CN111985691A - 一种风电场升压站选址方法 - Google Patents
一种风电场升压站选址方法 Download PDFInfo
- Publication number
- CN111985691A CN111985691A CN202010701186.9A CN202010701186A CN111985691A CN 111985691 A CN111985691 A CN 111985691A CN 202010701186 A CN202010701186 A CN 202010701186A CN 111985691 A CN111985691 A CN 111985691A
- Authority
- CN
- China
- Prior art keywords
- population
- individual
- booster station
- wind power
- power plant
- 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.)
- Granted
Links
- 238000010187 selection method Methods 0.000 title claims description 18
- 239000002245 particle Substances 0.000 claims abstract description 30
- 238000003064 k means clustering Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 239000013589 supplement Substances 0.000 claims abstract description 10
- 230000014759 maintenance of location Effects 0.000 claims abstract description 7
- 238000011160 research Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims description 15
- 238000013459 approach Methods 0.000 claims description 13
- 101100493820 Caenorhabditis elegans best-1 gene Proteins 0.000 claims description 8
- 101100004280 Caenorhabditis elegans best-2 gene Proteins 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000011164 primary particle Substances 0.000 claims description 3
- 101150049349 setA gene Proteins 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 13
- 230000007547 defect Effects 0.000 abstract description 3
- 206010036590 Premature baby Diseases 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 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
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种风电场升压站选址方法,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,建立经济成本投资模型,结合工程及地理限制因素,把风电场升压站投资成本最小作为优化目标,并提出了一种改进型K均值聚类粒子群算法对经济成本投资模型进行求解,得到最优的升压站选址结果;其中,所述改进型K均值聚类粒子群算法是通过K均值聚类粒子群算法求解得到的当前全局最佳位置来重新计算聚类中心位置及划分聚类样本,产生一个比较种群,并执行最优点保留随机粒子补充机制。本发明不仅可以有效地克服了传统粒子群算法容易陷入局部最优以及早熟的缺点,而且还可以有效提高收敛速度,显著改善风电场升压站选址精确度。
Description
技术领域
本发明涉及风电场升压变电站选址的技术领域,尤其是指一种风电场升压站选址方法。
背景技术
风电建设项目的投资成本及其后期收益是风电行业的重要问题。由于平价上网政策在近年来的不断推进,为进一步改善风电的收益,提高风力发电的竞争力,必须优化风电建设项目的设计方案,降低投资成本。而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地限制因素的衡量,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拖累整个风电投资项目的经济性。
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,能为风电场升压变电站(以下简称“升压站”)的选址提供更精确的技术手段。
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。
目前,为提高风电场升压站选址的精确度和工作效率,以加快工程进度,提高风电建设项目的经济效益,利用GIS技术分析以及智能优化算法的计算是主要解决手段之一。这种方法主要通过构建虚拟的三维风电场场景,结合风电机组的位置数据,以升压站的施工成本最小化为目标,对升压站的位置进行初选,并评估影响升压站选址的因素,最终在构建的风电场景中完成升压站选址的优选方案。
