CN112131795A - 基于退火模拟和遗传算法的风机排布方法及装置 - Google Patents

基于退火模拟和遗传算法的风机排布方法及装置 Download PDF

Info

Publication number
CN112131795A
CN112131795A CN202011021053.3A CN202011021053A CN112131795A CN 112131795 A CN112131795 A CN 112131795A CN 202011021053 A CN202011021053 A CN 202011021053A CN 112131795 A CN112131795 A CN 112131795A
Authority
CN
China
Prior art keywords
arrangement
calculating
genetic algorithm
annealing
probability
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
Application number
CN202011021053.3A
Other languages
English (en)
Inventor
董健
尹铁男
李润祥
裘新
牟金磊
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.)
Guodian United Power Technology Co Ltd
Original Assignee
Guodian United Power Technology 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 Guodian United Power Technology Co Ltd filed Critical Guodian United Power Technology Co Ltd
Priority to CN202011021053.3A priority Critical patent/CN112131795A/zh
Publication of CN112131795A publication Critical patent/CN112131795A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供了一种基于退火模拟和遗传算法的风机排布方法及装置。该方法包括：选择风电机组可能的排布位置，将可能的排布位置作为染色体，并将各个排布位置的发电量作为各染色体的适值函数，计算选择概率和累计概率；用赌轮法选择新的染色体构造新种群；对新种群部分染色体进行交叉、变异，及模拟退火；重复上述操作，直至达到设定的迭代次数；以最终的种群所代表的风电机组的排布位置作为最终的风电机组排布位置。本发明提供的基于退火模拟和遗传算法的风机排布方法及装置能够解决原有风机排布方式中的局部收敛问题。

