CN112072695B - 风电基地集电线路控制方法、系统、存储介质及计算设备 - Google Patents

风电基地集电线路控制方法、系统、存储介质及计算设备 Download PDF

Info

Publication number
CN112072695B
CN112072695B CN202010811274.4A CN202010811274A CN112072695B CN 112072695 B CN112072695 B CN 112072695B CN 202010811274 A CN202010811274 A CN 202010811274A CN 112072695 B CN112072695 B CN 112072695B
Authority
CN
China
Prior art keywords
cluster
fans
clustering
fan
current
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
Application number
CN202010811274.4A
Other languages
English (en)
Other versions
CN112072695A (zh
Inventor
林佳润
叶凡
路锦绣
陈思哲
佘双翔
张伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MingYang Smart Energy Group Co Ltd
Original Assignee
MingYang Smart Energy Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by MingYang Smart Energy Group Co Ltd filed Critical MingYang Smart Energy Group Co Ltd
Priority to CN202010811274.4A priority Critical patent/CN112072695B/zh
Publication of CN112072695A publication Critical patent/CN112072695A/zh
Application granted granted Critical
Publication of CN112072695B publication Critical patent/CN112072695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开了一种风电基地集电线路控制方法、系统、存储介质及计算设备，该方法利用模糊C聚类，即FCM算法，对整个风电基地做基于改变风机距离生成方式的聚类，然后运用Delaunay三角剖分算法和Prim算法得到指定簇数条件下的最小生成树，进而得到此条件下风电基地集电线路的全局距离最短布局方式，最后，结合单亲遗传算法PGA，综合考虑风电基地集电线路规划布局的各种工程实际限制条件，动态调整每个簇内的风机数目以及簇内风机之间集电线路的连接方式，使风电基地集电线路的规划布局最优，即得到全局最优集电线路布局图。本发明可有效解决目前大型风电基地集电线路布局大多依靠人工规划，时间冗长且无法得到较高经济性的问题。

