡度成本；C_road为升压站进场道路建设成本；N₁为新建低压升压站总数；N₂为新建高压升压站总数；ω₁为低压侧单位长度线路的投资费用；ω₂为高压侧单位长度线路的投资费用；

为折算系数；t为升压站的折旧年限；r₀为贴现率；l_a,ik为低压升压站i与风机k间的线路长度；l_b,ji为高压升压站j与低压升压站i间的线路长度；J_a,i为与低压升压站i连接的风机的集合；J_b,j为与高压升压站j连接的低压升压站的集合；(x_i,y_i,z_i)为低压升压站i的实际坐标；(x_j,y_j,z_j)为高压升压站j的实际坐标；(x_k,y_k,z_k)为风机k的实际坐标；f(S_a,i)为低压升压站i的站内设备投资费用；f(S_b,j)为高压升压站j的站内设备投资费用；S_a,i为第i个低压升压站的容量；S_b,j为第j个高压升压站的容量；u(S_a,i)为新建低压升压站i的运行费用；u(S_b,j)为新建高压升压站j的运行费用；W_k为风机k的装机容量；N_a,ik为与低压升压站i连接的风机k的数量；N_b,ji为与高压升压站j连接的低压升压站i的数量；ρ为网损折算系数；ρ₁为单位电能损耗折价系数；ρ₂为线路单位长度电阻；ρ₃为线路年损耗小时数；U为线路的线电压；cosψ为功率因素；R_a,i为低压升压站i与风电场进场道路的距离；R_b,j为高压升压站j与风电场进场道路的距离；(x_r,min,y_r,min,z_r,min)为风电场进场道路与升压站的最短距离高程点坐标；(x_R,y_R)为风电场禁选区域的高程点坐标集合；α_a,ik为与风机k连接的低压升压站i的坡度；β_a,ik为低压升压站i与风机k间的坡度；α_b,ij为与高压升压站j连接的低压升压站i的坡度；β_b,ij为低压升压站i与高压升压站j间的坡度；c₁为升压站放置平均单位坡度成本；c₂为升压站单位进场道路建设成本；L_a为低压升压站i与风机k间的线路长度范围；L_b为高压升压站j与低压升压站i间的线路长度范围。

所述的风电基地升压站选址方法，具体执行以下步骤：

1)导入所有风机的坐标，利用风机的坐标集合及聚类算法进行种群位置及种群速度初始化，导入风电基地的高程点坐标数据，建立搜索范围、禁选范围及标记风电场进场道路数据，初始化差分进化算法的相关参数，具体如下：

输入风电场中各个风机的三维坐标数据作为样本数据，利用风电场高程点坐标数据建立搜索范围及禁选范围，设置种群规模M、迭代次数Z，风电场数量K，各风机的装机容量W_k、低压升压站个数N₁，高压升压站个数N₂、低压侧单位长度线路的投资费用ω₁、高压侧单位长度线路的投资费用ω₂、单位电能损耗折价系数ρ₁、线路单位长度电阻ρ₂、线路年损耗小时数ρ₃、升压站放置平均单位坡度成本c₁、升压站单位进场道路建设成本c₂、交叉算子K_cr和变异系数G；

随机初始化第一代种群的个体位置：分别以各个风电场的风机作为聚类样本，根据风电场升压站所需个数分别为各个风电场的风机进行初步聚类，即得到每个风电场风机群的初始质心：

并以

作为聚类样本根据高压升压站所需个数进行聚类，即得到低压升压站的随机质心：

使种群的个体为：

这样使得每个风电场的风机均能够与其相对应的种群个体进行适应度值函数的计算及聚类划分；而且，由于种群位置的Z轴坐标仅由风电场实际地形所决定，初始化的种群位置只能包含X轴和Y轴坐标；故种群中个体位置的矢量描述为：