Description

基于退火模拟和遗传算法的风机排布方法及装置
技术领域
本发明涉及风力发电技术领域，特别是涉及一种基于退火模拟和遗传算法的风机排布方法及装置。
背景技术
随着风电行业的发展，提高收益降低成本的需求越来越迫切，以往风机排布中人为主观判断居多，难以实现机位排布真正最优化。将智能算法引入到风机排布中，自动搜索最优风机布局，能够更加充分利用风电场资源，提高经济效益。
智能优化算法，尤其是遗传算法在各行业得到了较广泛的应用。尤其是在大数据比较热门的今天，各个领域内都对观测手段进行了加强，所能获取的数据日益增大。如何能从大数据中获取有用的信息需要依赖人工智能算法进行辅助。随着风电场信息化的加强，风电场地理信息越来越精细，为实现人工智能辅助布机提供了较好的条件。传统的布机由人工完成，难以避免主观判断的误差。而遗传算法能够实现在风电场地图内自动搜索，将最优方案更为准确地选择出来。
遗传算法容易陷入局部收敛，例如在风电场内某个高点密集区域算法自动搜索到了几个发电量较高的布机位置，并经过与周围位置的比较发现这个排布方案是最优的便停止搜索。殊不知，在间隔一定距离以外还有更好的位置，这就是所谓的局部收敛。
发明内容
本发明要解决的技术问题是提供一种基于退火模拟和遗传算法的风机排布方法及装置，能够解决原有风机排布方式中的局部收敛问题。
为解决上述技术问题，本发明提供了一种基于退火模拟和遗传算法的风机排布方法，所述方法包括：选择风电机组可能的排布位置，将可能的排布位置作为染色体，并将各个排布位置的发电量作为各染色体的适值函数，计算选择概率和累计概率；用赌轮法选择新的染色体构造新种群；对新种群部分染色体进行交叉、变异，及模拟退火；重复上述操作，直至达到设定的迭代次数；以最终的种群所代表的风电机组的排布位置作为最终的风电机组排布位置。
在一些实施方式中，还包括：在选择风电机组可能的排布位置，将可能的排布位置作为染色体，并将各个排布位置的发电量作为各染色体的适值函数，计算选择概率和累计概率之前，建立机位位置的数据矩阵，矩阵内存储各网格位置、该位置是否适合进行机位排布。
在一些实施方式中，选择风电机组可能的排布位置，将可能的排布位置作为染色体，并将各个排布位置的发电量作为各染色体的适值函数，计算选择概率和累计概率，包括：将选择的可能的排布位置，作为初始种群；计算各个排布位置所对应的发电量；将计算得到的发电量作为适值函数；根据适值函数，计算选择概率及累计概率。
在一些实施方式中，计算各个排布位置所对应的发电量，包括：判断该机位是否处在其它机位下风向5倍风机直径距离内；如果该机位处于其他机位下风向5倍距离内，用尾流模型计算该机位处的实际风速，并以实际风速计算发电量；如果该机位处于其他机位下风向5倍距离外，采用风资源数据计算发电量。
在一些实施方式中，根据适值函数，计算选择概率，包括：根据如下公式，计算选择概率：
Figure BDA0002700614360000031
其中，f(ki)i＝1,2,…,N为第i个机位的适值函数，Pk为计算得到的选择概率。
在一些实施方式中，根据适值函数，计算累计概率，包括：根据如下公式，计算累计概率：
Figure BDA0002700614360000032
其中，f(ki)i＝1,2,…,N为第i个机位的适值函数，Qk为计算得到的选择概率。
在一些实施方式中，对新种群部分染色体进行模拟退火，包括：随机选择东南西北中的一个方向，将该染色体对应的位置调整一个网格步长，得到新染色体；计算新染色体的适值函数，进而计算新染色体的接受概率；重复上述的步骤，如果连续重复执行n次，新的染色体没有被接受则停止退火模拟；如果没有出现连续n次新染色体没有被接受的情况，则等待到T＜Tmin时，停止退火模拟。
在一些实施方式中，计算新染色体的接受概率，包括：根据如下公式计算新染色体的接受概率：
Figure BDA0002700614360000033
其中，T为退火温度，每次迭代T＝T×0.99。
此外，本发明还提供了一种基于退火模拟和遗传算法的风机排布装置，所述装置包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据前文所述的基于退火模拟和遗传算法的风机排布方法。
采用这样的设计后，本发明至少具有以下优点：
目前行业内机位排布通常由人工完成，但在竞价上网的大背景下这种风机排布方式难以实现经济效益最大化。根据本发明可以用遗传算法对风电场内各种可能的机位排布方案进行智能择优，实现机位排布的自动化，解决了原有自动化机位排布中的局部收敛问题，可以大幅提高机位排布的合理性，提高风电场经济效益。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明实施例提供的数据矩阵的示意图；
图2是本发明实施例提供的基于退火模拟和遗传算法的风机排布方法的流程图；
图3是本发明实施例提供的基于退火模拟和遗传算法的风机排布装置的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供的基于遗传算法的风机排布方法特点为基于遗传算法对风电场内所有机位进行搜索，最终选出发电量最优的机位排布方案。本发明首先根据可以接受的距离误差将风电场划分为网格，网格点代表了所有可能的机位位置。采用遗传算法对机位位置进行选择、交叉、变异，经遗传算法的多次迭代计算后得到最终的最优机位排布方案。
建立机位位置的数据矩阵，矩阵内存储各网格位置、该位置是否适合进行机位排布。
随机选取几个机位，每个机位位置数据视为染色体，各机位发电量作为适值函数，这一组机位作为初始种群。作为解决发电量极大化问题，本算法将目标函数和适值函数都定为发电量。
根据该风电场风速分布数据计算该种群各机位的发电量，根据其发电量计算各染色体的选择概率和累计概率。在计算每个机位的发电量时需要首先判断该机位是否处在其它机位下风向5倍风机直径距离内，如果该机位处于某风机下游5倍距离内，则需要用尾流模型计算该机位处的实际风速，以实际风速对发电量进行计算。
用赌轮法选择新的染色体构造新种群。计算各机位的适值f(ki),i＝1,…,N；计算各机位的选择概率
Figure BDA0002700614360000051
计算各机位的累积概率
Figure BDA0002700614360000052
根据累积概率用赌轮法选择染色体构造新种群。
对新种群部分染色体进行交叉、变异。
随机选择某一染色体X，对其进入模拟退火优化操作：
①随机选择东南西北中的一个方向，将该染色体对应的位置调整一个网格步长，得到新染色体Xnew。
②计算新染色体的适值函数E(Xnew)，进而计算新染色体的接受概率
Figure BDA0002700614360000053
其中T为退火温度，初始值为T＝1，每次迭代T＝T×0.99；
③重复①-②，如果连续n次(例如可取n＝4)新的染色体没有被接受则停止退火模拟，进入7)；如果没有出现连续n次新染色体没有被接受的情况，则等到T<Tmin(Tmin为设定的一个极小温度，例如可取Tmin＝0.0001)时结束退火操作进入7)。
重复步骤2)-5)若干次，直到达到设定的迭代次数。
此时种群即代表了最优机位排布位置方案。
图3示出了基于退火模拟和遗传算法的风机排布装置的结构。参见图3，例如，所述基于退火模拟和遗传算法的风机排布装置300可以用于充当风电机组系统中的机位排布主机。如本文所述，基于退火模拟和遗传算法的风机排布装置300可以用于在风电机组系统中实现对风力发电机组的机位排布功能。基于退火模拟和遗传算法的风机排布装置300可以在单个节点中实现，或者基于退火模拟和遗传算法的风机排布装置300的功能可以在网络中的多个节点中实现。本领域的技术人员应意识到，术语基于退火模拟和遗传算法的风机排布装置包括广泛意义上的设备，图3中示出的基于退火模拟和遗传算法的风机排布装置300仅是其中一个示例。包括基于退火模拟和遗传算法的风机排布装置300是为了表述清楚，并不旨在将本发明的应用限制为特定的基于退火模拟和遗传算法的风机排布装置实施例或某一类基于退火模拟和遗传算法的风机排布装置实施例。本发明所述的至少部分特征/方法可以在网络装置或组件，例如，基于退火模拟和遗传算法的风机排布装置300中实现。例如，本发明中的特征/方法可以采用硬件、固件和/或在硬件上安装运行的软件实现。基于退火模拟和遗传算法的风机排布装置300可以是任何通过网络处理，存储和/或转发数据帧的设备，例如，服务器，客户端，数据源等。如图3所示，基于退火模拟和遗传算法的风机排布装置300可以包括收发器(Tx/Rx)310，其可以是发射器，接收器，或其组合。Tx/Rx 310可以耦合到多个端口350(例如上行接口和/或下行接口)，用于从其他节点发送和/或接收帧。处理器330可耦合至Tx/Rx 310，以处理帧和/或确定向哪些节点发送帧。处理器330可以包括一个或多个多核处理器和/或存储器设备332，其可以用作数据存储器，缓冲区等。处理器330可以被实现为通用处理器，或者可以是一个或多个专用集成电路(applicationspecific integrated circuit，简称ASIC)和/或数字信号处理器(digital signalprocessor，简称DSP)的一部分。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。