Description

风电基地集电线路控制方法、系统、存储介质及计算设备
技术领域
本发明涉及风电基地集电线路控制的技术领域，尤其是指一种风电基地集电线路控制方法、系统、存储介质及计算设备。
背景技术
目前，一些风电场的中装机容量比较小，涉及风机台数也不多，对于人工集电线路布局的难度及工作量不大。但是随着风机技术的发展，整体风电场的装机容量越来越大的情况下，逐渐形成一个大型风电基地，涵盖上百台乃至上千台风机，总装机容量超过GW级别。人工布局优化难度不同往日而语。
大型风电基地集电线路的规划有很多种可能的布局方式，是一个“旅行商问题(Traveling Salesman Problem)”，是组合优化中的一个NP-hard问题。一个风电基地集电线路的布局方式不同，会影响是风电基地整体投资的经济性。然而，目前针对集电线路规划布局的研究善少，并且风电基地风机之间的线路布局很多情况下都是依靠工程师的工程经验进行布局和规划的，而且花费时间较长，集电线路的布局成本也因此而异，不同的工程师布局不一样，这也导致线缆布线的经济性并不能理论上达到最优，只是依据工程经验。所以，对于一个大型风电基地来说，整个风电基地横跨面积巨大，风机之间的距离也因此加大，如何优化风机之间集电线路的布局情况对于竞标、以及后续承接整个风电项目来说有很大的优势。
针对以上问题，遗传算法(GA)是目前学术界使用最多的算法，大多数用来解决风电基地规划布局中的风机微观选址问题，以最大化风电基地的能量输出为目标函数。也有部分遗传(GA算法)解决风机之间集电线路的连接问题，但是大部分都没有考虑到工程实际约束条件，比较局限。也有利用其它启发式算法(Heuristic Algorigthm)如：粒子群算法(PSO)、模拟退火算法(Simulated Annealing Algorithm)、蚁群算法(Ant Algorithms)等解决微观选址的问题。也有考虑到风电基地集电线路布局方式中的实际工程约束条件，如：集电线之间不能交叉、每一回集电线路需满足容量要求限制、所使用的集电线必须为目前现有技术所能制造的最大容量等问题，提出使用聚类算法按照规则为整个风电基地每个风机做相似性的聚类，并规划为不同的簇，再运用Delaunay三角剖分算法形成风机间的三角形网格，减少不必要交叉连线所带来的运行时间上的冗余，再使用Prim算法，得到每个簇内风机间最小的连线距离。
启发式算法(Heuristic Algorigthm)是一个基于直观或经验的构造的算法，虽然能在一定的计算时间成本、占用空间上给出一个近似最优解，但不一定能保证所得的可行解和最优解。目前在风电集电布局中广泛应用的遗传算法(GA)，会随着风机样本的增大，其运行时间及运行占用内存会越来越大，对研究时间和硬件需求造成阻碍，且目前大多数运用遗传算法的技术并没有考虑到实际风电基地的各项工程实际约束条件如：连线方式(星型、链型)的灵活组合、每条回路的集电线路的容量限制、实际风电基地运维过程中线缆型号选择不宜过多等限制问题。其它优化算法如最小树生成算法虽然能大大减少运行时间，但是由于其不能达到全局最优，所以在一定程度上也存在局限性。
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，提供了一种风电基地集电线路控制方法，解决大型风电基地集电线路规划布局难题，克服了人工布局时间花费较长、启发式算法在样本大的时候存在较高的时间成本且很难考虑到工程实际约束等问题，在满足各方要求的情况下大幅减小投资成本、时间成本，对海上风电基地以及陆地风电基地的集电线路规划布局上具有普适性。
本发明的第二目的在于提供一种风电基地集电线路控制系统。
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：一种风电基地集电线路控制方法，首先，利用模糊C聚类，即FCM算法，对整个风电基地做基于改变风机距离生成方式的聚类，然后运用Delaunay三角剖分算法和Prim算法得到指定簇数条件下的最小生成树，进而得到此条件下风电基地集电线路的全局距离最短布局方式，最后，结合单亲遗传算法PGA，综合考虑风电基地集电线路规划布局的各种工程实际限制条件，动态调整每个簇内的风机数目以及簇内风机之间集电线路的连接方式，使风电基地集电线路的规划布局最优，即得到全局最优集电线路布局图。
所述的风电基地集电线路控制方法，包括以下步骤：
1)录入风电基地中变电站和各个风机的地理坐标点位置信息；
2)根据录入的信息，利用FCM算法对整个风电基地做基于改变风机距离生成方式的聚类；
3)采用Delaunay三角剖分算法对风机的聚类结果进行网格化分割，避免线缆之间的交叉、大跨越，得到风机三角剖分结果；
4)将所得的风机三角剖分结果加入到Prim算法中，得到初步的没有加入实际工程约束条件、且只满足指定聚类数目条件下的距离最短的风机集电线路布局方式，即得到各个聚类风机之间的连通图，为风机连通图；
5)基于Prim算法得到的风机连通图，进行个体的初始化：
首先对染色体进行初始化编码，根据Prim算法中生成各个聚类簇内的风机连通图的顺序依次标号，分别标记为第1～s号聚类；
以每2个序号基因为一个小单位，代表此两个序号是互相连接的，使小单位的数量等于聚类簇中风机数量f，以此来保证聚类簇内所有的风机都能保证有所连接；
一条染色体包含全部风机n台，n台风机分为s个聚类，s个聚类又存储着各自聚类内f台风机连接顺序，因此，一个个体的染色体基因数总共有2n个；
染色体中每个聚类的第一个小单位中的两个序号为变电站与当前类中的某一台风机的序号信息，其余的小单位表示本聚类簇内两台风机的连接，按照此策略形成染色体的每个聚类片段基因的编码信息；
至此，个体的染色体初始化完成，执行下一步；
6)对步骤5)生成的初始化个体进行限制条件约束：
从个体的第x个聚类片段开始，首次循环则取x＝0，根据就近原则计算得到其周围两个相邻的聚类序号，聚类序号表示其在染色体中的对应位置，即令染色体首个聚类片段序号为x，经计算得到其相邻两个聚类序号分别为y、z，则把第y、z号聚类的风机放到同一个集合中，执行下一步；其中，x,y,z∈[1,s],s为设定的聚类数目；
7)判定当前聚类中风机连通图的风机最大数是否超过整条集电线路的容量限制：
计算第x号聚类初始化生成的连接方式中风机数N是否超过线缆所能负载的最大风机数量M，若未超过，则从当前聚类相邻的其余两个聚类中随机抽取M-N个风机加入到当前聚类中，并且以随机星型或链型连接方式接入到当前聚类的连接布局中，更新其相邻两个聚类集合内风机的数目及各自聚类内风机连接方式，进入步骤8)；
若超过，则从当前聚类中抽取N-M个风机加入到其周围两个聚类中，更新其余两个聚类集合内风机的数目及各自聚类内风机连接方式，进入步骤8)；
若刚好等于M，则直接执行下一步；
8)判定步骤7)重新生成的集电线路连接方式是否存在交叉情况：
判定由步骤7)调整生成的风机连接方式是否存在交叉情况，若不存在交叉情况，则保存个体的序号连接信息，表明调整过的连接方式既满足容量限制，又满足集电线路之间互不交叉的情况，保存单亲遗传算法PGA当前个体的第x个聚类片段基因，执行步骤9)；
若存在交叉情况，则重新回到步骤7)，重新生成连接方式，重复以上判定过程，直至不存在交叉情况；
9)开始个体中下一个聚类片段的调整：
经计算得到标号为x的聚类相邻的两个聚类序号分别为y、z，若相邻的两个聚类当中，其中某个聚类是已经初始化完毕且保存下来的，则不做改变，取另外一个未初始化的聚类，回到步骤7)继续进行限制条件判定；
其中，遍历的顺序分为三种方式：逆时针方向、顺时针方向及由顺时针和逆时针方向同时开展，采用这三种方式能够动态调整布局，有利于跳出局部最优，直至遍历所有的聚类，执行步骤10)；
10)计算种群中个体的适应度值，以全寿命周期成本LCC为目标，计算其经济性；
11)执行单亲遗传算法PGA的遗传算子操作：
将选择算子和变异算子相结合，选择适合的变异概率Ps，且不同变异算子被选中的概率相等，采用以下三种方式执行变异操作：
a、交换变异算子：将两个互不相同的变异算子交换位置；
b、插入变异算子：随机抽取连接位置插入变异算子，将原本位置向后移一位；
c、逆序变异算子：将随机选取的某个位置到另一个位置之间的片段基因连接顺序颠倒；
每变异一次，都要返回步骤7)，因为每一次的变异是动态调整全局布局的，所以每一次的变异都会产生一个新个体，计算新个体的适应度值，反复迭代q次，直至收敛于一个值，得到满足当前条件下的集电线路经济性最优布局图；
12)重新聚类，回到步骤2)，迭代p次，以保证得到的结果能够跳出局部最优解，直至迭代满p次，流程结束，得到满足设定的初始条件下的全局最优集电线路布局图。
所述步骤2)包括以下步骤：
2.1)应用FCM算法对风机进行区域划分：
FCM算法的目标函数(1)及其约束条件(2)如下所示：
Figure BDA0002631039160000031
Figure BDA0002631039160000032
式中，J为FCM算法的目标函数，s为聚类个数；n为风电基地风机个数；uij为第i个聚类第j个风机的隶属度；m为隶属度因子；xj为第j个风机的坐标位置信息；ci为第i个聚类中心；
2.2)更新聚类中心ci：
Figure BDA0002631039160000041
式(3)为聚类中心的迭代公式，其中xj为第j个风机的坐标点信息；
2.3)更新隶属度uij：
Figure BDA0002631039160000042
式中，ck为第k个聚类中心，|xj-ci|＝dij为传统的欧拉距离公式，表示第j个风机相对于某一类的聚类中心ci的距离，当求和里面的dij越小，则表示越接近这个类，那么整体分数值就越大，也就相当于隶属度uij越大，越属于这个聚类；
2.4)改变风机聚类规则：
Figure BDA0002631039160000043
式中，dij表示距离长度；D为第j个风机到第i个聚类中心ci与变电站连线线段的垂直距离；a为风机和变电站连线线段与聚类中心ci和变电站连线线段的夹角，当夹角a≥90°时，把dij设置为正无穷大+∞；
每次迭代判断聚类中心C有没有发生变化，C为所有聚类中心ci的集合，用一个矩阵范数比较：
||c(k+1)-c(k)||≤ε (6)
式中，k表示第k次迭代，当第k+1次迭代的聚类中心位置变化不超过设定的最大允许误差ε，即满足上式(6)，则停止迭代，输出结果，否则进行下一次迭代。
在步骤10)中，设定目标函数为：
minCtotal＝Cinitial+β(CP.loss+Cment+C0) (7)
Figure BDA0002631039160000044
