CN114491924A - 一种考虑风机-风电场协同优化的海上升压站选址方法 - Google Patents

一种考虑风机-风电场协同优化的海上升压站选址方法 Download PDF

Info

Publication number
CN114491924A
CN114491924A CN202111504026.6A CN202111504026A CN114491924A CN 114491924 A CN114491924 A CN 114491924A CN 202111504026 A CN202111504026 A CN 202111504026A CN 114491924 A CN114491924 A CN 114491924A
Authority
CN
China
Prior art keywords
wind power
power plant
fan
wind
topology
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
CN202111504026.6A
Other languages
English (en)
Inventor
张文嘉
黄俊辉
刘国静
谢珍建
祁万春
许偲轩
彭竹弈
韩杏宁
孙文涛
李辰
王荃荃
赵菲菲
刘柏良
蔡晖
黄成辰
韩俊
蔡超
万鹭
鲁宗相
乔颖
李海波
江坷滕
王睿喆
蒋宗南
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.)
Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Jiangsu Electric Power 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 Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202111504026.6A priority Critical patent/CN114491924A/zh
Publication of CN114491924A publication Critical patent/CN114491924A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Geometry (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)

Abstract

本发明公开了一种考虑风机‑风电场协同优化的海上升压站选址方法，包括获取风电场内部风机容量、风机坐标及出力数据，风电场容量、坐标及出力数据，电力系统传输设备信息、目标区域输电价格及弃电补偿电价、海上升压站选址候选集合；根据风机容量、风机坐标及风机出力数据，通过风电场内部风机拓扑优化模型生成风机初始种群，得到当前种群中的最优个体；根据风电场坐标和最优个体，通过风电场间风机拓扑优化模型，生成风电场初始种群，得到风电场子代种群中的最优个体，确定当前海上升压站选址下的风机‑风电场双层系统最优拓扑；对候选集合中各个候选海上升压站选址，计算风机‑风电场双层系统最优拓扑，选出海上升压站选址即为最优选址。