其中，

为第m代种群中个体n的位置，n为种群中个体的序号，m为种群的代数，

为代表低压升压站位置的第m代种群个体n第N₁维坐标，

为代表高压升压站位置的第m代种群个体n第N₂维坐标；

令m＝1，即可随机初始化第一代种群的个体位置。

2)结合步骤1)中初始化的种群位置以及风电场的高程点坐标数据，得到种群所有个体的实际三维坐标，具体如下：

利用种群位置中的X轴和Y轴坐标以及风电场高程点坐标数据查找得到种群个体所代表的实际三维坐标，以便进行适应度值的计算；故种群个体的所代表的实际位置描述为：

其中，

为第m代种群中个体n的实际三维位置，即种群位置矢量，

为代表低压升压站的第m代种群个体n实际的三维坐标，

为代表高压升压站的第m代种群个体n的实际三维坐标；

3)结合已建立的经济成本投资模型，代入各个风机的坐标位置，计算种群中每个个体的适应度值，具体如下：

将种群位置矢量

按公式(1)-(13)进行计算，获得第m代种群中每个个体n的适应度值F_n,m，其中n＝1,2,…,M。

4)比较步骤3)中得到的种群每个个体的适应度值，确定当前全局最佳个体位置以及全局最佳适应度值，具体如下：

将步骤3)计算出来的第m代种群中每个个体n的适应度值F_n,m与该个体之前的局部最佳适应度值F_n,best进行比较，将其中更大的适应度值和对应位置，分别作为新的局部个体最佳适应度值F_n,best和局部个体最佳位置p_n,best；然后，将新的局部个体最佳适应度值F_n,best与整个种群之前的全局最佳适应度值F_g,best进行比较，将其中更大的适应度值和对应位置，分别作为整个种群新的全局最佳适应度值F_g,best和全局个体最佳位置p_g,best。

5)更新当前种群中所有个体的速度和位置，具体如下：

在第m代种群

中的所有个体中随机选择3个互不相同的个体作为目标向量个体，定义为

按公式(14)进行变异操作，产生变异个体

按公式(15)对所有个体中的所有维度进行交叉操作，产生新种群：

其中，

为第m+1代个体n第i₀维的位置，

为第m代个体n第i₀维的位置，

变异个体第i₀维的位置，rand为在[0,1]之间产生的均匀随机数。

6)修正步骤5)得到的新种群中所有个体的位置，具体如下：

对步骤5)中所获得新种群中所有个体的坐标位置进行校验，判断更新后的每一个体的所有维度位置是否出现在禁止区域；若是，计算出现在禁选区域的个体的维度位置所代表的坐标点到禁止区域边界的最短距离，并把出现在禁选区域的个体的该维度位置所代表的坐标点替换为禁止区域边界点到更新后个体最短距离的节点，从而形成第m+1代种群；按照公式(16)-(19)更新个体的位置，并按照步骤2)，得到第m+1代种群中个体n的实际三维位置

其中，

为第m+1代个体n第i₁维的坐标，

为第m+1代个体n第i₂维的坐标,

为第m+1代个体n第i₁维个体位置到禁止区域边界的最短距离的节点坐标，

为第m+1代个体n第i₂维个体位置到禁止区域边界的最短距离的节点坐标。

7)利用步骤6)中修正后的种群实际三维位置

计算得到当前的全局最佳适应度值F_g,best和全局个体最佳位置p_g,best；

8)如果迭代代数m小于设定的迭代次数Z，则令m＝m+1，并且重复步骤3)-7)；如果迭代代数m等于设定的迭代次数Z，则迭代终止，并将当前全局最佳位置

作为升压站的选址结果：

其中，

为代表低压升压站位置的种群全局最佳个体第N₁维的三维坐标，

为代表高压升压站位置的种群全局最佳个体第N₂维的三维坐标。

在实际操作时，对任意一大型风电基地，其升压站的智能选址优化步骤如下：

1)输入风电基地中各个风电机组的三维坐标数据作为聚类的样本。

2)通过GIS软件导入风电基地区域的高程点坐标数据构建三维风电基地的场景并且标记风电场进场道路的数据。另外，为避免因地质、用地类型、周边环境等而影响升压站放置的情况，需要通过地图信息以及工程勘察报告对相关区域的高程点坐标数据作标记，使升压站的选址出现在合理区域。