其中：Ctotal为总投资，Cinitial为初始投资成本，包括集电线路的线缆投资和开关设备成本；CP.loss为停电损失；Cment为故障维修成本；C0为运行过程中的网损；s为划分的聚类数，f为每个分区内的集电线总数，l代表该分区内的第l段集电线；β为年度投资费用的现值和折算系数；Cl.type(θ)为第l条选择截面积为θ的集电线；Li.l为第i个簇第l条集电线的长度；Nsw为开关柜的数目，Csw为每个开关柜的单价；
Figure BDA0002631039160000051
式(9)为优化目标函数的限制条件，一个聚类内所有风机中的集电线电流Il和电压降落|ΔUl|不得超过截面积下的最大承受电流Imax(θ)以及最大允许电压降落ΔUmax；Fx、Fy表示大型风电基地中坐标位置点互不相同的两个风机；Fx∩Fy＝φ表示不同聚类之间的风机不能有重叠；Fx∪Fy＝W表示保证所有的风机都能连上线；τ为折现率；t为整个寿命周期，风电基地寿命为20～25年；
折现率τ的计算用如下式表示：
τ＝rf+λ(rm-rf)+r0 (10)
式中，rf为无风险利率，λ为成分股指数，rm为年收益率，r0为通货膨胀率；
故障维修成本Cment通过下式计算得到：
Figure BDA0002631039160000052
其中：pi,l为第i个聚类第l条集电线发生故障的概率；cm为集电线单次维修所需费用；ps为第i个聚类回路的开关设备发生故障的概率；csw为开关设备单次维修所需费用；
停电损失CP.loss通过下式计算得到：
Figure BDA0002631039160000061
其中：α为风电基地生命周期内的故障次数，ce为风电上网电价；TMTTR为平均恢复时间；Prate为停运风机的额定功率；Tequal为风机年利用小时数；T为一年8760h；
运行过程中的网损C0通过下式计算得出：
Figure BDA0002631039160000062
其中：ce为风电上网电价；T为一年8760h；Il、Rl、Ll分别为各自聚类内第l条集电线路的运行电流、电阻以及长度。
本发明的第二目的通过下述技术方案实现：一种风电基地集电线路控制系统，包括：
数据采集与设定模块，用于录入变电站和所有风机的地理坐标点信息，根据风机的单机容量与集电线的类型确定聚类个数；
风电基地集电线路初始化布局模块，利用FCM算法做风机的初始化划分、将FCM的划分结果进行Delaunay三角剖分算法，生成风机的网格化分割图，最后运用Prim算法生成无加入限制条件下的风电基地风机间的连通图，即风机连通图；
限制条件判断模块，用于对各个聚类进行风机间集电线路容量判断和集电线路之间是否存在交叉情况的判定，若未超过容量限定和未存在交叉情况，则进入初始化个体适应度值评估模块，生成满足上述两个限制条件下的集电线路布局连通图，保证生成的连通图在满足集电线路容量限制的前提下，也能满足在同个聚类间的风机集电线路互不交叉及与不同聚类间的风机集电线路也互不交叉；否则进入动态调整优化模块，重新生成遗传；
动态调整优化模块，根据限制约束条件，动态调整风电基地的风机布局方式，生成单亲遗传算法PGA的初始化个体；
初始化个体适应度值计算模块，用于计算种群中个体的适应度值，以全寿命周期成本LCC为目标，计算其经济性；
染色体变异迭代判断模块，通过染色体变异和算法迭代后，使算法结果跳出局部最优，输出满足限定条件下的全局最优布局方式。
所述风电基地集电线路初始化布局模块执行以下操作：
根据录入的信息，利用FCM算法对整个风电基地做基于改变风机距离生成方式的聚类；
采用Delaunay三角剖分算法对风机的聚类结果进行网格化分割，避免线缆之间的交叉、大跨越，得到风机三角剖分结果；
将所得的风机三角剖分结果加入到Prim算法中，得到初步的没有加入实际工程约束条件、且只满足指定聚类数目条件下的距离最短的风机集电线路布局方式，即得到各个聚类风机之间的连通图，为风机连通图；
基于Prim算法得到的风机连通图，进行个体的初始化：
首先对染色体进行初始化编码，根据Prim算法中生成各个聚类簇内的风机连通图的顺序依次标号，分别标记为第1～s号聚类；
以每2个序号基因为一个小单位，代表此两个序号是互相连接的，使小单位的数量等于聚类簇中风机数量f，以此来保证聚类簇内所有的风机都能保证有所连接；
一条染色体包含全部风机n台，n台风机分为s个聚类，s个聚类又存储着各自聚类内f台风机连接顺序，因此，一个个体的染色体基因数总共有2n个；
染色体中每个聚类的第一个小单位中的两个序号为变电站与当前类中的某一台风机的序号信息，其余的小单位表示本聚类簇内两台风机的连接，按照此策略形成染色体的每个聚类片段基因的编码信息；
至此，个体的染色体初始化完成。
所述限制条件判断模块执行以下操作：
从个体的第x个聚类片段开始，首次循环则取x＝0，根据就近原则计算得到其周围两个相邻的聚类序号，聚类序号表示其在染色体中的对应位置，即令染色体首个聚类片段序号为x，经计算得到其相邻两个聚类序号分别为y、z，则把第y、z号聚类的风机放到同一个集合中，执行下一步；其中，x,y,z∈[1,s],s为设定的聚类数目；
判定当前聚类中风机连通图的风机最大数是否超过整条集电线路的容量限制，具体如下：
计算第x号聚类初始化生成的连接方式中风机数N是否超过线缆所能负载的最大风机数量M，若未超过，则从当前聚类相邻的其余两个聚类中随机抽取M-N个风机加入到当前聚类中，并且以随机星型或链型连接方式接入到当前聚类的连接布局中，更新其相邻两个聚类集合内风机的数目及各自聚类内风机连接方式，进入集电线路连接方式是否存在交叉情况的判定；若超过，则从当前聚类中抽取N-M个风机加入到其周围两个聚类中，更新其余两个聚类集合内风机的数目及各自聚类内风机连接方式，进入集电线路连接方式是否存在交叉情况的判定；若刚好等于M，则直接进入动态调整优化模块；
判定重新生成的集电线路连接方式是否存在交叉情况，具体如下：
判定调整生成的风机连接方式是否存在交叉情况，若不存在交叉情况，则保存个体的序号连接信息，表明调整过的连接方式既满足容量限制，又满足集电线路之间互不交叉的情况，保存单亲遗传算法PGA当前个体的第x个聚类片段基因，进入动态调整优化模块；
若存在交叉情况，则重新回到当前聚类中风机连通图的风机最大数是否超过整条集电线路的容量限制的判定，重新生成连接方式，重复以上判定过程，直至不存在交叉情况。
所述动态调整优化模块执行以下操作：
经计算得到标号为x的聚类相邻的两个聚类序号分别为y、z，若相邻的两个聚类当中，其中某个聚类是已经初始化完毕且保存下来的，则不做改变，取另外一个未初始化的聚类，回到限制条件判断模块继续进行限制条件判定；其中，遍历的顺序分为三种方式：逆时针方向、顺时针方向及由顺时针和逆时针方向同时开展，采用这三种方式能够动态调整布局，有利于跳出局部最优，直至遍历所有的聚类，进入初始化个体适应度值计算模块；
所述初始化个体适应度值计算模块执行以下操作：
设定目标函数：
minCtotal＝Cinitial+β(CP.loss+Cment+C0) (14)
Figure BDA0002631039160000081
其中：Ctotal为总投资，Cinitial为初始投资成本，包括集电线路的线缆投资和开关设备成本；CP.loss为停电损失；Cment为故障维修成本；C0为运行过程中的网损；s为划分的聚类数，f为每个分区内的集电线总数，l代表该分区内的第l段集电线；β为年度投资费用的现值和折算系数；Cl.type(θ)为第l条选择截面积为θ的集电线；Li.l为第i个簇第l条集电线的长度；Nsw为开关柜的数目，Csw为每个开关柜的单价；
Figure BDA0002631039160000082
式(16)为优化目标函数的限制条件，一个聚类内所有风机中的集电线电流Il和电压降落|ΔUl|不得超过截面积下的最大承受电流Imax(θ)以及最大允许电压降落ΔUmax；Fx、Fy表示大型风电基地中坐标位置点互不相同的两个风机；Fx∩Fy＝φ表示不同聚类之间的风机不能有重叠；Fx∪Fy＝W表示保证所有的风机都能连上线；τ为折现率；t为整个寿命周期，风电基地寿命为20～25年；
折现率τ的计算用如下式表示：
τ＝rf+λ(rm-rf)+r0 (17)
式中，rf为无风险利率，λ为成分股指数，rm为年收益率，r0为通货膨胀率；
故障维修成本Cment通过下式计算得到：
Figure BDA0002631039160000083
其中：pi,l为第i个聚类第l条集电线发生故障的概率；cm为集电线单次维修所需费用；psw为第i个聚类回路的开关设备发生故障的概率；csw为开关设备单次维修所需费用；
停电损失CP.loss通过下式计算得到：
Figure BDA0002631039160000091
其中：α为风电基地生命周期内的故障次数，ce为风电上网电价；TMTTR为平均恢复时间；Prate为停运风机的额定功率；Tequal为风机年利用小时数；T为一年8760h；
运行过程中的网损C0通过下式计算得出：
Figure BDA0002631039160000092
其中：ce为风电上网电价；T为一年8760h；Il、Rl、Ll分别为各自聚类内第l条集电线路的运行电流、电阻以及长度。
所述染色体变异迭代判断模块执行以下操作：
执行单亲遗传算法PGA的遗传算子操作：
将选择算子和变异算子相结合，选择适合的变异概率Ps，且不同变异算子被选中的概率相等，采用以下三种方式执行变异操作：
a、交换变异算子：将两个互不相同的变异算子交换位置；
b、插入变异算子：随机抽取连接位置插入变异算子，将原本位置向后移一位；
c、逆序变异算子：将随机选取的某个位置到另一个位置之间的片段基因连接顺序颠倒；
每变异一次，都要返回限制条件判断模块，因为每一次的变异是动态调整全局布局的，所以每一次的变异都会产生一个新个体，计算新个体的适应度值，反复迭代q次，直至收敛于一个值，得到满足当前条件下的集电线路经济性最优布局图；
重新聚类，回到风电基地集电线路初始化布局模块，迭代p次，以保证得到的结果能够跳出局部最优解，直至迭代满p次，流程结束，得到满足设定的初始条件下的全局最优集电线路布局图。
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，实现上述的风电基地集电线路控制方法。
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，实现上述的风电基地集电线路控制方法。
本发明与现有技术相比，具有如下优点与有益效果：
1、与传统的人工布线和各类启发式算法相比，本发明能大大提高集电线布局经济性，对大型风电基地风机智能分区归簇，减少优化的时间成本。