Description

一种考虑风机-风电场协同优化的海上升压站选址方法
技术领域
本发明涉及风电汇集系统拓扑优化技术领域，具体是一种考虑风机-风电场协同优化的海上升压站选址方法。
背景技术
作为21世纪最具活力的可再生清洁能源发电方式，风力发电为构造低碳社会、推动新旧动能转换和经济可持续发展做出了巨大的贡献。与内陆风力资源相比，海上风力资源更加稳定，风能质量更好，发电效率更高，对人类生活的直接影响较小[1]。因此，近年来，世界各国的风电发展十分迅猛。截至2020年底，海上风力发电累计总装机容量已达32.5GW，且全球的海上风电装机容量仍在逐年增长。远海大规模海上风电并网正逐步成为可再生能源的主要发展方向之一。
我国的海上风电场主要建设在东部和南部沿海地区，靠近负荷中心，可为内陆地区提供大量的电力资源。然而，近年来海上风电的发展却遇到了风资源利用率低，风电与其他电力资源不平衡，与电力系统负荷侧不协调而引发的弃风、脱网等问题。解决海上风电消纳的根本方法是合理规划耦合风电随机特性的风电场拓扑结构，利用大型风电场的平滑效应优化集群风电场的机组出力，设计经济可靠的并网输送方案，并建设一个适应大规模海上风电场与陆上电网协调控制的汇集外送系统。
海上升压站选址也是一个重要影响因素，所以设计一个考虑风机-风电场协同优化的海上升压站选址策略是十分有必要的。
发明内容
本发明的目的在于克服现有技术的不足，提供一种考虑风机-风电场协同优化的海上升压站选址方法，包括如下步骤；
步骤一，获取风电场内部风机容量、风机坐标及出力数据，风电场容量、坐标及出力数据，电力系统传输设备信息、目标区域输电价格及弃电补偿电价、海上升压站选址候选集合；
步骤二，根据风机容量、风机坐标及风机出力数据通过风电场内部风机拓扑优化模型生成风机初始种群，并计算各个风机的净收益，若风机的净收益不满足终止准则，生成子代种群，对子代种群经过交叉、变异，再计算各个风机的净收益，若风机的净收益满足终止准则，得到当前种群中的最优个体；
步骤三，根据风电场坐标和最优个体，通过风电场间风机拓扑优化模型中生成风电场初始种群，计算各个风电场的净收益，若风电场的净收益不满足终止准则，生成风电场子代种群，对风电场子代种群进行交叉、变异，再计算各个风电场的净收益，若风电场的净收益满足终止准则，则得到经过交叉、变异后风电场子代种群中的最优个体，确定当前海上升压站选址下的风机-风电场双层系统最优拓扑；
步骤四，对候选集合中各个候选海上升压站选址计算风机-风电场双层系统最优拓扑，选出净收益最大的拓扑结构，其对应的海上升压站选址即为最优选址。
进一步的，所述的海上风电场选址候选集合是基于栅格地图产生的，将两个给定坐标间的区域进行网格化，得到候选集合。
进一步的，所述的风机-风电场双层系统包括风电场内部风机拓扑及风电场间拓扑。
进一步的，所述的风电场内部风机拓扑优化模型是基于风电场内部风机坐标、容量及出力数据搭建的；所述风电场间拓扑优化模型是基于风电场坐标、容量及出力数据得到的；所述协同优化模型是基于风电场内部风机信息及风电场信息得到的。
进一步的，所述的风电场间风机拓扑优化模型为基于遗传算法，结合风电场内部风机拓扑优化结果及风电平滑效应建立。
应用考虑风机-风电场协同优化的海上升压站选址方法的海上升压站选址系统，包括：风电场内部风机拓扑和风电场间拓扑；其中风电场内部风机拓扑包括风机、传输线路，所述风机通过传输线路与风机或风电场连接；所述风电场间拓扑包括风电场、传输线路以及海上升压站，所述风电场与通过传输线与风机、风电场、海上升压站连接。
本发明的有益效果是：1、本发明的一个创新点在于，考虑风电平滑效应，通过风电场内部风机坐标、容量及出力数据，得到风电场内部风机拓扑优化模型，使用遗传算法对风电场内部风机拓扑进行优化，根据风电场内部风机最优拓扑，通过风电场坐标建立风电场拓扑优化模型，得到当前海上升压站选址的风机-风电场双层系统最优拓扑。
2、在上述基础上，根据海上升压站选址候选集合，得到最优的风机-风电场双层系统拓扑，其对应最优海上升压站选址。
附图说明
图1为本发明的协同优化模型的系统图；
图2为本发明的海上风电场集群接入系统的示意图；
图3为本发明实施例中江苏某地区风电场集群出力曲线；
图4为本发明实施例中风电场持续出力曲线；
图5为本发明实施例中风电场内部的三种风机拓扑图之一；
图6为本发明实施例中风电场内部的三种风机拓扑图之二；
图7为本发明实施例中风电场内部的三种风机拓扑图之三；
图8为本发明实施例中风电场内部风机拓扑1优化结果示意图；
图9为本发明实施例中风电场内部风机拓扑2优化结果示意图；
