CN112052544B - 风电场集电网络设计方法、系统、存储介质及计算设备 - Google Patents
风电场集电网络设计方法、系统、存储介质及计算设备 Download PDFInfo
- Publication number
- CN112052544B CN112052544B CN202010811535.2A CN202010811535A CN112052544B CN 112052544 B CN112052544 B CN 112052544B CN 202010811535 A CN202010811535 A CN 202010811535A CN 112052544 B CN112052544 B CN 112052544B
- Authority
- CN
- China
- Prior art keywords
- fan
- booster station
- wind power
- power plant
- population
- 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
- 238000013461 design Methods 0.000 title claims abstract description 205
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000005457 optimization Methods 0.000 claims abstract description 54
- 238000011160 research Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 102
- 230000002068 genetic effect Effects 0.000 claims description 64
- 108090000623 proteins and genes Proteins 0.000 claims description 55
- 239000002245 particle Substances 0.000 claims description 25
- 238000013459 approach Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 12
- 239000012634 fragment Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012821 model calculation Methods 0.000 claims description 11
- 238000012938 design process Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 244000089409 Erythrina poeppigiana Species 0.000 claims description 3
- 235000009776 Rathbunia alamosensis Nutrition 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001568 sexual effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种风电场集电网络设计方法、系统、存储介质及计算设备,以三维风电模型作为研究场景,建立经济投资模型,充分考虑工程实际及地理限制因素,把风电场集电网络投资成本最小作为优化目标,对风电场风机使用多划分法,解决因样本划分方式不同造成集电线路设计的误差,并结合提出的一种混合算法,将风电场集电网络优化问题划分为升压站位置优化和集电线路优化这两个既相对独立、又互相影响的部分,对风电场升压站选址以及风电场集电线路进行协同优化,得到最优的升压站选址以及集电线路设计结果。本发明可有效解决风电场升压站选址和集电线路规划之间相互影响的问题,为风电场的集电网络设计提供一个更加可靠的技术方案。
Description
技术领域
本发明涉及风电场集电网络设计的技术领域,尤其是指一种风电场集电网络设计方法、系统、存储介质及计算设备。
背景技术
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,以降低项目的投资成本。而作为影响风电建设项目经济成本的重要环节风电场的集电网络设计,是工程的重点工作。风电场集电网络示例如附图1所示,集电网络将分布在风电场各个区域中的风机产生的功率输送到风电场升压站,升压站再将这些功率传输到电网。其中,各组风机经过一定方式的连接后经由馈线将功率传输到升压站。因此,风电场的集电网络设计包括风电场升压站的位置选取以及各个风机的连接方式和风机与升压站的连接方式。
风电场升压站选址的本质是以聚类为核心的多目标的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,而作为优化问题的常用解决手段之一,粒子群算法等智能优化算法也常常被广泛应用到电网规划中。以风电场升压站的经济投资成本最小作为优化目标,利用基于目标函数的聚类方法,把聚类化为一个带约束的非线性规划问题,通过智能算法优化得到最佳的数据分类及类中心,是当前解决升压站选址的常用方法之一。
风电场集电线路的设计有很多种可能的布局方式,是一个“旅行商问题(Traveling Salesman Problem)”,亦是组合优化中的一个NP-hard问题。风电场的集电线路结构主要有链形,环形和树形,这些集电线路布局方式的差异,会对风电场的前期投资和后期收益造成重大影响,而且,风电场中线路的连接方式更是集电线路设计的重点。目前,风电场集电线路优化一般是以经济性和可靠性的指标为目标函数的拓扑优化问题,常用的优化方法有两种:基于图论的最小生成树算法和以遗传算法为代表的智能算法。
一般情况下,风电场升压站的理想位置是放置在风电场的中心区域,以最大程度地减小集电网络的线路长度并优化集电网络内的损耗效率。但是,由于在确定升压站的位置时,不同的位置选取就会衍生出不同的线路设计。同时,为优化线路设计,以减小集电网络的输电线路损耗,就需要优化风电场升压站的位置选取。因此,根据风电场的规模和给定风机的位置能够衍生出成千上万种可行的风电场集电线路设计方案,从这些选择中得出最佳的设计方案是一项十分复杂的任务。风电场升压站选址以及风电场集电线路的协同优化是风电场集电网络设计的关键工作。
专利号201910433214.0的一种多维度约束风电场集电线路自动规划方法,其缺点:该方法实在升压站选址固定的情况下实施的,没有考虑到升压站的位置变化对于风电场集电线路设计的影响。
专利号CN201410701402.4的一种海上风电场汇集升压站的选址方法,其缺点:该方法仅考虑了升压站选址与风电场中各风机的直线距离关系,没有考虑到集电线路成本对于风电场升压站选址的影响。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足,提供了一种风电场集电网络设计方法,可有效解决风电场升压站选址和集电线路设计之间相互影响的问题,为风电场的集电网络设计提供一个更加可靠的技术方案。
本发明的第二目的在于提供一种风电场集电网络设计系统。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现:一种风电场集电网络设计方法,以三维风电模型作为研究场景,建立经济投资模型,充分考虑工程实际及地理限制因素,把风电场集电网络投资成本最小作为优化目标,对风电场风机使用多划分法,解决因样本划分方式不同造成集电线路设计的误差,并结合提出的一种混合算法,将风电场集电网络优化问题划分为升压站位置优化和集电线路优化这两个既相对独立、又互相影响的部分,对风电场升压站选址以及风电场集电线路进行协同优化,得到最优的升压站选址以及集电线路设计结果;其中,所述多划分法的使用为在种群位置确定时,使用不同的划分方式为聚类样本分组,解决在利用种群进行风电场升压站选址优化过程中,根据种群个体位置使用不同的划分方式出现的不同划分结果对集电线路设计造成影响,所述混合算法为粒子群算法和单亲遗传算法的结合,通过粒子群算法的种群搜索升压站的选址位置,利用单亲遗传算法优化以每一代种群的个体位置为中心的集电线路设计,得到当前种群个体的最佳集电线路设计结果,并应用这个结果结合已建立的经济投资模型,求解升压站的最佳位置,利用集电线路设计和升压站选址的不断相互优化,得到最佳的风电场集电网络设计方案。
所述的风电场集电网络设计方法,包括以下步骤:
1)建立风电场集电网络的经济投资模型;
2)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风电场升压站的搜索范围及禁选范围;
3)初始化利用粒子群算法优化风电场升压站选址的条件,包括粒子群算法的参数设置、种群位置及速度的初始化;
4)结合当前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;
5)利用当前种群的个体位置,结合单亲遗传算法进行集电线路的优化设计,计算集电线路成本,得出当前种群个体位置下的最佳集电线路成本和最佳集电线路设计结果;
6)结合步骤5)中的集电线路设计结果,将代入各个风机的坐标位置和种群个体位置,计算种群中每个个体的适应度值,并确定当前全局最佳个体位置,最佳集电线路设计结果以及全局最佳适应度值;
7)更新粒子群算法中的当前种群所有个体的速度和位置;
8)结合步骤2)所设定的风电场升压站搜索范围及禁选范围,修正步骤7)得到的新种群中所有个体的位置;
9)若迭代代数小于设定的迭代次数,则重复步骤4)-8);若迭代代数等于设定的迭代次数,则终止迭代,将当前全局最佳升压站位置及最佳集电线路设计方式作为风电场集电网络的设计方案。
在步骤1)中,所述经济投资模型包括以下内容:
a、升压站站内设备费用:由于升压站i的设备费用与升压站i本身的容量相关,而升压站i的容量取决于与升压站相连的风机的总容量,且要考虑升压站自身的折旧率及运行费用,升压站站内设备费用表述如式(1)所示:
其中,Cself为升压站站内设备费用,N为风电场新建升压站数量,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,为折算系数,r0为贴现率,t为折旧年限;
b、升压站坡度放置成本:升压站的位置选取受预选位置的坡度和这个位置与风机间的角度影响,升压站坡度放置成本的表述如式(2)所示:
其中,Cslope为升压站放置坡度成本,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,Ji为与升压站i连接的风机的集合;
c、升压站的位置选取会直接影响为升压站铺设进场道路的成本,升压站进场道路建设成本的表述如式(3)、(4)所示:
Croad=c2·Ri (3)
其中,c2为升压站进场道路建设单位平均成本,Croad为升压站进场道路建设成本,Ri为升压站i与风电场进场道路的距离;(xj,yj,zj)为风机j的实际位置坐标,(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;
d、风电场集电线路成本:集电线路的成本由线路的连接方式决定,而且必须考虑集电线路的损耗及回收问题,风电场集电线路成本的表述如式(5)-(10)所示:
其中,Ctotal为集电线路的总耗费成本,Ccable为集电线路初始投资成本,Csw为开关设备成本,CP.loss为停电造成的线路损耗成本,Cment为线路故障维修成本,Co为线路运行成本,N为新建升压站数量,K为与升压站i连接的馈线数,即风机串数,Nik为与升压站i连接的第k条馈线中输电线路的段数,cikr.type(θ)为与升压站i连接的馈线中第r段截面积为θ的线路的单位平均费用,Likr为与升压站i连接的第k条馈线中第r段线路的长度,Nsi为风机簇i中开关设备的数目,cs,r为第r个开关设备的费用,kl,ikr、clm,ikr分别为与升压站i连接的第k条馈线中第r段线路的故障率、维修费用,kl,ir、csm,ir分别为第i个风机簇中第r个开关设备的故障率、维修费用,cp为风电上网电价,kp为风电场停电概率,TMTTR为风机平均恢复时间,Pj,rate为停运风机j的额定功率,Tequal为风机年利用小时数,T为年时长,即8760h,Iikr、Rikr分别为与升压站i连接的第k条馈线中第r段线路的流过的电流、电阻;
综上,风电场集电网络优化的目标函数数学表述如下:
Min:F=Ctotal+Cself+Cslope+Croad (11)
约束条件为:
为避免升压站的选址出现在地形、坡度、洪水、地质这些地理条件不符合条件的区域或出现在林地保护区、环境敏感点、水源保护区、文物保护区这些保护区域,需要对上述区域进行区分,使选址结果不出现在上述区域,选址的修正如式(12)-(15)所示:
其中,(xn,m+1,yn,m+1)为第m+1代个体n的坐标,(xR,n,m+1,yR,n,m+1)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;
集电线路的设计应尽可能最大化该回路最大截面积的集电线所能承载的最大风机数,且不超过容量限制、风机间的布线互不交叉,其限制条件如式(16)所示:
其中,Nikj为与升压站i连接的第k条馈线中的风机j数量,Sikj为与升压站i连接的第k条馈线中的风机j的容量,Sik.max为与升压站i连接的第k条馈线的最大限制容量,Iikr、Iikr.max(θ)分别为与升压站i连接的第k条馈线中第r段线路的流过的电流、最大额定电流,ΔUikr、ΔUikr.max分别为与升压站i连接的第k条馈线中第r段线路的电压降、最大允许电压降,Lr、Ls均为风电场中任意不同的两段输电线路;表示空集;
在步骤5)中,所述集电线路设计具体流程如下:
5.1)根据第m代种群中个体n的位置以风电场风机作为聚类样本分别进行方式①:欧几里德距离和方式②:余弦相似度这两种方式的划分;这两种方式划分得到的N个风机簇分别为:
Xd=(Xd,1,Xd,2,…,Xd,i,…,Xd,N),Xc=(Xc,1,Xc,2,…,Xc,i,…,Xc,N)
其中,Xd为以方式①划分的样本分组,Xd,i为以方式①划分的样本的第i个风机簇,Xc为以方式②划分的样本分组,Xc,i为以方式②划分的样本的第i个风机簇;
5.2)以第m代种群中个体n的第i个升压站的位置(xi,n,m,yi,n,m)为聚类中心,Xd,i和Xc,i分别作为样本,i=1,2,…,N,划分Xd,i和Xc,i中的风机为K组,得到各簇中的风机分组Xd,i,k和Xc,i,k,k=1,2,…K,即与升压站i连接的馈线有K条;其中,为使风机按线性结构聚集,从而保证各组风机之间不会出现交叉的输电线路,本步骤中风机的区域划分需实现扇形的效果,形成一串串的风机分布,dikj的表示方式如下所示:
dikj=|Dik|sinaikj (17)
其中,dikj为垂直平分距离,j为风机序号,Dik为风机j与变电站i和第k个聚类中心连线线段的垂直距离,aikj为风机j与变电站i和第k个聚类中心连线线段的夹角,当aikj≥90°时,dikj=∞,dmin为距离阈值;
如式(18)所示,当Xd,i或Xc,i中的风机j与升压站i和类心k的垂直平分距离dikj小于距离阈值dmin时则归为第k串风机;
5.3)结合步骤5.2)得到的每一个风机簇内的风机串分组情况Xd,i,k和Xc,i,k,在每一个风机簇内对每一组风机串进行编号,利用单亲遗传算法对所有风机簇内的集电线路进行规划设计;
5.4)结合步骤5.3),比较两种风机簇Xd和Xc的最佳集电线路成本,得到当前升压站位置下的最优集电线路成本和集电线路设计结果;
在步骤6)中,利用步骤5)中得到的当前种群位置下的风电场集电线路最佳规划成本Fl,best,代入种群位置矢量结合公式(1)-(4)、(11)进行计算,获得第m代种群中每个个体n的适应度值Fn,m,其中n=1,2,…,M,M为种群规模,并将Fn,m与该个体之前的局部最佳适应度值Fn,best进行比较,将其中更小的适应度值和对应位置及该位置的最佳集电线路设计结果,分别作为新的个体最佳适应度值Fn,best和个体最佳位置pn,best及个体最佳位置对应的最佳集电线路设计结果An,best;然后将新的个体最佳适应度值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和个体最佳位置pg,best及最佳集电线路设计结果Ag,best;
在步骤8)中,对步骤7)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,按照式(12)-(15)修正个体的位置,从而形成第m+1代种群;
在步骤9)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4)-8);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及全局最佳集电线路设计结果Ag,best作为升压站的选址结果和集电线路设计结果,并将当前升压站选址结果及集电线路设计结果作为风电场集电网络设计最佳方案:
其中,为全局最佳个体位置,(xN,gbest,yN,gbest,zN,gbest)为全局最佳个体位置的第N维的三维坐标,Ag,best为风电场中各串风机最佳连接方式,Ai,k,g,best为与升压站i连接的第k条馈线上的风机最佳连接方式;
在步骤5.3)中,利用单亲遗传算法对风机簇内集电线路的规划设计具体流程如下:
5.3.1)初始化单亲遗传算法相关参数,设置馈线最大容量限制值、馈线最大承载风机数nmax及机数线路最大允许电流、最大允许电压降和迭代次数Z,令k=1开始迭代,1≤k≤K;
5.3.2)从第k组开始调整风机分组,判断第k组风机数nk是否超过线缆所能负载的最大风机数量nmax,若超过限制,则从第k组中随机抽取(nmax-nk)个样本到第k+1组中,若小于限制数量,则从第k+1组中随机抽取(nmax-nk)个样本到第k组中;接着开始判断第k+1组风机数n2是否超过线缆所能负载的最大风机数量nmax,若超过限制,则从第k+2组中随机抽取(nmax-nk+1)个样本到第k+1组中,若没有超过限制,则从第k+1组中随机抽取(nmax-nk+1)个样本到第k+2组中;如此类推,以逆时针方向完成样本的位置调整,并更新当前风机的分组情况;
5.3.3)采用Delaunay三角剖分对各串风机进行网格化分割,利用三角剖分使风机点形成不均匀的三角网络,以便在风机点中进行路径搜索;
5.3.4)结合步骤5.3.3)中经过三角剖分后的各串风机,利用最小生成树Prim算法生成风机到升压站的最短集电线路路径及风机的连接方式:
Ai=[Ai,1,Ai,2,...,Ai,K]T,i=1,...,N
其中,Ai,K为与升压站i连接的第K条馈线上风机的连接方式,Ai为第i个风机簇中所有风机的连接方式,N为新建升压站个数;
5.3.5)将各串风机的连接方式化作编码形式,作为单亲遗传算法的初始基因个体:
Gi=[Gi,1,Gi,2,...,Gi,K]T,i=1,...,N
其中,Gi,K为与升压站i连接的第K条馈线上风机的连接方式对应的基因片段;Gi为第i个风机簇中所有风机的连接方式对应的基因个体,N为新建升压站个数;
5.3.6)将Gi的所有基因片段结合式(5)-(10),计算当前的集电线路成本作为单亲遗传算法的适应度值Fl;
5.3.7)利用当前基因个体Gi变异生成新的基因个体,判断新的基因个体中的所有基因片段所对应的风机连接是否符合限制条件:馈线不超过容量限制、电流和电压降限制,风机间的布线互不交叉,且需要保证最大化馈线所能承载的风机数,若有基因片段不符合,则重新变异该基因片段;
5.3.8)将新的基因个体中所有基因片段结合式(5)-(10),计算当前的集电线路成本作为单亲遗传算法的适应度值,并与之前的适应度值比较,保留较小的适应度值以及和这个适应度值对应的风机连接方式作为当前最佳适应度值Fl,best和最佳风机连接方式Al,best;
5.3.9)如果迭代代数q小于设定的迭代次数Z,则令q=q+1,并且重复步骤5.3.1)-5.3.8);如果迭代代数q等于设定的迭代次数Z,则迭代终止,并将当前最佳风机连接方式作为当前升压站位置下的最佳集电线路设计结果;
5.3.10)重新调整风机分组,以步骤5.2)中的风机分组为基础,顺时针方向完成步骤5.3.2),并重复步骤5.3.3)-5.3.9);
5.2.11)重新调整风机分组,以步骤5.2)中的风机分组为基础,令k=k+1,重复步骤5.3.2)-5.3.10),直至k=K。
在步骤3)中,设置迭代次数Z,种群规模M,新建升压站个数N,风机的容量Wj、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,作为风电场集电线路设计过程的升压站位置:以风电场的所有风机作为聚类样本,根据风电场新建升压站个数,得到初始随机质心,形成初代种群位置,且种群中个体位置矢量的描述为:
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,(xN,n,m,yN,n,m)为第m代种群中个体n的第N维坐标,M为种群规模;
令m=1,即可随机初始化第1代种群的个体位置和速度。
