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
一种基于量子离散粒子群算法的涡轮机阵列优化方法 Download PDFInfo
- Publication number
- CN113177351A CN113177351A CN202110366219.3A CN202110366219A CN113177351A CN 113177351 A CN113177351 A CN 113177351A CN 202110366219 A CN202110366219 A CN 202110366219A CN 113177351 A CN113177351 A CN 113177351A
- Authority
- CN
- China
- Prior art keywords
- turbine
- particle swarm
- tidal current
- particle
- array
- 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.)
- Granted
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
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,ui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:
xi(t+1)=xi(t)+vi(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,...,ZM],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zj=[xj,yj,zj]和zi=[xi,yi,zi],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
Di,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,ui,j(zi,t)和uj(zj,t)为ui,j和uj对应于三维坐标系统中的速度值,CT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:
涡轮机i处的流速为ui(zi,t),其中i=1,2,...,Nt,涡轮机的入流速度与发电功率关系为P(ui(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,ui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。
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vk(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vk(t+1)。
粒子位置更新公式为:
xk(t+1)=xk(t)+vk(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,di,j—位置约束;dx、dy、dz—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di,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110366219.3A CN113177351B (zh) | 2021-04-06 | 2021-04-06 | 一种基于量子离散粒子群算法的涡轮机阵列优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110366219.3A CN113177351B (zh) | 2021-04-06 | 2021-04-06 | 一种基于量子离散粒子群算法的涡轮机阵列优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177351A true CN113177351A (zh) | 2021-07-27 |
CN113177351B CN113177351B (zh) | 2022-09-20 |
Family
ID=76922795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110366219.3A Active CN113177351B (zh) | 2021-04-06 | 2021-04-06 | 一种基于量子离散粒子群算法的涡轮机阵列优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177351B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114263077A (zh) * | 2021-12-17 | 2022-04-01 | 无锡荷清数字建筑科技有限公司 | 一种3d打印模拟河流纹理铺地的建造方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110257800A1 (en) * | 2010-04-14 | 2011-10-20 | Zakariya Al-Hamouz | Particle swarm optimizing sliding mode controller |
CN104680249A (zh) * | 2015-02-11 | 2015-06-03 | 南京邮电大学 | 一种基于改进离散粒子群算法的pmu配置方法 |
CN105701558A (zh) * | 2014-12-11 | 2016-06-22 | Sap欧洲公司 | 在受限的地理区域中对交互对象的布局优化 |
CN106779161A (zh) * | 2016-11-15 | 2017-05-31 | 南京航空航天大学 | 一种气动外形约束下分布式三维阵的阵列布局优化方法 |
CN109255361A (zh) * | 2018-06-01 | 2019-01-22 | 重庆大学 | 一种考虑不可行区域的潮汐流能发电场机组布局方法 |
CN109670219A (zh) * | 2018-12-04 | 2019-04-23 | 河海大学 | 一种基于网格化海域的潮流能水轮机阵列优化方法 |
CN110232471A (zh) * | 2019-05-08 | 2019-09-13 | 中国水利水电科学研究院 | 一种降水传感网节点布局优化方法及装置 |
CN110689156A (zh) * | 2018-07-04 | 2020-01-14 | 新智数字科技有限公司 | 一种泛能站优化方法及装置 |
