CN114818258A - 一种基于最小度电成本的风电场微观选址优化方法 - Google Patents
一种基于最小度电成本的风电场微观选址优化方法 Download PDFInfo
- Publication number
- CN114818258A CN114818258A CN202210246914.0A CN202210246914A CN114818258A CN 114818258 A CN114818258 A CN 114818258A CN 202210246914 A CN202210246914 A CN 202210246914A CN 114818258 A CN114818258 A CN 114818258A
- Authority
- CN
- China
- Prior art keywords
- wind
- power plant
- wind power
- annual
- cost
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000010845 search algorithm Methods 0.000 claims abstract description 10
- 238000010248 power generation Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 3
- 230000005684 electric field Effects 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于最小度电成本的风电场微观选址优化方法;读取风电场气象参数,评估风电场资源情况,将风电场区域作为搜索空间,根据人工提供的或随机生成的初始位置作为优化算法的初始解,以安全距离和风电场边界作为约束条件,以发电量最大,尾流最小,占地面积最小整合的风电场度电成本为目标函数,采用随机搜索算法对风电机组位置寻优,对风电场风机排布进行优化。本发明无需将风电场进行网格划分,可以直接搜索整个风电场资源的分布,风电机组位置方案更加精确,实用性更强。
Description
技术领域
本发明涉及一种风电场风电机组自动排布优化方法,具体来讲涉及的是一种可保证风机间安全距离的基于随机搜索算法的风电场风力发电机排布优化方法。
背景技术
在最近的20年间风电规模不断扩大,根据能源与环境2019年发布的数据显示,截至2018年底,我国可再生能源发电装机达到7.28亿kW,其中风电装机以1.84亿kW的装机量仅次于水电位列于新能源发电的第二位,在装机容量份额上处于世界领先水平。我国风电产业随着国家政策的扶持,在国家能源局最新数据统计中,2019年底新能源的装机容量已到达全部电力装机的39.5%,同比增长9%,风电装机同比增长14%,从数据中可以看出风电所占的市场份额在逐年增加,2016年我国国家发展改革委、国家能源局制定的《能源生产和消费革命战略(2016~2030)》中指出2030年我国新能源占比将达到一次能源消费总量的1/5,实现能源利用的转变,即由“补充电源”转变为“替代电源”。为进一步完善新能源发电的管理制度,将研究制定“十四五”规划来保证可再生能源健康持续发展。而在世界风能协会发布的报告中对全球风电覆盖率占比进行预测的结果中表明,在2050年风电将以高达40%的占比作为新能源发展的主要力量。
风电场选址包含宏观选址和微观选址两部分。宏观选址是通过考虑风能资源、地质地形、电气联网、交通运输等多方面因素,综合选择出风资源较好、能产生良好经济效益的最有价值的风电场区域。而微观选址则是在宏观选址所选出的风电场区域内,通过对风力机机组进行选型布置来使得风电场获得更高经济效益的过程。微观选址是在满足风电场设计要求的前提下,通过计算得到风力机的具体安放位置,尽可能地降低投资成本,同时提高风电场发电量,使整个风电场具有良好的经济效益。在风电场机组的布局规划中,为了使风电场的发电量最大化,风电场项目开发者希望在有限的面积内安装尽可能多的风电机组,这会导致机组间距的减小,从而使下风向机组尾流损失增大。如果风电机组间距过大又会导致安装的机组数量减少,虽然下风向机组受到的尾流效应影响较小,但是由于机组数目的减少会导致风电场单位面积产能的减少,因此造成风电场风资源及土地资源的浪费。因此,需要对风电场机组的排布设计方案进行优化,提高风电场的发电效率和经济效益。在风电场微观选址过程中,风力机的优化布置和风机尾流模型的模拟是非常关键的核心问题之一。风力机组布置方案的优劣将直接影响到风资源和土地资源的利用率以及风电场的经济效益。
目前的风电场微观选址主要通过工程师经验进行风机排布,其排布结果往往不能兼顾考虑资源、尾流、场址占地面积等多种目标,加之人工选址存在精度差等特点,因此,本发明提出一种基于最小度电成本的风电场微观选址优化方法。
发明内容
因此,为了解决上述不足,本发明在此提供一种基于最小度电成本的风电场微观选址优化方法。读取风电场区域气象参数,进行风电场风资源评估;根据风资源评估结果和建场装机容量等要求,对风力发电机进行选型,确定风机数量;建立风电场机组布局优化的约束多目标优化模型,最小风电场建设成本为优化目标,以风力机安装最小间距和风电场场地限制为约束条件建立多目标优化模型;根据人工布局或随机生成的初始位置作为初始解,采用随机搜索算法,以整个风电场为搜索域进行风机排布,计算目标函数值;与前一期结果进行比较,若目标函数值更小,则记录为较优解,循环步骤3,直到达到总循环步数。