图10为本发明实施例中的海上风电集成系统拓扑优化结果。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种考虑风机-风电场协同优化的海上升压站选址方法，包括如下步骤；
步骤一，获取风电场内部风机容量、风机坐标及出力数据，风电场容量、坐标及出力数据，电力系统传输设备信息、目标区域输电价格及弃电补偿电价、海上升压站选址候选集合；
步骤二，根据风机容量、风机坐标及风机出力数据通过风电场内部风机拓扑优化模型生成风机初始种群，并计算各个风机的净收益，若风机的净收益不满足终止准则，生成子代种群，对子代种群经过交叉、变异，再计算各个风机的净收益，若风机的净收益满足终止准则，得到当前种群中的最优个体；
步骤三，根据风电场坐标和最优个体，通过风电场间风机拓扑优化模型中生成风电场初始种群，计算各个风电场的净收益，若风电场的净收益不满足终止准则，生成风电场子代种群，对风电场子代种群进行交叉、变异，再计算各个风电场的净收益，若风电场的净收益满足终止准则，则得到经过交叉、变异后风电场子代种群中的最优个体，确定当前海上升压站选址下的风机-风电场双层系统最优拓扑；
步骤四，对候选集合中各个候选海上升压站选址计算风机-风电场双层系统最优拓扑，选出净收益最大的拓扑结构，其对应的海上升压站选址即为最优选址。
海上风电场选址候选集合是基于栅格地图产生的，将两个给定坐标间的区域进行网格化，得到候选集合。
风机-风电场双层系统包括风电场内部风机拓扑及风电场间拓扑。
风电场内部风机拓扑优化模型是基于风电场内部风机坐标、容量及出力数据搭建的；所述风电场间拓扑优化模型是基于风电场坐标、容量及出力数据得到的；所述协同优化模型是基于风电场内部风机信息及风电场信息得到的。
风电场间风机拓扑优化模型为基于遗传算法，结合风电场内部风机拓扑优化结果及风电平滑效应建立。
应用考虑风机-风电场协同优化的海上升压站选址方法的海上升压站选址系统，包括：风电场内部风机拓扑和风电场间拓扑；其中风电场内部风机拓扑包括风机、传输线路，所述风机通过传输线路与风机或风电场连接；所述风电场间拓扑包括风电场、传输线路以及海上升压站，所述风电场与通过传输线与风机、风电场、海上升压站连接。
一种考虑风机-风电场协同优化的海上升压站选址方法，包括以下步骤：
S1,获取风电场内部风机容量、坐标及出力数据，风电场容量、坐标及出力数据，电力系统传输设备信息，目标区域输电价格及弃电补偿电价，海上升压站选址候选集合；
S2，将风电场内部风机容量、坐标及出力数据输入到已搭建的协同优化模型中，运用遗传算法对模型进行求解，首先生成初始种群，计算各个风机的净收益，如果不满足终止准则，生成子代种群，然后经过交叉、变异，再计算各个风机的净收益，如果满足终止准则，得到当前种群中的最优个体；将风电场坐标输入到已搭建的协同优化模型中，根据风电场内部风机拓扑优化得到的最优个体，首先生成初始种群，计算各个风电场的净收益，如果不满足终止准则，生成子代种群，然后经过交叉、变异，再计算各个风电场的净收益，如果满足终止准则，得到当前种群中的最优个体，确定当前海上升压站选址下的风机-风电场双层系统最优拓扑。
S3，对候选集合中各个候选海上升压站选址计算风机-风电场双层系统最优拓扑，选出净收益最大的拓扑结构，其对应的海上升压站选址即为最优选址。
本方案的工作原理简述：
在“风电机组-风电场-海上升压站-输电系统-陆上电网”的汇集传递过程中，海上风电的有功输出在空间上具有互补性，既通过汇集不同区域的海上风电有利于减少出力波动性，使得风电机群出力特性曲线更加平滑，也称作风电出力的平滑效应或汇聚效应。对江苏某地区的数个海上风电场组成的集群进行历史数据统计，得到如图2所示的风电场集群出力曲线。
图3中红色粗线为风电场集群的总体出力，蓝色三角细线表示各个风电场的出力，由统计结果可以看出，当数个风电场同时接入时，各风电场出力呈现一定的互补性，使风电场总体出力的标幺最大值减小，验证了风电场集群的平滑效应。
对于风电场或风电场集群的送出线路，如按照装机容量进行配置，则会导致输电线路经常轻载，资产利用率低下；如果送出线路容量过低，又会造成大量弃风。因此需要建立经济性综合优化模型，协调输电线路的建设容量与弃风损失。输电线路综合效益分为成本及收益，由净现值给出
Figure BDA0003394637330000051
式中：Btotal为年度收益；CL为年度成本；r为利率；N为运行年限。
风电场送出电能为线路的收益来源，因为传输容量限制造成的弃风，即未送出电量，也应作为罚款计入线路的收益。忽略风电场送出电能不同时段的价格差异，风电场年度收益 Btotal主要受风电收益BTE和弃电补偿成本Ccur决定，其中BTE主要由风电站年发电量决定， Ccur主要由输电容量限制导致的风电年弃电量决定
