CN113806947A - 海上风电场布局处理方法、装置及设备 - Google Patents
海上风电场布局处理方法、装置及设备 Download PDFInfo
- Publication number
- CN113806947A CN113806947A CN202111110002.2A CN202111110002A CN113806947A CN 113806947 A CN113806947 A CN 113806947A CN 202111110002 A CN202111110002 A CN 202111110002A CN 113806947 A CN113806947 A CN 113806947A
- Authority
- CN
- China
- Prior art keywords
- cable
- fan
- model
- data
- cable network
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 87
- 238000010248 power generation Methods 0.000 claims abstract description 77
- 238000005457 optimization Methods 0.000 claims abstract description 68
- 239000011159 matrix material Substances 0.000 claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims description 88
- 230000006870 function Effects 0.000 claims description 67
- 230000009466 transformation Effects 0.000 claims description 49
- 238000009826 distribution Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 23
- 230000002068 genetic effect Effects 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000001360 synchronised effect Effects 0.000 abstract description 7
- 238000012876 topography Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 22
- 238000007781 pre-processing Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010408 sweeping Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241000962514 Alosa chrysochloris Species 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- FIAFUQMPZJWCLV-UHFFFAOYSA-N suramin Chemical compound OS(=O)(=O)C1=CC(S(O)(=O)=O)=C2C(NC(=O)C3=CC=C(C(=C3)NC(=O)C=3C=C(NC(=O)NC=4C=C(C=CC=4)C(=O)NC=4C(=CC=C(C=4)C(=O)NC=4C5=C(C=C(C=C5C(=CC=4)S(O)(=O)=O)S(O)(=O)=O)S(O)(=O)=O)C)C=CC=3)C)=CC=C(S(O)(=O)=O)C2=C1 FIAFUQMPZJWCLV-UHFFFAOYSA-N 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- VLPFTAMPNXLGLX-UHFFFAOYSA-N trioctanoin Chemical compound CCCCCCCC(=O)OCC(OC(=O)CCCCCCC)COC(=O)CCCCCCC VLPFTAMPNXLGLX-UHFFFAOYSA-N 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
-
- 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
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
本说明书实施例公开了一种海上风电场布局处理方法、装置及设备，所述方法包括：基于风资源数据，结合障碍区域、电缆选型等实际需求，通过设置双层模型实现风机矩阵选址、风机和变电站布局以及三维绕障碍电缆网络拓扑同步优化的方法，其应用范围更加广泛，且根据该技术得到的布局方案可以为海上风电场同时带来更经济的投资运行费用、更高的发电效率以及更低的能量损失。且，本说明书实施例中的海上风电布局优化模型综合考虑了多种实际工程因素和需要，包括障碍限制、尾流效应、电缆数量与选型、多类型风机、海底地形和能量损失等，利用该技术得到的布局方案更符合工程实际。
Description
技术领域
本说明书属于风电场布局技术领域，尤其涉及一种海上风电场布局处理方法、装置及设备。
背景技术
风电是近年来发展最快的清洁能源，尤其是海上风电，由于具有资源丰富，运行稳定，对环境和居民影响低以及沿海发达城市就近利用等优点得到了越来越多的关注。作为海上风电场建设的关键一环，海上风电场的智能布局设计优化是一项十分重要的工作。相较于陆上风电场，海上风电场投资和运行成本要高很多，因此在设计时得到一个能够提高海上风电场收益的布局方案尤为重要。
海上风电场布局优化一般指微观布局，包括风机和变电站位置的优化以及电缆网络拓扑优化，一般的，海上风电场布局优化只会单一优化风机和变电站位置或电缆网络拓扑，且不能解决三维空间上绕障的电缆网络拓扑优化问题，适用性不广。此外，海上风电场布局需要多重因素，并且这些因素多具有非线性，因此，优化时考虑的因素越多，建模求解越困难，风电场布局优化的结果准确度难以保证。
因此，如何提供一种方案能够提升海上风电场布局的合理性，进而降低海上风电场的建设成本，提升海上风电场的发电效率是本领域亟需解决的技术问题。
发明内容
本说明书实施例的目的在于提供一种海上风电场布局处理方法、装置及设备，提高了海上风电场布局的合理性，提升了海上风电场的发电效率。
一方面，本说明书实施例提供了一种海上风电场布局处理方法，所述方法包括：
根据待处理海上风电场的位置采集所述待处理海上风电场的风电场布局数据，所述风电场布局数据包括：海底测深网格数据、障碍位置数据、风资源数据、风机类型及参数、电缆类型及参数；
利用所述海底测深网格数据、所述障碍位置数据、所述风机类型及参数对外层模型进行求解，获得所述外层模型的初始解，所述初始解包括：所述待处理海上风电场的风机初始位置、海陆变电站初始位置、初始风机矩阵位置；所述外层模型的变量包括风机矩阵位置、风机和变电站相对位置，所述外层模型的目标函数为最大化年度总收益；
将所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据、所述风资源数据、所述电缆类型及参数作为内层模型的输入数据，依次对所述内层模型中的子模型进行求解，获得所述待处理海上风电场的电缆网络拓扑信息、发电收益和成本；所述内层模型的子模型包括：风速分布子模型、尾流损失子模型、功率曲线子模型、网络拓扑子模型、能量损失子模型、成本子模型；
基于所述发电收益和成本获得所述外层模型的目标函数，将所述目标函数返回至所述外层模型，利用所述外层模型对所述风机初始位置、所述海陆变电站初始位置以及所述初始风机矩阵位置进行优化，获得所述待处理海上风电场的目标风机位置、目标海陆变电站位置、目标风机矩阵位置。
另一方面，本说明书提供了一种海上风电场布局处理装置，所述装置包括：
数据采集模块，用于根据待处理海上风电场的位置采集所述待处理海上风电场的风电场布局数据，所述风电场布局数据包括：海底测深网格数据、障碍位置数据、风资源数据、风机类型及参数、电缆类型及参数；
外层模型初始解模块，用于利用所述海底测深网格数据、所述障碍位置数据、所述风机类型及参数对外层模型进行求解，获得所述外层模型的初始解，所述初始解包括：所述待处理海上风电场的风机初始位置、海陆变电站初始位置、初始风机矩阵位置；所述外层模型的变量包括风机矩阵位置、风机和变电站相对位置，所述外层模型的目标函数为最大化年度总收益；
电缆网络拓扑优化模块，用于将所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据、所述风资源数据、所述电缆类型及参数作为内层模型的输入数据，依次对所述内层模型中的子模型进行求解，获得所述待处理海上风电场的电缆网络拓扑信息、发电收益和成本；所述内层模型的子模型包括：风速分布子模型、尾流损失子模型、功率曲线子模型、网络拓扑子模型、能量损失子模型、成本子模型；
