CN113177351A - 一种基于量子离散粒子群算法的涡轮机阵列优化方法 - Google Patents

Abstract

本发明提供了一种基于量子离散粒子群算法的涡轮机阵列优化方法，包括确定涡轮机阵列布放区域、布放区域内潮流场分布、涡轮机参数；对粒子群中每个粒子代表的涡轮机数量和涡轮机位置进行初始化；计算在海域中布放涡轮机后，每个粒子中各涡轮机位置的潮流流速、潮流能阵列中各个涡轮机的发电功率和潮流能阵列总发电功率、计算潮流能发电场总成本，每个粒子的更新速度和更新位置；判断涡轮机阵列是否满足安全距离、最小水深的约束条件；判断粒子群是否达到粒子群迭代次数，选择最优布局。本发明所述的基于量子离散粒子群算法的涡轮机阵列优化方法，实现了涡轮机阵列布局自动优化，为潮流能发电场涡轮机阵列的布局设计提供参考。

Description

一种基于量子离散粒子群算法的涡轮机阵列优化方法

技术领域

本发明属于潮流能技术领域，尤其是涉及一种基于量子离散粒子群算法的涡轮机阵列优化方法。

背景技术

在潮流能开发过程中，受发电装置转换效率因素影响，潮流能蕴藏量中只有部分能量被开发利用。未来潮流能大规模开发利用必然以涡轮机阵列发电场的形式出现。潮流发电和风力发电类似，多项研究已表明风力涡轮机间的尾流会明显降低风电场的能量利用率。潮流能涡轮机在运行时尾部也有尾流产生，其必然会影响下游潮流的速度。在多台潮流能涡轮机运转时，相互间的尾流作用将更加明显，不合理的潮流涡轮机布局形成的尾流效应会严重影响潮流能电场的成本投入与产出比。因此，在明确潮流能转换装置的前提下，研究潮流能涡轮机阵列布局关系到每台涡轮机的开发利用效率和整个潮流能电场的经济效益，是潮流能规模化开发利用的重要环节。目前对于潮流能涡轮机阵列的优化常基于人工经验或者数值模拟的方法，传统的经验布局法简单易行，但不是最优布局；数值模拟法能够考虑尾流、水深等因素，但只对单一布局进行研究，无法对布局进行自动优化。

发明内容

有鉴于此，本发明旨在提出一种基于量子离散粒子群算法的涡轮机阵列优化方法，以降低尾流影响和潮流能电场的整体成本，将潮流能涡轮机的工作效率最大化，提高了整个潮流能电场的经济效益。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于量子离散粒子群算法的涡轮机阵列优化方法，包括如下步骤：

S1、根据海域流场实际情况，确定涡轮机阵列布放区域、布放区域内潮流场分布，将涡轮机阵列布放区域进行矩形网格离散化，每个网格包含位置坐标、水深、流速流向信息；

S2、确定涡轮机参数，确定粒子群中粒子个数和迭代数及约束条件；

S3、对粒子群中每个粒子代表的涡轮机数量和涡轮机位置进行初始化；

S4、根据尾流模型判断涡轮机是否受其他涡轮机的尾流影响，计算在海域中布放涡轮机后，每个粒子中各涡轮机位置的潮流流速，计算潮流能阵列中各个涡轮机的发电功率和潮流能阵列总发电功率；

S5、计算潮流能发电场总成本，计算目标函数，即平准化度电成本；

S6、根据潮流能发电场平准化度电成本，计算粒子群中每个粒子的更新速度和更新位置；

S7、判断涡轮机阵列是否满足安全距离、最小水深的约束条件，若否，则返回步骤S6；

S8、计算每个粒子位置更新后的目标函数，更新粒子群中的个体最优布局和全局最优布局；

S9、判断粒子群是否达到粒子群迭代次数，若否，则返回步骤S4；

S10、算法结束后，选择粒子群中全局最优个体作为最优布局。

进一步的，所述步骤S1中的潮流场分布由经实测潮流数据验证的海洋数值模型模拟得到。

进一步的，所述步骤S2中的涡轮机参数包括涡轮机直径、总转换效率、推力系数。

进一步的，所述步骤S4中的尾流模型为Jensen尾流模型。

进一步的，所述步骤S5中计算潮流能发电场总成本包括基础投资、施工成本、运维成本。

进一步的，所述步骤S5中平准化度电成本(LCOE)计算公式为：

潮流能发电场中Nt台涡轮机在时间T内的总发电量

其中，u_i为涡轮机位置的潮流流速，Nt为涡轮机数，ρ为水的密度，η为涡轮机总转换效率，S为涡轮机叶片旋转扫过的面积。

进一步的，所述步骤S6中的粒子i的速度更新和位置更新计算公式：

x_i(t+1)＝x_i(t)+v_i(t+1)