Ccur＝[(1+r)N-1]/[r(1+r)N]pbEcur
BTE＝[(1+r)N-1]/[r(1+r)N]poE
式中：BTE为风电电量收益；Ccur为弃电补偿成本；po、pb为价格参数；Ecur为风电场的年弃电量；E为风电场的年发电量。
根据表征风电发电出力特性的年持续出力曲线，进行风电场的年弃电量和年发电量测算。图4描绘了某风电场的年持续出力曲线，为累积持续时间t的函数Pdur(t)。风电场的出口线路有功功率限制为PLL，因此风电场理论出力大于PLL时，超过线路功率约束的部分将被弃电。TLL为风电场出力不小于PLL的年累计持续时间。年持续出力曲线与坐标轴围成的区域面积为风电场理论年可发电量E0，为阴影部分面积年弃电量Ecur与空白部分面积年发电量E之和。
根据上述定义，风电场的年弃电量Ecur和年发电量E可由下式进行计算
Figure BDA0003394637330000052
Figure BDA0003394637330000053
式中，Pdur,max为风电场的年最大出力。根据风电场年可发电量、年发电量与年弃电量三者间的关系，上式等效为：
Figure BDA0003394637330000054
集电系统拓扑优化的约束条件主要包括海缆传输容量约束、海缆载流量约束、海缆承受风机数量约束和海缆交叉规避约束。
选择海缆时应该保证海缆连接的所有风机容量不超过海缆的限制容量，其表达方式如下：
Figure BDA0003394637330000061
其中Sij表示与海缆i相连的风机j的容量，ni表示与海缆i相连的风机数量，Simax表示海缆i的最大传输容量，N表示海缆数量。
海缆载流量约束包括单风机海缆载流量约束和汇集海缆载流量约束，其表达式如下：
Figure BDA0003394637330000062
其中Iij表示连接风机j的电缆i的载流量，Pwj表示风机j的额定出力，Uij表示海缆ij的额定电压，
Figure BDA0003394637330000063
表示风机j的功率因数，Ii表示连接了ni台风机的电缆i的载流量，Ui表示汇集海缆i的额定电压。
由于海缆载流量有限，每条海缆能汇集的风机数量ni有限，其表达方式如下所示：
Figure BDA0003394637330000064
其中Imaxi表示汇集电缆i的最大载流量，
Figure BDA0003394637330000065
表示汇集海缆i的功率因数，Pw表示与汇集海缆i相连的风机的平均额定出力。
海上风电的集电海缆通常采用吹埋的方式进行安装，考虑到实际工程需求，集电海缆之间不允许交叉。而模型的输入信息为风机位置坐标，因此需要利用节点的坐标信息判断海缆是否发生交叉，海缆交叉约束为
Figure BDA0003394637330000066
其中P1P2和Q1Q2表示不能相交的两条线段，
Figure BDA0003394637330000067
和·表示叉积和点积计算。
海上风电场群的并网运行需要先汇集到海上升压站再进行输送，那么海上升压站的容量不小于各汇集电缆容量，其表达式如下：
Figure BDA0003394637330000068
其中Si表示电缆容量，Ni表示汇集到升压站的电缆数量，Sasc表示海上升压站的容量。
在本发明中，根据优化模型，基于遗传算法，对模型进行优化。将海上升压站的选址范围进行栅格化，处理成离散的方形栅格单元，各栅格单元中心在地图所处的位置均作为海上升压站的候选地址。
本实施例就图1所述海上风电场集群接入系统进行优化选址，将风电场内部风机信息及出力数据输入到已搭建的协同优化模型中，完成风电场内部风机拓扑优化；将风电场信息及出力数据输入到已搭建的协同优化模型中，建立风机-风电场双层模型，综合考虑大规模风力发电出力特性、风电平滑效应、输电工程建设成本、风力弃电成本、输送风力发电收益等因素，优选出当前海上升压站选址下最优拓扑结构；通过寻址策略寻找到考虑风机-风电场协同优化的最优海上升压站选址。
1.海上风机拓扑优化
将风电场内部风机容量、坐标及出力数据输入到已搭建的协同优化模型中，运用遗传算法对模型进行求解，首先生成初始种群，计算各个风机的净收益，如果不满足终止准则，生成子代种群，然后经过交叉、变异，再计算各个风机的净收益，如果满足终止准则，得到当前种群中的最优个体，即风电场内部风机最优拓扑。
选取江苏某地区正在规划的三种风电场拓扑结构为例，其拓扑结构如图5所示，集电海缆成本及挂载风机数参数如表1所示。
表1集电海缆经济技术参数
海缆截面积/mm<sup>2</sup> 海缆价格/(万元/km) 挂载风机数
70 77.8 2