风机变电站布局优化模块，用于基于所述发电收益和成本获得所述外层模型的目标函数，将所述目标函数返回至所述外层模型，利用所述外层模型对所述风机初始位置、所述海陆变电站初始位置以及所述初始风机矩阵位置进行优化，获得所述待处理海上风电场的目标风机位置、目标海陆变电站位置、目标风机矩阵位置。
再一方面，本说明书实施例提供了一种海上风电场布局处理设备，应用于服务器，设备包括至少一个处理器及用于存储处理器可执行指令的存储器，指令被处理器执行时实现包括上述海上风电场布局处理方法。
本说明书提供的海上风电场布局处理方法、装置及设备，基于风资源数据，结合障碍区域、电缆选型等实际需求，通过设置双层模型实现风机矩阵选址、风机和变电站布局以及三维绕障碍电缆网络拓扑同步优化的方法，其应用范围更加广泛，且根据该技术得到的布局方案可以为海上风电场同时带来更经济的投资运行费用、更高的发电效率以及更低的能量损失。且，本说明书实施例中的海上风电布局优化模型综合考虑了多种实际工程因素和需要，包括障碍限制、尾流效应、电缆数量与选型、多类型风机、海底地形和能量损失等，利用该技术得到的布局方案更符合工程实际。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的海上风电场布局处理方法实施例的流程示意图；
图2是本说明书一个实施例中经过预处理的网格化海底测深数据示意图；
图3是本说明书一个实施例中海上风电场布局优化的原理流程示意图；
图4是本说明书一个实施例中双层模型的结构示意图；
图5是本说明书一个实施例中三维多风机类型尾流损失模型的原理示意图；
图6是本说明书一个场景示例中海上风电场布局优化的结果示意图；
图7是本说明书一个实施例中海上风电场布局处理装置的结构示意图；
图8是本说明书一个实施例中海上风电场布局处理服务器的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
本说明书实施例提供的一个场景示例中，海上风电场布局处理方法可以应用于执行海上风电场布局处理的设备，设备可以包括一个服务器，也可以包括多个服务器组成的服务器集群。
本说明书实施例提供的海上风电场布局处理方法，基于GIS地形和风资源数据，结合障碍区域、电缆选型等实际需求，实现在三维空间内风机矩阵选址、发变电设备布局和三维绕障碍电缆网络拓扑的同步优化。建立了一个双层模型来描述风机矩阵的选址布局和电缆网络拓扑优化问题，所述模型计及风速分布、尾流损失、功率曲线、网络拓扑、能量损失和投资运行成本，提升了海上风电场布局优化设计的合理性和准确性，进而提升了海上风电场的发电效率，降低了海上风电场的建设成本。
图1是本说明书实施例提供的海上风电场布局处理方法实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。的方法或模块结构的在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
具体的一个实施例如图1所示，本说明书提供的海上风电场布局处理方法的一个实施例中，方法可以应用于服务器、计算机、智能手机、平板电脑等设备中，所述方法可以包括如下步骤：
步骤102、根据待处理海上风电场的位置采集所述待处理海上风电场的风电场布局数据，所述风电场布局数据包括：海底测深网格数据、障碍位置数据、风资源数据、风机类型及参数、电缆类型及参数。
在具体的实施过程中，可以根据待处理海上风电场的位置，采集对应的风电场布局数据，如：海底测深网格数据、障碍位置数据、风资源数据、风机类型及参数、电缆类型及参数，其中，海底测深网格数据可以包括通过测深获得的待处理海上风电场处的海底地形数据，障碍位置数据可以包括待处理海上风电场处障碍物的位置数据，如：捕鱼区域等，风资源数据可以包括指定时间范围内的风向、风速等数据。
风机类型及参数可以包括风机的型号、额定功率、切入风速等数据，表1是本说明书一个场景示例中，以Skipjack海上风电场为例，其区域边界设定为38.5-38.6°N，74.73-75.06°W，不同类型风机的参数表。其中，Haliade-X和Haliade 150Haliade 150表示两种风机型号。电缆类型及参数可以包括电缆的型号以及相关参数如：横截面、电感等，表2是本说明书一个场景示例中不同电缆型号对应的参数表。
表1：风机参数表
| Haliade-X | Haliade 150 | |
| 额定功率/MW | 12 | 6 |
| 切入风速/m·s<sup>-1</sup> | 3.5 | 3 |
| 额定风速/m·s<sup>-1</sup> | 11 | 12 |
| 切出风速/m·s<sup>-1</sup> | 28 | 25 |
| 轮毂高度/m | 135 | 100 |
| 转子直径/m | 109.1 | 75.4 |
| 频率/Hz | 50 | 50 |
表2：电缆参数表
本说明书一些实施例中，在采集到风电场布局数据后，可以对采集到的相关数据进行预处理，再使用预处理后的数据对待处理海上风电场的布局进行优化处理。其中，对风资源数据进行预处理的过程可以包括：
根据所述风资源数据将风向以一定间隔进行划分，对每个风向区间内出现的风向数据进行概率统计，对每个风向区间的所有风速数据进行分布拟合，获得风速分布的形状参数和尺度参数；
基于所述风速分布的形状参数和尺度参数对内层模型中的各个子模型进行求解。
在具体的实施过程中，对于风资源数据的预处理，需要将风向以一定间隔进行划分，对每个风向区间内出现的风向数据进行概率统计。对每个风向区间的所有风速数据根据不同类型风机的轮毂高度进行预处理，然后对处理后的风速数据进行函数拟合。本说明书一个实施例中，可以将风向以20°为间隔分为18个区间，然后对所有区间风向出现的次数进行概率统计，同时利用Matlab对每个区间内的所有风速进行分布拟合，以得到不同的形状参数k和尺度参数ci，拟合函数形式可以参考下述公式(1)和公式(2)：
Ci(θ,xi,yi,Vi)＝ci(θ)×(1-Vi Def) i∈VWT (2)
式中，Pi dv为风速分布的概率密度函数，k为形状参数函数，与风向θ有关，Vi为下游风速，Ci为风机实际风速尺度参数函数，与风向、风速和风机位置有关，(xi,yi)为风机的位置坐标，ci为风机的风速尺度参数函数，Vi Def为风电场中所有风机对风机i由于尾流效应而造成的风速降低的总和。
此外，需要指出的是，原始风资源数据是在一定的测风点的高度上得到的，得到原始数据后，风速数据需要根据不同类型风机的轮毂高度而进行预处理，具体地，可以根据下述公式(3)进行计算，以得到实际轮毂高度上的风数据。
式中，Vi为下游风速，
为风机的轮毂高度，v为在高度为h的观测点处的风速，z0风电场的表面粗糙度，VWT为风机的集合。表3是本说明书一个场景示例中风资源数据的预处理结果汇总。
表3：风资源数据预处理结果汇总
基于风资源数据预处理后的结果，可以对风速分布子模型、尾流损失子模型、功率曲线子模型、网络拓扑子模型、能量损失子模型等进行求解，进而为后续风电场的布局优化奠定了数据基础。
本说明书一些实施例中，还可以对海底网格测深数据以及障碍位置数据进行预处理，具体过程可以包括：
根据所述海底测深网格数据，获得海底测深网格数据的坐标变换信息和高程矩阵；
利用所述坐标变换信息和所述高程矩阵，在地理坐标系下将所述海底测深网格数据中的已知区域划分为若干矢量网格；
以一定的经纬度间隔采样若干点，通过对矢量网格和采样点进行重叠分析，确定每个采样点对应的高程数据；
根据所述障碍数据和所述每个采样点对应的高程数据，对所述海底测深网格数据进行更新，并利用更新后的海底测深网格数据对外层模型和内层模型进行求解。
在具体的实施过程中，可以通过GDAL库处理原始的GeoTiff数据即海底测深网格数据，以获得仿射地理参考坐标变换信息和高程矩阵。利用坐标变换信息和高程矩阵，在地理坐标系下将已知区域划分为若干啊矢量网格，本说明书一个场景示例中划分了1896个矢量网格，同时以经纬度均为200米的间隔采样12993个点。通过对矢量网格和采样点进行重叠分析来匹配相关的网格和点，从而获取每个采样点的高程数据。根据障碍位置数据更新海底地形网格采样点的数据，对海底测深网格数据进行更新。具体可以通过将障碍所覆盖采样点的高程设定为一个特定值来实现障碍网格的标记，同时实现电缆经过障碍区域会增加费用的目的，这个特定值可以是一个很小的负数。图2是本说明书一个实施例中经过预处理的网格化海底测深数据示意图，其中，左侧图展示的是海底测深数据的三维情况，主要展示电缆的三维布局，右侧附图是左侧附图的平面图展示的三维布局，主要展示风机位置和电缆选型。此外，如图2所示，图2右侧图片中深灰色矩形为障碍区域，此区域内不能布置风机、变电站以及电缆，虚线标出的区域为风机矩阵可行的布局区域。
对海底测深数据以及障碍位置数据进行预处理后，可以将预处理后的数据作为外层模型和/或内层模型的输入数据，进而对外城模型和内层模型进行求解，实现对海上风电场的优化。预处理后的数据可以直接输入模型，加快数据处理效率，提高数据处理的准确性。
步骤104、利用所述海底测深网格数据、所述障碍位置数据、所述风机类型及参数对外层模型进行求解，获得所述外层模型的初始解，所述初始解包括：所述待处理海上风电场的风机初始位置、海陆变电站初始位置、初始风机矩阵位置；所述外层模型的变量包括风机矩阵位置、风机和变电站相对位置，所述外层模型的目标函数为最大化年度总收益。