3)设置种群规模M、迭代次数Z，风电场数量K，各风机的装机容量W_k、低压升压站个数N₁，高压升压站个数N₂、低压侧单位长度线路的投资费用ω₁、高压侧单位长度线路的投资费用ω₂、单位电能损耗折价系数ρ₁、线路单位长度电阻ρ₂、线路年损耗小时数ρ₃、升压站放置平均单位坡度成本c₁、升压站单位进场道路建设成本c₂、交叉算子K_cr和变异系数G，并按上述步骤方法初始化第一代的种群。

4)利用风电基地的高程点坐标数据查找初始化种群的完整三维位置。

5)将种群位置矢量按公式(1)-(13)进行计算，获得第m代种群中，每个个体n的适应度值并确定当前全局最佳适应度值和个体最佳位置。

6)按公式(14)-(15)通过变异和交叉操作更新种群中的所有个体，得到第n+1代种群。

7)按公式(16)-(19)修正新种群中所有个体的位置，并按照步骤4)，得出种群个体的三维位置。

8)如果迭代代数m小于设定的迭代次数Z，则令m＝m+1，并且重复步骤5)-7)；如果迭代代数s等于设定的迭代次数Z，则迭代终止，并将当前全局最佳位置作为升压站的选址结果。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (8)

1.一种风电基地升压站选址方法，其特征在于：以GIS三维风电模型作为研究场景，将风机的布局作为输入数据，结合工程及地理限制因素，引入适用于风电基地升压站选址的经济成本投资模型，把风电基地升压站投资成本最小作为优化目标，并针对风电基地的布局和电气结构，设计基于差分进化算法的优化算法，对经济成本投资模型进行求解，得到最优的风电基地升压站选址结果；其中，所述差分进化算法基于种群变异进化，用于解决连续变量的全局优化问题，所述风电基地是由多个风电场组成，针对风电基地的布局和电气结构的优化设计是通过为各个风电场的风机进行初步分类，使风电场分割为多个小区域，这就相当于同时对整个风电基地进行多个升压站的寻址，这样做能够避免对整个风电基地的风机进行聚类时出现不同风电场的风机分在同一组的情况以及避免使用多个种群为各个风电场进行升压站选址而导致搜寻最优结果困难的情况；

所述的风电基地升压站选址方法，具体执行以下步骤：

1)导入所有风机的坐标，利用风机的坐标集合及聚类算法进行种群位置及种群速度初始化，导入风电基地的高程点坐标数据，建立搜索范围、禁选范围及标记风电场进场道路数据，初始化差分进化算法的相关参数，具体如下：

输入风电场中各个风机的三维坐标数据作为样本数据，利用风电场高程点坐标数据建立搜索范围及禁选范围，设置种群规模M、迭代次数Z，风电场数量K，各风机的装机容量W_k、低压升压站个数N₁，高压升压站个数N₂、低压侧单位长度线路的投资费用ω₁、高压侧单位长度线路的投资费用ω₂、单位电能损耗折价系数ρ₁、线路单位长度电阻ρ₂、线路年损耗小时数ρ₃、升压站放置平均单位坡度成本c₁、升压站单位进场道路建设成本c₂、交叉算子K_cr和变异系数G；

随机初始化第一代种群的个体位置：分别以各个风电场的风机作为聚类样本，根据风电场升压站所需个数分别为各个风电场的风机进行初步聚类，即得到每个风电场风机群的初始质心：

并以

作为聚类样本根据高压升压站所需个数进行聚类，即得到低压升压站的随机质心：

使种群的个体为：

这样使得每个风电场的风机均能够与其相对应的种群个体进行适应度值函数的计算及聚类划分；而且，由于种群位置的Z轴坐标仅由风电场实际地形所决定，初始化的种群位置只能包含X轴和Y轴坐标；故种群中个体位置的矢量描述为：