2、本发明优化考虑现实工程限制条件，自主选择满足容量要求的集电线路，避免线路之间的交叉，能动态调整布局，直至达到当前条件下的最优布局，算法实验更具可行性、更具现实工程意义。
3、根据微观选址得到的机位点信息，可快速生成具有满足集电线容量要求、集电线路不可相互交叉特点的风电基地优化布局方式。
总之，本发明克服了人工布局时间花费较长、启发式算法在样本大的时候存在较高的时间成本且很难考虑到工程实际约束等问题，在满足各方要求的情况下大幅减小投资成本、时间成本，对海上风电基地以及陆地风电基地的集电线路规划布局上具有普适性，具有实际应用价值，值得推广。
附图说明
图1为本发明方法流程图。
图2为染色体中每个聚类片段基因的编码形式图。
图3为Prim算法得到的初步集电线路布局图。
图4为第一个聚类与邻近两个聚类的示意图。
图5为加入限制后随机生成满足条件的两个拓扑图。
图6为本发明系统架构图。
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1所示，本实施例公开了一种风电基地集电线路控制方法，首先，利用模糊C聚类，即FCM算法，对整个风电基地做基于改变风机距离生成方式的聚类，然后运用Delaunay三角剖分算法和Prim算法得到指定簇数条件下的最小生成树，进而得到此条件下风电基地集电线路的全局距离最短布局方式，最后，结合单亲遗传算法(PGA)，综合考虑风电基地集电线路规划布局的各种工程实际限制条件如：连线方式(星型、链型)的灵活组合、每个串的线缆的容量限制、实际风电基地运维过程中线缆型号选择不宜过多等限制问题，动态调整每个簇内的风机数目以及簇内风机之间集电线路的连接方式，使大型风电基地集电线路的规划布局经济性大幅度降低，提高规划效率，缩短计算机运行时间，并且同样适用于海上风电基地的集电线路布局，具有普适性。
其中，单亲遗传算法(PGA)是一种序号编码遗传算法。它具有遗传操作简单,不要求初始群体的多样性,不存在“早熟收敛”问题等特点。单亲遗传算法(PGA)与传统遗传算法(TGA)的不同在于仅仅执行变异操作来生成新的后代个体，取消交叉操作，而且序号编码遗传算法不能采用常规的交叉算子，否则经交叉算子作用后产生的新个体会发生部分序号基因的缺损和另外部分基因的重复，与传统的序号顺序编码相比，改变序号编码顺序的策略使整体的序号连接情况相对更加灵活多变。PGA一般把一个实数项当做一个基因参与遗传操作，个体的编码比起传统二进制编码能够压缩染色体的串长，且无需解码。所以PGA非常适合于求解组合优化问题，还有约束的复杂工程优化问题。
对于复杂的工程优化问题，可以在执行遗传操作的过程中加入约束条件，约束条件的处理不再是一种障碍。
本实施例上述的风电基地集电线路控制方法，其方案具体如下：
1)录入风电基地中变电站和各个风机的地理坐标点位置信息。
2)根据录入的信息，利用FCM算法对整个风电基地做基于改变风机距离生成方式的聚类，包括以下步骤：
2.1)应用FCM算法对风机进行区域划分：
FCM算法的目标函数(21)及其约束条件(22)如下所示：
Figure BDA0002631039160000111
Figure BDA0002631039160000112
式中，J为FCM算法的目标函数，s为聚类个数；n为风电基地风机个数；uij为第i个聚类第j个风机的隶属度；m为隶属度因子；xj为第j个风机的坐标位置信息；ci为第i个聚类中心；
2.2)更新聚类中心ci：
Figure BDA0002631039160000113
式(16)为聚类中心的迭代公式，其中xj为第j个风机的坐标点信息；
2.3)更新隶属度uij：
Figure BDA0002631039160000114
式中，ck为第k个聚类中心，|xj-ci|＝dij为传统的欧拉距离公式，表示第j个风机相对于某一类的聚类中心ci的距离，当求和里面的dij越小，则表示越接近这个类，那么整体分数值就越大，也就相当于隶属度uij越大，越属于这个聚类；
2.4)改变风机聚类规则：
Figure BDA0002631039160000115
式中，dij表示距离长度；D为第j个风机到第i个聚类中心ci与变电站连线线段的垂直距离；a为风机和变电站连线线段与聚类中心ci和变电站连线线段的夹角，当夹角a≥90°时，把dij设置为正无穷大+∞；
每次迭代判断聚类中心C有没有发生变化，C为所有聚类中心ci的集合，用一个矩阵范数比较：
||c(k+1)-c(k)||≤ε (26)
式中，k表示第k次迭代，当第k+1次迭代的聚类中心位置变化不超过设定的最大允许误差ε，即满足上式(26)，则停止迭代，输出结果，否则进行下一次迭代。
3)采用Delaunay三角剖分算法对风机的聚类结果进行网格化分割，避免线缆之间的交叉、大跨越，得到风机三角剖分结果。
4)将所得的风机三角剖分结果加入到Prim算法中，得到初步的没有加入实际工程约束条件、且只满足指定聚类数目条件下的距离最短的风机集电线路布局方式，即得到各个聚类风机之间的连通图，为风机连通图。
5)基于Prim算法得到的风机连通图，进行个体的初始化：
首先对染色体进行初始化编码，根据Prim算法中生成各个聚类簇内的风机连通图的顺序依次标号，分别标记为第1～s号聚类。
以每2个序号基因为一个小单位，代表此两个序号是互相连接的，使小单位的数量等于聚类簇中风机数量f，以此来保证聚类簇内所有的风机都能保证有所连接。
一条染色体包含全部风机n台，n台风机分为s个聚类，s个聚类又存储着各自聚类内f台风机连接顺序，因此，一个个体的染色体基因数总共有2n个。
染色体中每个聚类的第一个小单位中的两个序号为变电站与当前类中的某一台风机的序号信息，其余的小单位表示本聚类簇内两台风机的连接，按照此策略形成染色体的每个聚类片段基因的编码信息。
如图2所示，假设S为变电站、128为风机的排列序号，每两个基因片段为一对，表示变电站S与第128号风机相连、以此类推，45号风机与28号风机相连、32号风机与59号风机相连等。
这种编排顺序能够克服传统的只受限于单纯链型连接或者星型连接的局限性，使两者灵活组合，一方面增加风电基地的供电的可靠性，另一方面提高运营的经济效益。聚类的数目看大型风电基地的实际情况与工程限制条件决定。
至此，个体的染色体初始化完成，执行下一步。
6)对步骤5)生成的初始化个体进行限制条件约束：
从个体的第x个聚类片段开始(首次循环则取x＝0)，根据就近原则计算得到其周围两个相邻的聚类序号，聚类序号表示其在染色体中的对应位置，即令染色体首个聚类片段序号为x，经计算得到其相邻两个聚类序号分别为y、z，则把第y、z号聚类的风机放到同一个集合中，执行下一步；其中，x,y,z∈[1,s],s为设定的聚类数目。
7)判定当前聚类中风机连通图的风机最大数是否超过整条集电线路的容量限制：
计算第x号聚类初始化生成的连接方式中风机数N是否超过线缆所能负载的最大风机数量M，若未超过，则从当前聚类相邻的其余两个聚类中随机抽取M-N个风机加入到当前聚类中，并且以随机星型或链型连接方式接入到当前聚类的连接布局中，更新其相邻两个聚类集合内风机的数目及各自聚类内风机连接方式，进入步骤8)。
若超过，则从当前聚类中抽取N-M个风机加入到其周围两个聚类中，更新其余两个聚类集合内风机的数目及各自聚类内风机连接方式，进入步骤8)。
若刚好等于M，则直接执行下一步。
8)判定步骤7)重新生成的集电线路连接方式是否存在交叉情况：
判定由步骤7)调整生成的风机连接方式是否存在交叉情况，若不存在交叉情况，则保存个体的序号连接信息，表明调整过的连接方式既满足容量限制，又满足集电线路之间互不交叉的情况，保存单亲遗传算法(PGA)当前个体的第x个聚类片段基因，执行步骤9)。
若存在交叉情况，则重新回到步骤7)，重新生成连接方式，重复以上判定过程，直至不存在交叉情况。
9)开始个体中下一个聚类片段的调整：
经计算得到标号为x的聚类相邻的两个聚类序号分别为y、z，若相邻的两个聚类当中，其中某个聚类是已经初始化完毕且保存下来的，则不做改变，取另外一个未初始化的聚类，回到步骤7)继续进行限制条件判定。
其中，遍历的顺序分为三种方式：可以有逆时针、顺时针方向，也可以由顺时针、逆时针方向同时开展，采用这三种方式能够动态调整布局，有利于跳出局部最优，直至遍历所有的聚类，执行步骤10)。
10)计算种群中个体的适应度值，以全寿命周期成本LCC为目标，计算其经济性，具体如下：
目标函数为：
minCtotal＝Cinitial+β(CP.loss+Cment+C0) (27)
Figure BDA0002631039160000131
其中：Ctotal为总投资，Cinitial为初始投资成本，包括集电线路的线缆投资和开关设备成本；CP.loss为停电损失；Cment为故障维修成本；C0为运行过程中的网损；s为划分的聚类数，f为每个分区内的集电线总数，l代表该分区内的第l段集电线；β为年度投资费用的现值和折算系数；Cl.type(θ)为第l条选择截面积为θ的集电线；Li.l为第i个簇第l条集电线的长度；Nsw为开关柜的数目，Csw为每个开关柜的单价；
Figure BDA0002631039160000132
式(29)为优化目标函数的限制条件，一个聚类内所有风机中的集电线电流Il和电压降落|ΔUl|不得超过截面积下的最大承受电流Imax(θ)以及最大允许电压降落ΔUmax；Fx、Fy表示大型风电基地中坐标位置点互不相同的两个风机；Fx∩Fy＝φ表示不同聚类之间的风机不能有重叠；Fx∪Fy＝W表示保证所有的风机都能连上线；τ为折现率；t为整个寿命周期，风电基地寿命为20～25年；
折现率τ的计算用如下式表示：
τ＝rf+λ(rm-rf)+r0 (30)
式中，rf为无风险利率，λ为成分股指数，rm为年收益率，r0为通货膨胀率；
故障维修成本Cment通过下式计算得到：
Figure BDA0002631039160000141
其中：pi,l为第i个聚类第l条集电线发生故障的概率；cm为集电线单次维修所需费用；psw为第i个聚类回路的开关设备发生故障的概率；csw为开关设备单次维修所需费用；
停电损失CP.loss通过下式计算得到：
Figure BDA0002631039160000142
其中：α为风电基地生命周期内的故障次数，ce为风电上网电价；TMTTR为平均恢复时间；Prate为停运风机的额定功率；Tequal为风机年利用小时数；T为一年8760h；
运行过程中的网损C0通过下式计算得出：
Figure BDA0002631039160000143
其中：ce为风电上网电价；T为一年8760h；Il、Rl、Ll分别为各自聚类内第l条集电线路的运行电流、电阻以及长度。
11)执行单亲遗传算法PGA的遗传算子操作：