在具体的实施过程中，本说明书实施例提供了一种双层模型，其中外层模型主要用于对风机矩阵位置、风机和变电站相对位置进行优化设计，外层模型的变量包括风机矩阵位置、风机和变电站相对位置，外层模型的目标函数为最大化年度总收益。将预处理后的数据如：海底测深网格数据、障碍位置数据、风机类型及参数输入到外层模型后，可以获得外层模型的初始解，该初始解中可以包括待处理海上风电场的风机初始位置、海陆变电站初始位置、初始风机矩阵位置。
本说明书一个实施例中，所述利用所述海底测深网格数据、所述障碍位置数据、所述风机类型及参数对外层模型进行求解，获得所述外层模型的初始解，包括：
将所述海底测深网格数据、所述障碍位置数据、所述风机类型及参数输入到所述外层模型，利用遗传算法获得求解所述外层模型，获得所述外层模型的第一初始解；
将所述第一初始解作为蚁群算法的初始化种群，利用蚁群算法对所述外层模型进行求解，获得所述外层模型的第二初始解；
分别将所述第一初始解和所述第二初始解作为所述外层模型的初始解。
在具体的实施过程中，图3是本说明书一个实施例中海上风电场布局优化的原理流程示意图，如图3所示，本说明书实施例中的外层模型采用遗传算法和改进的蚁群算法两种算法进行求解。先运用遗传算法对外层模型进行求解，并将得到的优化解当作改进的蚁群算法的初始解。遗传算法优化的变量包括风机矩阵的位置，风机和海陆变电站的位置，设置模型以及算法的参数，输入上述预处理的已知数据以后，遗传算法开始。在每一次迭代中，个体生成以后可以获得外层模型各个变量的值，之后便可以进行适应度函数的计算。其中，模型参数可以包括风机个数、风机的功率曲线系数、空气密度等用于求解外层模型目标函数的参数。算法参数可以理解为遗传算法和改进的蚁群算法中的操作参数，例如迭代次数、种群大小、变异概率、交叉概率等等，这些参数会影响求解时间和质量。如图2所示，通过遗传算法对外层模型进行求解，可以获得外层模型的第一初始解，将第一初始解作为改进的蚁群算法的初始化种群，即可以使用改进蚁群算法对外层模型进行求解，获得外层模型的第二初始解。如图3所示，蚁群算法的初始解实际上是遗传算法优化运算后的优化解，蚁群算法的优化解是外层模型最终的解。
本说明书实施例提出了一种改进的混合元启发式方法，将遗传算法与改进的蚁群算法相结合，在收敛速度和求解质量上均优于传统遗传算法和蚁群算法，提升了海上风电场布局优化的数据处理速度。
本说明书一个实施例中，所述外层模型的目标函数和约束条件包括：
max obj＝BNI＝BEP-(Cenergy+Closs+Ccable) (4)
每个风机及变电站的位置约束条件：
风机矩阵的位置约束条件：
nARMin≤NRow≤nARMax,nACMin≤NCol≤nACMax i,j∈VWT (6)
风机之间的距离约束条件：
(xi-xj)2+(yi-yj)2≥(4×2ri WT)2 i,j∈VWT (7)
其中，obj表示所述外层模型的目标函数，BEP为发电收益，Cenergy为发电成本，Closs为电缆能量损失成本，Ccable为电缆成本，
为整数变量，代表风机所在的网格位置，NOFS和NONS分别为海上变电站和陆上变电站的网格位置，nAC代表阵列电缆网络拓扑的网格数量，nERMax为输出电缆路径拓扑的网格的最大行编号，VWT为风机的集合，nARMin和nARMax为阵列电缆网络拓扑网格的最小和最大起始列编号，nACMin和nACMax为阵列电缆网络拓扑网格的最小和最大起始行编号，NRow和NCol为风机矩阵在全部已知区域内的起始行和列编号，ri WT为风机的转子半径，(xi,yi)为风机的位置坐标。
本说明书实施例明确给出了外层模型的目标函数和约束条件，采用合适的算法进行优化运算就可以获得待处理海上风电场的风机初始位置、海陆变电站初始位置、初始风机矩阵位置，实现对海上风电场的发变电设备位置选址的优化。
步骤106、将所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据、所述风资源数据、所述电缆类型及参数作为内层模型的输入数据，依次对所述内层模型中的子模型进行求解，获得所述待处理海上风电场的电缆网络拓扑信息、发电收益和成本；所述内层模型的子模型包括：风速分布子模型、尾流损失子模型、功率曲线子模型、网络拓扑子模型、能量损失子模型、成本子模型。
在具体的实施过程中，图4是本说明书一个实施例中双层模型的结构示意图，如图4所示，本说明书实施例中的内层模型可以包括多个子模型，如：风速分布子模型、尾流损失子模型、功率曲线子模型、网络拓扑子模型(即图4中的整体电缆网络模型)、能量损失子模型、成本子模型。其中风速分布子模型可以表征风速、风向与风速分布之间的函数关系，尾流损失子模型可以表征风速、风机等相关参数之间的函数关系，功率曲线子模型可以表征风机输出功率与风速、风机等参数之间的函数关系，网络拓扑子模型可以用于表征风电场电缆网络布局，能量损失子模型用于计算风电场布局中的能量损失，成本子模型用于计算风电场的收益和各种成本等。
本说明书一些实施例中，风速分布子模型遵循双参数威布尔分布，其数学可以参考如下：
式中，Pi dv为风速分布的概率密度函数，Vi为下游风速，k为形状参数函数，与风向θ有关，Ci为风机实际风速尺度参数函数，与风向、风速和风机位置有关。
图5是本说明书一个实施例中三维多风机类型尾流损失模型的原理示意图，如图5所示，本说明书一些实施例中，尾流损失子模型可以采用PARK线性模型，其数学可以参考如下：
Ci(θ,xi,yi,Vi)＝ci(θ)×(1-Vi Def) i∈VWT (9)
Di,j＝|(xi-xj)cosθ+(yi-yj)sinθ| i,j∈VWT (20)
上述公式中：ci为风机的风速尺度参数函数，Vi Def为风电场中所有风机对风机i由于尾流效应而造成的风速降低的总和，
为风机j对位于其尾流效应区内的风机i造成的速度损失，Vi,j为上游风速，Vi为下游风速，
为风机的推力系数，
为风机j下游转子半径，κi为风机的尾流扩散系数，Di,j为沿风向θ方向上两个风机之间的距离，
为风机i的转子扫风面积与风机j形成的尾流区域扩大到风机i处时面积的重叠区域，
为风机i的转子扫风面积，
为风机j在风机i处形成的尾流效应区的半径，
为
与风机j在风机i处形成的尾流效应区重叠的圆弧对应的圆心角，
为风机j在风机i处形成的尾流效应区的圆心与风机i转子中心的距离，
为
与风机i的转子扫风面积重叠的圆弧所对应的圆心角，
为风机的轮毂高度，v为在高度为h的观测点处的风速，z0为风电场的表面粗糙度。其他参数的含义可以参考其他实施例的记载。
本说明书一个实施例中，功率曲线子模型的数学描述可以参考如下：
式中，Pi为风机的输出功率，
和
分别为风机的切入风速、额定风速和切出风速，
为风机的功率曲线系数，ρ为空气密度，
为风机的额定功率。
此外，结合公式(8)和公式(22)，风机的实际发电功率可以表示为：
将公式(23)中风向和风速分别离散为nVe和nD个具有相等步长的区间，用黎曼和近似得到风机的实际输出功率，离散化后的发电功率由以下公式表示：
式中，
为d-1个风向区间内风出现的概率，S为离散后的风速区间的集合，D为离散后的风向区间的集合，其他参数的含义可以参考其他实施例的记载，此处不再赘述。
参见上述实施例的记载，可以看出，风速分布子模型、功率曲线子模型和尾流损失子模型均可以用于计算风机实际的发电功率，将这三个模型带入一个总的积分公式中，如上述公式(23)，即可以获得风机发电量。但是由于积分计算太复杂，本说明书实施例中对积分采用了离散化操作，具体推导在此不再列出，离散化结果参见公式(24)。对于每个风向区间，都存在一个风速分布曲线，该曲线的参数根据风速子模型和风资源数据预处理得到，用于计算公式(24)中风数据在其对应的风向区间内某个风速区间内出现的概率。
本说明书一些实施例中，电缆型号和数量确定以后，根据能量损失子模型计算电缆网络输送电能时造成的能量损失，其数学描述如下。
式中，
风机i和j之间的电能损失，
为设备i和设备j之间电缆的额定电流，
为设备i和设备j之间电缆的条数，λ1,p和λ2,p为电缆的护套损失系数和铠装损失系数，
为p型电缆的电阻，
风机i和j之间电缆的三维距离，HF为年度平均满负荷工时，
为p型电缆的额定电流，
为当所有风机都满负荷输出时，设备i和设备j之间电缆的额定电流，
为功率因数，
为p型电缆的额定电压，rS为电缆在最高工作温度下每单位长度的护套或屏蔽层的电阻，rEA为单位长度的护套或者屏蔽层的电抗，rA为铠装在最高工作温度下的电阻，
为p型电缆的导体轴线与电缆中心之间的距离，
为p型电缆的铠装平均直径，f为频率。上述设备可以理解为发变电设备即风机或海陆变电站。
本说明书一个实施例中，成本子模型的数学描述可以参考如下：
上述公式中，cE为电价，Pi为风机i的输出功率，nWT为风机个数，rIT为利率，
为风机的单价，nOFS为海上变电站的数量，cOFS为海上变电站的投资费用，cONS为陆上变电站的投资费用，cOM为单个风机的年度操作费用，es为经济尺度，rIF为通货膨胀率，m为风电场生命周期的第m年，nY为风电场的生命周期，nVA包含所有设备的电缆网络拓扑中顶点的个数，VA为包含所有设备的电缆网络拓扑中顶点的集合，
风机i和j之间的电能损失，
风机i和j之间电缆的三维距离，
为p型电缆的单价，cT为单位海沟建设费用，zw为风机w所在网格的海底测深数据，P为电缆型号的集合，REU为欧元兑美元的汇率。
上述实施例各个公式内参数含义中的设备可以理解为发电站设备如：风机或海陆变电站。