120 91.16 3
185 106.76 4
240 117.23 5
400 155.29 6
对三种风电场拓扑进行优化，优化结果如表2、3所示，优化后的拓扑见图6。通过优化结果可知，拓扑3的结构未发生变化，拓扑1和拓扑2的优化结果与规划不同，成本能分别减少206万和45万元，说明本文所提出的方法能够对风电场风机拓扑进行有效优化，降低成本。
表2拓扑优化前后成本对比
拓扑 推荐拓扑成本/(亿元) 优化后成本/(亿元)
拓扑1 2.3804 2.3598
拓扑2 3.1988 3.1943
拓扑3 3.6369 3.6369
表3拓扑优化前后各类型海缆长度对比
Figure BDA0003394637330000071
Figure BDA0003394637330000081
2.风电集群拓扑优化
以江苏某地区七个海上风电场进行拓扑优化，集电海缆参数如表4所示。
表4集电海缆成本及容量参数
容量/MW 150 200 300 350 400
价格/(万元/km) 550 734 887 1200 1500
对七个风电场的经纬度经过换算，得到风电场的地理位置信息，陆上升压站设在(100,100) 处，具体如表5所示。
表5风电场位置信息
编号 X/km Y/km 装机容量/MW
1 -53.09 51.11 10
2 -48.16 51.39 20
3 -33.27 -24.20 30
4 -17.11 -22.55 20
5 -13.16 51.29 30
6 -19.80 -45.94 10
7 100.49 -31.29 20
风电场的出力信息利用风电场历史出力数据进行截取，作为其场景年的年出力数据，同时也反映了风电场集群内部的相关性信息。同时给定输电价格及投资信息：输电价格为0.08 元/(Kw*h)，因输电有功功率限制而导致风电场弃电的补偿电价0.32元/(Kw*h)，集电系统使用寿命为20年，基准折现率为0.08。
使用本文的遗传算法进行求解，进行50次迭代，最终得到的拓扑优化结果如图7所示。海上升压站位置为(0,35)。图中空心圆圈为风电场，黑色方块分别为海上升压站和陆上升压站。
将各个风电场直接接入海上升压站(默认坐标：(0，0))，再通过海上升压站连入陆上升压站的连接方式与本文优化后的结果进行对比，对比结果如表6所示。
表6拓扑优化结果对比
拓扑类型 线路长度/km 线路成本/亿元 收益/亿元
优化前 563.21 40.17 1.18
优化后 416.24 30.65 10.63
使用本文的改进遗传算法，集电系统的成本从40.17亿元降低至30.65亿元，成本降低 23.6％，集电系统的收益从1.18亿元提升至10.63亿元，总体收益提高9.45亿元。
进一步的，所述协同优化包括风电场内部风机拓扑优化及风电场间拓扑优化。
进一步的，所述风电场信息及风电场内部风机信息应包括下述中的数据：设备坐标、设备出力数据、设备容量。
进一步的，针对当前海上升压站选址，基于协同优化模型，综合考虑风电场内部风机拓扑结构及风电场间拓扑结构，使用遗传算法对模型进行优化，得到当前海上升压站选址下风电场内部风机最优拓扑及风电场间最优拓扑。
进一步的，风电场内部风机拓扑优化和风电场间风机拓扑优化模型是基于遗传算法，考虑风电平滑效应建立的。
进一步的，海上风电场选址候选集合是基于栅格地图产生的，将两个给定坐标间的区域进行网格化，得到候选集合。
进一步的，海上升压站选址是基于风电场内部风机最优拓扑和风电场间最优拓扑建立的。
进一步的，所述风电场内部风机拓扑优化模型是基于风电场内部风机坐标、容量及出力数据搭建的；所述风电场间拓扑优化模型是基于风电场坐标、容量及出力数据搭建的；所述协同优化模型是基于风电场内部风机信息及风电场信息搭建的。
计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或多个计算机程序，所述一个或多个计算机程序被一个或多个处理器执行时实现如上所述任一项所述的考虑风机-风电场协同优化的海上升压站选址策略。
一种考虑风机-风电场协同优化的海上升压站选址策略，其特征在于，包括：风电场内部风机拓扑和风电场间拓扑；其中风电场内部风机拓扑包括风机、传输线路，所述风机通过传输线路与风机或风电场连接；所述风电场间拓扑包括风电场、传输线路以及海上升压站，所述风电场与通过传输线与风机、风电场、海上升压站连接，一个或多个所述计算机程序被一个或多个处理器执行时实现如上所述任一项所述的考虑风机-风电场协同优化的海上升压站选址方法。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (6)