本发明的第二目的通过下述技术方案实现:一种风电场集电网络设计系统,包括:
数据预处理模块,负责导入风电场中各个风机的坐标数据及风电场的高程点坐标数据,并向升压站选址模块和集电线路设计模块提供这些数据;
场景设定模块,负责利用风电场的高程点坐标数据建立虚拟风电场景,包括建立升压站的搜索范围、禁选范围及标记风电场进场道路的数据集,并向升压站选址模块和集电线路设计模块提供设定的场景条件;
升压站选址模块,负责利用优化算法进行风电场升压站的寻址,包括优化算法的参数设置、种群位置及速度的初始化和优化更新,并且,升压站选址模块向集电线路设计模块提供种群的位置信息作为集电线路设计的条件,以及将集电线路设计模块的处理结果作为升压站选址模块优化选址的指标之一;
集电线路设计模块,负责结合升压站选址模块中的种群位置信息及数据预处理模块中风机的位置信息,进行风电场集电线路设计,并将集电线路设计结果提供给升压站选址模块,作为升压站选址模块优化选址的指标之一;
模型计算模块,负责建立风电场集电网络的经济投资模型,包括升压站投资成本和集电线路投资成本,并结合升压站选址模块中算法的种群位置信息和集电线路设计模块中得到的集电线路设计结果计算风电场集电网络的经济投资成本;
迭代模块,负责对升压站选址模块、集电线路设计模块及模型计算模块的优化过程进行迭代,并将升压站选址模块中算法的每一代种群位置对应的风电场集电网络投资成本进行对比,选出最佳的升压站位置及集电线路设计方式,作为风电场集电网络的设计方案。
所述升压站选址模块执行如下操作:
初始化利用粒子群算法优化风电场升压站选址的条件:设置迭代次数Z,种群规模M,新建升压站个数N,风机的容量Wj、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,以风电场的所有风机作为聚类样本,根据风电场新建升压站个数,得到初始随机质心,形成初代种群位置作为风电场集电线路设计过程的升压站位置;
对当前种群的所有个体位置进行更新、修正,及结合场景设定模块中的高程点坐标数据确定种群的三维坐标,形成新一代的种群;
所述集电线路设计模块执行如下操作:
1)根据第m代种群中个体n的位置以风电场风机作为聚类样本分别进行方式①:欧几里德距离和方式②:余弦相似度这两种方式的划分;得到两种方式划分的N个风机簇:
Xd=(Xd,1,Xd,2,…,Xd,i,…,Xd,N),Xc=(Xc,1,Xc,2,…,Xc,i,…,Xc,N)
其中,Xd为以方式①划分的样本分组,Xd,i为以方式①划分的样本的第i个风机簇,Xc为以方式②划分的样本分组,Xc,i为以方式②划分的样本的第i个风机簇,N为新建升压站个数;
2)以第m代种群中个体n的第i个升压站的位置(xi,n,m,yi,n,m)为聚类中心,Xd,i和Xc,i分别作为样本i=1,2,…,N,划分Xd,i和Xc,i中的风机为K组,得到各簇中的风机分组Xd,i,k和Xc,i,k,k=1,2,…K,即与升压站i连接的馈线有K条;其中,为使风机按线性结构聚集,从而保证各组风机之间不会出现交叉的输电线路,本步骤中风机的区域划分需实现扇形的效果,形成一串串的风机分布;
3)结合步骤2)得到的每一个风机簇内的风机串分组情况Xd,i,k和Xc,i,k,在每一个风机簇内对每一组风机串进行编号,利用单亲遗传算法对所有风机簇内的集电线路进行规划设计:
3.1)初始化单亲遗传算法相关参数,设置馈线最大容量限制值、馈线最大承载风机数nmax及机数线路最大允许电流、最大允许电压降和迭代次数Z,令k=1开始迭代,1≤k≤K;
3.2)从第k组开始调整风机分组,判断第k组风机数nk是否超过线缆所能负载的最大风机数量nmax,若超过限制,则从第k组中随机抽取(nmax-nk)个样本到第k+1组中,若小于限制数量,则从第k+1组中随机抽取(nmax-nk)个样本到第k组中;接着开始判断第k+1组风机数n2是否超过线缆所能负载的最大风机数量nmax,若超过限制,则从第k+2组中随机抽取(nmax-nk+1)个样本到第k+1组中,若没有超过限制,则从第k+1组中随机抽取(nmax-nk+1)个样本到第k+2组中;如此类推,以逆时针方向完成样本的位置调整,并更新当前风机的分组情况;
3.3)采用Delaunay三角剖分对各串风机进行网格化分割,利用三角剖分使风机点形成不均匀的三角网络,以便在风机点中进行路径搜索;
3.4)结合步骤3.3)中经过三角剖分后的各串风机,利用最小生成树Prim算法生成风机到升压站的最短集电线路路径及风机的连接方式:
Ai=[Ai,1,Ai,2,...,Ai,K]T,i=1,...,N
其中,Ai,K为与升压站i连接的第K条馈线上风机的连接方式,Ai为第i个风机簇中所有风机的连接方式;
3.5)将各串风机的连接方式化作编码形式,作为单亲遗传算法的初始基因个体:
Gi=[Gi,1,Gi,2,...,Gi,K]T,i=1,...,N
其中,Gi,K为与升压站i连接的第K条馈线上风机的连接方式对应的基因片段;Gi为第i个风机簇中所有风机的连接方式对应的基因个体;
3.6)计算当前的集电线路成本作为单亲遗传算法的适应度值Fl;
3.7)利用当前基因个体Gi变异生成新的基因个体,判断新的基因个体中的所有基因片段所对应的风机连接是否符合限制条件:是否最大化馈线所能承载的风机数,且不超过容量限制、电流和电压降限制,风机间的布线互不交叉;若有基因片段不符合,则重新变异该基因片段;
3.10)重新调整风机分组,以步骤3.2)中的风机分组为基础,顺时针方向完成步骤3.2),并重复步骤3.3)-3.9);
3.11)重新调整风机分组,以步骤3.2)中的风机分组为基础,令k=k+1,重复步骤3.2)-3.10),直至k=K;
所述模型计算模块执行如下操作:
建立风电场集电网络设计的经济投资模型;
结合经济投资模型中的集电线路设计部分,计算集电线路设计模块中利用单亲遗传算法进行集电线路设计过程中的基因个体对应的集电线路成本Fl;
结合经济投资模型中的升压站选址部分,以及计算得到的集电线路成本,计算第m代种群中每个个体n的适应度值Fn,m,即风电场集电网络的设计成本;
所述迭代模块执行以下操作:
将单亲遗传算法中基因个体的适应度值保存,并与之前的适应度值比较,保留较小的适应度值以及和这个适应度值对应的风机连接方式作为当前最佳适应度值Fl,best和最佳风机连接方式Al,best;并使单亲遗传算法进性迭代运作:如果迭代代数q小于设定的迭代次数Z,则令q=q+1;如果迭代代数q等于设定的迭代次数Z,则迭代终止,并将当前最佳风机连接方式作为当前升压站位置下的最佳集电线路设计结果;
将第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,将其中更小的适应度值和对应位置及该位置的最佳集电线路设计结果,分别作为新的个体最佳适应度值Fn,best和个体最佳位置pn,best及个体最佳位置对应的最佳集电线路设计结果An,best;然后将新的个体最佳适应度值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和个体最佳位置pg,best及最佳集电线路设计结果Ag,best;并使粒子群算法进行迭代运作:如果迭代代数m小于设定的迭代次数Z,则令m=m+1;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及全局最佳集电线路设计结果Ag,best作为升压站的选址结果和集电线路设计结果,并将当前升压站选址结果及集电线路设计结果作为风电场集电网络设计最佳方案。
本发明的第三目的通过下述技术方案实现:一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的风电场集电网络设计方法。
本发明的第四目的通过下述技术方案实现:一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的风电场集电网络设计方法。
本发明与现有技术相比,具有如下优点与有益效果:
1、集电线路设计和升压站选址的不断相互优化,使风电场集电网络设计方案更加精准。
2、使用不同的划分方式为聚类样本分组,解决在利用种群进行风电场升压站选址优化过程中,根据种群个体位置使用不同的划分方式出现的不同划分结果对集电线路设计造成影响的问题,使集电线路的规划结果更加可靠。
3、通过升压站各条馈线上的风机分组情况的动态调整,充分考虑各种情况下的集电线路设计方案并进行方案比较,使集电线路的规划方案更加可靠。
附图说明
图1为风电场集电网络示例图。
图2为风机簇聚类原则示意图。
图3为风机串分组效果示例图。
图4为三角剖分效果示例图。
图5为最小生成树效果示例图。
图6为风机的连接过程示例图。
图7为本发明方法的逻辑流程图。
图8为风电场集电线路设计流程图。
图9为风电场集电网络设计系统架构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
如图7所示,本实施例公开了一种风电场集电网络设计方法,以三维风电模型作为研究场景,建立经济投资模型,充分考虑工程实际及地理限制因素,把风电场集电网络投资成本最小作为优化目标,对风电场风机使用多划分法,解决因样本划分方式不同造成集电线路设计的误差,并结合提出的一种混合算法,将风电场集电网络优化问题划分为升压站位置优化和集电线路优化这两个既相对独立、又互相影响的部分,对风电场升压站选址以及风电场集电线路进行协同优化,得到最优的升压站选址以及集电线路设计结果。其中,所述多划分法的使用为在种群位置确定时,使用不同的划分方式为聚类样本分组,解决在利用种群进行风电场升压站选址优化过程中,根据种群个体位置使用不同的划分方式出现的不同划分结果对集电线路设计造成影响,所述混合算法为粒子群算法和单亲遗传算法的结合,通过粒子群算法的种群搜索升压站的选址位置,利用单亲遗传算法优化以每一代种群的个体位置为中心的集电线路设计,得到当前种群个体的最佳集电线路设计结果,并应用这个结果结合已建立的经济投资模型,求解升压站的最佳位置,利用集电线路设计和升压站选址的不断相互优化,得到最佳的风电场集电网络设计方案。
本实施例上述的风电场集电网络设计方法,具体执行以下步骤:
1)建立风电场集电网络的经济投资模型,包括以下内容:
a、升压站站内设备费用:由于升压站i的设备费用与升压站i本身的容量相关,而升压站i的容量取决于与升压站相连的风机的总容量,且要考虑升压站自身的折旧率及运行费用,升压站站内设备费用表述如式(1)所示:
其中,Cself为升压站站内设备费用,N为风电场新建升压站数量,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,为折算系数,r0为贴现率,t为折旧年限;