如图3所示，遗传算法和蚁群算法在每一次迭代中，个体生成以后可以获得外层模型各个变量的值，此时获得的各个变量的值即可以作为第一初始解和第二初始解。分别将第一初始解和第二初始解作为外层模型的初始解，可以将第一初始解和第二初始解分别输入到内层模型中。如图4所示，基于风机矩阵的位置，风机和海陆变电站的位置，可以对内层模型的各个子模型进行求解，获得待处理海上风电场的电缆网络拓扑信息、发电收益与各种成本。
其中，电缆网络拓扑信息可以理解为风电场的电缆网络布局。
步骤108、基于所述发电收益和成本获得所述外层模型的目标函数，将所述目标函数返回至所述外层模型，利用所述外层模型对所述风机初始位置、所述海陆变电站初始位置以及所述初始风机矩阵位置进行优化，获得所述待处理海上风电场的目标风机位置、目标海陆变电站位置、目标风机矩阵位置。
在具体的实施过程中，如图3所示，在对内层模型进行求解后，获得的发电收益与各种成本可以返回至外层模型。实际应用时，基于内层模型获得的发电收益与各种成本可以获得外层模型的目标函数，还可以确定出外层模型的约束条件是否被满足。如将基于成本模型计算出的发电收益、发电成本、电缆能量损失成本、电缆成本带入到上述公式(4)即可以获得外层模型的目标函数。上述公式(5)和(6)所描述的约束均可以在遗传算法生成变量时直接实现，而风机之间的距离约束则需要通过在适应度函数中增加罚函数来实现。本说明书实施例中，遗传算法的适应度函数可以为外层模型的目标函数减去罚函数，其数学描述可以参考如下：
f(X)＝obj(X)-BPV(X) (40)
上述公式中，X为外层模型中决策变量的集合，f(X)为适应度函数，BPV(X)为罚函数，用于惩罚具有不符合约束变量的解，δ为惩罚因子，一般为数值很大的常数，Bi,j为二元变量，用来描述解中的任意一对代表风机位置的变量是否满足距离约束。其他参数的含义可以参考上述实施例的记载，此处不再赘述。
至此，遗传算法中适应度函数的计算完成，将适应度函数值返回外层模型，遗传算法中不断迭代就可以得到本说明书实施例中改进的遗传算法的优化解。
如图3所示，在改进的蚁群算法初始化种群时，第一个个体为遗传算法得到的最优解，剩余个体均由算法随机生成。初始化完成后进行适应度评价，适应度函数的计算过程与遗传算法完全相同，即基于内层模型计算出的发电收益与各种成本获得目标函数，将目标函数返回，改进的蚁群算法不断迭代就可以获得蚁群算法的最优解，即外层模型的最优解。蚁群算法在不断迭代优化过程中，当算法完成终止条件判断、更新转移概率以及更新信息素的操作后，新解的生成是通过在旧解中随机选择两个变量进行进化操作完成的，换言之，在旧的蚂蚁路径上，通过随机挑选两个子路径进行更改来得到新的路径。由此，通过不断地迭代进化，当算法满足终止条件时，所有优化结果将被输出至文件并保存。
蚁群算法的最优解即为待处理海上风电场的目标风机位置、目标海陆变电站位置、目标风机矩阵位置。本说明书实施例有效结合了元启发式算法以及数学规划方法，特别是遗传算法与改进蚁群算法的结合，可以有效提高算法的求解质量。更具体地，对蚁群算法的改进不仅可以更直接地保留当前最佳解决方案的主要特征，而且还可以为解的寻优提供一定的搜索空间，适合本发明所述外层模型的求解，其变量不会单独影响目标函数，符合海上风电布局优化问题的特点。
此外，还可以将优化后的风机位置、变电站位置、风机矩阵位置等作为新一轮内层模型的输入，对内层模型进行新一轮的求解，可以获得优化后的风机位置、变电站位置、风机矩阵位置所对应的发电收益与各种成本，再利用新计算出的发电收益与各种成本重新计算外层模型的目标函数，进行风机位置、变电站位置、风机矩阵位置的新一轮优化，将每一轮优化得到的结果进行保存。
图6是本说明书一个场景示例中海上风电场布局优化的结果示意图，如图6所示，图6中虚线矩形框可以表示优化后的风机矩阵位置，矩形框内有若干点表示风机位置，图6对其中3个点进行了文字说明。对比图2和图6，可以看出，图6中的风机未被布置在障碍区域，它们倾向于被布置在与全年最大频率风向的直线上，这种分布有利于最大程度地利用风能来增加发电量，并最小化由风机位置因素带来的尾流损失。风机与风机之间的距离在减弱尾流损失以及缩短电缆长度两方面取得了平衡且电缆的布置成功地绕开了障碍区域。此外，图6中的海上变电站和陆上变电站位于相似的纬度并且在地势相对平坦的地带，这可以使电缆长度减少，从而减少投资和运营成本。
本说明书实施例提供的海上风电场布局处理方法，基于风资源数据，结合障碍区域、电缆选型等实际需求，通过设置双层模型实现风机矩阵选址、风机和变电站布局以及三维绕障碍电缆网络拓扑同步优化的方法，其应用范围更加广泛，且根据该技术得到的布局方案可以为海上风电场同时带来更经济的投资运行费用、更高的发电效率以及更低的能量损失。且，本说明书实施例中的海上风电布局优化模型综合考虑了多种实际工程因素和需要，包括障碍限制、尾流效应、电缆数量与选型、多类型风机、海底地形和能量损失等，利用该技术得到的布局方案更符合工程实际。
本说明书一些实施例中，所述将所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据、所述风资源数据、所述电缆类型及参数作为内层模型的输入数据，依次对所述内层模型中的子模型进行求解，获得所述待处理海上风电场的电缆网络拓扑信息、发电收益和成本，包括：
根据所述风资源数据、风机初始位置、海陆变电站初始位置和风机类型及参数分别对风速分布子模型、尾流损失子模型、功率曲线子模型进行求解，获得各个风机的输出功率；
基于获得的各个风机的输出功率、所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据，对所述网络拓扑子模型进行优化计算，获得所述待处理海上风电场的电缆网络拓扑信息；
根据获得的所述电缆网络拓扑信息、各个风机的输出功率和所述电缆类型及参数，确定出电缆型号和数量；
基于确定出的电缆型号和数量，对所述能量损失子模型进行求解，获得所述待处理海上风电场的电缆网络在输送电能时的能量损失；
根据所述能量损失和所述成本子模型，获得所述待处理海上风电场的发电收益和成本。
在具体的实施过程中，如图4所示，在对内层模型进行求解时，可以先根据风资源数据、风机初始位置、海陆变电站初始位置和风机参数分别对风速分布子模型、尾流损失子模型、功率曲线子模型进行求解，获得各个风机的输出功率，具体可以参见上述风速分布子模型、尾流损失子模型、功率曲线子模型的数学表达式，基于上述公式(23)即可以获得各个风机的输出功率。如图4所示，本说明书实施例中的网络拓扑子模型包括阵列电缆网络拓扑、输出电缆路径拓扑，基于计算出的风机的输出功率、基于外层模型计算获得额的风机初始位置、海陆变电站初始位置，以及采集到或预处理后的数据如：海底测深网格数据。对阵列电缆网络拓扑、输出电缆路径拓扑进行优化，获得待处理海上风电场的电缆网络拓扑信息。结合电缆类型及参数、各个风机的输出功率以及电缆网络拓扑信息可以计算出电缆网络拓扑信息中电缆的型号以及数量，再利用能量损失子模型可以获得待处理海上风电场的电缆网络在输送电能时的能量损失，基于成本子模型即可以计算出待处理海上风电场的发电收益与各种成本。其中，能量损失的计算方式和成本子模型的计算过程可以参考上述实施例的记载，此处不再赘述。
本说明书实施例结合障碍限制、尾流效应、电缆数量与选型、多类型风机、海底地形和能量损失等，对海上风电场的电缆网络布局进行优化设计，更加符合实际工程需求，适用性更强，优化后获得的电缆网络布局可以降低海上风电场的建设成本，提升海上风电场的发电效率。
本说明书一些实施例中，所述网络拓扑子模型包括连接风机和海上变电站的阵列电缆网络拓扑和连接海上变电站和陆上变电站的输出电缆路径拓扑，所述基于获得的各个风机的输出功率、所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据，对所述网络拓扑子模型进行优化计算，获得所述待处理海上风电场的电缆网络拓扑信息，包括：
基于获得的各个风机的输出功率、所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据，综合利用线性规划算法和克鲁斯卡尔算法分别对所述阵列电缆网络拓扑和所述输出电缆路径拓扑进行优化计算，分别获得阵列电缆网络和输出电缆网络；
将所述阵列电缆网络和输出电缆网络合并，获得所述待处理海上风电场的电缆网络拓扑信息。
在具体的实施过程中，本说明书实施例中可以根据网络拓扑子模型对电缆网络拓扑进行优化，以得到电缆网络拓扑以及各分支电缆中需要输送的电量。如图4所示，网络拓扑子模型包括阵列电缆网络拓扑、输出电缆路径拓扑，其中，阵列电缆网络拓扑是多对多三维绕障碍网络拓扑结构，该网络中包含多个发变电设备，为带有分支的树形三维网络，多对多三维绕障碍网络拓扑是指连接风机与海上变电站的阵列电缆网络拓扑。输出电缆路径拓扑是两个发变电设备之间的一对一三维绕障碍路径拓扑模型，输出电缆路径拓扑是指连接海上变电站和陆上变电站的输出电缆路径拓扑。以海上变电站为界，已知的海域被分为两个区域，从海上变电站到风机为风机矩阵区域，在这里进行三维多对多阵列电缆网络拓扑寻优；从陆上变电站到海上变电站为电能输出区域，在这里进行输出电缆的一对一三维路径寻优。
可以利用线性规划算法即LP(Linear Programming)算法和克鲁斯卡尔算法即Kruskal算法对阵列电缆网络拓扑、输出电缆路径拓扑进行优化，获得阵列电缆网络和输出电缆网络，再将两个网络合并即获得待处理海上风电场的电缆网络拓扑信息。