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,其缺点: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是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,其缺点:没有考虑在大型风电场有大量风电机组,即样本数量过多的情况下,如何提高优化算法的收敛速度以及收敛结果的精确度。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种基于改进型K均值聚类粒子群算法的风电场升压站选址方法,该方法不仅可以有效地克服了传统粒子群算法容易陷入局部最优以及早熟的缺点,而且还可以有效提高收敛速度,显著改善风电场升压站选址精确度。
为实现上述目的,本发明所提供的技术方案为:一种风电场升压站选址方法,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,建立经济成本投资模型,结合工程及地理限制因素,把风电场升压站投资成本最小作为优化目标,并提出了一种改进型K均值聚类粒子群算法对经济成本投资模型进行求解,得到最优的升压站选址结果;其中,所述改进型K均值聚类粒子群算法是通过K均值聚类粒子群算法求解得到的当前全局最佳位置来重新计算聚类中心位置及划分聚类样本,产生一个比较种群,并执行最优点保留随机粒子补充机制;
所述的风电场升压站选址方法,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,导入风电场的高程点坐标数据,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K均值聚类粒子群算法的相关参数;
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)更新当前种群中所有个体的速度和位置;
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,并利用当前最佳个体的位置产生比较种群,执行最优点保留随机粒子补充机制及再次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。
进一步,所述经济成本投资模型的目标函数数学表述如下:
Min:F=Cline+Closs+Cself+Cslope+Croad (1)
其中:
Croad=c2·Ri (7)
约束条件:
①升压站选址范围:
xmin≤xi≤xmax,ymin≤yi≤ymax (9)
②升压站禁选范围:
以上公式变量说明:
F为升压站建设投资总费用;Cline为升压站输电线路投资费用;Cself为升压站站内设备费用;Closs为升压站馈网损耗;Cslope为升压站放置坡度成本;Croad为升压站进场道路建设成本;N为新建升压站总数;ω为单位长度线路的投资费用;为折算系数;r0为贴现率;Ji为与升压站i连接的风机的集合;lij为升压站i与风机j间的线路长度;(xi,yi,zi)为升压站i的实际位置坐标;(xj,yj,zj)为风机j的实际位置坐标;t为升压站的折旧年限;Si为升压站i的容量;f(Si)为升压站i的站内设备投资费用;u(Si)为新建升压站的运行费用;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;Wj为风机j的装机容量;Ri为升压站i与风电场进场道路的距离;(xr,min,yr,min,zr,min)为风电场进场道路与升压站的最短距离高程点坐标;αij为与风机j连接的升压站i的坡度;βij为升压站i与风机j间的坡度;c1为升压站放置平均单位坡度成本;c2为升压站道路建设单位平均成本;(xmin,ymin)为风电场范围的最小二维坐标;(xmax,ymax)为风电场范围的最大二维坐标;(xR,yR)为风电场禁选区域的二维坐标集合;
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、新建升压站个数N,迭代次数Z,风机的装机容量Wj、单位长度线路的投资费用ω、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、升压站道路建设单位平均成本c2、速度权重系数d1、d2、d3;
随机初始化第1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为风电场的风机进行初步聚类,得到初始随机质心,即初代粒子的个体位置;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:
令m=1,即可随机初始化第1代种群的个体位置和速度。
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集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:
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Fn,m与该个体之前的局部最佳适应度值Fn,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Fn,best和局部个体最佳位置pn,best;然后,将新的局部个体最佳适应度值Fn,best与整个种群之前的全局最佳适应度值Fg,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Fg,best和全局个体最佳位置pg,best。
在步骤5)中,按公式(11)更新整个种群中所有个体的速度和位置:
其中,vn,m+1为m+1代个体m的速度,pn,m+1为m+1代个体m的位置,vn,m为m代个体n的速度,pn,m为m代个体n的位置,rand1、rand2均为在[0,1]之间产生的均匀随机数,M为种群规模,pn,best为局部个体最佳位置,pg,best为全局个体最佳位置,d1、d2、d3为速度权重系数。
在步骤6)中,对步骤5)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(12)-(17)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,(xn,m+1,yn,m+1)为第m+1代个体n的坐标,(xR,n,m+1,min,yR,n,m+1,min)为个体位置到禁止区域边界的最短距离的节点坐标,M为种群规模,(xR,yR)为风电场禁选区域的二维坐标集合,(xmin,ymin)为风电场范围的最小二维坐标,(xmax,ymax)为风电场范围的最大二维坐标。