b、升压站坡度放置成本:升压站的位置选取受预选位置的坡度和这个位置与风机间的角度影响,升压站坡度放置成本的表述如式(2)所示:
其中,Cslope为升压站放置坡度成本,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,Ji为与升压站i连接的风机的集合;
c、升压站的位置选取会直接影响为升压站铺设进场道路的成本,升压站进场道路建设成本的表述如式(3)、(4)所示:
Croad=c2·Ri (3)
其中,c2为升压站进场道路建设单位平均成本,Croad为升压站进场道路建设成本,Ri为升压站i与风电场进场道路的距离;(xj,yj,zj)为风机j的实际位置坐标,(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;
d、风电场集电线路成本:集电线路的成本由线路的连接方式决定,而且必须考虑集电线路的损耗及回收问题,风电场集电线路成本的表述如式(5)-(10)所示:
其中,Ctotal为集电线路的总耗费成本,Ccable为集电线路初始投资成本,Csw为开关设备成本,CP.loss为停电造成的线路损耗成本,Cment为线路故障维修成本,Co为线路运行成本,N为新建升压站数量,K为与升压站i连接的馈线数,即风机串数,Nik为与升压站i连接的第k条馈线中输电线路的段数,cikr.type(θ)为与升压站i连接的馈线中第r段截面积为θ的线路的单位平均费用,Likr为与升压站i连接的第k条馈线中第r段线路的长度,Nis为风机簇i中开关设备的数目,cs,r为第r个开关设备的费用,kl,ikr、clm,ikr分别为与升压站i连接的第k条馈线中第r段线路的故障率、维修费用,kl,ir、csm,ir分别为第i个风机簇中第r个开关设备的故障率、维修费用,cp为风电上网电价,kp为风电场停电概率,TMTTR为风机平均恢复时间,Pj,rate为停运风机j的额定功率,Tequal为风机年利用小时数,T为年时长,即8760h,Iikr、Rikr分别为与升压站i连接的第k条馈线中第r段线路的流过的电流、电阻;
综上,风电场集电网络优化的目标函数数学表述如下:
Min:F=Ctotal+Cself+Cslope+Croad (11)
约束条件为:
为避免升压站的选址出现在地形、坡度、洪水、地质这些地理条件不符合条件的区域或出现在林地保护区、环境敏感点、水源保护区、文物保护区这些保护区域,需要对上述区域进行区分,使选址结果不出现在上述区域,选址的修正如式(12)-(15)所示:
其中,(xn,m+1,yn,m+1)为第m+1代个体n的坐标,(xR,n,m+1,yR,n,m+1)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;
集电线路的设计应尽可能最大化该回路最大截面积的集电线所能承载的最大风机数,且不超过容量限制、风机间的布线互不交叉,其限制条件如式(16)所示:
其中,Nikj为与升压站i连接的第k条馈线中的风机j数量,Sikj为与升压站i连接的第k条馈线中的风机j的容量,Sik.max为与升压站i连接的第k条馈线的最大限制容量,Iikr、Iikr.max(θ)分别为与升压站i连接的第k条馈线中第r段线路的流过的电流、最大额定电流,ΔUikr、ΔUikr.max分别为与升压站i连接的第k条馈线中第r段线路的电压降、最大允许电压降,Lr、Ls均为风电场中任意不同的两段输电线路,表示空集。
2)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风电场升压站的搜索范围及禁选范围。
3)设置迭代次数Z,种群规模M,新建升压站个数N,风机的容量Wj、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,作为风电场集电线路设计过程的升压站位置:以风电场的所有风机作为聚类样本,根据风电场新建升压站个数,得到初始随机质心,形成初代种群位置,且种群中个体位置矢量的描述为:
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,(xN,n,m,yN,n,m)为第m代种群中个体n的第N维坐标,M为种群规模;
令m=1,即可随机初始化第1代种群的个体位置和速度。
4)结合当前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。
5)利用当前种群的个体位置,结合单亲遗传算法进行集电线路的优化设计,计算集电线路成本,得出当前种群个体位置下的最佳集电线路成本和最佳集电线路设计结果。其中,集电线路设计的流程如图8所示,具体如下:
5.1)根据第m代种群中个体n的位置以风电场风机作为聚类样本分别进行方式①:欧几里德距离和方式②:余弦相似度这两种方式的划分;这两种方式划分得到的N个风机簇分别为:
Xd=(Xd,1,Xd,2,…,Xd,i,…,Xd,N),Xc=(Xc,1,Xc,2,…,Xc,i,…,Xc,N)
其中,Xd为以方式①划分的样本分组,Xd,i为以方式①划分的样本的第i个风机簇,Xc为以方式②划分的样本分组,Xc,i为以方式②划分的样本的第i个风机簇,N为新建升压站个数。
5.2)以第m代种群中个体n的第i个升压站的位置(xi,n,m,yi,n,m)为聚类中心,Xd,i和Xc,i分别作为样本(i=1,2,…,N),划分Xd,i和Xc,i中的风机为K组,得到各簇中的风机分组Xd,i,k和Xc,i,k(k=1,2,…K),即与升压站i连接的馈线有K条;其中,为使风机按线性结构聚集,从而保证各组风机之间不会出现交叉的输电线路,本步骤中风机的区域划分需实现扇形的效果,形成一串串的风机分布,dikj的表示方式如附图2所示,划分效果示例如附图3所示,划分原则如式(17)、(18)所示:
dikj=|Dik|sinaikj (17)
其中,dikj为垂直平分距离,j为风机序号,Dik为风机j与变电站i和第k个聚类中心连线线段的垂直距离,aikj为风机j与变电站i和第k个聚类中心连线线段的夹角,当aikj≥90°时,dikj=∞,dmin为距离阈值。
如附图2所示,当Xd,i或Xc,i中的风机j与升压站i和类心k的垂直平分距离dikj小于距离阈值dmin时则归为第k串风机。
5.3)如附图3所示,图为风电场中以某种方式划分的升压站i为中心的一个风机簇,将附图3中的风机簇分为K组,呈扇形分布,且对每一组进行编号。结合单亲遗传算法对风机簇内的集电线路进行规划设计,具体如下;
5.3.1)初始化单亲遗传算法的相关参数,设置馈线最大容量限制值、馈线最大承载风机数nmax,机数线路最大允许电流、最大允许电压降等相关参数、迭代次数Z,令k=1(1≤k≤K)开始迭代。
5.3.2)从第k组开始调整风机分组,判断第k组风机数nk是否超过线缆所能负载的最大风机数量nmax,若超过限制,则从第k组中随机抽取(nmax-nk)个样本到第k+1组中,若小于限制数量,则从第k+1组中随机抽取(nmax-nk)个样本到第k组中;接着开始判断第k+1组风机数n2是否超过线缆所能负载的最大风机数量nmax,若超过限制,则从第k+2组中随机抽取(nmax-nk+1)个样本到第k+1组中,若没有超过限制,则从第k+1组中随机抽取(nmax-nk+1)个样本到第k+2组中;如此类推,以逆时针方向完成样本的位置调整,并更新当前风机的分组情况;
5.3.3)采用Delaunay三角剖分对各串风机进行网格化分割,三角剖分效果示例如附图4所示,利用三角剖分使风机点形成不均匀的三角网络,以便在风机点中进行路径搜索;
5.3.4)结合步骤5.3.3)中经过三角剖分后的各串风机,利用最小生成树Prim算法生成风机到升压站的最短集电线路路径及风机的连接方式:
Ai=[Ai,1,Ai,2,...,Ai,K]T,i=1,...,N
其中,Ai,K为与升压站i连接的第K条馈线上风机的连接方式,Ai为第i个风机簇中所有风机的连接方式,N为新建升压站个数,且最小生成树效果如附图5所示;
风机的连接过程示例如附图6所示,Pi为变电站、18为风机的排列序号,每两个基因片段为一对,表示变电站Pi与第18号风机相连,以此类推,18号风机与16号风机相连、12号风机与15号风机相连等。依次顺序进行,直至每个簇内的所有风机完成连接。
5.3.5)将各串风机的连接方式化作编码形式,作为单亲遗传算法的初始基因个体:
Gi=[Gi,1,Gi,2,...,Gi,K]T,i=1,...,N
其中,Gi,K为与升压站i连接的第K条馈线上风机的连接方式对应的基因片段;Gi为第i个风机簇中所有风机的连接方式对应的基因个体,N为新建升压站个数。
5.3.6)将Gi的所有基因片段结合式(5)-(10),计算当前的集电线路成本作为单亲遗传算法的适应度值Fl;
5.3.7)利用当前基因个体Gi(i=1,2,…,N)变异生成新的基因个体。判断新的基因个体中的所有基因片段所对应的风机连接是否符合公式(16)的条件:馈线不超过容量限制、电流和电压降限制,风机间的布线互不交叉。且需要保证最大化馈线所能承载的风机数。若有基因片段不符合,则重新变异该基因片段;
5.3.8)将新的基因个体中所有基因片段结合式(5)-(10),计算当前的集电线路成本作为单亲遗传算法的适应度值,并与之前的适应度值比较,保留较小的适应度值以及和这个适应度值对应的风机连接方式作为当前最佳适应度值Fl,best和最佳风机连接方式Al,best;
5.3.9)如果迭代代数q小于设定的迭代次数Z,则令q=q+1,并且重复步骤5.3.1)-5.3.8);如果迭代代数q等于设定的迭代次数Z,则迭代终止,并将当前最佳风机连接方式作为当前升压站位置下的最佳集电线路设计结果。
5.3.10):重新调整风机分组,以附图3中的风机分组为基础,顺时针方向完成步骤5.3.2),并重复步骤5.3.3)-5.3.9);
5.3.11):重新调整风机分组,以附图3中的风机分组为基础,令k=k+1,重复步骤5.3.2)-5.3.10),直至k=K。
5.4)结合步骤5.3),比较两种风机簇Xd和Xc的最佳集电线路成本,得到当前升压站位置下的最优集电线路成本和集电线路设计结果。
6)利用步骤5)中得到的当前种群位置下的风电场集电线路最佳规划成本Fl,best,代入种群位置矢量结合公式(1)-(4)、(11)进行计算,获得第m代种群中每个个体n的适应度值Fn,m,其中n=1,2,…,M,M为种群规模,并将Fn,m与该个体之前的局部最佳适应度值Fn,best进行比较,将其中更小的适应度值和对应位置及该位置的最佳集电线路设计结果,分别作为新的个体最佳适应度值Fn,best和个体最佳位置pn,best及个体最佳位置对应的最佳集电线路设计结果An,best;然后将新的个体最佳适应度值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和个体最佳位置pg,best及最佳集电线路设计结果Ag,best。