其中，本说明书一个实施例中，所述阵列电缆网络拓扑中包括多个顶点，每个顶点对应发变电设备或海底网格顶点，这里的发变电设备可以指风机或海上变电站，阵列电缆网络拓扑中的每个顶点可以连接多个顶点，也就是说，其拓扑网络为多对多的连接关系。所述输出电缆路径拓扑中包括多个顶点，每个顶点对应发变电设备或海底网格顶点，输出电缆路径拓扑中的顶点可以一对一连接，每个顶点可以连接一个或两个顶点，也就是说，其拓扑路径为一对一的连接关系，这里的发变电设备是指风机或者海陆变电站。
所述综合利用线性规划算法和克鲁斯卡尔算法分别对所述阵列电缆网络拓扑和输出电缆路径拓扑进行优化计算，分别获得阵列电缆网络和输出电缆网络，包括：
利用线性规划算法分别针对所述阵列电缆网络拓扑和所述输出电缆路径拓扑中每两个发变电设备建立一个线性规划模型；
根据所述各个风机的输出功率、所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据以及所述线性规划模型，对所述阵列电缆网络拓扑或所述输出电缆路径拓扑中每两个发变电设备之间的三维距离进行优化；
根据优化后的所述阵列电缆网络拓扑或所述输出电缆路径拓扑中每两个发变电设备之间的三维距离，分别构建出发变电设备连通图，所述发变电设备连通图中的边的权值为优化后的两个发变电设备之间的三维距离；
使用克鲁斯卡尔算法分别对所述阵列电缆网络拓扑和所述输出电缆路径拓扑对应的所述发变电设备连通图进行求解，获得所述发变电设备连通图对应的最小生成树，将所述阵列电缆网络拓扑对应的最小生成树作为所述阵列电缆网络拓扑对应的阵列电缆网络，将所述输出电缆路径拓扑对应的最小生成树作为所述输出电缆路径拓扑对应的输出电缆网络。
在具体的实施过程中，可以利用LP算法针对阵列电缆网络拓扑中每两个发变电设备，建立一个线性规划模型即LP模型，以在网格化的三维地形上求解距离最短的一对一三维绕障碍路径。可以使用基于风速分布子模型、功率曲线子模型和尾流损失子模型等计算出的各个风机的输出功率，以及外层模型计算出的风机初始位置、海陆变电站初始位置和预处理后的海底测深网格数据，对LP模型进行优化计算，以对阵列电缆网络拓扑中每两个发变电设备之间的三维距离进行优化。基于优化后的三维距离，可以生成由顶点组成的发变电设备连通图G(VC,EC,WC)，发变电设备连通图中边的权值即为上述优化的每两个发变电设备之间的三维距离，运用Kruskal算法求解发变电设备连通图，获得最小生成树T(VT,ET,WT)，以解决多对多三维绕障碍网络拓扑的优化问题。其中，VC是代表顶点的集合，EC是任意两个发变电设备之间的连接，即边的集合，WC是上述优化得到的三维距离，即权值的集合。VT，ET和WT是最小生成树中顶点、边和权值的集合。
最小生成树即为输出的优化后的电缆网络。输出电缆路径拓扑的优化与阵列电缆网络拓扑的优化方法相同，此处不再赘述。
可以看出，本说明书实施例中的多对多的阵列电缆网络拓扑主要用于连接多个发变电设备，一对一的输出电缆路径拓扑的功能是为了连接两个发变电设备。先使用一对一拓扑的输出电缆路径拓扑对两个设备做两点间三维绕障碍的路径进行优化，得到两点之间的距离，之后根据两点之间的距离，对多对多的阵列电缆网络拓扑中的多个设备的连接进行优化，解决了三维绕障碍网络拓扑优化的问题。
本说明书实施例结合图论算法、数学规划方法以及Kruskal算法对海上风电场的电缆网络布局进行优化设计，提升了电缆网络布局的合理性和准确性，进而降低了海上风电场的建设成本，提高了海上风电场的发电效率。
本说明书一些实施例中，所述利用线性规划算法针对所述阵列电缆网络拓扑和所述输出电缆路径拓扑中每两个发变电设备建立的线性规划模型包括：
约束条件如下：
其中，obj1,u,v为每两个发变电设备之间的连接路径的三维距离优化的目标函数，nVAC为所述阵列电缆网络拓扑或所述输出电缆路径拓扑内网格的数量，li,j为网格i和网格j之间的三维距离，
为顶点u和顶点v之间网格i和网格j之间边的流量，VAC为所述阵列电缆网络拓扑或所述输出电缆路径拓扑的网格区域内所有网格的集合，VC为所述阵列电缆网络拓扑或所述输出电缆路径拓扑的网格区域内顶点的集合，
为顶点u和顶点v之间边可能经过的网格i的流量，(xi,yi,zi)为所述阵列电缆网络拓扑或所述输出电缆路径拓扑的网络区域内网格i的三维坐标。
基于上述公式(43)-(46)可以对电缆网络中每两个发变电设备之间连接路径的三维距离进行优化，以在网格化的三维地形上通过LP求解器获得距离最短的一对一电缆敷设路径，从而解决绕障碍的路径寻优问题。
本说明书一个实施例中，所述发变电设备连通图中边的权值根据下述公式获得：
其中，
表示网格i和网格j之间是否存在连接顶点u和顶点v的边，
表示顶点u和顶点v的边的权值，
为顶点u和顶点v之间边的权值。
在具体的实施过程中，利用上述公式(47)-(48)即可以计算出发变电设备连通图中各个边的权值。
本说明书一些实施例中，所述根据所述最小生成树，利用线性规划算法计算所述最小生成树对应的电缆网络中分支电缆的输送电量包括采用下述公式计算所述最小生成树对应的电缆网络中分支电缆的输送电量：
约束条件如下：
其中，obj3表示电缆网络中分支电缆的输送电量的目标函数，nVT为最小生成树中点的个数，
为最小生成树中连接顶点u和顶点v的边的权值，
为顶点u和顶点v之间边的输送电量，VT为最小生成树中顶点的集合，
为顶点u的输出电量或输入电量。
在具体的实施过程中，利用上述公式(49)-(50)可以计算出优化后的电缆网络中各个电缆的输送电量。
如图4所示，在获得优化后的电缆网络后，可以对电缆型号以及数量进行计算，本说明书一个实施例中，所述根据获得的所述电缆网络拓扑信息和所述电缆类型及参数，确定出电缆型号和数量，包括：
根据所述最小生成树，利用线性规划算法计算所述最小生成树对应的电缆网络中分支电缆的输送电量；
根据各个分支电缆的输送电量，将各个电缆中的电量依次与不同类型电缆的额定电流进行对比，将满足要求的电缆型号作为对应电缆网络的边表征的电缆；若没有匹配到满足要求的电缆型号，则增加对应电缆网络的边上电缆的条数，将所述边上的各个电缆的电量依次与不同类型电缆的额定电流进行对比，直到电缆型号和数量均满足要求为止，获得电缆网络拓扑信息中的电缆型号和数量。
在具体的实施过程中，将阵列电缆和输出电缆的优化结果合并，可以得到最终海上风电场的整个电缆网络拓扑T(VA,EA,WA)，基于电缆网络拓扑中各个边的权值即可以获得分支电缆中需要输送的电量。之后，开始对分支电缆型号以及数量进行选择。根据某条电缆中的电流大小按照顺序与不同类型电缆的额定电流进行对比，当遇到满足要求的电缆型号时便选择该型号作为该边代表的电缆；如果对比一轮以后发现没有满足要求的电缆型号，则增加该边上电缆的条数，再重新计算并对比，直到电缆型号和数量均满足要求为止。
通过对网络拓扑中分支电缆中需要输送的电量和不同型号的电缆进行匹配，获得满足最佳需求的电缆型号和数量，为后续能量损失计算、成本计算等奠定了准确的数据基础。
本说明书实施例提供的海上风电场布局处理方法，基于GIS地形和风资源数据，结合障碍区域、电缆选型等实际需求，实现在三维空间内风机矩阵选址、设备布局和三维绕障碍网络拓扑的同步优化；建立了一个双层模型来描述风机矩阵的选址布局和网络拓扑优化问题，所述模型计及风速分布、尾流损失、功率曲线、网络拓扑、能量损失和设备投资；针对外层模型的求解，提出了一种改进的混合元启发式方法，将遗传算法与改进的蚁群算法相结合，在收敛速度和求解质量上均优于传统遗传算法和蚁群算法；针对内层模型的求解，提出了基于图论和数学规划的方法，将Kruskal算法和线性规划相结合，可以得到考虑电缆输送电量的最优网络拓扑。
本发明提出了一个可以实现风机矩阵选址、风机和变电站布局以及电缆网络拓扑同步优化的方法，其应用范围更加广泛，且根据该技术得到的布局方案可以为海上风电场同时带来更经济的投资运行费用、更高的发电效率以及更低的能量损失。本发明所述的海上风电布局优化方法可以解决三维空间内风机和海陆变电站的布局优化以及绕障碍电缆网络拓扑优化，是对现有二维优化技术的突破。本发明所述的海上风电布局优化模型综合考虑了多种实际工程因素和需要，包括障碍限制、尾流效应、电缆数量与选型、多类型风机、海底地形和能量损失等，利用该技术得到的布局方案更符合工程实际。本发明所述的海上风电布局优化算法有效结合了元启发式算法、图论算法以及数学规划方法，特别是遗传算法与改进蚁群算法的结合，可以有效提高算法的求解质量。更具体地，对蚁群算法的改进不仅可以更直接地保留当前最佳解决方案的主要特征，而且还可以为解的寻优提供一定的搜索空间，适合本发明所述外层模型的求解，其变量不会单独影响目标函数，符合海上风电布局优化问题的特点。
本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参考方法实施例的部分说明即可。
基于上述的海上风电场布局处理方法，本说明书一个或多个实施例还提供一种用于海上风电场布局处理的装置。装置可以包括使用了本说明书实施例方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参考前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统、装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图7是本说明书一个实施例中海上风电场布局处理装置的结构示意图，如图7所示，本说明书一些实施例中提供的海上风电场布局处理装置具体可以包括：