1.一种考虑风机-风电场协同优化的海上升压站选址方法，其特征在于，包括如下步骤；
步骤一，获取风电场内部风机容量、风机坐标及出力数据，风电场容量、坐标及出力数据，电力系统传输设备信息、目标区域输电价格及弃电补偿电价、海上升压站选址候选集合；
步骤二，根据风机容量、风机坐标及风机出力数据，通过风电场内部风机拓扑优化模型生成风机初始种群，并计算各个风机的净收益，若风机的净收益不满足终止准则，生成子代种群，对子代种群经过交叉、变异，再计算各个风机的净收益，若风机的净收益满足终止准则，得到当前种群中的最优个体；
步骤三，根据风电场坐标和最优个体，通过风电场间风机拓扑优化模型中生成风电场初始种群，计算各个风电场的净收益，若风电场的净收益不满足终止准则，生成风电场子代种群，对风电场子代种群进行交叉、变异，再计算各个风电场的净收益，若风电场的净收益满足终止准则，则得到经过交叉、变异后风电场子代种群中的最优个体，确定当前海上升压站选址下的风机-风电场双层系统最优拓扑；
步骤四，对候选集合中各个候选海上升压站选址，计算风机-风电场双层系统最优拓扑，选出净收益最大的拓扑结构，其对应的海上升压站选址即为最优选址。
2.根据权利要求1所述的一种考虑风机-风电场协同优化的海上升压站选址方法，其特征在于，所述的海上风电场选址候选集合是基于栅格地图产生的，将两个给定坐标的区域进行网格化，得到候选集合。
3.根据权利要求1所述的一种考虑风机-风电场协同优化的海上升压站选址方法，其特征在于，所述的风机-风电场双层系统包括风电场内部风机拓扑及风电场间拓扑。
4.根据权利要求2所述的一种考虑风机-风电场协同优化的海上升压站选址方法，其特征在于，所述的风电场内部风机拓扑优化模型是基于风电场内部风机坐标、容量及出力数据搭建的；所述风电场间拓扑优化模型是基于风电场坐标、容量及出力数据得到的；所述协同优化模型是基于风电场内部风机信息及风电场信息得到的。
5.根据权利要求1所述的一种考虑风机-风电场协同优化的海上升压站选址方法，其特征在于，所述的风电场间风机拓扑优化模型为基于遗传算法，结合风电场内部风机拓扑优化结果及风电平滑效应建立。
6.应用权利要求1-5任一所述的一种考虑风机-风电场协同优化的海上升压站选址方法的海上升压站选址系统，其特征在于，包括：风电场内部风机拓扑和风电场间拓扑；其中风电场内部风机拓扑包括风机、传输线路，所述风机通过传输线路与风机或风电场连接；所述风电场间拓扑包括风电场、传输线路以及海上升压站，所述风电场通过传输线与风机、风电场、海上升压站连接。
CN202111504026.6A 2021-12-06 2021-12-06 一种考虑风机-风电场协同优化的海上升压站选址方法 Pending CN114491924A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111504026.6A CN114491924A (zh) 2021-12-06 2021-12-06 一种考虑风机-风电场协同优化的海上升压站选址方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111504026.6A CN114491924A (zh) 2021-12-06 2021-12-06 一种考虑风机-风电场协同优化的海上升压站选址方法

