CN112101608A - 一种海上风电场选址方法及装置 - Google Patents
一种海上风电场选址方法及装置 Download PDFInfo
- Publication number
- CN112101608A CN112101608A CN201910527300.8A CN201910527300A CN112101608A CN 112101608 A CN112101608 A CN 112101608A CN 201910527300 A CN201910527300 A CN 201910527300A CN 112101608 A CN112101608 A CN 112101608A
- Authority
- CN
- China
- Prior art keywords
- wind farm
- offshore wind
- site selection
- farm site
- deep learning
- 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.)
- Pending
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 15
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 241000282461 Canis lupus Species 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims abstract description 7
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 10
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 210000002569 neuron Anatomy 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/90—Financial instruments for climate change mitigation, e.g. environmental taxes, subsidies or financing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种海上风电场选址方法及装置,方法包括:步骤S1:建立损失函数与综合指标决定的合适度有关的海上风电场选址深度学习模型;步骤S2:利用训练集通过灰狼算法训练海上风电场选址深度学习模型得到海上风电场选址深度学习优化模型;步骤S3:利用实际综合指标和海上风电场选址决策优化模型得到海上风电场选址;装置包括存储器和处理器,处理器调用存储于存储器上的海上风电场选址方法的程序进行海上风电场选址。与现有技术相比,可以更好地实现海上风电场选址方案决策,提高海上风电场风能利用程度,提高海上风电场带来的效益,从而达到增加电力系统有效利用新能源的目的。
Description
技术领域
本发明涉及海上风电场选址领域,尤其是涉及一种海上风电场选址方法及装置。
背景技术
随着经济的迅速发展,人们对电力的需求不断增长,其中新能源作为传统化石能源之后被广泛利用的能源形式,其主要组成部分的风能得到了深入的开发与利用。在陆上风电场的建设与运行的同时,海上风电场也凭借其独有优势迅速发展。风电场选址是风能利用中极为关键的部分。合适的风电场选址能够有效利用风能资源,减少传统化石能源的使用,实现经济效益与节能减排;反之,则可能导致经济损失或种种不良影响。
现有的陆上风电场存在占用土地资源等各种问题,于是关于海上风电场的研究不断增多。在海上风电场的建设与运行过程中,出现了与传统陆上风电场不同的特性与状况,这势必导致在海上风电场选址方面要考虑这些异同指标,旧有的风电场选址方法无法满足新的需要,此时应根据海上风电场及待选址地的特性,通过适合的选址策略可以有效提高海上风电场的经济效益和风能利用程度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种海上风电场选址方法及装置。
本发明的目的可以通过以下技术方案来实现:
一种海上风电场选址方法,该方法包括以下步骤:
步骤S1:建立损失函数与综合指标决定的合适度有关的海上风电场选址深度学习模型;
步骤S2:利用训练集通过灰狼算法训练海上风电场选址深度学习模型得到海上风电场选址深度学习优化模型;
步骤S3:利用实际综合指标和海上风电场选址决策优化模型得到海上风电场选址,从而提高海上风电场风能利用程度。
所述的综合指标包括计划海上风电场规模指标、选址经济指标和选址环境指标。