数据采集模块71，用于根据待处理海上风电场的位置采集所述待处理海上风电场的风电场布局数据，所述风电场布局数据包括：海底测深网格数据、障碍位置数据、风资源数据、风机类型及参数、电缆类型及参数；
外层模型初始解模块72，用于利用所述海底测深网格数据、所述障碍位置数据、所述风机类型及参数对外层模型进行求解，获得所述外层模型的初始解，所述初始解包括：所述待处理海上风电场的风机初始位置、海陆变电站初始位置、初始风机矩阵位置；所述外层模型的变量包括风机矩阵位置、风机和变电站相对位置，所述外层模型的目标函数为最大化年度总收益；
电缆网络拓扑优化模块73，用于将所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据、所述风资源数据、所述电缆类型及参数作为内层模型的输入数据，依次对所述内层模型中的子模型进行求解，获得所述待处理海上风电场的电缆网络拓扑信息、发电收益和成本；所述内层模型的子模型包括：风速分布子模型、尾流损失子模型、功率曲线子模型、网络拓扑子模型、能量损失子模型、成本子模型；
风机变电站布局优化模块74，用于基于所述发电收益和成本获得所述外层模型的目标函数，将所述目标函数返回至所述外层模型，利用所述外层模型对所述风机初始位置、所述海陆变电站初始位置以及所述初始风机矩阵位置进行优化，获得所述待处理海上风电场的目标风机位置、目标海陆变电站位置、目标风机矩阵位置。
本说明书实施例提供的海上风电场布局处理装置，基于风资源数据，结合障碍区域、电缆选型等实际需求，通过设置双层模型实现风机矩阵选址、风机和变电站布局以及三维绕障碍电缆网络拓扑同步优化的方法，其应用范围更加广泛，且根据该技术得到的布局方案可以为海上风电场同时带来更经济的投资运行费用、更高的发电效率以及更低的能量损失。且，本说明书实施例中的海上风电布局优化模型综合考虑了多种实际工程因素和需要，包括障碍限制、尾流效应、电缆数量与选型、多类型风机、海底地形和能量损失等，利用该技术得到的布局方案更符合工程实际。
需要说明的，上述的装置根据对应方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照上述对应的方法实施例的描述，在此不作一一赘述。
本说明书实施例还提供一种海上风电场布局处理设备，设备包括至少一个处理器及用于存储处理器可执行指令的存储器，指令被处理器执行时实现包括上述实施例中的海上风电场布局处理方法，如：
根据待处理海上风电场的位置采集所述待处理海上风电场的风电场布局数据，所述风电场布局数据包括：海底测深网格数据、障碍位置数据、风资源数据、风机类型及参数、电缆类型及参数；
利用所述海底测深网格数据、所述障碍位置数据、所述风机类型及参数对外层模型进行求解，获得所述外层模型的初始解，所述初始解包括：所述待处理海上风电场的风机初始位置、海陆变电站初始位置、初始风机矩阵位置；所述外层模型的变量包括风机矩阵位置、风机和变电站相对位置，所述外层模型的目标函数为最大化年度总收益；
将所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据、所述风资源数据、所述电缆类型及参数作为内层模型的输入数据，依次对所述内层模型中的子模型进行求解，获得所述待处理海上风电场的电缆网络拓扑信息、发电收益和成本；所述内层模型的子模型包括：风速分布子模型、尾流损失子模型、功率曲线子模型、网络拓扑子模型、能量损失子模型、成本子模型；
基于所述发电收益和成本获得所述外层模型的目标函数，将所述目标函数返回至所述外层模型，利用所述外层模型对所述风机初始位置、所述海陆变电站初始位置以及所述初始风机矩阵位置进行优化，获得所述待处理海上风电场的目标风机位置、目标海陆变电站位置、目标风机矩阵位置。
需要说明的，上述的设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书提供的上述实施例的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图8是本说明书一个实施例中海上风电场布局处理服务器的硬件结构框图，该计算机终端可以是上述实施例中的海上风电场布局处理服务器或海上风电场布局处理处理装置。如图8所示服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解，图8所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图8中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、GPU，或者具有与图8所示不同的配置。
非易失性存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的海上风电场布局处理方法对应的程序指令/模块，处理器100通过运行存储在非易失性存储器200内的软件程序以及模块，从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，非易失性存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书实施例提供的上述海上风电场布局处理方法或装置可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c++语言在PC端实现、linux系统实现，或其他例如使用android、iOS系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参考方法实施例的部分说明即可。
虽然本说明书一个或多个实施例提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式资源数据更新环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参考方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上仅为本说明书一个或多个实施例的实施例而已，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在权利要求范围之内。
Claims (14)
1.一种海上风电场布局处理方法，其特征在于，所述方法包括：
根据待处理海上风电场的位置采集所述待处理海上风电场的风电场布局数据，所述风电场布局数据包括：海底测深网格数据、障碍位置数据、风资源数据、风机类型及参数、电缆类型及参数；
利用所述海底测深网格数据、所述障碍位置数据、所述风机类型及参数对外层模型进行求解，获得所述外层模型的初始解，所述初始解包括：所述待处理海上风电场的风机初始位置、海陆变电站初始位置、初始风机矩阵位置；所述外层模型的变量包括风机矩阵位置、风机和变电站相对位置，所述外层模型的目标函数为最大化年度总收益；
将所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据、所述风资源数据、所述电缆类型及参数作为内层模型的输入数据，依次对所述内层模型中的子模型进行求解，获得所述待处理海上风电场的电缆网络拓扑信息、发电收益和成本；所述内层模型的子模型包括：风速分布子模型、尾流损失子模型、功率曲线子模型、网络拓扑子模型、能量损失子模型、成本子模型；
基于所述发电收益和成本获得所述外层模型的目标函数，将所述目标函数返回至所述外层模型，利用所述外层模型对所述风机初始位置、所述海陆变电站初始位置以及所述初始风机矩阵位置进行优化，获得所述待处理海上风电场的目标风机位置、目标海陆变电站位置、目标风机矩阵位置。
2.如权利要求1所述的方法，其特征在于，所述利用所述海底测深网格数据、所述障碍位置数据、所述风机类型及参数对外层模型进行求解，获得所述外层模型的初始解，包括：
将所述海底测深网格数据、所述障碍位置数据、所述风机类型及参数输入到所述外层模型，利用遗传算法获得求解所述外层模型，获得所述外层模型的第一初始解；
将所述第一初始解作为蚁群算法的初始化种群，利用蚁群算法对所述外层模型进行求解，获得所述外层模型的第二初始解；
分别将所述第一初始解和所述第二初始解作为所述外层模型的初始解。
3.如权利要求1所述的方法，其特征在于，所述将所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据、所述风资源数据、所述电缆类型及参数作为内层模型的输入数据，依次对所述内层模型中的子模型进行求解，获得所述待处理海上风电场的电缆网络拓扑信息、发电收益和成本，包括：
根据所述风资源数据、所述风机初始位置、所述海陆变电站初始位置和所述风机类型及参数分别对风速分布子模型、尾流损失子模型、功率曲线子模型进行求解，获得各个风机的输出功率；
基于获得的各个风机的输出功率、所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据，对所述网络拓扑子模型进行优化计算，获得所述待处理海上风电场的电缆网络拓扑信息；
根据获得的所述电缆网络拓扑信息、各个风机的输出功率和所述电缆类型及参数，确定出电缆型号和数量；