更新速度v是由0,-1和1组成的p×k行1列矩阵，p行k列矩阵代表离散的布放海域，F(x)、T(x)均为随机选择函数，f为粒子选择F(x)更新速度的概率，t为当前迭代循环数，位置x为0和1组成的p×k行1列矩阵，数值1所在位置为涡轮机位置。

相对于现有技术，本发明所述的基于量子离散粒子群算法的涡轮机阵列优化方法具有以下优势：

(1)本发明所述的基于量子离散粒子群算法的涡轮机阵列优化方法，考虑了潮流能发电场水深地形及流场分布、涡轮机尾流场的扩散、各涡轮机尾流间的相互影响、涡轮机安全距离、涡轮机综合成本、涡轮机技术参数等，实现了涡轮机阵列布局自动优化，为潮流能发电场涡轮机阵列的布局设计提供参考。

(2)本发明所述的基于量子离散粒子群算法的涡轮机阵列优化方法，首次将离散量子粒子群算法应用于真实地形、真实流场的潮流能涡轮机阵列优化问题中，并根据实际的阵列优化问题，对离散量子粒子群算法过程进行了改进，降低了尾流影响和潮流能电场整体成本，将潮流能涡轮机的工作效率最大化，提高了整个潮流能电场的经济效益，为潮流能规模化开发利用提供技术基础。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的基于量子离散粒子群算法的涡轮机阵列优化方法的流程图；

图2为本发明实施例所述的水深地形图；

图3为本发明实施例所述的涨急时刻流场分布图；

图4为本发明实施例所述的落急时刻流场分布图；

图5为本发明实施例所述的涡轮机功率曲线；

图6为本发明实施例所述的涡轮机阵列初始布局；

图7为本发明实施例所述的涡轮机阵列布局优化结果；

图8为本发明实施例所述的优化迭代过程曲线。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

下面将参考附图并结合实施例来详细说明本发明。

名词解释：

QDPSO算法：量子离散粒子群算法。

一种基于量子离散粒子群算法的涡轮机阵列优化方法，如图1至8所示，包括如下步骤：

S1、根据海域流场实际情况，确定涡轮机阵列布放区域、布放区域内潮流场分布，将涡轮机阵列布放区域进行矩形网格离散化，每个网格包含位置坐标、水深、流速流向等信息；

步骤S1所述的潮流场分布由经实测潮流数据验证的海洋数值模型模拟得到。

本实施例在长800米、宽600米的矩形区域内布置潮流能涡轮机阵列，平均水深31.1m，涨急时刻最大流速2.03m/s，最小流速1.09m/s，平均流向338.6°，落急时刻最大流速1.96m/s，最小流速1.02m/s，平均流向159.1°。离散网格分辨率为4米×4米，将布放区域离散为200×150的网格区域，每个网格点只可布放1台涡轮机。水深地形如图2所示，涨急时刻流场分布、落急时刻流场分布如图3-4所示。

S2、确定涡轮机参数，确定粒子群中粒子个数和迭代数及约束条件；

步骤S2所述的涡轮机参数包括涡轮机直径、总转换效率、推力系数。所述的粒子群算法为量子离散粒子群算法，每个粒子是离散的矢量粒子，粒子群表述为Z＝[Z₁,Z₂,...,Z_M]，

其中，M为粒子群的群体规模，N为粒子离散化后的位数。离散粒子每一位

只可取0或1。

粒子群个数、最大迭代次数、约束条件均可根据具体海域的流速、深度以及涡轮机参数确定，以涡轮机对海面和海底的影响最小为基准。

本实施例中的涡轮机选取国际上技术成熟且运行多年的Marine CurrentTurbines(MCT)公司的SeaGen涡轮机，涡轮机直径为16m，涡轮机总转换效率取30％，额定流速2.5m/s，切入流速0.6m/s，切出流速3.5m/s，额定功率1.2MW，涡轮机功率曲线如图5所示。综合考虑优化效率和效果，经多次实验后，将粒子群体中粒子数设定为15个，最大迭代次数为1000。为减小涡轮机之间尾流的相互影响，本实施例约束条件中的安全运行距离设定为5×16米(即5倍的涡轮机直径)，同时为保障涡轮机安全运行、减小涡轮机对海面和海底的影响，将涡轮机所在位置的最小水深设定为20米(即涡轮机只能布放在水深超过20米的位置)。