其中，

为第m代种群中个体n的位置，n为种群中个体的序号，m为种群的代数，

为代表低压升压站位置的第m代种群个体n第N₁维坐标，

为代表高压升压站位置的第m代种群个体n第N₂维坐标，M为种群规模；

令m＝1，即可随机初始化第一代种群的个体位置；

2)结合步骤1)中初始化的种群位置以及风电场的高程点坐标数据，得到种群所有个体的实际三维坐标；

3)结合已建立的经济成本投资模型，代入各个风机的坐标位置，计算种群中每个个体的适应度值；

4)比较步骤3)中得到的种群每个个体的适应度值，确定当前全局最佳个体位置以及全局最佳适应度值；

5)通过变异和交叉操作更新种群中的所有个体；

6)修正步骤5)得到的新种群中所有个体的位置；

7)结合步骤6)中修正位置后的种群，计算当前种群所有个体的适应度值，进行当前最佳个体和全局最佳适应度值的确定；

8)若迭代代数小于设定的迭代次数，则重复步骤3)-7)；若迭代代数等于设定的迭代次数，则终止迭代，将当前全局最佳位置作为升压站的选址结果；

其中，所述经济成本投资模型的目标函数数学表述如下：

Min：F＝C_line+C_loss+C_self+C_slope+C_road (1)

其中：

C_road＝c₂·(R_a,i+R_b,j) (9)

约束条件：

①线路的长度：

l_a,ik≤L_a,l_b,ji≤L_b (12)

②升压站禁选范围：

以上公式变量说明：

F为适应度函数值；C_line为升压站输电线路投资费用；C_self为升压站站内设备费用；C_loss为线路输电损耗；C_slope为升压站放置坡度成本；C_road为升压站进场道路建设成本；N₁为新建低压升压站总数；N₂为新建高压升压站总数；ω₁为低压侧单位长度线路的投资费用；ω₂为高压侧单位长度线路的投资费用；

为折算系数；t为升压站的折旧年限；r₀为贴现率；l_a,ik为低压升压站i与风机k间的线路长度；l_b,ji为高压升压站j与低压升压站i间的线路长度；J_a,i为与低压升压站i连接的风机的集合；J_b,j为与高压升压站j连接的低压升压站的集合；(x_i,y_i,z_i)为低压升压站i的实际坐标；(x_j,y_j,z_j)为高压升压站j的实际坐标；(x_k,y_k,z_k)为风机k的实际坐标；f(S_a,i)为低压升压站i的站内设备投资费用；f(S_b,j)为高压升压站j的站内设备投资费用；S_a,i为第i个低压升压站的容量；S_b,j为第j个高压升压站的容量；u(S_a,i)为新建低压升压站i的运行费用；u(S_b,j)为新建高压升压站j的运行费用；W_k为风机k的装机容量；N_a,ik为与低压升压站i连接的风机k的数量；N_b,ji为与高压升压站j连接的低压升压站i的数量；ρ为网损折算系数；ρ₁为单位电能损耗折价系数；ρ₂为线路单位长度电阻；ρ₃为线路年损耗小时数；U为线路的线电压；cosψ为功率因素；R_a,i为低压升压站i与风电场进场道路的距离；R_b,j为高压升压站j与风电场进场道路的距离；(x_r,min,y_r,min,z_r,min)为风电场进场道路与升压站的最短距离高程点坐标；(x_R,y_R)为风电场禁选区域的高程点坐标集合；α_a,ik为与风机k连接的低压升压站i的坡度；β_a,ik为低压升压站i与风机k间的坡度；α_b,ij为与高压升压站j连接的低压升压站i的坡度；β_b,ij为低压升压站i与高压升压站j间的坡度；c₁为升压站放置平均单位坡度成本；c₂为升压站单位进场道路建设成本；L_a为低压升压站i与风机k间的线路长度范围；L_b为高压升压站j与低压升压站i间的线路长度范围。