Claims (9)

1.一种基于退火模拟和遗传算法的风机排布方法，其特征在于，包括：
选择风电机组可能的排布位置，将可能的排布位置作为染色体，并将各个排布位置的发电量作为各染色体的适值函数，计算选择概率和累计概率；
用赌轮法选择新的染色体构造新种群；
对新种群部分染色体进行交叉、变异，及模拟退火；
重复上述操作，直至达到设定的迭代次数；
以最终的种群所代表的风电机组的排布位置作为最终的风电机组排布位置。
2.根据权利要求1所述的基于退火模拟和遗传算法的风机排布方法，其特征在于，还包括：
在选择风电机组可能的排布位置，将可能的排布位置作为染色体，并将各个排布位置的发电量作为各染色体的适值函数，计算选择概率和累计概率之前，建立机位位置的数据矩阵，矩阵内存储各网格位置、该位置是否适合进行机位排布。
3.根据权利要求1所述的基于退火模拟和遗传算法的风机排布方法，其特征在于，选择风电机组可能的排布位置，将可能的排布位置作为染色体，并将各个排布位置的发电量作为各染色体的适值函数，计算选择概率和累计概率，包括：
将选择的可能的排布位置，作为初始种群；
计算各个排布位置所对应的发电量；
将计算得到的发电量作为适值函数；
根据适值函数，计算选择概率及累计概率。
4.根据权利要求3所述的基于退火模拟和遗传算法的风机排布方法，其特征在于，计算各个排布位置所对应的发电量，包括：
判断该机位是否处在其它机位下风向5倍风机直径距离内；
如果该机位处于其他机位下风向5倍距离内，用尾流模型计算该机位处的实际风速，并以实际风速计算发电量；
如果该机位处于其他机位下风向5倍距离外，采用风资源数据计算发电量。
5.根据权利要求3所述的基于退火模拟和遗传算法的风机排布方法，其特征在于，根据适值函数，计算选择概率，包括：
根据如下公式计算选择概率：
Figure FDA0002700614350000021
其中，f(ki)i＝1,2,…,N为第i个机位的适值函数，Pk为计算得到的选择概率。
6.根据权利要求3所述的基于退火模拟和遗传算法的风机排布方法，其特征在于，根据适值函数，计算累计概率，包括：
根据如下公式计算累计概率：
Figure FDA0002700614350000022
其中，f(ki)i＝1,2,…,N为第i个机位的适值函数，Qk为计算得到的选择概率。
7.根据权利要求1所述的基于退火模拟和遗传算法的风机排布方法，其特征在于，对新种群部分染色体进行模拟退火，包括：
随机选择东南西北中的一个方向，将该染色体对应的位置调整一个网格步长，得到新染色体；
计算新染色体的适值函数，进而计算新染色体的接受概率；
重复上述的步骤，如果连续重复执行n次，新的染色体没有被接受则停止退火模拟；
如果没有出现连续n次新染色体没有被接受的情况，则等待到T＜Tmin时，停止退火模拟。
8.根据权利要求7所述的基于退火算法和遗传算法的风机排布方法，其特征在于，计算新染色体的接受概率，包括：
根据如下公式计算新染色体的接受概率：
Figure FDA0002700614350000031
其中，T为退火温度，每次迭代T＝T×0.99。
9.一种基于退火模拟和遗传算法的风机排布装置，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1至8任意一项所述的基于退火模拟和遗传算法的风机排布方法。
CN202011021053.3A 2020-09-25 2020-09-25 基于退火模拟和遗传算法的风机排布方法及装置 Pending CN112131795A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011021053.3A CN112131795A (zh) 2020-09-25 2020-09-25 基于退火模拟和遗传算法的风机排布方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011021053.3A CN112131795A (zh) 2020-09-25 2020-09-25 基于退火模拟和遗传算法的风机排布方法及装置