S3、对粒子群中每个粒子代表的涡轮机数量和涡轮机位置进行初始化；

本实施例每个粒子中包含涡轮机数量35台，涡轮机阵列初始布局为传统交错布局，如图6所示。将离散的150行200列矩阵转换成一维的200×150行1列矩阵，矩阵由0和1组成，1的位置代表涡轮机坐标位置，以此作为初始粒子群位置。

S4、根据尾流模型判断涡轮机是否受其他涡轮机的尾流影响，计算在海域中布放涡轮机后，每个粒子中各涡轮机位置的潮流流速，计算潮流能阵列中各个涡轮机的发电功率和潮流能阵列总发电功率；

所述尾流模型为Jensen尾流模型。

两台涡轮机的位置为z_j＝[x_j,y_j,z_j]和z_i＝[x_i,y_i,z_i]，如果两者满足下述公式的关系，则认为潮流能涡轮机i受到潮流能涡轮机j的尾流影响。

假定尾流的边界是线性扩张的，即

D_i,j＝2αx+D

式中，α为尾流衰减常数，则潮流能涡轮机i的入流速度为：

式中，u_i,j(z_i,t)和u_j(z_j,t)为u_i,j和u_j对应于三维坐标系统中的速度值，C_T为涡轮机推力系数。

潮流能涡轮机i同时受到涡轮机j和涡轮机k的尾流影响，处于多尾流中的潮流能涡轮机i的入流速度为：

式中，N_t为潮流能涡轮机的数量，u₀(t)为未加入潮流能涡轮机前的流速，φ_j的值与两潮流能涡轮机相对位置有关，若两潮流能涡轮机之间的位置关系满足公式

的要求，则φ_j＝1，反之φ_j＝0。

涡轮机i处的流速为u_i(z_i,t)，其中i＝1,2,...,Nt，涡轮机的入流速度与发电功率关系为P(u_i(zi,t))，即

则给定潮流能发电场中Nt台涡轮机在时间T内的总发电量为：

其中E(Z)为潮流能电场总发电量，ρ为水的密度，取1023kg/m³；η为涡轮机总转换效率，S为叶片旋转扫过的面积，单位为m²。

S5、计算潮流能发电场总成本，计算目标函数(平准化度电成本)；

所述的潮流能发电场总成本包括基础投资、施工成本、运维成本。平准化度电成本(LCOE)计算公式：

潮流能发电场中Nt台涡轮机在时间T内的总发电量

其中，u_i为涡轮机位置的潮流流速，Nt为涡轮机数，ρ为水的密度，η为涡轮机总转换效率，S为涡轮机叶片旋转扫过的面积。

本实施例假定总成本为

Nt为涡轮机数量.

S6、根据潮流能发电场平准化度电成本，计算粒子群中每个粒子的更新速度和更新位置；

定义更新速度v是由0,-1和1组成的p×k行1列矩阵。p行k列矩阵代表离散的布放海域。为保证位置更新的全局性，给出速度更新公式为：

F(x)、T(x)均为随机选择函数，f为粒子选择F(x)更新速度的概率，t为当前迭代循环数，位置x为0和1组成的p×k行1列矩阵，数值1所在位置为涡轮机位置。当粒子以概率f选择F(x)更新速度时，F(x)函数从x＝1的位置选择1个目标函数最大的位置，给更新速度赋值为-1，在x＝0的位置随机选择1个，给更新速度赋值为1，其他位置为0，得到v_k(t+1)。当粒子以概率1-f选择T(x)更新速度时，T(x)函数选择2个x＝1的位置给更新速度赋值为-1，在x＝0的位置随机选择2个，给更新速度赋值为1，其他位置为0，得到v_k(t+1)。

粒子位置更新公式为：

x_k(t+1)＝x_k(t)+v_k(t+1)