将选择算子和变异算子相结合，选择适合的变异概率Ps，且不同变异算子被选中的概率相等，采用以下三种方式执行变异操作：
a、交换变异算子：将两个互不相同的变异算子交换位置；
b、插入变异算子：随机抽取连接位置插入变异算子，将原本位置向后移一位；
c、逆序变异算子：将随机选取的某个位置到另一个位置之间的片段基因连接顺序颠倒。
每变异一次，都要返回步骤7)，因为每一次的变异是动态调整全局布局的，所以每一次的变异都会产生一个新个体，计算新个体的适应度值，反复迭代q次，直至收敛于一个值，得到满足当前条件下的集电线路经济性最优布局图。
12)重新聚类，回到步骤2)，迭代p次，以保证得到的结果能够跳出局部最优解，直至迭代满p次，流程结束，得到满足设定的初始条件下的全局最优集电线路布局图。
如图3所示，模糊C聚类(FCM)划分可行区域、经过Delaunay三角剖分算法、Prim算法得到初始条件下距离最优的集电线路连通布局图。
加入限制条件的改进策略设计如图4所示。
如图5所示，加入限制后随机生成满足条件的两个拓扑，但并非最终的优化布局，如何选择最优的集电线路布局需要经过经济性评估反复迭代最终确定。
在实际操作时，对于任意一个大型风电基地，其集电线路控制优化步骤如下：
1)根据微观选址得到的大型风电基地风机机位点信息。
2)对大型风电基地所有的风机采用模糊C聚类(FCM)、Delaunay三角剖分、Prim算法得到初始没加入限制条件、且只满足全局线路最短的布局图。
3)初始化单亲遗传算法(PGA)中的个体，加入限制条件：尽可能最大化该回路最大截面积的集电线路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。
4)检测集电线路是否满足容量限制、集电线路之间是否有交叉，否，则保存基因的排序信息，直至风电基地所有划分的风机簇都排序完毕，最后剩下的风机则归为一个簇；有，则重新生成集电线路的连接信息。
5)经过单亲遗传算法(PGA)的变异操作，加入到成本迭代算法中，进行迭代，储存集电线路整体经济性最优的规划布局结果。
实施例2
本实施例公开了一种风电基地集电线路控制系统，如图6所示，包括：
数据采集与设定模块，用于录入变电站和所有风机的地理坐标点信息，根据风机的单机容量与集电线的类型确定聚类个数；
风电基地集电线路初始化布局模块，利用FCM算法做风机的初始化划分、将FCM的划分结果进行Delaunay三角剖分算法，生成风机的网格化分割图，最后运用Prim算法生成无加入限制条件下的风电基地风机间的连通图，即风机连通图；
限制条件判断模块，用于对各个聚类进行风机间集电线路容量判断和集电线路之间是否存在交叉情况的判定，若未超过容量限定和未存在交叉情况，则进入初始化个体适应度值评估模块，生成满足上述两个限制条件下的集电线路布局连通图，保证生成的连通图在满足集电线路容量限制的前提下，也能满足在同个聚类间的风机集电线路互不交叉及与不同聚类间的风机集电线路也互不交叉；否则进入动态调整优化模块，重新生成遗传；
动态调整优化模块，根据限制约束条件，动态调整风电基地的风机布局方式，生成单亲遗传算法PGA的初始化个体；
初始化个体适应度值计算模块，用于计算种群中个体的适应度值，以全寿命周期成本LCC为目标，计算其经济性；
染色体变异迭代判断模块，通过染色体变异和算法迭代后，使算法结果跳出局部最优，输出满足限定条件下的全局最优布局方式。
所述风电基地集电线路初始化布局模块执行以下操作：
根据录入的信息，利用FCM算法对整个风电基地做基于改变风机距离生成方式的聚类；
采用Delaunay三角剖分算法对风机的聚类结果进行网格化分割，避免线缆之间的交叉、大跨越，得到风机三角剖分结果；
将所得的风机三角剖分结果加入到Prim算法中，得到初步的没有加入实际工程约束条件、且只满足指定聚类数目条件下的距离最短的风机集电线路布局方式，即得到各个聚类风机之间的连通图，为风机连通图；
基于Prim算法得到的风机连通图，进行个体的初始化：
首先对染色体进行初始化编码，根据Prim算法中生成各个聚类簇内的风机连通图的顺序依次标号，分别标记为第1～s号聚类；
以每2个序号基因为一个小单位，代表此两个序号是互相连接的，使小单位的数量等于聚类簇中风机数量f，以此来保证聚类簇内所有的风机都能保证有所连接；
一条染色体包含全部风机n台，n台风机分为s个聚类，s个聚类又存储着各自聚类内f台风机连接顺序，因此，一个个体的染色体基因数总共有2n个；
染色体中每个聚类的第一个小单位中的两个序号为变电站与当前类中的某一台风机的序号信息，其余的小单位表示本聚类簇内两台风机的连接，按照此策略形成染色体的每个聚类片段基因的编码信息；
至此，个体的染色体初始化完成。
所述限制条件判断模块执行以下操作：
从个体的第x个聚类片段开始，首次循环则取x＝0，根据就近原则计算得到其周围两个相邻的聚类序号，聚类序号表示其在染色体中的对应位置，即令染色体首个聚类片段序号为x，经计算得到其相邻两个聚类序号分别为y、z，则把第y、z号聚类的风机放到同一个集合中，执行下一步；其中，x,y,z∈[1,s],s为设定的聚类数目；
判定当前聚类中风机连通图的风机最大数是否超过整条集电线路的容量限制，具体如下：
计算第x号聚类初始化生成的连接方式中风机数N是否超过线缆所能负载的最大风机数量M，若未超过，则从当前聚类相邻的其余两个聚类中随机抽取M-N个风机加入到当前聚类中，并且以随机星型或链型连接方式接入到当前聚类的连接布局中，更新其相邻两个聚类集合内风机的数目及各自聚类内风机连接方式，进入集电线路连接方式是否存在交叉情况的判定；若超过，则从当前聚类中抽取N-M个风机加入到其周围两个聚类中，更新其余两个聚类集合内风机的数目及各自聚类内风机连接方式，进入集电线路连接方式是否存在交叉情况的判定；若刚好等于M，则直接进入动态调整优化模块；
判定重新生成的集电线路连接方式是否存在交叉情况，具体如下：
判定调整生成的风机连接方式是否存在交叉情况，若不存在交叉情况，则保存个体的序号连接信息，表明调整过的连接方式既满足容量限制，又满足集电线路之间互不交叉的情况，保存单亲遗传算法PGA当前个体的第x个聚类片段基因，进入动态调整优化模块；
若存在交叉情况，则重新回到当前聚类中风机连通图的风机最大数是否超过整条集电线路的容量限制的判定，重新生成连接方式，重复以上判定过程，直至不存在交叉情况。
所述动态调整优化模块执行以下操作：
经计算得到标号为x的聚类相邻的两个聚类序号分别为y、z，若相邻的两个聚类当中，其中某个聚类是已经初始化完毕且保存下来的，则不做改变，取另外一个未初始化的聚类，回到限制条件判断模块继续进行限制条件判定；其中，遍历的顺序分为三种方式：逆时针方向、顺时针方向及由顺时针和逆时针方向同时开展，采用这三种方式能够动态调整布局，有利于跳出局部最优，直至遍历所有的聚类，进入初始化个体适应度值计算模块；
所述初始化个体适应度值计算模块执行以下操作：
设定目标函数：
目标函数为：
minCtotal＝Cinitial+β(CP.loss+Cment+C0) (34)
Figure BDA0002631039160000171
其中：Ctotal为总投资，Cinitial为初始投资成本，包括集电线路的线缆投资和开关设备成本；CP.loss为停电损失；Cment为故障维修成本；C0为运行过程中的网损；s为划分的聚类数，f为每个分区内的集电线总数，l代表该分区内的第l段集电线；β为年度投资费用的现值和折算系数；Cl.type(θ)为第l条选择截面积为θ的集电线；Li.l为第i个簇第l条集电线的长度；Nsw为开关柜的数目，Csw为每个开关柜的单价；
Figure BDA0002631039160000172
式(36)为优化目标函数的限制条件，一个聚类内所有风机中的集电线电流Il和电压降落|ΔUl|不得超过截面积下的最大承受电流Imax(θ)以及最大允许电压降落ΔUmax；Fx、Fy表示大型风电基地中坐标位置点互不相同的两个风机；Fx∩Fy＝φ表示不同聚类之间的风机不能有重叠；Fx∪Fy＝W表示保证所有的风机都能连上线；τ为折现率；t为整个寿命周期，风电基地寿命为20～25年；
折现率τ的计算用如下式表示：
τ＝rf+λ(rm-rf)+r0 (37)
式中，rf为无风险利率，λ为成分股指数，rm为年收益率，r0为通货膨胀率；
故障维修成本Cment通过下式计算得到：
Figure BDA0002631039160000181
其中：pi,l为第i个聚类第l条集电线发生故障的概率；cm为集电线单次维修所需费用；psw为第i个聚类回路的开关设备发生故障的概率；csw为开关设备单次维修所需费用；
停电损失CP.loss通过下式计算得到：
Figure BDA0002631039160000182
其中：α为风电基地生命周期内的故障次数，ce为风电上网电价；TMTTR为平均恢复时间；Prate为停运风机的额定功率；Tequal为风机年利用小时数；T为一年8760h；
运行过程中的网损C0通过下式计算得出：
Figure BDA0002631039160000183
其中：ce为风电上网电价；T为一年8760h；Il、Rl、Ll分别为各自聚类内第l条集电线路的运行电流、电阻以及长度。
所述染色体变异迭代判断模块执行以下操作：
执行单亲遗传算法(PGA)的遗传算子操作：
将选择算子和变异算子相结合，选择适合的变异概率Ps，且不同变异算子被选中的概率相等，采用以下三种方式执行变异操作：
a、交换变异算子：将两个互不相同的变异算子交换位置；
b、插入变异算子：随机抽取连接位置插入变异算子，将原本位置向后移一位；
c、逆序变异算子：将随机选取的某个位置到另一个位置之间的片段基因连接顺序颠倒；
每变异一次，都要返回限制条件判断模块，因为每一次的变异是动态调整全局布局的，所以每一次的变异都会产生一个新个体，计算新个体的适应度值，反复迭代q次，直至收敛于一个值，得到满足当前条件下的集电线路经济性最优布局图；
重新聚类，回到风电基地集电线路初始化布局模块，迭代p次，以保证得到的结果能够跳出局部最优解，直至迭代满p次，流程结束，得到满足设定的初始条件下的全局最优集电线路布局图。
实施例3
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所述的风电基地集电线路控制方法。
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4
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所述的风电基地集电线路控制方法。
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 (8)