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Fg,best和全局个体最佳位置pg,best;然后,利用全局个体最佳位置pg,best为样本重新聚类,把样本按此时的聚类结果划分为N个簇:X1,X2,…,XN,并按照步骤2)得到每个簇的三维聚类中心:pg,best1,pg,best2,…pg,bestN分别为X1,X2,…,XN的聚类中心;按照公式(16)计算适应度值,并按照公式(17)-(19)确定个体和全局最佳适应度值:
F'g,best=F(X1,pg,best1)+F(X2,pg,best2)+...+F(XN,pg,bestN) (16)
通过产生比较种群的个体位置计算得到重新聚类后的目标函数的总适应度值F'g,best,并与原来的适应度值Fg,best进行比较,保留更优的适应度值和种群个体,从而得到当前最佳适应度值及最佳种群个体,实现了最优点保留随机粒子的补充。
其中,(xN,gbest,yN,gbest,zN,gbest)为种群全局最佳个体第N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、充分实现工程实际与智能算法的结合,提高风电场升压站选址的可靠性。
2、不仅有效地克服了传统粒子群算法容易陷入局部最优以及早熟的缺点,有效提高收敛速度,而且能显著提高全局最佳位置和样本分类的精确度,解决过往聚类粒子群算法由于样本数量庞大致使收敛速度和精度下降的问题,最终达到提高风电场升压站选址精确度的目的。
附图说明
图1为本发明逻辑流程示意图。
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1所示,本实施例所提供的风电场升压站选址方法,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,建立经济成本投资模型,结合工程及地理限制因素,把风电场升压站投资成本最小作为优化目标,并提出了一种改进型K均值聚类粒子群算法对经济成本投资模型进行求解,得到最优的升压站选址结果。其中,所述改进型K均值聚类粒子群算法是通过K均值聚类粒子群算法求解得到的当前全局最佳位置来重新计算聚类中心位置及划分聚类样本,产生一个比较种群,并执行最优点保留随机粒子补充机制。
所述经济成本投资模型的目标函数数学表述如下:
Min:F=Cline+Closs+Cself+Cslope+Croad (1)
其中:
Croad=c2·Ri (7)
约束条件:
①升压站选址范围:
xmin≤xi≤xmax,ymin≤yi≤ymax (9)
②升压站禁选范围:
以上公式变量说明:
F为升压站建设投资总费用;Cline为升压站输电线路投资费用;Cself为升压站站内设备费用;Closs为升压站馈网损耗;Cslope为升压站放置坡度成本;Croad为升压站进场道路建设成本;N为新建升压站总数;ω为单位长度线路的投资费用;为折算系数;r0为贴现率;Ji为与升压站i连接的风机的集合;lij为升压站i与风机j间的线路长度;(xi,yi,zi)为升压站i的实际位置坐标;(xj,yj,zj)为风机j的实际位置坐标;t为升压站的折旧年限;Si为升压站i的容量;f(Si)为升压站i的站内设备投资费用;u(Si)为新建升压站的运行费用;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;Wj为风机j的装机容量;Ri为升压站i与风电场进场道路的距离;(xr,min,yr,min,zr,min)为风电场进场道路与升压站的最短距离高程点坐标;αij为与风机j连接的升压站i的坡度;βij为升压站i与风机j间的坡度;c1为升压站放置平均单位坡度成本;c2为升压站道路建设单位平均成本;(xmin,ymin)为风电场范围的最小二维坐标;(xmax,ymax)为风电场范围的最大二维坐标;(xR,yR)为风电场禁选区域的二维坐标集合。
所述的风电场升压站选址方法,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,导入风电场的高程点坐标数据,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K均值聚类粒子群算法的相关参数,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、新建升压站个数N,迭代次数Z,风机的装机容量Wj、单位长度线路的投资费用ω、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、升压站道路建设单位平均成本c2、速度权重系数d1、d2、d3。
随机初始化第1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为风电场的风机进行初步聚类,得到初始随机质心,即初代粒子的个体位置;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:
令m=1,即可随机初始化第1代种群的个体位置和速度。
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集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可描述为:
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:
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Fn,m与该个体之前的局部最佳适应度值Fn,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Fn,best和局部个体最佳位置pn,best;然后,将新的局部个体最佳适应度值Fn,best与整个种群之前的全局最佳适应度值Fg,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Fg,best和全局个体最佳位置pg,best。