基于确定出的电缆型号和数量，对所述能量损失子模型进行求解，获得所述待处理海上风电场的电缆网络在输送电能时的能量损失；
根据所述能量损失和所述成本子模型，获得所述待处理海上风电场的发电收益和成本。
4.如权利要求3所述的方法，其特征在于，所述网络拓扑子模型包括连接风机和海上变电站的阵列电缆网络拓扑和连接海上变电站和陆上变电站的输出电缆路径拓扑，所述基于获得的各个风机的输出功率、所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据，对所述网络拓扑子模型进行优化计算，获得所述待处理海上风电场的电缆网络拓扑信息，包括：
基于获得的各个风机的输出功率、所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据，综合利用线性规划算法和克鲁斯卡尔算法分别对所述阵列电缆网络拓扑和所述输出电缆路径拓扑进行优化计算，分别获得阵列电缆网络和输出电缆网络；
将所述阵列电缆网络和输出电缆网络合并，获得所述待处理海上风电场的电缆网络拓扑信息。
5.如权利要求4所述的方法，其特征在于，所述阵列电缆网络拓扑中包括多个顶点，每个顶点对应发变电设备或海底网格顶点，所述阵列电缆网络拓扑中的网络为多对多的连接关系；所述输出电缆路径拓扑中包括多个顶点，每个顶点对应发变电设备或海底网格顶点，所述输出电缆路径拓扑中的拓扑路径为一对一的连接关系；所述发变电设备包括：风机、海上变电站或海陆变电站；
所述综合利用线性规划算法和克鲁斯卡尔算法分别对所述阵列电缆网络拓扑和输出电缆路径拓扑进行优化计算，分别获得阵列电缆网络和输出电缆网络，包括：
利用线性规划算法分别针对所述阵列电缆网络拓扑和所述输出电缆路径拓扑中每两个发变电设备建立一个线性规划模型；
根据所述各个风机的输出功率、所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据以及所述线性规划模型，对所述阵列电缆网络拓扑或所述输出电缆路径拓扑中每两个发变电设备之间的三维距离进行优化；
根据优化后的所述阵列电缆网络拓扑或所述输出电缆路径拓扑中每两个发变电设备之间的三维距离，分别构建出发变电设备连通图，所述发变电设备连通图中的边的权值为优化后的两个发变电设备之间的三维距离；
使用克鲁斯卡尔算法分别对所述阵列电缆网络拓扑和所述输出电缆路径拓扑对应的所述发变电设备连通图进行求解，获得所述发变电设备连通图对应的最小生成树，将所述阵列电缆网络拓扑对应的最小生成树作为所述阵列电缆网络拓扑对应的阵列电缆网络，将所述输出电缆路径拓扑对应的最小生成树作为所述输出电缆路径拓扑对应的输出电缆网络。
6.如权利要求5所述的方法，其特征在于，所述根据获得的所述电缆网络拓扑信息、各个风机的输出功率和所述电缆类型及参数，确定出电缆型号和数量，包括：
根据所述最小生成树，利用线性规划算法计算所述最小生成树对应的电缆网络中分支电缆的输送电量；
根据各个分支电缆的输送电量，将各个电缆中的电量依次与不同类型电缆的额定电流进行对比，将满足要求的电缆型号作为对应电缆网络的边表征的电缆；若没有匹配到满足要求的电缆型号，则增加对应电缆网络的边上电缆的条数，将所述边上的各个电缆的电量依次与不同类型电缆的额定电流进行对比，直到电缆型号和数量均满足要求为止，获得电缆网络拓扑信息中的电缆型号和数量。
7.如权利要求5所述的方法，其特征在于，所述利用线性规划算法针对所述阵列电缆网络拓扑和所述输出电缆路径拓扑中每两个发变电设备建立的线性规划模型包括：
约束条件如下：
其中，obj1,u,v为每两个发变电设备之间连接路径的三维距离优化的目标函数，nVAC为所述阵列电缆网络拓扑或所述输出电缆路径拓扑内网格的数量，li,j为网格i和网格j之间的三维距离，
为顶点u和顶点v之间网格i和网格j之间边的流量，VAC为所述阵列电缆网络拓扑或所述输出电缆路径拓扑的网格区域内所有网格的集合，VC为所述阵列电缆网络拓扑或所述输出电缆路径拓扑的网格区域内顶点的集合，
为顶点u和顶点v之间边可能经过的网格i的流量，(xi,yi,zi)为所述阵列电缆网络拓扑或所述输出电缆路径拓扑的网络区域内网格i的三维坐标。
8.如权利要求7所述的方法，其特征在于，所述发变电设备连通图中边的权值根据下述公式获得：
其中，
表示网格i和网格j之间是否存在连接顶点u和顶点v的边，
表示顶点u和顶点v的边的权值，
为顶点u和顶点v之间边的权值。
9.如权利要求6所述的方法，其特征在于，所述根据所述最小生成树，利用线性规划算法计算所述最小生成树对应的电缆网络中分支电缆的输送电量包括采用下述公式计算所述最小生成树对应的电缆网络中分支电缆的输送电量：
约束条件如下：
其中，obj3表示电缆网络中分支电缆的输送电量的目标函数，nVT为最小生成树中点的个数，
为最小生成树中连接顶点u和顶点v的边的权值，
为顶点u和顶点v之间边的输送电量，VT为最小生成树中顶点的集合，
为顶点u的输出电量或输入电量。
10.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述风资源数据将风向以一定间隔进行划分，对每个风向区间内出现的风向数据进行概率统计，对每个风向区间的所有风速数据进行分布拟合，获得风速分布的形状参数和尺度参数；
基于所述风速分布的形状参数和尺度参数对内层模型中的各个子模型进行求解。
11.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述海底测深网格数据，获得海底测深网格数据的坐标变换信息和高程矩阵；
利用所述坐标变换信息和所述高程矩阵，在地理坐标系下将所述海底测深网格数据中的已知区域划分为若干矢量网格；
以一定的经纬度间隔采样若干点，通过对矢量网格和采样点进行重叠分析，确定每个采样点对应的高程数据；
根据所述障碍数据和所述每个采样点对应的高程数据，对所述海底测深网格数据进行更新，并利用更新后的海底测深网格数据对外层模型和内层模型进行求解。
12.如权利要求1所述的方法，其特征在于，所述外层模型的目标函数和约束条件包括：
max obj＝BNI＝BEP-(Cenergy+Closs+Ccable)
每个风机及变电站的位置约束条件：
风机矩阵的位置约束条件：
nARMin≤NRow≤nARMax,nACMin≤NCol≤nACMax i,j∈VWT
风机之间的距离约束条件：
(xi-xj)2+(yi-yj)2≥(4×2ri WT)2i,j∈VWT
其中，obj表示所述外层模型的目标函数，BEP为发电收益，Cenergy为发电成本，Closs为电缆能量损失成本，Ccable为电缆成本，Ni WT为整数变量，代表风机所在的网格位置，NOFS和NONS分别为海上变电站和陆上变电站的网格位置，nAC代表阵列电缆网络拓扑的网格数量，nERMax为输出电缆路径拓扑的网格的最大行编号，VWT为风机的集合，nARMin和nARMax为阵列电缆网络拓扑网格的最小和最大起始列编号，nACMin和nACMax为阵列电缆网络拓扑网格的最小和最大起始行编号，NRow和NCol为风机矩阵在全部已知区域内的起始行和列编号，ri WT为风机的转子半径，(xi,yi)为风机的位置坐标。
13.一种海上风电场布局处理装置，其特征在于，所述装置包括：
数据采集模块，用于根据待处理海上风电场的位置采集所述待处理海上风电场的风电场布局数据，所述风电场布局数据包括：海底测深网格数据、障碍位置数据、风资源数据、风机类型及参数、电缆类型及参数；
外层模型初始解模块，用于利用所述海底测深网格数据、所述障碍位置数据、所述风机类型及参数对外层模型进行求解，获得所述外层模型的初始解，所述初始解包括：所述待处理海上风电场的风机初始位置、海陆变电站初始位置、初始风机矩阵位置；所述外层模型的变量包括风机矩阵位置、风机和变电站相对位置，所述外层模型的目标函数为最大化年度总收益；
电缆网络拓扑优化模块，用于将所述风机初始位置、所述海陆变电站初始位置、所述海底测深网格数据、所述风资源数据、所述电缆类型及参数作为内层模型的输入数据，依次对所述内层模型中的子模型进行求解，获得所述待处理海上风电场的电缆网络拓扑信息、发电收益和成本；所述内层模型的子模型包括：风速分布子模型、尾流损失子模型、功率曲线子模型、网络拓扑子模型、能量损失子模型、成本子模型；
风机变电站布局优化模块，用于基于所述发电收益和成本获得所述外层模型的目标函数，将所述目标函数返回至所述外层模型，利用所述外层模型对所述风机初始位置、所述海陆变电站初始位置以及所述初始风机矩阵位置进行优化，获得所述待处理海上风电场的目标风机位置、目标海陆变电站位置、目标风机矩阵位置。
14.一种海上风电场布局处理设备，其特征在于，应用于服务器，设备包括至少一个处理器及用于存储处理器可执行指令的存储器，指令被处理器执行时实现包括上述权利要求1-12任一项方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111110002.2A CN113806947B (zh) | 2021-09-18 | 2021-09-18 | 海上风电场布局处理方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111110002.2A CN113806947B (zh) | 2021-09-18 | 2021-09-18 | 海上风电场布局处理方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113806947A true CN113806947A (zh) | 2021-12-17 |