7)更新粒子群算法中的当前种群所有个体的速度和位置。
8)结合步骤2)所设定的风电场升压站搜索范围及禁选范围,修正步骤7)得到的新种群中所有个体的位置。
9)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4)-8);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及全局最佳集电线路设计结果Ag,best作为升压站的选址结果和集电线路设计结果,并将当前升压站选址结果及集电线路设计结果作为风电场集电网络设计最佳方案:
其中,为全局最佳个体位置,(xN,gbest,yN,gbest,zN,gbest)为全局最佳个体位置的第N维的三维坐标,Ag,best为风电场中各串风机最佳连接方式,Ai,k,g,best为与升压站i连接的第k条馈线上的风机最佳连接方式。
本实施例也公开了一种风电场集电网络设计系统,如图9所示,包括:
数据预处理模块,负责导入风电场中各个风机的坐标数据及风电场的高程点坐标数据,并向升压站选址模块和集电线路设计模块提供这些数据;
场景设定模块,负责利用风电场的高程点坐标数据建立虚拟风电场景,包括建立升压站的搜索范围、禁选范围及标记风电场进场道路的数据集,并向升压站选址模块和集电线路设计模块提供设定的场景条件;
升压站选址模块,负责利用优化算法进行风电场升压站的寻址,包括优化算法的参数设置、种群位置及速度的初始化和优化更新,并且,升压站选址模块向集电线路设计模块提供种群的位置信息作为集电线路设计的条件,以及将集电线路设计模块的处理结果作为升压站选址模块优化选址的指标之一;
集电线路设计模块,负责结合升压站选址模块中的种群位置信息及数据预处理模块中风机的位置信息,进行风电场集电线路设计,并将集电线路设计结果提供给升压站选址模块,作为升压站选址模块优化选址的指标之一;
模型计算模块,负责建立风电场集电网络的经济投资模型,包括升压站投资成本和集电线路投资成本,并结合升压站选址模块中算法的种群位置信息和集电线路设计模块中得到的集电线路设计结果计算风电场集电网络的经济投资成本;
迭代模块,负责对升压站选址模块、集电线路设计模块及模型计算模块的优化过程进行迭代,并将升压站选址模块中算法的每一代种群位置对应的风电场集电网络投资成本进行对比,选出最佳的升压站位置及集电线路设计方式,作为风电场集电网络的设计方案。
所述升压站选址模块具体执行如下操作:
初始化利用粒子群算法优化风电场升压站选址的条件:设置迭代次数Z,种群规模M,新建升压站个数N,风机的容量Wj、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,以风电场的所有风机作为聚类样本,根据风电场新建升压站个数,得到初始随机质心,形成初代种群位置作为风电场集电线路设计过程的升压站位置;
对当前种群的所有个体位置进行更新、修正,及结合场景设定模块中的高程点坐标数据确定种群的三维坐标,形成新一代的种群。
所述集电线路设计模块具体执行如下操作:
1)根据第m代种群中个体n的位置以风电场风机作为聚类样本分别进行方式①:欧几里德距离和方式②:余弦相似度这两种方式的划分;得到两种方式划分的N个风机簇:
Xd=(Xd,1,Xd,2,…,Xd,i,…,Xd,N),Xc=(Xc,1,Xc,2,…,Xc,i,…,Xc,N)
其中,Xd为以方式①划分的样本分组,Xd,i为以方式①划分的样本的第i个风机簇,Xc为以方式②划分的样本分组,Xc,i为以方式②划分的样本的第i个风机簇,N为新建升压站个数;
2)以第m代种群中个体n的第i个升压站的位置(xi,n,m,yi,n,m)为聚类中心,Xd,i和Xc,i分别作为样本i=1,2,…,N,划分Xd,i和Xc,i中的风机为K组,得到各簇中的风机分组Xd,i,k和Xc,i,k,k=1,2,…K,即与升压站i连接的馈线有K条;其中,为使风机按线性结构聚集,从而保证各组风机之间不会出现交叉的输电线路,本步骤中风机的区域划分需实现扇形的效果,形成一串串的风机分布;
3)结合步骤2)得到的每一个风机簇内的风机串分组情况Xd,i,k和Xc,i,k,在每一个风机簇内对每一组风机串进行编号,利用单亲遗传算法对所有风机簇内的集电线路进行规划设计:
3.1)初始化单亲遗传算法相关参数,设置馈线最大容量限制值、馈线最大承载风机数nmax及机数线路最大允许电流、最大允许电压降和迭代次数Z,令k=1开始迭代,1≤k≤K;
3.2)从第k组开始调整风机分组,判断第k组风机数nk是否超过线缆所能负载的最大风机数量nmax,若超过限制,则从第k组中随机抽取(nmax-nk)个样本到第k+1组中,若小于限制数量,则从第k+1组中随机抽取(nmax-nk)个样本到第k组中;接着开始判断第k+1组风机数n2是否超过线缆所能负载的最大风机数量nmax,若超过限制,则从第k+2组中随机抽取(nmax-nk+1)个样本到第k+1组中,若没有超过限制,则从第k+1组中随机抽取(nmax-nk+1)个样本到第k+2组中;如此类推,以逆时针方向完成样本的位置调整,并更新当前风机的分组情况;
3.3)采用Delaunay三角剖分对各串风机进行网格化分割,利用三角剖分使风机点形成不均匀的三角网络,以便在风机点中进行路径搜索;
3.4)结合步骤3.3)中经过三角剖分后的各串风机,利用最小生成树Prim算法生成风机到升压站的最短集电线路路径及风机的连接方式:
Ai=[Ai,1,Ai,2,...,Ai,K]T,i=1,...,N
其中,Ai,K为与升压站i连接的第K条馈线上风机的连接方式,Ai为第i个风机簇中所有风机的连接方式;
3.5)将各串风机的连接方式化作编码形式,作为单亲遗传算法的初始基因个体:
Gi=[Gi,1,Gi,2,...,Gi,K]T,i=1,...,N
其中,Gi,K为与升压站i连接的第K条馈线上风机的连接方式对应的基因片段;Gi为第i个风机簇中所有风机的连接方式对应的基因个体;
3.6)计算当前的集电线路成本作为单亲遗传算法的适应度值Fl;
3.7)利用当前基因个体Gi(i=1,2,…,N)变异生成新的基因个体。判断新的基因个体中的所有基因片段所对应的风机连接是否符合限制条件:是否最大化馈线所能承载的风机数,且不超过容量限制、电流和电压降限制,风机间的布线互不交叉。若有基因片段不符合,则重新变异该基因片段;
3.10)重新调整风机分组,以步骤3.2)中的风机分组为基础,顺时针方向完成步骤3.2),并重复步骤3.3)-3.9);
3.11)重新调整风机分组,以步骤3.2)中的风机分组为基础,令k=k+1,重复步骤3.2)-3.10),直至k=K。
所述模型计算模块执行如下操作:
建立风电场集电网络设计的经济投资模型;
结合经济投资模型中的集电线路设计部分,计算集电线路设计模块中利用单亲遗传算法进行集电线路设计过程中的基因个体对应的集电线路成本Fl;
结合经济投资模型中的升压站选址部分,以及计算得到的集电线路成本,计算第m代种群中每个个体n的适应度值Fn,m,即风电场集电网络的设计成本。
所述迭代模块执行以下操作:
将单亲遗传算法中基因个体的适应度值保存,并与之前的适应度值比较,保留较小的适应度值以及和这个适应度值对应的风机连接方式作为当前最佳适应度值Fl,best和最佳风机连接方式Al,best;并使单亲遗传算法进性迭代运作:如果迭代代数q小于设定的迭代次数Z,则令q=q+1;如果迭代代数q等于设定的迭代次数Z,则迭代终止,并将当前最佳风机连接方式作为当前升压站位置下的最佳集电线路设计结果;
将第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,将其中更小的适应度值和对应位置及该位置的最佳集电线路设计结果,分别作为新的个体最佳适应度值Fn,best和个体最佳位置pn,best及个体最佳位置对应的最佳集电线路设计结果An,best;然后将新的个体最佳适应度值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和个体最佳位置pg,best及最佳集电线路设计结果Ag,best;并使粒子群算法进行迭代运作:如果迭代代数m小于设定的迭代次数Z,则令m=m+1;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及全局最佳集电线路设计结果Ag,best作为升压站的选址结果和集电线路设计结果,并将当前升压站选址结果及集电线路设计结果作为风电场集电网络设计最佳方案。
结合上述的风电场集电网络设计方法及系统,在实际操作时,对任意一大型风电场,其集电网络优化设计步骤如下:
1)利用该系统的数据预处理模块,导入风电场中各个风电机组的三维坐标数据以及风电场高程点坐标数。
2)利用该系统的场景设定模块构建三维风电场的场景,建立风电场升压站的搜索范围和禁选范围,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,使升压站的选址出现在合理区域,并标记风电场进场道路的数据。
3)利用该系统的升压站选址模块开始风电场升压站选址流程,包括:初始化利用粒子群算法优化风电场升压站选址的条件,以风电场集电网络投资成本最小作为优化目标,设置种群规模M、新建升压站个数N,迭代次数Z,各风机容量Wj、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,并初始化粒子群算法的第1代种群,其中粒子群算法的种群位置表示风电场升压站的位置。
4)利用该系统的集电线路设计模块,结合升压站选址模块生成的粒子群算法的种群位置和单亲遗传算法以及公式(5)-(10)、(16)进行集电线路的优化设计,得出当前种群个体位置下的最佳集电线路成本和最佳集电线路设计结果。
5)利用该系统的模型计算模块,结合升压站选址模块中得到的算法中的种群位置,集电线路设计模块中得到的集电线路设计结果以及公式(1)-(4)、(11),计算当前种群位置下的适应度值并确定全局最佳适应度值和种群的最佳个体位置及该位置对应的最佳集电线路设计结果。
6)利用该系统的升压站选址模块对粒子群算法的种群的位置和速度进行更新,形成新一代的种群,并结合公式(12)-(15)对新一代的种群的位置进行修正。
7)利用该系统的迭代模块,对升压站选址模块、集电线路设计模块及模型计算模块的优化过程进行迭代,如果迭代代数m小于设定的迭代次数Z,则令m=m+1,且重复步骤4)-6),并将升压站选址模块中算法的每一代种群位置对应的风电场集电网络投资成本进行对比,选出最佳的升压站位置及集电线路设计方式,作为风电场集电网络的设计方案。
实施例2
本实施例公开了一种存储介质,存储有程序,所述程序被处理器执行时,实现实施例1所述的风电场集电网络设计方法。