5)按公式(11)更新整个种群中所有个体的速度和位置:
其中,vn,m+1为m+1代个体m的速度,pn,m+1为m+1代个体m的位置,vn,m为m代个体n的速度,pn,m为m代个体n的位置,rand1、rand2均为在[0,1]之间产生的均匀随机数。
6)对步骤5)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(12)-(17)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,(xn,m+1,yn,m+1)为第m+1代个体n的坐标,(xR,n,m+1,min,yR,n,m+1,min)为个体位置到禁止区域边界的最短距离的节点坐标。
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,并利用当前最佳个体的位置产生比较种群,执行最优点保留随机粒子补充机制及再次进行当前最佳个体和全局最佳适应度值的确定,具体如下:
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Fg,best和全局个体最佳位置pg,best;然后,利用全局个体最佳位置pg,best为样本重新聚类,把样本按此时的聚类结果划分为N个簇:X1,X2,…,XN,并按照步骤2)得到每个簇的三维聚类中心:pg,best1,pg,best2,…pg,bestN分别为X1,X2,…,XN的聚类中心;按照公式(16)计算适应度值,并按照公式(17)-(19)确定个体和全局最佳适应度值:
F'g,best=F(X1,pg,best1)+F(X2,pg,best2)+...+F(XN,pg,bestN) (16)
通过产生比较种群的个体位置计算得到重新聚类后的目标函数的总适应度值F'g,best,并与原来的适应度值Fg,best进行比较,保留更优的适应度值和种群个体,从而得到当前最佳适应度值及最佳种群个体,实现了最优点保留随机粒子的补充。
其中,(xN,gbest,yN,gbest,zN,gbest)为种群全局最佳个体第N维的三维坐标。
在实际操作时,对任意一大型风电场,其升压站的智能选址优化步骤如下:
1)导入风电场中各个风电机组的三维坐标数据作为样本数据。
2)通过GIS软件导入风电场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、新建升压站个数N,迭代次数Z,风机的装机容量Wj、单位长度线路的投资费用ω、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、升压站道路建设单位平均成本c2、速度权重系数d1、d2、d3等参数,并按前面的步骤方法初始化第一代种群。
4)将种群位置矢量按公式(1)-(10)进行计算,获得第m代种群中,每个个体n的适应度值并确定全局最佳适应度值和个体最佳位置。
5)按公式(11)通过变异和交叉操作更新种群中的所有个体,得到第m+1代种群。
6)按公式(12)-(15)修正新种群中所有个体的位置。
7)利用新种群计算得到当前的全局最佳适应度值Fg,best和个体最佳位置pg,best。然后,利用个体最佳位置pg,best为样本重新聚类,把样本划分为X1,X2,…,XN,并得到pg,best1,pg,best2,…pg,bestN,分别为X1,X2,…,XN的聚类中心点以及pg,best1,pg,best2,…pg,bestN的组合p'g,best。按照公式(16)计算适应度值,并按照公式(17)-(19)确定个体和全局最佳适应度值。
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。
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 (9)
1.一种风电场升压站选址方法,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,建立经济成本投资模型,结合工程及地理限制因素,把风电场升压站投资成本最小作为优化目标,并提出了一种改进型K均值聚类粒子群算法对经济成本投资模型进行求解,得到最优的升压站选址结果;其中,所述改进型K均值聚类粒子群算法是通过K均值聚类粒子群算法求解得到的当前全局最佳位置来重新计算聚类中心位置及划分聚类样本,产生一个比较种群,并执行最优点保留随机粒子补充机制;
所述的风电场升压站选址方法,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,导入风电场的高程点坐标数据,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K均值聚类粒子群算法的相关参数;
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)更新当前种群中所有个体的速度和位置;
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,并利用当前最佳个体的位置产生比较种群,执行最优点保留随机粒子补充机制及再次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。
2.根据权利要求1所述的一种风电场升压站选址方法,其特征在于:所述经济成本投资模型的目标函数数学表述如下:
Min:F=Cline+Closs+Cself+Cslope+Croad (1)
其中:
Croad=c2·Ri (7)
约束条件:
①升压站选址范围:
xmin≤xi≤xmax,ymin≤yi≤ymax (9)
②升压站禁选范围:
以上公式变量说明:
F为升压站建设投资总费用;Cline为升压站输电线路投资费用;Cself为升压站站内设备费用;Closs为升压站馈网损耗;Cslope为升压站放置坡度成本;Croad为升压站进场道路建设成本;N为新建升压站总数;ω为单位长度线路的投资费用;为折算系数;r0为贴现率;Ji为与升压站i连接的风机的集合;lij为升压站i与风机j间的线路长度;(xi,yi,zi)为升压站i的实际位置坐标;(xj,yj,zj)为风机j的实际位置坐标;t为升压站的折旧年限;Si为升压站i的容量;f(Si)为升压站i的站内设备投资费用;u(Si)为新建升压站的运行费用;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;Wj为风机j的装机容量;Ri为升压站i与风电场进场道路的距离;(xr,min,yr,min,zr,min)为风电场进场道路与升压站的最短距离高程点坐标;αij为与风机j连接的升压站i的坡度;βij为升压站i与风机j间的坡度;c1为升压站放置平均单位坡度成本;c2为升压站道路建设单位平均成本;(xmin,ymin)为风电场范围的最小二维坐标;(xmax,ymax)为风电场范围的最大二维坐标;(xR,yR)为风电场禁选区域的二维坐标集合;
3.根据权利要求1所述的一种风电场升压站选址方法,其特征在于: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、新建升压站个数N,迭代次数Z,风机的装机容量Wj、单位长度线路的投资费用ω、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、升压站道路建设单位平均成本c2、速度权重系数d1、d2、d3;
随机初始化第1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为风电场的风机进行初步聚类,得到初始随机质心,即初代粒子的个体位置;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:
令m=1,即可随机初始化第1代种群的个体位置和速度。
5.根据权利要求1所述的一种风电场升压站选址方法,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Fn,m与该个体之前的局部最佳适应度值Fn,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Fn,best和局部个体最佳位置pn,best;然后,将新的局部个体最佳适应度值Fn,best与整个种群之前的全局最佳适应度值Fg,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Fg,best和全局个体最佳位置pg,best。
7.根据权利要求1所述的一种风电场升压站选址方法,其特征在于:在步骤6)中,对步骤5)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(12)-(17)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,(xn,m+1,yn,m+1)为第m+1代个体n的坐标,(xR,n,m+1,min,yR,n,m+1,min)为个体位置到禁止区域边界的最短距离的节点坐标,M为种群规模,(xR,yR)为风电场禁选区域的二维坐标集合,(xmin,ymin)为风电场范围的最小二维坐标,(xmax,ymax)为风电场范围的最大二维坐标。
8.根据权利要求1所述的一种风电场升压站选址方法,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Fg,best和全局个体最佳位置pg,best;然后,利用全局个体最佳位置pg,best为样本重新聚类,把样本按此时的聚类结果划分为N个簇:X1,X2,…,XN,并按照步骤2)得到每个簇的三维聚类中心:pg,best1,pg,best2,…pg,bestN分别为X1,X2,…,XN的聚类中心;按照公式(16)计算适应度值,并按照公式(17)-(19)确定个体和全局最佳适应度值:
F'g,best=F(X1,pg,best1)+F(X2,pg,best2)+...+F(XN,pg,bestN) (16)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701186.9A CN111985691B (zh) | 2020-07-20 | 2020-07-20 | 一种风电场升压站选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701186.9A CN111985691B (zh) | 2020-07-20 | 2020-07-20 | 一种风电场升压站选址方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985691A true CN111985691A (zh) | 2020-11-24 |
CN111985691B CN111985691B (zh) | 2022-12-06 |
Family
ID=73437919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010701186.9A Active CN111985691B (zh) | 2020-07-20 | 2020-07-20 | 一种风电场升压站选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985691B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011029A (zh) * | 2021-03-23 | 2021-06-22 | 南京信息工程大学 | 一种高铁沿线测风站点布局优化方法 |
CN116187578A (zh) * | 2023-03-13 | 2023-05-30 | 华能新能源股份有限公司河北分公司 | 一种风电场升压站选址方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559552A (zh) * | 2013-10-16 | 2014-02-05 | 国家电网公司 | 带罚函数粒子群算法的分散式风电场微观选址系统 |
CN103996074A (zh) * | 2014-05-07 | 2014-08-20 | 河海大学 | 基于cfd和改进pso的复杂地形风电场微观选址方法 |