1.一种风电基地集电线路控制方法，其特征在于：首先，利用模糊C聚类，即FCM算法，对整个风电基地做基于改变风机距离生成方式的聚类，然后运用Delaunay三角剖分算法和Prim算法得到指定聚类簇数目条件下的最小生成树，进而得到此条件下风电基地集电线路的全局距离最短布局方式，最后，结合单亲遗传算法PGA，综合考虑风电基地集电线路规划布局的各种工程实际限制条件，动态调整每个聚类簇内的风机数目以及聚类簇内风机之间集电线路的连接方式，使风电基地集电线路的规划布局最优，即得到全局最优集电线路布局图；其包括以下步骤：
1)录入风电基地中变电站和各个风机的地理坐标点位置信息；
2)根据录入的信息，利用FCM算法对整个风电基地做基于改变风机距离生成方式的聚类；
3)采用Delaunay三角剖分算法对风机的聚类结果进行网格化分割，避免线缆之间的交叉、跨越，得到风机三角剖分结果；
4)将所得的风机三角剖分结果加入到Prim算法中，得到初步的没有加入实际工程约束条件、且只满足指定聚类簇数目条件下的全局距离最短的风机集电线路布局方式，即得到各个聚类簇风机之间的连通图，为风机连通图；
5)基于Prim算法得到的风机连通图，进行个体的初始化：
首先对染色体进行初始化编码，根据Prim算法中生成各个聚类簇内的风机连通图的顺序依次标号，分别标记为第1～s号聚类；
以每2个序号基因为一个小单位，代表此两个序号是互相连接的，使小单位的数量等于聚类簇中风机数量f，以此来保证聚类簇内所有的风机都能有所连接；
一条染色体包含全部风机n台，n台风机分为s个聚类簇，s个聚类簇又存储着各自聚类簇内f台风机连接顺序，因此，一个个体的染色体基因数总共有2n个；
染色体中每个聚类簇的第一个小单位中的两个序号为变电站与当前聚类簇中的某一台风机的序号信息，其余的小单位表示本聚类簇内两台风机的连接，按照此策略形成染色体的每个聚类簇的片段基因的编码信息；
至此，个体的染色体初始化完成，执行下一步；
6)对步骤5)生成的初始化个体进行限制条件约束：
从个体的第x个聚类簇开始，首次循环则取x＝0，根据就近原则计算得到其周围两个相邻的聚类簇的序号，聚类簇的序号表示其在染色体中的对应位置，经计算得到其相邻两个聚类簇的序号分别为y、z，则把第y、z号聚类簇的风机放到同一个集合中，执行下一步；其中，x,y,z∈[1,s],s为设定的聚类簇数目；
7)判定当前聚类簇中风机连通图的风机最大数是否超过整条集电线路的容量限制：
计算第x号聚类簇初始化生成的连接方式中风机数N是否超过线缆所能负载的最大风机数量M，若未超过，则从相邻的其余两个聚类簇中随机抽取M-N个风机加入到当前聚类簇中，并且以随机星型或链型连接方式接入到当前聚类簇的连接布局中，更新其相邻两个聚类簇集合内风机的数目及各自聚类簇内风机连接方式，进入步骤8)；
若超过，则从当前聚类簇中抽取N-M个风机加入到其周围两个聚类簇中，更新其余两个聚类簇内风机的数目及各自聚类簇内风机连接方式，进入步骤8)；
若刚好等于M，则直接执行下一步；
8)判定步骤7)重新生成的集电线路连接方式是否存在交叉情况：
判定由步骤7)调整生成的风机连接方式是否存在交叉情况，若不存在交叉情况，则保存个体的序号连接信息，表明调整过的连接方式既满足容量限制，又满足集电线路之间互不交叉的情况，保存单亲遗传算法PGA当前个体的第x个聚类簇的片段基因，执行步骤9)；
若存在交叉情况，则重新回到步骤7)，重新生成连接方式，重复以上判定过程，直至不存在交叉情况；
9)开始个体中下一个聚类簇的片段基因的调整：
经计算得到标号为x的聚类簇相邻的两个聚类簇序号分别为y、z，若相邻的两个聚类簇当中，其中某个聚类簇是已经初始化完毕且保存下来的，则不做改变，取另外一个未初始化的聚类簇，回到步骤7)继续进行限制条件判定；
其中，遍历的顺序分为三种方式：逆时针方向、顺时针方向及由顺时针和逆时针方向同时开展，采用这三种方式能够动态调整布局，有利于跳出局部最优，直至遍历所有的聚类簇，执行步骤10)；
10)计算种群中个体的适应度值，以全寿命周期成本LCC为目标，计算其经济性；
11)执行单亲遗传算法PGA的遗传算子操作：
将选择算子和变异算子相结合，选择变异概率Ps，且不同变异算子被选中的概率相等，采用以下三种方式执行变异操作：
a、交换变异算子：将两个互不相同的变异算子交换位置；
b、插入变异算子：随机抽取连接位置插入变异算子，将原本位置向后移一位；
c、逆序变异算子：将随机选取的某个位置到另一个位置之间的片段基因连接顺序颠倒；
每变异一次，都要返回步骤7)，因为每一次的变异是动态调整全局布局的，所以每一次的变异都会产生一个新个体，计算新个体的适应度值，反复迭代q次，直至收敛于一个值，得到满足当前条件下的集电线路经济性最优布局图；
12)重新聚类，回到步骤2)，迭代p次，以保证得到的结果能够跳出局部最优解，直至迭代满p次，流程结束，得到满足设定的初始条件下的全局最优集电线路布局图。
2.根据权利要求1所述的一种风电基地集电线路控制方法，其特征在于，所述步骤2)包括以下步骤：
2.1)应用FCM算法对风机进行区域划分：
FCM算法的目标函数(1)及其约束条件(2)如下所示：
Figure FDA0003560125380000021
Figure FDA0003560125380000022
式中，J为FCM算法的目标函数，s为聚类簇个数；n为风电基地风机个数；uij为第i个聚类簇第j个风机的隶属度；m为隶属度因子；xj为第j个风机的坐标位置信息；ci为第i个聚类簇中心；
2.2)更新聚类簇中心ci：
Figure FDA0003560125380000031
式(3)为聚类簇中心的迭代公式，其中xj为第j个风机的坐标点信息；
2.3)更新隶属度uij：
Figure FDA0003560125380000032
式中，ck为第k个聚类簇中心，|xj-ci|＝dij为传统的欧拉距离公式，表示第j个风机相对于某一类的聚类簇中心ci的距离，当求和里面的dij越小，则表示越接近这个类，那么整体分数值就越大，也就相当于隶属度uij越大，越属于这个聚类簇；
2.4)改变风机聚类规则：
Figure FDA0003560125380000033
式中，dij表示距离长度；D为第j个风机到第i个聚类中心ci与变电站连线线段的垂直距离；a为风机和变电站连线线段与聚类簇中心ci和变电站连线线段的夹角，当夹角a≥90°时，把dij设置为正无穷大+∞；
每次迭代判断聚类簇中心C有没有发生变化，C为所有聚类簇中心ci的集合，用一个矩阵范数比较：
||c(k+1)-c(k)||≤ε (6)
式中，k表示第k次迭代，当第k+1次迭代的聚类簇中心位置变化不超过设定的最大允许误差ε，即满足上式(6)，则停止迭代，输出结果，否则进行下一次迭代。
3.根据权利要求1所述的一种风电基地集电线路控制方法，其特征在于，在步骤10)中，设定目标函数为：
minCtotal＝Cinitial+β(CP.loss+Cment+C0) (7)
Figure FDA0003560125380000034
其中：Ctotal为总投资，Cinitial为初始投资成本，包括集电线路的线缆投资和开关设备成本；CP.loss为停电损失；Cment为故障维修成本；C0为运行过程中的网损；s为划分的聚类簇个数，f为每个分区内的集电线总数，l代表该分区内的第l段集电线；β为年度投资费用的现值和折算系数；Cl.type(θ)为第l条选择截面积为θ的集电线；Li.l为第i个聚类簇第l条集电线的长度；Nsw为开关柜的数目，Csw为每个开关柜的单价；
Figure FDA0003560125380000041
式(9)为优化目标函数的限制条件，一个聚类簇内所有风机中的集电线电流Il和电压降落|ΔUl|不得超过截面积下的最大承受电流Imax(θ)以及最大允许电压降落ΔUmax；Fx、Fy表示大型风电基地中坐标位置点互不相同的两个风机；Fx∩Fy＝φ表示不同聚类簇之间的风机不能有重叠；Fx∪Fy＝W表示保证所有的风机都能连上线；τ为折现率；t为整个寿命周期，风电基地寿命为20～25年；
折现率τ的计算用如下式表示：
τ＝rf+λ(rm-rf)+r0 (10)
式中，rf为无风险利率，λ为成分股指数，rm为年收益率，r0为通货膨胀率；
故障维修成本Cment通过下式计算得到：
Figure FDA0003560125380000042
其中：pi,l为第i个聚类簇第l条集电线发生故障的概率；cm为集电线单次维修所需费用；ps为第i个聚类簇的开关设备发生故障的概率；csw为开关设备单次维修所需费用；
停电损失CP.loss通过下式计算得到：
Figure FDA0003560125380000051
其中：α为风电基地生命周期内的故障次数，ce为风电上网电价；TMTTR为平均恢复时间；Prate为停运风机的额定功率；Tequal为风机年利用小时数；T为一年8760h；
运行过程中的网损C0通过下式计算得出：
Figure FDA0003560125380000052
其中：ce为风电上网电价；T为一年8760h；Il、Rl、Ll分别为各自聚类簇内第l条集电线路的运行电流、电阻以及长度。
4.一种风电基地集电线路控制系统，其特征在于，包括：
数据采集与设定模块，用于录入变电站和所有风机的地理坐标点信息，根据风机的单机容量与集电线的类型确定聚类簇数；