所述的计划海上风电场规模指标包括风机数量、预计容量和预计面积,选址经济指标包括选址的风能资源丰富程度、所在地城市发展程度、并网条件、建设成本和规模化难易程度,选址环境指标包括选址的水文地质条件与发生灾害可能性。
所述的综合指标还包括选址是否为渔业区、是否为生态保护区、附近是否有航线和政策导向。
所述的损失函数为:L(y)=(y-yn)2,其中y为合适度的实际值,yn为合适度的标准值。
所述灰狼算法的非线性收敛方程a为:
其中,tmax为最大迭代次数,t为迭代次数。
所述的海上风电场选址深度学习模型包括两个隐藏层和记忆模块,所述记忆模块记录上一次训练产生的数据,所述深度学习模型将每一次训练的训练集数据与记忆模块记录的上一次训练产生的数据的均值作为训练的输入。
所述的海上风电场选址深度学习模型输出0-100之间的合适度。
一种海上风电场选址装置,包括存储器和处理器,所述处理器调用存储于存储器上的所述海上风电场选址方法的程序进行海上风电场选址。
所述的步骤S3包括:
步骤31:得到各预备选址的实际综合指标;
步骤32:将各预备选址的实际综合指标依次通过海上风电场选址深度学习优化模型得到各预备选址的合适度;
步骤33:将各预备选址的合适度进行排序,得到海上风电场选址。
与现有技术相比,本发明具有以下优点:
(1)基于深度学习模型,可以有效提高海上风电场选址方案决策的准确率和效率。
(2)更好提高海上风电场带来的效益,达到增加电力系统有效利用新能源的目的。
(3)使用灰狼优化算法,具有较强的收敛性能、参数少、易实现的优点。
(4)对灰狼算法的非线性收敛方程进行改进,可增强灰狼算法的收敛速度。
(5)深度学习模型包含两个隐藏层和记忆模块,具有效率高和不易陷入局部最优解的优点。
(6)输入深度学习模型的综合指标包括计划海上风电场规模指标、选址经济指标和选址环境指标,涉及内容全面,有利于更好地进行选址。
附图说明
图1为本发明的流程图;
图2为灰狼算法原理示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
本实施例流程图如图1:
一种海上风电场选址方法。以综合指标决定的合适度为损失函数,考虑了计划海上风电场规模、选址经济指标、选址环境指标、选址其他影响指标。具体步骤为:
(1)确定计划海上风电场规模、选址经济指标、选址环境指标和选址其他影响指标,计划海上风电场规模指标包括风机数量、预计容量和预计面积,选址经济指标包括选址的风能资源丰富程度、所在地城市发展程度、并网条件、建设成本和规模化难易程度,选址环境指标包括选址的水文地质条件与发生灾害可能性,其他影响指标包括选址是否为渔业区、是否为生态保护区、附近是否有航线和政策导向。确定各指标并编号赋值。
风机数量、预计面积等按实际值直接赋值;附近是否有航线、是否为渔业区等指标赋值0或1;灾害可能性、水文条件、附近城市经济水平等指标在区间[0,1]之间赋值。
(2)建立海上风电场选址深度学习模型,从神经网络中神经元的结构方面进行优化包括两个隐藏层和记忆模块,所述记忆模块记录上一次训练产生的数据,所述深度学习模型将每一次训练的训练集数据与记忆模块记录的上一次训练产生的数据的均值作为训练的输入。
(3)优化深度学习模型,利用灰狼算法,通过大量计划海上风电场规模、经济指标、选址环境指标、选址其他影响指标的已有数据,生成深度学习训练集。对海上风电场选址深度学习模型进行训练,得到海上风电场选址深度学习优化模型。
(4)确定待建海上风电场的实际综合指标及情况,确认各预备选址的实际综合指标及情况,进而合理赋值。将各预备选址的实际综合指标依次通过海上风电场选址深度学习优化模型得到各预备选址的合适度,将各预备选址的合适度进行排序,得到海上风电场选址。
其中,灰狼算法的初始化方法为:记灰狼种群值为k,预设算法的最大迭代次数tmax,并设置灰狼种群值k、非线性下降参数a,以及距离系数向量A和位置系数向量C的初始值,随机生成初始灰狼种群,初始化迭代次数t,计算各灰狼个体的适应度值。
海上风电场选址深度学习模型的损失函数为:L(y)=(y-yn)2,其中y为合适度的实际值,yn为合适度的标准值。
深度学习本身具有求解精确、收敛快等优点,适合求解海上风电场选址这种多影响指标的决策优化问题,通过设置两个隐藏层和记忆模块对深度学习模型进行优化,并通过训练集对海上风电场选址深度学习模型进行训练,得到海上风电场选址深度学习优化模型,从而应用海上风电场选址深度学习优化模型对海上风电场选址模型进行海上风电场地址选择决策优化求解。
通过对灰狼算法种群初始化及多样化、采用新的非线性收敛方程两方面对灰狼算法进行优化,从而使算法更适合解决海上风电场选址方案决策问题。