CN106886833A (zh) * | 2017-01-12 | 2017-06-23 | 浙江大学 | 一种适用于复杂约束条件的风力发电机选址选型优化方法 |
-
2020
- 2020-07-20 CN CN202010701186.9A patent/CN111985691B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559552A (zh) * | 2013-10-16 | 2014-02-05 | 国家电网公司 | 带罚函数粒子群算法的分散式风电场微观选址系统 |
CN103996074A (zh) * | 2014-05-07 | 2014-08-20 | 河海大学 | 基于cfd和改进pso的复杂地形风电场微观选址方法 |
CN106886833A (zh) * | 2017-01-12 | 2017-06-23 | 浙江大学 | 一种适用于复杂约束条件的风力发电机选址选型优化方法 |
Non-Patent Citations (3)
Title |
---|
苏海锋 等: "基于 GIS 空间分析与改进粒子群算法的变电站全寿命周期成本规划", 《中国电机工程学报》 * |
陈凯峥: "基于三维 GIS 的风电场升压站选址评估系统的研究与实现", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
陈浩 等: "基于差分粒子群算法的变电站选址定容规划", 《电力工程技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011029A (zh) * | 2021-03-23 | 2021-06-22 | 南京信息工程大学 | 一种高铁沿线测风站点布局优化方法 |
CN113011029B (zh) * | 2021-03-23 | 2023-05-23 | 南京信息工程大学 | 一种高铁沿线测风站点布局优化方法 |
CN116187578A (zh) * | 2023-03-13 | 2023-05-30 | 华能新能源股份有限公司河北分公司 | 一种风电场升压站选址方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111985691B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104050323B (zh) | 一种高海拔山区模糊多准则风电场选址方法 | |
CN103268572B (zh) | 一种千万千瓦级大型风电基地测风网络的微观选址方法 | |
CN111985691B (zh) | 一种风电场升压站选址方法 | |
CN107610223A (zh) | 基于LiDAR点云的电力塔三维重建方法 | |
CN106250656A (zh) | 一种结合大数据的复杂地形风电场设计平台及方法 | |
CN114372117A (zh) | 一种复杂交通网络的多尺度聚集模式分析方法 | |
CN107784380A (zh) | 一种巡检最短路径的优化方法及优化系统 | |
CN108428017A (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
CN110264002B (zh) | 基于聚类分析的风电场微观选址方案评价方法 | |
CN106407627A (zh) | 一种风速概率分布建模的方法和系统 | |
CN110929459A (zh) | 一种复杂地形风电场测风塔选址方法 | |
CN105005878B (zh) | 一种坚强智能电网的综合评估方法 | |
CN110322038B (zh) | 基于中尺度数据的风机自动排布的方法和设备 | |
CN106845559A (zh) | 顾及poi数据空间异质性的地表覆盖验证方法及系统 | |
CN111985690B (zh) | 一种风电基地升压站选址方法 | |
CN106372801A (zh) | 一种风电场风区划分方法及该风电场风区测风塔位置的选择方法 | |
CN114117702A (zh) | 基于点云的输电线路自动化逆向建模方法 | |
CN109146192A (zh) | 一种考虑风电机组运行工况的风电功率预测方法 | |
CN112052544A (zh) | 风电场集电网络设计方法、系统、存储介质及计算设备 | |
CN112700349B (zh) | 测风塔选址方法和装置 | |
CN113780459B (zh) | 一种基于空间谱系的城乡聚落类型自动识别的方法与系统 | |
CN113743659A (zh) | 一种基于成分法和马尔可夫元胞自动机的城市布局预测方法及应用 | |
Emeksiz | Multi-gen genetic programming based improved innovative model for extrapolation of wind data at high altitudes, case study: Turkey | |
CN109255361A (zh) | 一种考虑不可行区域的潮汐流能发电场机组布局方法 | |
CN113095012B (zh) | 风电场流场分区数值仿真计算结果拼接融合方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230828 Address after: Room 601, Building 6, Yard 30, Binhe Boulevard, Future Science City, Changping District, Beijing 102209 Patentee after: Mingyang Smart Energy Group Beijing Technology Co.,Ltd. Address before: 528437 No. 22 Torch Road, Torch Development Zone, Zhongshan City, Guangdong Province Patentee before: MING YANG SMART ENERGY GROUP Co.,Ltd. |
|
TR01 | Transfer of patent right |