本实施例中的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、U盘、移动硬盘等介质。
实施例3
本实施例公开了一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现实施例1所述的风电场集电网络设计方法。
本实施例中所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑、可编程逻辑控制器(PLC,Programmable Logic Controller)、或其它具有处理器功能的终端设备。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种风电场集电网络设计方法,其特征在于:以三维风电模型作为研究场景,建立经济投资模型,充分考虑工程实际及地理限制因素,把风电场集电网络投资成本最小作为优化目标,对风电场风机使用多划分法,解决因样本划分方式不同造成集电线路设计的误差,并结合提出的一种混合算法,将风电场集电网络优化问题划分为升压站位置优化和集电线路优化这两个既相对独立、又互相影响的部分,对风电场升压站选址以及风电场集电线路进行协同优化,得到最优的升压站选址以及集电线路设计结果;其中,所述多划分法的使用为在种群位置确定时,使用不同的划分方式为聚类样本分组,解决在利用种群进行风电场升压站选址优化过程中,根据种群个体位置使用不同的划分方式出现的不同划分结果对集电线路设计造成影响,所述混合算法为粒子群算法和单亲遗传算法的结合,通过粒子群算法的种群搜索升压站的选址位置,利用单亲遗传算法优化以每一代种群的个体位置为中心的集电线路设计,得到当前种群个体的最佳集电线路设计结果,并应用这个结果结合已建立的经济投资模型,求解升压站的最佳位置,利用集电线路设计和升压站选址的不断相互优化,得到最佳的风电场集电网络设计方案;包括以下步骤:
1)建立风电场集电网络的经济投资模型;
所述经济投资模型包括以下内容:
a、升压站站内设备费用:由于升压站i的设备费用与升压站i本身的容量相关,而升压站i的容量取决于与升压站相连的风机的总容量,且要考虑升压站自身的折旧率及运行费用,升压站站内设备费用表述如式(1)所示:
其中,Cself为升压站站内设备费用,N为风电场新建升压站数量,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,为折算系数,r0为贴现率,t为折旧年限;
b、升压站坡度放置成本:升压站的位置选取受预选位置的坡度和这个位置与风机间的角度影响,升压站坡度放置成本的表述如式(2)所示:
其中,Cslope为升压站放置坡度成本,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,Ji为与升压站i连接的风机的集合;
c、升压站的位置选取会直接影响为升压站铺设进场道路的成本,升压站进场道路建设成本的表述如式(3)、(4)所示:
Croad=c2·Ri (3)
其中,c2为升压站道路建设单位平均成本,Croad为升压站进场道路建设成本,Ri为升压站i与风电场进场道路的距离;(xj,yj,zj)为风机j的实际位置坐标,(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;
d、风电场集电线路成本:集电线路的成本由线路的连接方式决定,而且必须考虑集电线路的损耗及回收问题,风电场集电线路成本的表述如式(5)-(10)所示:
其中,Ctotal为集电线路的总耗费成本,Ccable为集电线路初始投资成本,Csw为开关设备成本,CP.loss为停电造成的线路损耗成本,Cment为线路故障维修成本,Co为线路运行成本,N为新建升压站数量,K为与升压站i连接的馈线数,即风机串数,Nik为与升压站i连接的第k条馈线中输电线路的段数,cikr.type(θ)为与升压站i连接的馈线中第r段截面积为θ的线路的单位平均费用,Likr为与升压站i连接的第k条馈线中第r段线路的长度,Nsi为风机簇i中开关设备的数目,cs,r为第r个开关设备的费用,kl,ikr、clm,ikr分别为与升压站i连接的第k条馈线中第r段线路的故障率、维修费用,kl,ir、csm,ir分别为第i个风机簇中第r个开关设备的故障率、维修费用,cp为风电上网电价,kp为风电场停电概率,TMTTR为风机平均恢复时间,Pj,rate为停运风机j的额定功率,Tequal为风机年利用小时数,T为年时长,即8760h,Iikr、Rikr分别为与升压站i连接的第k条馈线中第r段线路的流过的电流、电阻;
综上,风电场集电网络优化的目标函数数学表述如下:
Min:F=Ctotal+Cself+Cslope+Croad (11)
约束条件为:
为避免升压站的选址出现在地形、坡度、洪水、地质这些地理条件不符合条件的区域或出现在林地保护区、环境敏感点、水源保护区、文物保护区这些保护区域,需要对上述区域进行区分,使选址结果不出现在上述区域,选址的修正如式(12)-(15)所示:
其中,(xn,m+1,yn,m+1)为第m+1代个体n的坐标,(xR,n,m+1,yR,n,m+1)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;
集电线路的设计应尽可能最大化回路最大截面积的集电线所能承载的最大风机数,且不超过容量限制、风机间的布线互不交叉,其限制条件如式(16)所示:
其中,Nikj为与升压站i连接的第k条馈线中的风机j数量,Sikj为与升压站i连接的第k条馈线中的风机j的容量,Sik.max为与升压站i连接的第k条馈线的最大限制容量,Iikr、Iikr.max(θ)分别为与升压站i连接的第k条馈线中第r段线路的流过的电流、最大额定电流,ΔUikr、ΔUikr.max分别为与升压站i连接的第k条馈线中第r段线路的电压降、最大允许电压降,Lr、Ls均为风电场中任意不同的两段输电线路,表示空集;
2)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风电场升压站的搜索范围及禁选范围;
3)初始化利用粒子群算法优化风电场升压站选址的条件,包括粒子群算法的参数设置、种群位置及速度的初始化;
设置迭代次数Z,种群规模M,新建升压站个数N,风机的容量Wj、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,作为风电场集电线路设计过程的升压站位置:以风电场的所有风机作为聚类样本,根据风电场新建升压站个数,得到初始随机质心,形成初代种群位置,且种群中个体位置矢量的描述为:
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,(xN,n,m,yN,n,m)为第m代种群中个体n的第N维坐标,M为种群规模;
令m=1,即可随机初始化第1代种群的个体位置和速度;
4)结合当前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;
5)利用当前种群的个体位置,结合单亲遗传算法进行集电线路的优化设计,计算集电线路成本,得出当前种群个体位置下的最佳集电线路成本和最佳集电线路设计结果;
所述集电线路设计具体流程如下:
5.1)根据第m代种群中个体n的位置以风电场风机作为聚类样本分别进行方式①:欧几里德距离和方式②:余弦相似度这两种方式的划分;这两种方式划分得到的N个风机簇分别为:
Xd=(Xd,1,Xd,2,…,Xd,i,…,Xd,N),Xc=(Xc,1,Xc,2,…,Xc,i,…,Xc,N)
其中,Xd为以方式①划分的样本分组,Xd,i为以方式①划分的样本的第i个风机簇,Xc为以方式②划分的样本分组,Xc,i为以方式②划分的样本的第i个风机簇;
5.2)以第m代种群中个体n的第i个升压站的位置(xi,n,m,yi,n,m)为聚类中心,Xd,i和Xc,i分别作为样本,i=1,2,…,N,划分Xd,i和Xc,i中的风机为K组,得到各簇中的风机分组Xd,i,k和Xc,i,k,k=1,2,…K,即与升压站i连接的馈线有K条;其中,为使风机按线性结构聚集,从而保证各组风机之间不会出现交叉的输电线路,本步骤中风机的区域划分需实现扇形的效果,形成一串串的风机分布,dikj的表示方式如下所示:
dikj=|Dik|sinaikj (17)
其中,dikj为垂直平分距离,j为风机序号,Dik为风机j与变电站i和第k个聚类中心连线线段的垂直距离,aikj为风机j与变电站i和第k个聚类中心连线线段的夹角,当aikj≥90°时,dikj=∞,dmin为距离阈值;
如式(18)所示,当Xd,i或Xc,i中的风机j与升压站i和类心k的垂直平分距离dikj小于距离阈值dmin时则归为第k串风机;
5.3)结合步骤5.2)得到的每一个风机簇内的风机串分组情况Xd,i,k和Xc,i,k,在每一个风机簇内对每一组风机串进行编号,利用单亲遗传算法对所有风机簇内的集电线路进行规划设计;
5.4)结合步骤5.3),比较两种风机簇Xd和Xc的最佳集电线路成本,得到当前升压站位置下的最优集电线路成本和集电线路设计结果;
6)结合步骤5)中的集电线路设计结果,将代入各个风机的坐标位置和种群个体位置,计算种群中每个个体的适应度值,并确定当前全局最佳个体位置,最佳集电线路设计结果以及全局最佳适应度值;
利用步骤5)中得到的当前种群位置下的风电场集电线路最佳设计成本Fl,best,代入种群位置矢量结合公式(1)-(4)、(11)进行计算,获得第m代种群中每个个体n的适应度值Fn,m,其中n=1,2,…,M,M为种群规模,并将Fn,m与该个体之前的局部最佳适应度值Fn,best进行比较,将其中更小的适应度值和对应位置及该位置的最佳集电线路设计结果,分别作为新的个体最佳适应度值Fn,best和个体最佳位置pn,best及个体最佳位置对应的最佳集电线路设计结果An,best;然后将新的个体最佳适应度值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和个体最佳位置pg,best及最佳集电线路设计结果Ag,best;
7)更新粒子群算法中的当前种群所有个体的速度和位置;
8)结合步骤2)所设定的风电场升压站搜索范围及禁选范围,修正步骤7)得到的新种群中所有个体的位置;
对步骤7)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,按照式(12)-(15)修正个体的位置,从而形成第m+1代种群;
9)若迭代代数小于设定的迭代次数,则重复步骤4)-8);若迭代代数等于设定的迭代次数,则终止迭代,将当前全局最佳升压站位置及最佳集电线路设计方式作为风电场集电网络的设计方案;