Publications (1)

Publication Number Publication Date
CN112131795A true CN112131795A (zh) 2020-12-25

Family

ID=73840069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011021053.3A Pending CN112131795A (zh) 2020-09-25 2020-09-25 基于退火模拟和遗传算法的风机排布方法及装置

Country Status (1)

Country Link
CN (1) CN112131795A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102142103A (zh) * 2011-04-15 2011-08-03 河海大学 一种基于实数编码遗传算法的风电场微观选址优化方法
CN105512472A (zh) * 2015-11-30 2016-04-20 国网青海省电力公司 大型风电基地功率汇集系统拓扑结构分层优化设计及其优化设计方法
WO2019141041A1 (zh) * 2018-01-22 2019-07-25 佛山科学技术学院 一种风电场机组布局多目标优化方法
CN111242803A (zh) * 2020-01-03 2020-06-05 国电联合动力技术有限公司 基于多种群遗传算法的风机排布方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102142103A (zh) * 2011-04-15 2011-08-03 河海大学 一种基于实数编码遗传算法的风电场微观选址优化方法
CN105512472A (zh) * 2015-11-30 2016-04-20 国网青海省电力公司 大型风电基地功率汇集系统拓扑结构分层优化设计及其优化设计方法
WO2019141041A1 (zh) * 2018-01-22 2019-07-25 佛山科学技术学院 一种风电场机组布局多目标优化方法
CN111242803A (zh) * 2020-01-03 2020-06-05 国电联合动力技术有限公司 基于多种群遗传算法的风机排布方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨珺 等: "基于模拟退火遗传算法的分散式风电选址定容", 东北电力技术, vol. 35, no. 2, pages 7 - 10 *

Similar Documents

Publication Publication Date Title
US20200212681A1 (en) Method, apparatus and storage medium for transmission network expansion planning considering extremely large amounts of operation scenarios
CN106532778B (zh) 一种计算分布式光伏并网最大准入容量的方法
CN112287990A (zh) 一种基于在线学习的边云协同支持向量机的模型优化方法
CN112803434A (zh) 有源配电网的无功优化方法、装置、设备和存储介质
CN115345380A (zh) 一种基于人工智能的新能源消纳电力调度方法
CN113159539B (zh) 多层边缘计算系统中联合绿色能量调度和动态任务分配方法
CN110929930A (zh) 一种船用曲轴生产线排产调度优化方法
CN114094599A (zh) 一种多站融合参与调峰调频调压潜力评估方法及装置
CN112131795A (zh) 基于退火模拟和遗传算法的风机排布方法及装置
CN111697607B (zh) 一种多端柔性直流输电受端电网接入方法及系统
CN116520084A (zh) 一种含源配电网故障定位方法、装置及存储介质
CN116128211A (zh) 基于风光不确定性预报场景的风光水联合短期优化调度方法
CN113347255B (zh) 边缘服务器选址部署模型及其求解方法
CN115544871A (zh) 考虑可再生电源空间相关性的分布鲁棒型储能规划方法
CN115313522A (zh) 一种考虑新能源出力预测偏差的备用容量配置方法及系统
CN115146936A (zh) 梯级水光蓄互补调度模型求解的动态调整学习因子算法
CN109409594B (zh) 一种短期风电功率预测方法
CN109494747B (zh) 一种基于交替梯度算法的电网概率潮流计算方法
CN111242803A (zh) 基于多种群遗传算法的风机排布方法及装置
CN112234599A (zh) 一种多元复杂城市电网超前动态自适应分区方法及其系统
CN114204613A (zh) 一种海上风电场接入电力系统的无功补偿方法和系统
CN116579479B (zh) 风电场功率超短期预测方法、系统、计算机及存储介质
CN114925864B (zh) 一种台风灾害下应急抢修方法
Zhao et al. Fault section location for distribution network containing DG based on IBQPSO
CN113642766B (zh) 一种电力系统站点停电数的预测方法、装置、设备及介质

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