本发明是这样实现的,构造一种基于最小度电成本的风电场微观选址优化方法,其特征在于,包含以下步骤:
步骤1:读取风电场区域气象参数,进行风电场风资源评估;
步骤2:根据风资源评估结果和建场装机容量等要求,对风力发电机进行选型,确定风机数量;
步骤3:建立以最大化风电场年发电量为优化目标,以风力机安装最小间距和风电场场地限制为约束条件建立多目标优化模型;
步骤3:根据人工提供布局的或随机生成的初始位置作为初始解,采用随机搜索算法,以整个风电场为搜索域进行风机排布,计算目标函数值;
步骤4:并与前一期结果进行比较,若目标函数值更小,则记录为较优解,循环步骤3,直到达到总循环步数。
根据本发明所述的一种基于最小度电成本的风电场微观选址优化方法,其特征在于,使用基于随机搜索算法来优化风机位置的选取,通过对目标函数的设定来寻找最佳布局,从而对风电场区域进行搜索,搜索域是连续的。目标函数由两部分组成,一部分是风电场建设成本,另一部分是风电场发电量。目标函数计算公式为:
式中,Ptot为风电场年发电量;Ctot为风电场年投资成本;
式中,Ptot为风电场年发电量,f(i,m,v)为第i台风机第m风向v风速下的概率密度函数,Pv为风力发电机v风速下对应的功率,in为风电机组的切入风速, out为风电机组的切出风速,Nwd为风向区间数量,Nwt为风电机组个数,T为全年小时数,8760小时;
Ctot为风电场年投资成本,包括年化初始投资成本及年平均运行和维护费用的折现值见如下公式:
式中:Ccp为风电机组采购安装成本;Nwt为风机数量;P*为风电机组额定功率3300kw;d2为常数0.00174;cF为单位土地征用费1.2¥/m2;AF为风电场占用面积;风电场运行寿命为20年,年运行和维护成本为初始投资的4%-5%左右,年利率为5%计算。
所述约束条件将每个风机点位的坐标范围限制在一个矩形区域中,即风电场范围中。考虑到安全性和湍流影响,任何两个风机之间的距离不能少于200m。随着风能产业的蓬勃发展,资源优秀的区域被开发完毕,次优区域的资源需要被更好的利用。随着国家对环境保护的要求越来越高,光影,噪声因素需也是本项目和今后风电场选址必须考虑的内容,这无疑加大了风电场微观选址的难度。因此,风力发电机需要按照相关标准对居民区进行避让,根据本项目的实际情况,需要考虑到风电场环境噪声的影响,根据相关研究和标准,风机距最近的居民点的距离要达到400m以上,因此对于每个风电机组,距离居民点的距离不能少于400m。
本发明具有如下优点:本发明公开了一种基于最小度电成本的风电场微观选址优化方法;读取风电场气象参数,评估风电场资源情况,将风电场区域作为搜索空间,根据人工提供的或随机生成的初始位置作为优化算法的初始解,以安全距离和风电场边界作为约束条件,以发电量最大,尾流最小,占地面积最小整合的风电场度电成本为目标函数,采用随机搜索算法对风电机组位置寻优,对风电场风机排布进行优化。本发明无需将风电场进行网格划分,可以直接搜索整个风电场资源的分布,风电机组位置方案更加精确,实用性更强。
相对于人工手动布机,相比于人工经验排布,在满足限制条件的基础上进行优化排布可以更充分的利用风资源;通过增加风机之间的距离以降低风机尾流的影响,考虑占地面积的因素之后,本方法考虑了用地面积带来的投资成本,在满足限制条件的情况下减小风机之间的距离,优化风机排布,提高风电场排布效率。
附图说明
图1为本发明方法的流程图;
图2为实施例风电区域的风资源图谱;
图3为采用传统方法和本方法对风电区域进行微观选址的结果对比图。
具体实施方式
下面将结合附图1-图3对本发明进行详细说明,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明通过改进在此提供一种基于最小度电成本的风电场微观选址优化方法;本实施例对某风电场进行发电机建场前的风机排布选型优化。在该边长为4 千米的正方形风电场区域内装配额定功率为3.3MW,风机叶轮面直径为155m的风力发电机。装配风机台数为15台。可行域为该范围内的二维平面。优化目标为在保持风机安全距离为200m和距离居民点400m的前提下整个风电场度电成本最低。整个过程的流程如图1所示。实施步骤具体如下:
步骤1:读取风电场区域气象参数,进行风电场风资源评估;
步骤2:根据风资源评估结果和建场装机容量等要求,对风力发电机进行选型,确定风机数量;
步骤3:建立风电场机组布局优化的约束多目标优化模型,以最大化风电场年发电量、最小风机尾流、最小风电场建设成本为优化目标,合成风电场最小度电成本为总目标,以风力机安装最小间距和风电场场地限制为约束条件建立多目标优化模型;
步骤3:根据人工提供布局的或随机生成的初始位置作为初始解,采用随机搜索算法,以整个风电场为搜索域进行风机排布,计算目标函数值;
步骤4:并与前一期结果进行比较,若目标函数值更小,则记录为较优解,循环步骤3,直到达到总循环步数。
本发明所述的一种基于最小度电成本的风电场微观选址优化方法实施时,使用基于随机搜索算法来优化风机位置的选取,通过对目标函数的设定来寻找最佳布局,从而对风电场区域进行搜索,搜索域是连续的。目标函数由两部分组成,一部分是风电场建设成本,另一部分是风电场发电量。目标函数计算公式为:
式中,Ptot为风电场年发电量;Ctot为风电场年投资成本。
式中,Ptot为风电场年发电量,f(i,m,v)为第i台风机第m风向v风速下的概率密度函数,Pv为风力发电机v风速下对应的功率,in为风电机组的切入风速,out 为风电机组的切出风速,Nwd为风向区间数量,Nwt为风电机组个数,T为全年小时数,8760小时;
Ctot为风电场年投资成本,包括年化初始投资成本及年平均运行和维护费用的折现值见如下公式:
式中:Ccp为风电机组采购安装成本;Nwt为风机数量;P*为风电机组额定功率3300kw;d2为常数0.00174;cF为单位土地征用费1.2¥/㎡;AF为风电场占用面积;风电场运行寿命为20年,年运行和维护成本为初始投资的4%-5%左右,年利率为5%计算。
图3给出了各个方法优化的结果(图3采用传统方法和本方法对风电区域进行微观选址的结果对比图(a,人工经验排布;b,考虑多目标优化排布)),相对于人工手动布机,相比于人工经验排布,只考虑风资源的单目标自动优化可以更精确的利用场地的风资源分布,在满足限制条件的基础上进行优化排布,风电场排布效率可以提高0.36%,可以更充分的利用风资源;在考虑尾流的影响之后,考虑尾流的两目标自动优化可以充分利用场址面积,通过增加风机之间的距离以降低风机尾流的影响,风电场排布效率可以提高2.72%;考虑占地面积的因素之后,多目标优化的方法考虑了用地面积带来的投资成本,在满足限制条件的情况下减小风机之间的距离,优化风机排布,风电场排布效率可以提高 3.75%。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (2)
1.一种基于最小度电成本的风电场微观选址优化方法,其特征在于;包含以下步骤:
步骤1:读取风电场区域气象参数,进行风电场风资源评估;
步骤2:根据风资源评估结果和建场装机容量等要求,对风力发电机进行选型,确定风机数量;
步骤3:建立以最大化风电场年发电量为优化目标,以风力机安装最小间距和风电场场地限制为约束条件建立多目标优化模型;
步骤3:根据人工提供布局的或随机生成的初始位置作为初始解,采用随机搜索算法,以整个风电场为搜索域进行风机排布,计算目标函数值;
步骤4:并与前一期结果进行比较,若目标函数值更小,则记录为较优解,循环步骤3,直到达到总循环步数。
2.根据权利要求1所述的一种基于最小度电成本的风电场微观选址优化方法,其特征在于;使用基于随机搜索算法来优化风机位置的选取,通过对目标函数的设定来寻找最佳布局,从而对风电场区域进行搜索,搜索域是连续的;目标函数由两部分组成,一部分是风电场建设成本,另一部分是风电场发电量;目标函数计算公式为:
式中,Ptot为风电场年发电量;Ctot为风电场年投资成本;
式中,Ptot为风电场年发电量,f(i,m,v)为第i台风机第m风向v风速下的概率密度函数,Pv为风力发电机v风速下对应的功率,in为风电机组的切入风速,out为风电机组的切出风速,Nwd为风向区间数量,Nwt为风电机组个数,T为全年小时数,8760小时;
Ctot为风电场年投资成本,包括年化初始投资成本及年平均运行和维护费用的折现值见如下公式:
式中:Ccp为风电机组采购安装成本;Nwt为风机数量;P*为风电机组额定功率3300kw;d2为常数0.00174;cF为单位土地征用费1.2¥/m2;AF为风电场占用面积;风电场运行寿命为20年,年运行和维护成本为初始投资的4%-5%左右,年利率为5%计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210246914.0A CN114818258A (zh) | 2022-03-14 | 2022-03-14 | 一种基于最小度电成本的风电场微观选址优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210246914.0A CN114818258A (zh) | 2022-03-14 | 2022-03-14 | 一种基于最小度电成本的风电场微观选址优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114818258A true CN114818258A (zh) | 2022-07-29 |
Family
ID=82529300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210246914.0A Pending CN114818258A (zh) | 2022-03-14 | 2022-03-14 | 一种基于最小度电成本的风电场微观选址优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818258A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307622A (zh) * | 2023-03-31 | 2023-06-23 | 中国葛洲坝集团电力有限责任公司 | 一种适用于风电建筑安装行业的基建管控系统 |
-
2022