风电基地集电线路初始化布局模块，利用FCM算法做风机的初始化划分、将FCM的划分结果进行Delaunay三角剖分算法，生成风机的网格化分割图，最后运用Prim算法生成无加入限制条件下的风电基地风机间的连通图，即风机连通图；
限制条件判断模块，用于对各个聚类簇进行风机间集电线路容量判断和集电线路之间是否存在交叉情况的判定，若未超过容量限定和未存在交叉情况，则进入初始化个体适应度值评估模块，生成满足上述两个限制条件下的集电线路布局连通图，保证生成的连通图在满足集电线路容量限制的前提下，也能满足在同个聚类簇中的风机集电线路互不交叉及与不同聚类簇间的风机集电线路也互不交叉；否则进入动态调整优化模块，重新生成个体；
动态调整优化模块，根据限制约束条件，动态调整风电基地的风机布局方式，生成单亲遗传算法PGA的初始化个体；
初始化个体适应度值计算模块，用于计算种群中个体的适应度值，以全寿命周期成本LCC为目标，计算经济性；
染色体变异迭代判断模块，通过染色体变异和算法迭代后，使算法结果跳出局部最优，输出满足限定条件下的全局最优布局方式；
所述风电基地集电线路初始化布局模块执行以下操作：
根据录入的信息，利用FCM算法对整个风电基地做基于改变风机距离生成方式的聚类；
采用Delaunay三角剖分算法对风机的聚类结果进行网格化分割，避免线缆之间的交叉、跨越，得到风机三角剖分结果；
将所得的风机三角剖分结果加入到Prim算法中，得到初步的没有加入实际工程约束条件、且只满足指定聚类簇数目条件下的全局距离最短的风机集电线路布局方式，即得到各个聚类簇风机之间的连通图，为风机连通图；
基于Prim算法得到的风机连通图，进行个体的初始化：
首先对染色体进行初始化编码，根据Prim算法中生成各个聚类簇内的风机连通图的顺序依次标号，分别标记为第1～s号聚类簇；
以每2个序号基因为一个小单位，代表此两个序号是互相连接的，使小单位的数量等于聚类簇中风机数量f，以此来保证聚类簇内所有的风机都能有所连接；
一条染色体包含全部风机n台，n台风机分为s个聚类簇，s个聚类簇又存储着各自聚类簇内f台风机连接顺序，因此，一个个体的染色体基因数总共有2n个；
染色体中每个聚类簇的第一个小单位中的两个序号为变电站与当前聚类簇中的某一台风机的序号信息，其余的小单位表示本聚类簇内两台风机的连接，按照此策略形成染色体的每个聚类簇的片段基因的编码信息；
至此，个体的染色体初始化完成。
5.根据权利要求4所述的一种风电基地集电线路控制系统，其特征在于，所述限制条件判断模块执行以下操作：
从个体的第x个聚类簇开始，首次循环则取x＝0，根据就近原则计算得到其周围两个相邻的聚类簇的序号，聚类簇的序号表示其在染色体中的对应位置，经计算得到其相邻两个聚类簇的序号分别为y、z，则把第y、z号聚类簇的风机放到同一个集合中，执行下一步；其中，x,y,z∈[1,s],s为设定的聚类簇数目；
判定当前聚类簇中风机连通图的风机最大数是否超过整条集电线路的容量限制，具体如下：
计算第x号聚类簇初始化生成的连接方式中风机数N是否超过线缆所能负载的最大风机数量M，若未超过，则从相邻的其余两个聚类簇中随机抽取M-N个风机加入到当前聚类簇中，并且以随机星型或链型连接方式接入到当前聚类簇的连接布局中，更新其相邻两个聚类簇内风机的数目及各自聚类簇内风机连接方式，再进行集电线路连接方式是否存在交叉情况的判定；若超过，则从当前聚类簇中抽取N-M个风机加入到其周围两个聚类簇中，更新其余两个聚类簇内风机的数目及各自聚类簇内风机连接方式，进入集电线路连接方式是否存在交叉情况的判定；若刚好等于M，则直接进入动态调整优化模块；
判定重新生成的集电线路连接方式是否存在交叉情况，具体如下：
判定调整生成的风机连接方式是否存在交叉情况，若不存在交叉情况，则保存个体的序号连接信息，表明调整过的连接方式既满足容量限制，又满足集电线路之间互不交叉的情况，保存单亲遗传算法PGA当前个体的第x个聚类簇的片段基因，进入动态调整优化模块；
若存在交叉情况，则重新回到当前聚类簇中风机连通图的风机最大数是否超过整条集电线路的容量限制的判定，重新生成连接方式，重复以上判定过程，直至不存在交叉情况。
6.根据权利要求4所述的一种风电基地集电线路控制系统，其特征在于，所述动态调整优化模块执行以下操作：
经计算得到标号为x的聚类簇和相邻的两个聚类簇序号分别为y、z，若相邻的两个聚类簇当中，其中某个聚类簇是已经初始化完毕且保存下来的，则不做改变，取另外一个未初始化的聚类簇，回到限制条件判断模块继续进行限制条件判定；其中，遍历的顺序分为三种方式：逆时针方向、顺时针方向及由顺时针和逆时针方向同时开展，采用这三种方式能够动态调整布局，有利于跳出局部最优，直至遍历所有的聚类簇，进入初始化个体适应度值计算模块；
所述初始化个体适应度值计算模块执行以下操作：
设定目标函数：
minCtotal＝Cinitial+β(CP.loss+Cment+C0) (14)
Figure FDA0003560125380000071
其中：Ctotal为总投资，Cinitial为初始投资成本，包括集电线路的线缆投资和开关设备成本；CP.loss为停电损失；Cment为故障维修成本；C0为运行过程中的网损；s为划分的聚类簇个数，f为每个分区内的集电线总数，l代表该分区内的第l段集电线；β为年度投资费用的现值和折算系数；Cl.type(θ)为第l条选择截面积为θ的集电线；Li.l为第i个聚类簇第l条集电线的长度；Nsw为开关柜的数目，Csw为每个开关柜的单价；
Figure FDA0003560125380000072
式(16)为优化目标函数的限制条件，一个聚类簇内所有风机中的集电线电流Il和电压降落|ΔUl|不得超过截面积下的最大承受电流Imax(θ)以及最大允许电压降落ΔUmax；Fx、Fy表示大型风电基地中坐标位置点互不相同的两个风机；Fx∩Fy＝φ表示不同聚类簇之间的风机不能有重叠；Fx∪Fy＝W表示保证所有的风机都能连上线；τ为折现率；t为整个寿命周期，风电基地寿命为20～25年；
折现率τ的计算用如下式表示：
τ＝rf+λ(rm-rf)+r0 (17)
式中，rf为无风险利率，λ为成分股指数，rm为年收益率，r0为通货膨胀率；
故障维修成本Cment通过下式计算得到：
Figure FDA0003560125380000073
其中：pi,l为第i个聚类簇第l条集电线发生故障的概率；cm为集电线单次维修所需费用；psw为第i个聚类簇的开关设备发生故障的概率；csw为开关设备单次维修所需费用；
停电损失CP.loss通过下式计算得到：
Figure FDA0003560125380000081
其中：α为风电基地生命周期内的故障次数，ce为风电上网电价；TMTTR为平均恢复时间；Prate为停运风机的额定功率；Tequal为风机年利用小时数；T为一年8760h；
运行过程中的网损C0通过下式计算得出：
Figure FDA0003560125380000082
其中：ce为风电上网电价；T为一年8760h；Il、Rl、Ll分别为各自聚类簇内第l条集电线路的运行电流、电阻以及长度。
所述染色体变异迭代判断模块执行以下操作：
执行单亲遗传算法PGA的遗传算子操作：
将选择算子和变异算子相结合，选择变异概率Ps，且不同变异算子被选中的概率相等，采用以下三种方式执行变异操作：
a、交换变异算子：将两个互不相同的变异算子交换位置；
b、插入变异算子：随机抽取连接位置插入变异算子，将原本位置向后移一位；
c、逆序变异算子：将随机选取的某个位置到另一个位置之间的片段基因连接顺序颠倒；
每变异一次，都要返回限制条件判断模块，因为每一次的变异是动态调整全局布局的，所以每一次的变异都会产生一个新个体，计算新个体的适应度值，反复迭代q次，直至收敛于一个值，得到满足当前条件下的集电线路经济性最优布局图；
重新聚类，回到风电基地集电线路初始化布局模块，迭代p次，以保证得到的结果能够跳出局部最优解，直至迭代满p次，流程结束，得到满足设定的初始条件下的全局最优集电线路布局图。
7.一种存储介质，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至3中任一项所述的风电基地集电线路控制方法。
8.一种计算设备，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至3中任一项所述的风电基地集电线路控制方法。
CN202010811274.4A 2020-08-13 2020-08-13 风电基地集电线路控制方法、系统、存储介质及计算设备 Active CN112072695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010811274.4A CN112072695B (zh) 2020-08-13 2020-08-13 风电基地集电线路控制方法、系统、存储介质及计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010811274.4A CN112072695B (zh) 2020-08-13 2020-08-13 风电基地集电线路控制方法、系统、存储介质及计算设备