CN111400925A (zh) * | 2020-03-25 | 2020-07-10 | 重庆大学 | 考虑复杂地势的三维潮汐流能发电场规划系统 |
-
2021
- 2021-04-06 CN CN202110366219.3A patent/CN113177351B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110257800A1 (en) * | 2010-04-14 | 2011-10-20 | Zakariya Al-Hamouz | Particle swarm optimizing sliding mode controller |
CN105701558A (zh) * | 2014-12-11 | 2016-06-22 | Sap欧洲公司 | 在受限的地理区域中对交互对象的布局优化 |
CN104680249A (zh) * | 2015-02-11 | 2015-06-03 | 南京邮电大学 | 一种基于改进离散粒子群算法的pmu配置方法 |
CN106779161A (zh) * | 2016-11-15 | 2017-05-31 | 南京航空航天大学 | 一种气动外形约束下分布式三维阵的阵列布局优化方法 |
CN109255361A (zh) * | 2018-06-01 | 2019-01-22 | 重庆大学 | 一种考虑不可行区域的潮汐流能发电场机组布局方法 |
CN110689156A (zh) * | 2018-07-04 | 2020-01-14 | 新智数字科技有限公司 | 一种泛能站优化方法及装置 |
CN109670219A (zh) * | 2018-12-04 | 2019-04-23 | 河海大学 | 一种基于网格化海域的潮流能水轮机阵列优化方法 |
CN110232471A (zh) * | 2019-05-08 | 2019-09-13 | 中国水利水电科学研究院 | 一种降水传感网节点布局优化方法及装置 |
CN111400925A (zh) * | 2020-03-25 | 2020-07-10 | 重庆大学 | 考虑复杂地势的三维潮汐流能发电场规划系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114263077A (zh) * | 2021-12-17 | 2022-04-01 | 无锡荷清数字建筑科技有限公司 | 一种3d打印模拟河流纹理铺地的建造方法 |
CN114263077B (zh) * | 2021-12-17 | 2023-01-24 | 无锡荷清数字建筑科技有限公司 | 一种3d打印模拟河流纹理铺地的建造方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113177351B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103996074B (zh) | 基于cfd和改进pso的复杂地形风电场微观选址方法 | |
Şişbot et al. | Optimal positioning of wind turbines on Gökçeada using multi‐objective genetic algorithm | |
WO2019141041A1 (zh) | 一种风电场机组布局多目标优化方法 | |
CN105119320B (zh) | 一种分散式风电场风机优化布置系统及方法 | |
CN106682282B (zh) | 一种风电场多型号风力发电机排布优化方法 | |
Wan et al. | Optimal micro-siting of wind turbines by genetic algorithms based on improved wind and turbine models | |
CN108879793A (zh) | 一种风光蓄能水电站互补的离网式混合能源系统优化方法 | |
CN102142103A (zh) | 一种基于实数编码遗传算法的风电场微观选址优化方法 | |
CN107681655B (zh) | 一种潮汐流能发电场协调规划方法 | |
González et al. | An improved evolutive algorithm for large offshore wind farm optimum turbines layout | |
CN108520319A (zh) | 基于大数据的风电场微观选址研究方法 | |
CN106886833A (zh) | 一种适用于复杂约束条件的风力发电机选址选型优化方法 | |
Jiang et al. | Comprehensive assessment of wind resources and the low-carbon economy: An empirical study in the Alxa and Xilin Gol Leagues of inner Mongolia, China | |
CN102622482A (zh) | 一种基于二进制粒子群算法的风机优化布置方法 | |
CN106897793A (zh) | 一种可保证安全距离的基于遗传算法的风电场风力发电机排布优化方法 | |
CN105139269A (zh) | 一种多期风电场微观选址方法 | |
CN113177351B (zh) | 一种基于量子离散粒子群算法的涡轮机阵列优化方法 | |
CN115618540A (zh) | 基于三层次动态变异率的风力发电机组优化布局方法 | |
CN116090338A (zh) | 基于遗传学算法及蚁群算法的集电系统规划的方法及装置 | |
Sood et al. | Optimal placement of wind turbines: A Monte Carlo approach with large historical data set | |
CN116658359A (zh) | 一种风电场实时协同偏航控制方法 | |
CN109546647B (zh) | 一种用于含风光水储的电力系统的安全稳定评估方法 | |
Tseng et al. | OPTIMIZATION OF WIND TURBINE PLACEMENT LAYOUT ON NON-FLAT TERRAINS. | |
CN114421468A (zh) | 一种计及风电集群共享储能联合参与的一次调频容量规划方法 | |
Navya et al. | Optimization of wind farm layout based on wake effect modelling |
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 |