- 2022-03-14 CN CN202210246914.0A patent/CN114818258A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307622A (zh) * | 2023-03-31 | 2023-06-23 | 中国葛洲坝集团电力有限责任公司 | 一种适用于风电建筑安装行业的基建管控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Şişbot et al. | Optimal positioning of wind turbines on Gökçeada using multi‐objective genetic algorithm | |
US7941304B2 (en) | Method for enhancement of a wind plant layout with multiple wind turbines | |
Asaah et al. | Optimal placement of wind turbines in wind farm layout using particle swarm optimization | |
Swisher et al. | Strong winds on the horizon: wind power comes of age | |
CN106682282A (zh) | 一种基于遗传算法嵌套粒子群算法的风电场多型号风力发电机排布优化方法 | |
Li et al. | Techno-economic analysis of the transition towards the large-scale hybrid wind-tidal supported coastal zero-energy communities | |
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 | |
Ahmed | Electricity generation from the first wind farm situated at Ras Ghareb, Egypt | |
Nakomčić-Smaragdakis et al. | Hybrid renewable energy system application for electricity and heat supply of a residential building | |
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 | |
Ahshan et al. | Small wind turbine systems for application in Oman | |
CN106875068B (zh) | 一种风力发电机排布选型的优化方法和系统 | |
Jia et al. | Optimal operation of cascade hydro-wind-photovoltaic complementary generation system with vibration avoidance strategy | |
CN114818258A (zh) | 一种基于最小度电成本的风电场微观选址优化方法 | |
Karadag et al. | Wind turbine integration to tall buildings | |
CN103186699A (zh) | 基于经济系数风力发电风资源选址方法 | |
Özbek et al. | Feasibility of Offshore Wind Energy in Turkey; A Case Study for Gulf of Edremit at the Aegean Sea | |
Mahmoud et al. | Review on wind energy systems | |
Dawid | German support systems for onshore wind farms in the context of Polish acts limiting wind energy development | |
Dangar et al. | Site matching of offshore wind turbines-a case study | |
Kaldellis et al. | Wind power contribution in achieving global renewable energy targets: Current status and future prospects | |
Liu et al. | Wind Energy | |
Kylili | Environmental assessment of wind turbines and wind energy | |
Abdul-Ameer et al. | Maximizing the generated power of wind farms by using optimization method | |
CN115115136A (zh) | 基于全生命周期度电成本最优化的风电机组自动布置方法 |
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 |