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4)-8);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及全局最佳集电线路设计结果Ag,best作为升压站的选址结果和集电线路设计结果,并将当前升压站选址结果及集电线路设计结果作为风电场集电网络设计最佳方案:
其中,为全局最佳个体位置,(xN,gbest,yN,gbest,zN,gbest)为全局最佳个体位置的第N维的三维坐标,Ag,best为风电场中各串风机最佳连接方式,Ai,k,g,best为与升压站i连接的第k条馈线上的风机最佳连接方式。
2.根据权利要求1所述的一种风电场集电网络设计方法,其特征在于,在步骤5.3)中,利用单亲遗传算法对风机簇内集电线路的设计具体流程如下:
5.3.1)初始化单亲遗传算法相关参数,设置馈线最大容量限制值、馈线最大承载风机数nmax及机数线路最大允许电流、最大允许电压降和迭代次数Z,令k=1开始迭代,1≤k≤K;
5.3.2)从第k组开始调整风机分组,判断第k组风机数nk是否超过线缆所能负载的最大风机数量nmax,若超过限制,则从第k组中随机抽取(nmax-nk)个样本到第k+1组中,若小于限制数量,则从第k+1组中随机抽取(nmax-nk)个样本到第k组中;接着开始判断第k+1组风机数n2是否超过线缆所能负载的最大风机数量nmax,若超过限制,则从第k+2组中随机抽取(nmax-nk+1)个样本到第k+1组中,若没有超过限制,则从第k+1组中随机抽取(nmax-nk+1)个样本到第k+2组中;如此类推,以逆时针方向完成样本的位置调整,并更新当前风机的分组情况;
5.3.3)采用Delaunay三角剖分对各串风机进行网格化分割,利用三角剖分使风机点形成不均匀的三角网络,以便在风机点中进行路径搜索;
5.3.4)结合步骤5.3.3)中经过三角剖分后的各串风机,利用最小生成树Prim算法生成风机到升压站的最短集电线路路径及风机的连接方式:
Ai=[Ai,1,Ai,2,...,Ai,K]T,i=1,...,N
其中,Ai,K为与升压站i连接的第K条馈线上风机的连接方式,Ai为第i个风机簇中所有风机的连接方式,N为新建升压站个数;
5.3.5)将各串风机的连接方式化作编码形式,作为单亲遗传算法的初始基因个体:
Gi=[Gi,1,Gi,2,...,Gi,K]T,i=1,...,N
其中,Gi,K为与升压站i连接的第K条馈线上风机的连接方式对应的基因片段;Gi为第i个风机簇中所有风机的连接方式对应的基因个体,N为新建升压站个数;
5.3.6)将Gi的所有基因片段结合式(5)-(10),计算当前的集电线路成本作为单亲遗传算法的适应度值Fl;
5.3.7)利用当前基因个体Gi变异生成新的基因个体,判断新的基因个体中的所有基因片段所对应的风机连接是否符合公式(16)的条件:馈线不超过容量限制、电流和电压降限制,风机间的布线互不交叉,且需要保证最大化馈线所能承载的风机数,若有基因片段不符合,则重新变异该基因片段;
5.3.8)将新的基因个体中所有基因片段结合式(5)-(10),计算当前的集电线路成本作为单亲遗传算法的适应度值,并与之前的适应度值比较,保留较小的适应度值以及和这个适应度值对应的风机连接方式作为当前最佳适应度值Fl,best和最佳风机连接方式Al,best;
5.3.9)如果迭代代数q小于设定的迭代次数Z,则令q=q+1,并且重复步骤5.3.1)-5.3.8);如果迭代代数q等于设定的迭代次数Z,则迭代终止,并将当前最佳风机连接方式作为当前升压站位置下的最佳集电线路设计结果;
5.3.10)重新调整风机分组,以步骤5.2)中的风机分组为基础,顺时针方向完成步骤5.3.2),并重复步骤5.3.3)-5.3.9);
5.2.11)重新调整风机分组,以步骤5.2)中的风机分组为基础,令k=k+1,重复步骤5.3.2)-5.3.10),直至k=K。
3.一种风电场集电网络设计系统,其特征在于,包括:
数据预处理模块,负责导入风电场中各个风机的坐标数据及风电场的高程点坐标数据,并向升压站选址模块和集电线路设计模块提供这些数据;
场景设定模块,负责利用风电场的高程点坐标数据建立虚拟风电场景,包括建立升压站的搜索范围、禁选范围及标记风电场进场道路的数据集,并向升压站选址模块和集电线路设计模块提供设定的场景条件;
升压站选址模块,负责利用优化算法进行风电场升压站的寻址,包括优化算法的参数设置、种群位置及速度的初始化和优化更新,并且,升压站选址模块向集电线路设计模块提供种群的位置信息作为集电线路设计的条件,以及将集电线路设计模块的处理结果作为升压站选址模块优化选址的指标之一;
集电线路设计模块,负责结合升压站选址模块中的种群位置信息及数据预处理模块中风机的位置信息,进行风电场集电线路设计,并将集电线路设计结果提供给升压站选址模块,作为升压站选址模块优化选址的指标之一;
模型计算模块,负责建立风电场集电网络的经济投资模型,包括升压站投资成本和集电线路投资成本,并结合升压站选址模块中算法的种群位置信息和集电线路设计模块中得到的集电线路设计结果计算风电场集电网络的经济投资成本;
迭代模块,负责对升压站选址模块、集电线路设计模块及模型计算模块的优化过程进行迭代,并将升压站选址模块中算法的每一代种群位置对应的风电场集电网络投资成本进行对比,选出最佳的升压站位置及集电线路设计方式,作为风电场集电网络的设计方案;
所述升压站选址模块执行如下操作:
初始化利用粒子群算法优化风电场升压站选址的条件:设置迭代次数Z,种群规模M,新建升压站个数N,风机的容量Wj、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,以风电场的所有风机作为聚类样本,根据风电场新建升压站个数,得到初始随机质心,形成初代种群位置作为风电场集电线路设计过程的升压站位置;
对当前种群的所有个体位置进行更新、修正,及结合场景设定模块中的高程点坐标数据确定种群的三维坐标,形成新一代的种群;
所述集电线路设计模块执行如下操作:
1)根据第m代种群中个体n的位置以风电场风机作为聚类样本分别进行方式①:欧几里德距离和方式②:余弦相似度这两种方式的划分;得到两种方式划分的N个风机簇:
Xd=(Xd,1,Xd,2,…,Xd,i,…,Xd,N),Xc=(Xc,1,Xc,2,…,Xc,i,…,Xc,N)
其中,Xd为以方式①划分的样本分组,Xd,i为以方式①划分的样本的第i个风机簇,Xc为以方式②划分的样本分组,Xc,i为以方式②划分的样本的第i个风机簇,N为新建升压站个数;
2)以第m代种群中个体n的第i个升压站的位置(xi,n,m,yi,n,m)为聚类中心,Xd,i和Xc,i分别作为样本i=1,2,…,N,划分Xd,i和Xc,i中的风机为K组,得到各簇中的风机分组Xd,i,k和Xc,i,k,k=1,2,…K,即与升压站i连接的馈线有K条;其中,为使风机按线性结构聚集,从而保证各组风机之间不会出现交叉的输电线路,本步骤中风机的区域划分需实现扇形的效果,形成一串串的风机分布;
3)结合步骤2)得到的每一个风机簇内的风机串分组情况Xd,i,k和Xc,i,k,在每一个风机簇内对每一组风机串进行编号,利用单亲遗传算法对所有风机簇内的集电线路进行规划设计:
3.1)初始化单亲遗传算法相关参数,设置馈线最大容量限制值、馈线最大承载风机数nmax及机数线路最大允许电流、最大允许电压降和迭代次数Z,令k=1开始迭代,1≤k≤K;
3.2)从第k组开始调整风机分组,判断第k组风机数nk是否超过线缆所能负载的最大风机数量nmax,若超过限制,则从第k组中随机抽取(nmax-nk)个样本到第k+1组中,若小于限制数量,则从第k+1组中随机抽取(nmax-nk)个样本到第k组中;接着开始判断第k+1组风机数n2是否超过线缆所能负载的最大风机数量nmax,若超过限制,则从第k+2组中随机抽取(nmax-nk+1)个样本到第k+1组中,若没有超过限制,则从第k+1组中随机抽取(nmax-nk+1)个样本到第k+2组中;如此类推,以逆时针方向完成样本的位置调整,并更新当前风机的分组情况;
3.3)采用Delaunay三角剖分对各串风机进行网格化分割,利用三角剖分使风机点形成不均匀的三角网络,以便在风机点中进行路径搜索;
3.4)结合步骤3.3)中经过三角剖分后的各串风机,利用最小生成树Prim算法生成风机到升压站的最短集电线路路径及风机的连接方式:
Ai=[Ai,1,Ai,2,...,Ai,K]T,i=1,...,N
其中,Ai,K为与升压站i连接的第K条馈线上风机的连接方式,Ai为第i个风机簇中所有风机的连接方式;
3.5)将各串风机的连接方式化作编码形式,作为单亲遗传算法的初始基因个体:
Gi=[Gi,1,Gi,2,...,Gi,K]T,i=1,...,N
其中,Gi,K为与升压站i连接的第K条馈线上风机的连接方式对应的基因片段;Gi为第i个风机簇中所有风机的连接方式对应的基因个体;
3.6)计算当前的集电线路成本作为单亲遗传算法的适应度值Fl;
3.7)利用当前基因个体Gi变异生成新的基因个体,判断新的基因个体中的所有基因片段所对应的风机连接是否符合限制条件:是否最大化馈线所能承载的风机数,且不超过容量限制、电流和电压降限制,风机间的布线互不交叉,若有基因片段不符合,则重新变异该基因片段;
3.10)重新调整风机分组,以步骤3.2)中的风机分组为基础,顺时针方向完成步骤3.2),并重复步骤3.3)-3.9);
3.11)重新调整风机分组,以步骤3.2)中的风机分组为基础,令k=k+1,重复步骤3.2)-3.10),直至k=K;
所述模型计算模块执行如下操作:
建立风电场集电网络设计的经济投资模型;
结合经济投资模型中的集电线路设计部分,计算集电线路设计模块中利用单亲遗传算法进行集电线路设计过程中的基因个体对应的集电线路成本Fl;
结合经济投资模型中的升压站选址部分,以及计算得到的集电线路成本,计算第m代种群中每个个体n的适应度值Fn,m,即风电场集电网络的设计成本;
所述迭代模块执行以下操作:
将单亲遗传算法中基因个体的适应度值保存,并与之前的适应度值比较,保留较小的适应度值以及和这个适应度值对应的风机连接方式作为当前最佳适应度值Fl,best和最佳风机连接方式Al,best;并使单亲遗传算法进性迭代运作:如果迭代代数q小于设定的迭代次数Z,则令q=q+1;如果迭代代数q等于设定的迭代次数Z,则迭代终止,并将当前最佳风机连接方式作为当前升压站位置下的最佳集电线路设计结果;