Publications (2)

Publication Number Publication Date
CN112072695A CN112072695A (zh) 2020-12-11
CN112072695B true CN112072695B (zh) 2022-05-17

Family

ID=73661568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010811274.4A Active CN112072695B (zh) 2020-08-13 2020-08-13 风电基地集电线路控制方法、系统、存储介质及计算设备

Country Status (1)

Country Link
CN (1) CN112072695B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
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
CN113743491B (zh) * 2021-08-27 2024-02-27 广东电网有限责任公司 一种接地刀闸合闸状态的监测方法、监测装置及监测系统
CN115471143A (zh) * 2022-11-10 2022-12-13 中铁第一勘察设计院集团有限公司 铁路通信机械室内设备布局方法、系统及其存储介质
CN116562424B (zh) * 2023-03-30 2024-03-22 上海勘测设计研究院有限公司 海上变电站的位置选择方法、系统、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2400620A2 (de) * 2010-03-30 2011-12-28 motiondrive AG Speichersystem für erneuerbare Energien
CN107357965A (zh) * 2017-06-16 2017-11-17 北京道亨时代科技有限公司 一种风电场集电线路的路径规划设计方法
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
CN110111003A (zh) * 2019-05-08 2019-08-09 东南大学 一种基于改进fcm聚类算法的新能源典型场景构建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2400620A2 (de) * 2010-03-30 2011-12-28 motiondrive AG Speichersystem für erneuerbare Energien
CN107357965A (zh) * 2017-06-16 2017-11-17 北京道亨时代科技有限公司 一种风电场集电线路的路径规划设计方法
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
CN110111003A (zh) * 2019-05-08 2019-08-09 东南大学 一种基于改进fcm聚类算法的新能源典型场景构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
考虑损耗约束的百万千瓦级海上风电汇集系统分析与设计;李雨佳 等;《华北电力大学学报(自然科学版)》;20200730;全文 *

Also Published As

Publication number Publication date
CN112072695A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
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
Sedghi et al. Distribution network expansion considering distributed generation and storage units using modified PSO algorithm
Miranda et al. Evolutionary computation in power systems
CN106503844B (zh) 一种采用遗传算法的电力线路路径寻优方法
CN106127304B (zh) 一种适用于配电网网络拓扑设计方法
CN105303450A (zh) 基于谱聚类改进交叉的复杂网络社区发现方法
CN110414810B (zh) 计及失负荷风险的多端智能软开关优化配置方法及系统
CN112052544B (zh) 风电场集电网络设计方法、系统、存储介质及计算设备
CN103927460A (zh) 一种基于rbf的风电场短期风速预测方法
Helseth et al. Combining Machine Learning and Optimization for Efficient Price Forecasting
CN111339713A (zh) 风电场的优化设计方法、系统、电子设备和存储介质
CN114580725A (zh) 基于遗传算法的分布式光伏布线多目标优化方法及装置
Xu et al. Multi-cluster based equilibrium optimizer algorithm with compact approach for power system network
Chung et al. Optimal generation expansion planning via improved genetic algorithm approach
CN112464545B (zh) 海上风电场电缆及变电站的布局方法、系统、设备及介质
CN111126707B (zh) 能耗方程构建、能耗预测方法与装置
Zhao et al. A graph-based deep reinforcement learning framework for autonomous power dispatch on power systems with changing topologies
CN115994612A (zh) 基于业扩规划的配电网运行优化方法、装置及存储介质
CN112488343B (zh) 一种基于超启发式算法的智慧城市智能感知终端选址方法
CN115544699A (zh) 基于遗传算法的海缆布局优化方法、装置、设备及介质
CN111832836B (zh) 一种计及负荷用电特性的配电网重构方法及系统
CN112418732B (zh) 一种含多能量枢纽综合能源系统规划方法及系统
CN114254470A (zh) 一种配电网可靠性提升方法、装置及存储介质
CN112183777A (zh) 一种基于深度强化学习的复杂网络局部破坏控制方法
KR102542102B1 (ko) 심층 강화학습 기반 재생에너지 배전계통 재구성 장치 및 그 방법

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