S7、判断涡轮机阵列是否满足安全距离、最小水深等约束条件，若否，则返回步骤S6；

利用下述公式判断涡轮机阵列是否满足安全距离约束条件：

式中，d_i,j—位置约束；d_x、d_y、d_z—分别为椭圆形分布在横向、纵向、位置水深的安全运行距离。

如果d_i,j＜0，则两涡轮机满足安全距离条件；反之，则不满足安全距离条件。

S8、计算每个粒子位置更新后的目标函数，更新粒子群中的个体最优布局和全局最优布局；

所述个体最优布局是单个粒子位置更新前后目标函数最小的布局，全局最优布局是所有粒子位置更新前后目标函数最小的布局。

S9、判断是否达到粒子群迭代次数，若否，则返回步骤S4；

S10、算法结束后，选择粒子群中全局最优个体作为最优布局。

经过1000次迭代后，潮流能涡轮机阵列平准化度电成本最小的布局方式见图7，迭代过程曲线见图8。

本方案首次将离散量子粒子群算法应用于真实地形、真实流场的潮流能涡轮机阵列优化问题中，并根据实际的阵列优化问题，对离散量子粒子群算法过程进行了改进，使其更适合解决阵列优化问题。同时综合考虑尾流影响、安全距离、水深等约束条件，并将工程成本要素加入到目标函数中，求解涡轮机阵列最优布局。降低了尾流影响和潮流能电场整体成本，将潮流能涡轮机的工作效率最大化，提高了整个潮流能电场的经济效益，为潮流能规模化开发利用提供技术基础。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于量子离散粒子群算法的涡轮机阵列优化方法，其特征在于：包括如下步骤：

S1、根据海域流场实际情况，确定涡轮机阵列布放区域、布放区域内潮流场分布，将涡轮机阵列布放区域进行矩形网格离散化，每个网格包含位置坐标、水深、流速流向信息；

S2、确定涡轮机参数，确定粒子群中粒子个数和迭代数及约束条件；

S3、对粒子群中每个粒子代表的涡轮机数量和涡轮机位置进行初始化；

S4、根据尾流模型判断涡轮机是否受其他涡轮机的尾流影响，计算在海域中布放涡轮机后，每个粒子中各涡轮机位置的潮流流速，计算潮流能阵列中各个涡轮机的发电功率和潮流能阵列总发电功率；

S5、计算潮流能发电场总成本，计算目标函数，即平准化度电成本；

S6、根据潮流能发电场平准化度电成本，计算粒子群中每个粒子的更新速度和更新位置；

S7、判断涡轮机阵列是否满足安全距离、最小水深的约束条件，若否，则返回步骤S6；

S8、计算每个粒子位置更新后的目标函数，更新粒子群中的个体最优布局和全局最优布局；

S9、判断粒子群是否达到粒子群迭代次数，若否，则返回步骤S4；

S10、算法结束后，选择粒子群中全局最优个体作为最优布局。

2.根据权利要求1所述的一种基于量子离散粒子群算法的涡轮机阵列优化方法，其特征在于：所述步骤S1中的潮流场分布由经实测潮流数据验证的海洋数值模型模拟得到。

3.根据权利要求1所述的一种基于量子离散粒子群算法的涡轮机阵列优化方法，其特征在于：所述步骤S2中的涡轮机参数包括涡轮机直径、总转换效率、推力系数。

4.根据权利要求1所述的一种基于量子离散粒子群算法的涡轮机阵列优化方法，其特征在于：所述步骤S4中的尾流模型为Jensen尾流模型。

5.根据权利要求1所述的一种基于量子离散粒子群算法的涡轮机阵列优化方法，其特征在于：所述步骤S5中计算潮流能发电场总成本包括基础投资、施工成本、运维成本。

6.根据权利要求1所述的一种基于量子离散粒子群算法的涡轮机阵列优化方法，其特征在于：所述步骤S5中平准化度电成本(LCOE)计算公式为：

潮流能发电场中Nt台涡轮机在时间T内的总发电量

其中，u_i为涡轮机位置的潮流流速，Nt为涡轮机数，ρ为水的密度，η为涡轮机总转换效率，S为涡轮机叶片旋转扫过的面积。

7.根据权利要求1所述的一种基于量子离散粒子群算法的涡轮机阵列优化方法，其特征在于：所述步骤S6中的粒子i的速度更新和位置更新计算公式：

x_i(t+1)＝x_i(t)+v_i(t+1)

更新速度v是由0,-1和1组成的p×k行1列矩阵，p行k列矩阵代表离散的布放海域，F(x)、T(x)均为随机选择函数，f为粒子选择F(x)更新速度的概率，t为当前迭代循环数，位置x为0和1组成的p×k行1列矩阵，数值1所在位置为涡轮机位置。

Images