将第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,将其中更小的适应度值和对应位置及该位置的最佳集电线路设计结果,分别作为新的个体最佳适应度值Fn,best和个体最佳位置pn,best及个体最佳位置对应的最佳集电线路设计结果An,best;然后将新的个体最佳适应度值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和个体最佳位置pg,best及最佳集电线路设计结果Ag,best;并使粒子群算法进行迭代运作:如果迭代代数m小于设定的迭代次数Z,则令m=m+1;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及全局最佳集电线路设计结果Ag,best作为升压站的选址结果和集电线路设计结果,并将当前升压站选址结果及集电线路设计结果作为风电场集电网络设计最佳方案。
4.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1或2所述的风电场集电网络设计方法。
5.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1或2所述的风电场集电网络设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010811535.2A CN112052544B (zh) | 2020-08-13 | 2020-08-13 | 风电场集电网络设计方法、系统、存储介质及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010811535.2A CN112052544B (zh) | 2020-08-13 | 2020-08-13 | 风电场集电网络设计方法、系统、存储介质及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052544A CN112052544A (zh) | 2020-12-08 |
CN112052544B true CN112052544B (zh) | 2023-09-29 |
Family
ID=73601562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010811535.2A Active CN112052544B (zh) | 2020-08-13 | 2020-08-13 | 风电场集电网络设计方法、系统、存储介质及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052544B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487659B (zh) * | 2020-12-15 | 2022-08-02 | 国网江苏省电力有限公司经济技术研究院 | 一种海上风电场集电系统优化设计方法和系统 |
CN112990538B (zh) * | 2021-02-03 | 2024-05-17 | 阳光新能源开发股份有限公司 | 一种山地光伏电站集电线路确定方法、装置及设备 |
CN113193552B (zh) * | 2021-04-28 | 2022-09-27 | 青岛理工大学 | 一种适用于点对点电能传输模式的电网布线方法 |
CN113935140B (zh) * | 2021-10-25 | 2024-07-16 | 中国华能集团清洁能源技术研究院有限公司 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844628A (zh) * | 2017-09-26 | 2018-03-27 | 上海电力学院 | 一种大型海上风电场集电系统冗余度优化方法 |
CN108052731A (zh) * | 2017-12-11 | 2018-05-18 | 北京天润新能投资有限公司 | 一种风电场集电线路路径规划方法及系统 |
CN108829925A (zh) * | 2018-05-07 | 2018-11-16 | 上海电力学院 | 一种考虑电磁环境约束的海上风电集电系统优化设计方法 |
CN110334391A (zh) * | 2019-05-23 | 2019-10-15 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170206291A1 (en) * | 2016-01-20 | 2017-07-20 | Soliton Holdings Corporation, Delaware Corporation | Method for computational fluid dynamics and apparatuses for jet-effect use |
-
2020
- 2020-08-13 CN CN202010811535.2A patent/CN112052544B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844628A (zh) * | 2017-09-26 | 2018-03-27 | 上海电力学院 | 一种大型海上风电场集电系统冗余度优化方法 |
CN108052731A (zh) * | 2017-12-11 | 2018-05-18 | 北京天润新能投资有限公司 | 一种风电场集电线路路径规划方法及系统 |
CN108829925A (zh) * | 2018-05-07 | 2018-11-16 | 上海电力学院 | 一种考虑电磁环境约束的海上风电集电系统优化设计方法 |
CN110334391A (zh) * | 2019-05-23 | 2019-10-15 | 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 |
Non-Patent Citations (2)
Title |
---|
基于粒子群算法的风电场集电系统优化设计;杨之俊;;电测与仪表(19);全文 * |
大型海上风电场集电系统网络拓扑优化设计;樊潇;卢永魁;黄玲玲;魏书荣;;电力系统及其自动化学报(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112052544A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052544B (zh) | 风电场集电网络设计方法、系统、存储介质及计算设备 | |
CN110334391B (zh) | 一种多维度约束风电场集电线路自动规划方法 | |
CN106487005B (zh) | 一种考虑输配电价的电网规划方法 | |
Ganguly et al. | Distributed generation allocation on radial distribution networks under uncertainties of load and generation using genetic algorithm | |
Şişbot et al. | Optimal positioning of wind turbines on Gökçeada using multi‐objective genetic algorithm | |
CN106503839B (zh) | 一种海上风电场环形集电网络分层规划方法 | |
CN106712076B (zh) | 一种海上风电场集群规模下的输电系统优化方法 | |
CN105389633B (zh) | 一种计及分布式电源的变电站优化规划方法 | |
Gómez et al. | Optimal placement and sizing from standpoint of the investor of Photovoltaics Grid-Connected Systems using Binary Particle Swarm Optimization | |
CN111639870A (zh) | 考虑源荷不确定性的输电网多目标柔性规划方法及系统 | |
CN109598377B (zh) | 一种基于故障约束的交直流混合配电网鲁棒规划方法 | |
CN109359350A (zh) | 一种优化精细施工成本的风电场道路智能设计方法 | |
CN112072695B (zh) | 风电基地集电线路控制方法、系统、存储介质及计算设备 | |
Yu et al. | An efficient substation placement and sizing strategy based on GIS using semi-supervised learning | |
CN112668129B (zh) | 基于空间负荷聚类的配电网多级网格智能划分方法 | |
CN109740975B (zh) | 考虑潮汐资源评估与流速方向的潮汐流能发电场规划方法 | |
Reche-López et al. | Comparison of metaheuristic techniques to determine optimal placement of biomass power plants | |
CN113806947B (zh) | 海上风电场布局处理方法、装置及设备 | |
CN110535118A (zh) | 基于改进递归有序聚类的有源配电网多时段动态重构方法 | |
CN109034475A (zh) | 一种改进的变电站工程造价预测方法 | |
CN108736472B (zh) | 一种考虑礁石影响的潮汐流能发电场规划方法 | |
Wu et al. | A synchronization methodology for 3D offshore wind farm layout optimization with multi-type wind turbines and obstacle-avoiding cable network | |
CN111985691B (zh) | 一种风电场升压站选址方法 | |
Ren et al. | An alterable weight minimum spanning tree method for electrical collector system planning in tidal current generation farms | |
Deveci et al. | Electrical layout optimization of onshore wind farms based on a two-stage approach |
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 |