CN111985691A - 一种风电场升压站选址方法 - Google Patents

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

一种风电场升压站选址方法

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＝C_line+C_loss+C_self+C_slope+C_road (1)

其中：

C_road＝c₂·R_i (7)

约束条件：

①升压站选址范围：

x_min≤x_i≤x_max，y_min≤y_i≤y_max (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；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为升压站馈网损耗；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；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；J_i为与升压站i连接的风机的集合；l_ij为升压站i与风机j间的线路长度；(x_i,y_i,z_i)为升压站i的实际位置坐标；(x_j,y_j,z_j)为风机j的实际位置坐标；t为升压站的折旧年限；S_i为升压站i的容量；f(S_i)为升压站i的站内设备投资费用；u(S_i)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；W_j为风机j的装机容量；R_i为升压站i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；α_ij为与风机j连接的升压站i的坡度；β_ij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；(x_min,y_min)为风电场范围的最小二维坐标；(x_max,y_max)为风电场范围的最大二维坐标；(x_R,y_R)为风电场禁选区域的二维坐标集合；

在步骤3)中，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、新建升压站个数N，迭代次数Z，风机的装机容量W_j、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：

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_N,n,m,y_N,n,m)为第m代种群中个体n的第N维坐标；

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：

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，(x_N,n,m,y_N,n,m,z_N,n,m)为第m代种群中个体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，按公式(11)更新整个种群中所有个体的速度和位置：

其中，v_n,m+1为m+1代个体m的速度，p_n,m+1为m+1代个体m的位置，v_n,m为m代个体n的速度，p_n,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，p_n,best为局部个体最佳位置，p_g,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，(x_n,m+1,y_n,m+1)为第m+1代个体n的坐标，(x_R,n,m+1,min,y_R,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，(x_R,y_R)为风电场禁选区域的二维坐标集合，(x_min,y_min)为风电场范围的最小二维坐标，(x_max,y_max)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F_g,best和全局个体最佳位置p_g,best；然后，利用全局个体最佳位置p_g,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,…,X_N，并按照步骤2)得到每个簇的三维聚类中心：p_g,best1,p_g,best2,…p_g,bestN分别为X₁,X₂,…,X_N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,p_g,best1)+F(X₂,p_g,best2)+...+F(X_N,p_g,bestN) (16)

其中，F'_g,best为重新聚类后的目标函数的总适应度值，F(X_N,p_g,best)为重新聚类后以第N个簇作为计算单位适应度值，

为重新聚类后的种群个体位置；

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F_g,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。

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，(x_N,gbest,y_N,gbest,z_N,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＝C_line+C_loss+C_self+C_slope+C_road (1)

其中：

C_road＝c₂·R_i (7)

约束条件：

①升压站选址范围：

x_min≤x_i≤x_max，y_min≤y_i≤y_max (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；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为升压站馈网损耗；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；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；J_i为与升压站i连接的风机的集合；l_ij为升压站i与风机j间的线路长度；(x_i,y_i,z_i)为升压站i的实际位置坐标；(x_j,y_j,z_j)为风机j的实际位置坐标；t为升压站的折旧年限；S_i为升压站i的容量；f(S_i)为升压站i的站内设备投资费用；u(S_i)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；W_j为风机j的装机容量；R_i为升压站i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；α_ij为与风机j连接的升压站i的坡度；β_ij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；(x_min,y_min)为风电场范围的最小二维坐标；(x_max,y_max)为风电场范围的最大二维坐标；(x_R,y_R)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W_j、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：

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_N,n,m,y_N,n,m)为第m代种群中个体n的第N维坐标。

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：

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，(x_N,n,m,y_N,n,m,z_N,n,m)为第m代种群中个体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)-(8)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)按公式(11)更新整个种群中所有个体的速度和位置：

其中，v_n,m+1为m+1代个体m的速度，p_n,m+1为m+1代个体m的位置，v_n,m为m代个体n的速度，p_n,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，(x_n,m+1,y_n,m+1)为第m+1代个体n的坐标，(x_R,n,m+1,min,y_R,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F_g,best和全局个体最佳位置p_g,best；然后，利用全局个体最佳位置p_g,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,…,X_N，并按照步骤2)得到每个簇的三维聚类中心：p_g,best1,p_g,best2,…p_g,bestN分别为X₁,X₂,…,X_N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,p_g,best1)+F(X₂,p_g,best2)+...+F(X_N,p_g,bestN) (16)

其中，F'_g,best为重新聚类后的目标函数的总适应度值，F(X_N,p_g,best)为重新聚类后以第N个簇作为计算单位适应度值，

为重新聚类后的种群个体位置。

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F_g,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。

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，(x_N,gbest,y_N,gbest,z_N,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W_j、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F_g,best和个体最佳位置p_g,best。然后，利用个体最佳位置p_g,best为样本重新聚类，把样本划分为X₁,X₂,…,X_N，并得到p_g,best1,p_g,best2,…p_g,bestN,分别为X₁,X₂,…,X_N的聚类中心点以及p_g,best1,p_g,best2,…p_g,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＝C_line+C_loss+C_self+C_slope+C_road (1)

其中：

C_road＝c₂·R_i (7)

约束条件：

①升压站选址范围：

x_min≤x_i≤x_max，y_min≤y_i≤y_max (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；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为升压站馈网损耗；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；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；J_i为与升压站i连接的风机的集合；l_ij为升压站i与风机j间的线路长度；(x_i,y_i,z_i)为升压站i的实际位置坐标；(x_j,y_j,z_j)为风机j的实际位置坐标；t为升压站的折旧年限；S_i为升压站i的容量；f(S_i)为升压站i的站内设备投资费用；u(S_i)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；W_j为风机j的装机容量；R_i为升压站i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；α_ij为与风机j连接的升压站i的坡度；β_ij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；(x_min,y_min)为风电场范围的最小二维坐标；(x_max,y_max)为风电场范围的最大二维坐标；(x_R,y_R)为风电场禁选区域的二维坐标集合；

在步骤3)中，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W_j、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：

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_N,n,m,y_N,n,m)为第m代种群中个体n的第N维坐标；

令m＝1，即可随机初始化第1代种群的个体位置和速度。

4.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：

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，(x_N,n,m,y_N,n,m,z_N,n,m)为第m代种群中个体n的实际三维坐标，M为种群规模。

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。

6.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，v_n,m+1为m+1代个体m的速度，p_n,m+1为m+1代个体m的位置，v_n,m为m代个体n的速度，p_n,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，p_n,best为局部个体最佳位置，p_g,best为全局个体最佳位置，d₁、d₂、d₃为速度权重系数。

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，(x_n,m+1,y_n,m+1)为第m+1代个体n的坐标，(x_R,n,m+1,min,y_R,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，(x_R,y_R)为风电场禁选区域的二维坐标集合，(x_min,y_min)为风电场范围的最小二维坐标，(x_max,y_max)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F_g,best和全局个体最佳位置p_g,best；然后，利用全局个体最佳位置p_g,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,…,X_N，并按照步骤2)得到每个簇的三维聚类中心：p_g,best1,p_g,best2,…p_g,bestN分别为X₁,X₂,…,X_N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,p_g,best1)+F(X₂,p_g,best2)+...+F(X_N,p_g,bestN) (16)

其中，F'_g，best为重新聚类后的目标函数的总适应度值，F(X_N,p_g，best)为重新聚类后以第N个簇作为计算单位适应度值，

为重新聚类后的种群个体位置；

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F_g,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。

9.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，(x_N,gbest,y_N,gbest,z_N,gbest)为种群全局最佳个体第N维的三维坐标。

Images