通过对多层次影响海上风电场的指标进行分析并利用已有数据生成训练集,提高了决策的可靠性及效率,因而能够根据待建海上风电场及待选址地的特性得到的决策方案,选择合适的地址修建海上风电场,以有效提高海上风电场的经济效益和风能利用程度。
Claims (9)
1.一种海上风电场选址方法,其特征在于,该方法包括以下步骤:
步骤S1:建立损失函数与综合指标决定的合适度有关的海上风电场选址深度学习模型;
步骤S2:利用训练集通过灰狼算法训练海上风电场选址深度学习模型得到海上风电场选址深度学习优化模型;
步骤S3:利用实际综合指标和海上风电场选址决策优化模型得到海上风电场选址。
2.根据权利要求1所述的一种海上风电场选址方法,其特征在于,所述的综合指标包括计划海上风电场规模指标、选址经济指标和选址环境指标。
3.根据权利要求2所述的一种海上风电场选址方法,其特征在于,所述的计划海上风电场规模指标包括风机数量、预计容量和预计面积,选址经济指标包括选址的风能资源丰富程度、所在地城市发展程度、并网条件、建设成本和规模化难易程度,选址环境指标包括选址的水文地质条件与发生灾害可能性。
4.根据权利要求2所述的一种海上风电场选址方法,其特征在于,所述的综合指标还包括选址是否为渔业区、是否为生态保护区、附近是否有航线和政策导向。
5.根据权利要求1所述的一种海上风电场选址方法,其特征在于,所述的损失函数为:L(y)=(y-yn)2,其中y为合适度的实际值,yn为合适度的标准值。
7.根据权利要求1所述的一种海上风电场选址方法,其特征在于,所述的海上风电场选址深度学习模型包括两个隐藏层和记忆模块,所述记忆模块记录上一次训练产生的数据,所述深度学习模型将每一次训练的训练集数据与记忆模块记录的上一次训练产生的数据的均值作为训练的输入。
8.根据权利要求1所述的一种海上风电场选址方法,其特征在于,所述的海上风电场选址深度学习模型输出0-100之间的合适度。
9.一种海上风电场选址装置,包括存储器和处理器,其特征在于,所述处理器调用存储于存储器上的权利要求1-8任一所述海上风电场选址方法的程序进行海上风电场选址。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527300.8A CN112101608A (zh) | 2019-06-18 | 2019-06-18 | 一种海上风电场选址方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527300.8A CN112101608A (zh) | 2019-06-18 | 2019-06-18 | 一种海上风电场选址方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101608A true CN112101608A (zh) | 2020-12-18 |
Family
ID=73748958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910527300.8A Pending CN112101608A (zh) | 2019-06-18 | 2019-06-18 | 一种海上风电场选址方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101608A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344247A (zh) * | 2021-05-12 | 2021-09-03 | 广东华联云谷科技研究院有限公司 | 一种基于深度学习的电力设施选址预测方法与系统 |
CN115577539A (zh) * | 2022-10-14 | 2023-01-06 | 国网四川电力送变电建设有限公司 | 一种张牵场的场地自动筛选方法及系统 |
CN115577539B (zh) * | 2022-10-14 | 2024-06-11 | 国网四川电力送变电建设有限公司 | 一种张牵场的场地自动筛选方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN109861297A (zh) * | 2019-04-11 | 2019-06-07 | 上海电机学院 | 一种基于灰狼优化算法的电力系统黑启动方法 |
-
2019
- 2019-06-18 CN CN201910527300.8A patent/CN112101608A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN109861297A (zh) * | 2019-04-11 | 2019-06-07 | 上海电机学院 | 一种基于灰狼优化算法的电力系统黑启动方法 |
Non-Patent Citations (6)