2.根据权利要求1所述的一种风电基地升压站选址方法，其特征在于：在步骤3)中，将种群位置矢量

按公式(1)-(13)进行计算，获得第m代种群中每个个体n的适应度值F_n,m，其中n＝1,2,…,M，M为种群规模。

3.根据权利要求1所述的一种风电基地升压站选址方法，其特征在于：在步骤2)中，利用种群位置中的X轴和Y轴坐标以及风电场高程点坐标数据查找得到种群个体所代表的实际三维坐标，以便进行适应度值的计算；故种群个体的所代表的实际位置描述为：

其中，

为第m代种群中个体n的实际三维位置，即种群位置矢量，

为代表低压升压站的第m代种群个体n实际的三维坐标，

为代表高压升压站的第m代种群个体n的实际三维坐标，M为种群规模。

4.根据权利要求1所述的一种风电基地升压站选址方法，其特征在于：在步骤4)中，将步骤3)计算出来的第m代种群中每个个体n的适应度值F_n,m与该个体之前的局部最佳适应度值F_n,best进行比较，将其中更大的适应度值和对应位置，分别作为新的局部个体最佳适应度值F_n,best和局部个体最佳位置p_n,best；然后，将新的局部个体最佳适应度值F_n,best与整个种群之前的全局最佳适应度值F_g,best进行比较，将其中更大的适应度值和对应位置，分别作为整个种群新的全局最佳适应度值F_g,best和全局个体最佳位置p_g,best。

5.根据权利要求1所述的一种风电基地升压站选址方法，其特征在于：在步骤5)中，在第m代种群

中的所有个体中随机选择3个互不相同的个体作为目标向量个体，定义为

按公式(14)进行变异操作，产生变异个体

按公式(15)对所有个体中的所有维度进行交叉操作，产生新种群：

其中，

为第m+1代个体n第i₀维的位置，

为第m代个体n第i₀维的位置，

变异个体第i₀维的位置，rand为在[0,1]之间产生的均匀随机数，M为种群规模，G为变异系数，K_cr为交叉算子，N₁为低压升压站个数，N₂为高压升压站个数。

6.根据权利要求1所述的一种风电基地升压站选址方法，其特征在于：在步骤6)中，对步骤5)中所获得新种群中所有个体的坐标位置进行校验，判断更新后的每一个体的所有维度位置是否出现在禁止区域；若是，计算出现在禁选区域的个体的维度位置所代表的坐标点到禁止区域边界的最短距离，并把出现在禁选区域的个体的该维度位置所代表的坐标点替换为禁止区域边界点到更新后个体最短距离的节点，从而形成第m+1代种群；按照公式(16)-(19)更新个体的位置，并按照步骤2)，得到第m+1代种群中个体n的实际三维位置

其中，

为第m+1代个体n第i₁维的坐标，

为第m+1代个体n第i₂维的坐标,

为第m+1代个体n第i₁维个体位置到禁止区域边界的最短距离的节点坐标，

为第m+1代个体n第i₂维个体位置到禁止区域边界的最短距离的节点坐标，(x_R,y_R)为风电场禁选区域的高程点坐标集合，N₁为低压升压站个数，N₂为高压升压站个数。

7.根据权利要求1所述的一种风电基地升压站选址方法，其特征在于：在步骤7)中，利用步骤6)中修正后的种群实际三维位置

计算得到当前的全局最佳适应度值F_g,best和全局个体最佳位置p_g,best。

8.根据权利要求1所述的一种风电基地升压站选址方法，其特征在于：在步骤8)中，如果迭代代数m小于设定的迭代次数Z，则令m＝m+1，并且重复步骤3)-7)；如果迭代代数m等于设定的迭代次数Z，则迭代终止，并将当前全局最佳位置

作为升压站的选址结果：

其中，

为代表低压升压站位置的种群全局最佳个体第N₁维的三维坐标，

为代表高压升压站位置的种群全局最佳个体第N₂维的三维坐标。

Images