| CN113806947B CN113806947B (zh) | 2022-10-11 |
Family
ID=78896218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111110002.2A Active CN113806947B (zh) | 2021-09-18 | 2021-09-18 | 海上风电场布局处理方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113806947B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117454456A (zh) * | 2023-12-22 | 2024-01-26 | 浙江远算科技有限公司 | 基于蚁群算法的海上风电场排布优化仿真方法和系统 |
| CN117993136A (zh) * | 2024-03-14 | 2024-05-07 | 深圳市千百炼科技有限公司 | 海上风电多机型自动排布与电缆拓扑结构优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106712076A (zh) * | 2016-11-18 | 2017-05-24 | 上海电力学院 | 一种海上风电场集群规模下的输电系统优化方法 |
| CN110504705A (zh) * | 2019-05-31 | 2019-11-26 | 上海电力学院 | 一种海上风电集群电气系统规划方法 |
| CN111030179A (zh) * | 2019-12-26 | 2020-04-17 | 上海电气风电集团股份有限公司 | 风电场布局的优化方法、优化系统及计算机可读存储介质 |
| CN112909981A (zh) * | 2021-01-14 | 2021-06-04 | 国网山东省电力公司烟台供电公司 | 一种大型海上风电场电气汇集系统设计方案经济性优化的方法 |
-
2021
- 2021-09-18 CN CN202111110002.2A patent/CN113806947B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106712076A (zh) * | 2016-11-18 | 2017-05-24 | 上海电力学院 | 一种海上风电场集群规模下的输电系统优化方法 |
| CN110504705A (zh) * | 2019-05-31 | 2019-11-26 | 上海电力学院 | 一种海上风电集群电气系统规划方法 |
| CN111030179A (zh) * | 2019-12-26 | 2020-04-17 | 上海电气风电集团股份有限公司 | 风电场布局的优化方法、优化系统及计算机可读存储介质 |
| CN112909981A (zh) * | 2021-01-14 | 2021-06-04 | 国网山东省电力公司烟台供电公司 | 一种大型海上风电场电气汇集系统设计方案经济性优化的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李岩等: "大型海上风电场风机排布优化策略研究", 《太阳能》 * |
| 李雨佳等: "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", 《华北电力大学学报(自然科学版)》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117454456A (zh) * | 2023-12-22 | 2024-01-26 | 浙江远算科技有限公司 | 基于蚁群算法的海上风电场排布优化仿真方法和系统 |
| CN117454456B (zh) * | 2023-12-22 | 2024-03-29 | 浙江远算科技有限公司 | 基于蚁群算法的海上风电场排布优化仿真方法和系统 |
| CN117993136A (zh) * | 2024-03-14 | 2024-05-07 | 深圳市千百炼科技有限公司 | 海上风电多机型自动排布与电缆拓扑结构优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113806947B (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113806947B (zh) | 海上风电场布局处理方法、装置及设备 | |
| CN107909222B (zh) | 一种基于风机智能分组的风电场集电线路三维路径规划方法及系统 | |
| CN110334391B (zh) | 一种多维度约束风电场集电线路自动规划方法 | |
| WO2021253291A1 (zh) | 风电场布局的优化方法、优化系统及计算机可读存储介质 | |
| CN111754035A (zh) | 风电场布局的优化方法、优化系统及计算机可读存储介质 | |
| CN112052544B (zh) | 风电场集电网络设计方法、系统、存储介质及计算设备 | |
| Chen et al. | A novel technique for the optimal design of offshore wind farm electrical layout | |
| US20240054267A1 (en) | Method for planning a layout of a renewable energy site | |
| Wang et al. | Method multi-criteria decision-making method for site selection analysis and evaluation of urban integrated energy stations based on geographic information system | |
| CN107908899A (zh) | 一种用于风电场建设施工道路的选线系统及选线方法 | |
| CN115036924A (zh) | 一种考虑多源数据不确定性的配电网分布式状态估计方法 | |
| Wu et al. | A synchronization methodology for 3D offshore wind farm layout optimization with multi-type wind turbines and obstacle-avoiding cable network | |
| Dutta et al. | A graph-theoretic approach for addressing trenching constraints in wind farm collector system design | |
| Al Shereiqi et al. | Co‐optimisation of wind farm micro‐siting and cabling layouts | |
| CN114362143B (zh) | 一种海上风电场集电系统拓扑优化求解算法 | |
| CN108062438A (zh) | 一种用于风电场运行道路的选线系统及选线方法 | |
| CN113761696A (zh) | 海上风电场海缆布局方案生成方法、装置和计算机设备 | |
| Deveci et al. | Electrical layout optimization of onshore wind farms based on a two-stage approach | |
| CN109242162A (zh) | 风电场集电线路路径规划方法和装置 | |
| CN116432984A (zh) | 风电场规划方法、系统、终端设备 | |
| CN114154277B (zh) | 集输系统布局优化方法、装置及设备 | |
| Zhang et al. | Graph neural network based short-term solar irradiance forcasting model considering surrounding meteorological factors | |
| CN114511158B (zh) | 基于尾流偏转效应和2DJensen模型的风力机功率预测方法 | |
| Bawazir et al. | Optimum ground-mounted on-grid connected photovoltaic system | |
| Li et al. | Substation Location and Cable Connection Optimization of Onshore Wind Farms Using Minimum Spanning Tree Algorithm |
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 |