Title |
---|
徐辰华;李成县;王尤军;林小峰;: "基于混沌灰狼优化算法的氧化铝质量指标预测模型", 广西大学学报(自然科学版), no. 06 * |
曾杰;陶铁铃;: "基于蚁群优化的支持向量机风速预测模型研究", 人民长江, no. 04 * |
李横;郭鹏;胡汝翼;黎泓志;: "基于遗传神经网络的军用油库选址优化模型", 兵器装备工程学报, no. 02, pages 74 - 78 * |
李玲纯;高来鑫;: "改进磷虾群算法在变电站选址中的应用", 重庆工商大学学报(自然科学版), no. 03 * |
王敏;唐明珠;: "一种新型非线性收敛因子的灰狼优化算法", 计算机应用研究, no. 12 * |
许德刚;肖人彬;: "粮食配送中心智能优化选址问题研究", 现代面粉工业, no. 02 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344247A (zh) * | 2021-05-12 | 2021-09-03 | 广东华联云谷科技研究院有限公司 | 一种基于深度学习的电力设施选址预测方法与系统 |
CN113344247B (zh) * | 2021-05-12 | 2022-12-13 | 中国安能集团第一工程局有限公司 | 一种基于深度学习的电力设施选址预测方法与系统 |
CN115577539A (zh) * | 2022-10-14 | 2023-01-06 | 国网四川电力送变电建设有限公司 | 一种张牵场的场地自动筛选方法及系统 |
CN115577539B (zh) * | 2022-10-14 | 2024-06-11 | 国网四川电力送变电建设有限公司 | 一种张牵场的场地自动筛选方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902863B (zh) | 一种基于多因素时空相关性的风速预测方法及装置 | |
CN104376389B (zh) | 基于负载均衡的主从式微电网功率负荷预测系统及其方法 | |
CN105354646B (zh) | 一种混合粒子群优化与极限学习机的电力负荷预测方法 | |
Zheng et al. | Bio‐inspired optimization of sustainable energy systems: A review | |
CN108985521A (zh) | 光伏发电系统的输出功率预测方法、装置、设备及介质 | |
CN104951834A (zh) | 基于遗传算法和粒子群集成的lssvm风速预测方法 | |
CN107947164A (zh) | 一种考虑多重不确定性及相关性的电力系统日前鲁棒调度方法 | |
CN109190161B (zh) | 基于斑块元胞自动机和港口城市规划的港城发展模拟方法 | |
CN103823504B (zh) | 一种基于最小二乘支持向量机的最大功率跟踪控制方法 | |
CN107681655B (zh) | 一种潮汐流能发电场协调规划方法 | |
CN106803135A (zh) | 一种光伏发电系统输出功率的预测方法及装置 | |
CN107204615A (zh) | 一种实现功率预测的方法及系统 | |
CN106570250A (zh) | 面向电力大数据的微电网短期负荷预测方法 | |
CN106295857A (zh) | 一种风电功率超短期预测方法 | |
CN103927460A (zh) | 一种基于rbf的风电场短期风速预测方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN102938562A (zh) | 一种区域内风电总功率的预测方法 | |
CN104732091A (zh) | 基于自然选择蚁群算法的元胞自动机河床演变预测方法 | |
CN105224738A (zh) | Lssvm非高斯脉动风速预测方法 | |
CN106251242A (zh) | 一种风电出力区间组合预测方法 | |
CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测系统及方法 | |
CN106779254A (zh) | 一种含分布式电源的充电站规划方法 | |
CN105138729A (zh) | 基于pso-grnn风电场风电机缺损风速值填充方法 | |
CN106786499A (zh) | 基于改进afsa优化elm的短期风电功率预测方法 | |
CN112101608A (zh) | 一种海上风电场选址方法及装置 |
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 |