Publications (1)

Publication Number Publication Date
CN114491924A true CN114491924A (zh) 2022-05-13

Family

ID=81492057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111504026.6A Pending CN114491924A (zh) 2021-12-06 2021-12-06 一种考虑风机-风电场协同优化的海上升压站选址方法

Country Status (1)

Country Link
CN (1) CN114491924A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562424A (zh) * 2023-03-30 2023-08-08 上海勘测设计研究院有限公司 海上变电站的位置选择方法、系统、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562424A (zh) * 2023-03-30 2023-08-08 上海勘测设计研究院有限公司 海上变电站的位置选择方法、系统、电子设备及存储介质
CN116562424B (zh) * 2023-03-30 2024-03-22 上海勘测设计研究院有限公司 海上变电站的位置选择方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109636671B (zh) 一种考虑多层次市场联动型的风电消纳优化策略
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
CN109638870B (zh) 一种特高压直流送端电网的调相机配置方法
CN103996074A (zh) 基于cfd和改进pso的复杂地形风电场微观选址方法
CN107681655B (zh) 一种潮汐流能发电场协调规划方法
CN106803130B (zh) 分布式电源接入配电网的规划方法
CN109818369B (zh) 一种计及出力模糊随机性的分布式电源规划方法
CN109598377B (zh) 一种基于故障约束的交直流混合配电网鲁棒规划方法
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
CN113806947B (zh) 海上风电场布局处理方法、装置及设备
CN112163711A (zh) 一种基于mopso/cc的综合能源系统优化调度方法
CN108199381A (zh) 一种用于风电接入系统电压稳定性的切负荷地点选择方法
CN114491924A (zh) 一种考虑风机-风电场协同优化的海上升压站选址方法
CN114462302A (zh) 考虑n+原则的海上风电场电气系统规划与选型优化方法
CN112214883B (zh) 一种微能源网综合能源系统运行优化方法和系统
CN114362143A (zh) 一种海上风电场集电系统拓扑优化求解算法
Lin et al. Assessing the impacts of large‐scale offshore wind power in Southern China
Quan et al. Spatial correlation modeling for optimal power flow with wind power: Feasibility in application of superconductivity
CN115455731A (zh) 一种海上风电场风电机组微观选址与电缆布局联合优化设计方法
Hou et al. Cable connection scheme optimization for offshore wind farm considering wake effect
CN114825320A (zh) 一种考虑风机-风电场双层系统拓扑的协同优化方法
Li et al. Layout Optimization of Offshore Wind Farm Considering Economic-Technology Constraints
CN112510684B (zh) 一种相邻增量配电网的可中断负荷配置方法
Sixuan et al. Topology optimization of offshore wind farm collection system considering smoothing effect
CN109447369A (zh) 一种基于模拟退火算法的考虑多因素的产能端功率分配方法

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