CN115358160A - 一种基于改进遗传算法的复杂地形风电场微观选址方法 - Google Patents

一种基于改进遗传算法的复杂地形风电场微观选址方法 Download PDF

Info

Publication number
CN115358160A
CN115358160A CN202210353957.9A CN202210353957A CN115358160A CN 115358160 A CN115358160 A CN 115358160A CN 202210353957 A CN202210353957 A CN 202210353957A CN 115358160 A CN115358160 A CN 115358160A
Authority
CN
China
Prior art keywords
wind
terrain
fan
wind power
power plant
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
CN202210353957.9A
Other languages
English (en)
Inventor
胡伟成
程宝龙
钱铮
吴慧群
周婷
周桐
郭坤鹏
涂文博
宋立忠
袁紫婷
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.)
Zhejiang Jiangnan Engineering Management Co ltd
Original Assignee
Zhejiang Jiangnan Engineering Management 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 Zhejiang Jiangnan Engineering Management Co ltd filed Critical Zhejiang Jiangnan Engineering Management Co ltd
Priority to CN202210353957.9A priority Critical patent/CN115358160A/zh
Publication of CN115358160A publication Critical patent/CN115358160A/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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • 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
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于改进遗传算法的复杂地形风电场微观选址方法，属于风力发电领域，包括：获取目标风电场的地形海拔数据和实测风数据；利用地形海拔数据针对目标风电场进行复杂地形数值建模，并对建模结果进行CFD全风向模拟；根据模拟结果分别获取主导风向地形加速分布情况和潜在风资源分布情况；结合所述风功率密度和地形加速比，利用改进遗传算法优化风机排布；根据优化后的风机排布结果，计算风电场的相关参数，得到风电场选址结果。该方法考虑复杂地形的风功率密度和地形加速效应分布，针对原始遗传算法进行改进，剔除潜在风资源低的区域，大幅度改善复杂地形风电场的风机排布优化效率。

Description

一种基于改进遗传算法的复杂地形风电场微观选址方法
技术领域
本发明属于风力发电技术领域，具体涉及一种基于改进遗传算法的复杂地形风电场微观选址方法。
背景技术
由于对可再生能源的开发需求迅速增长，风能利用越来越受到重视，其开发关键在于如何对风电场进行微观选址，以最大化利用风能。风电场微观选址是一个多变量的问题，潜在方案量非常巨大，而且是一个非凸问题，导致风机布局的优化非常容易陷入局部最优。
现有很多算法用于对风机排布进行优化，如遗传算法、贪婪算法、粒子群优化算法、进化算法、随机搜索、数学模型和数值方法等。然而，由于风机群尾流和复杂地形耦合作用，使得复杂地形风电场微观选址问题极具复杂性且耗时极长。而我国复杂地形占地又广，因此提高对复杂地形条件下风电场微观选址的认识非常必要，有助于改善风机排布优化效果和效率。
现有风电场微观选址算法未能充分利用复杂地形风资源分布特性，采用的优化算法非但计算效率低下，而且非常容易陷入局部最优，无法得到最佳风机排布方案。
因此，本发明提出一种基于改进遗传算法的复杂地形风电场微观选址方法。
发明内容
为了克服上述现有技术存在的不足，本发明提供了一种基于改进遗传算法的复杂地形风电场微观选址方法。
为了实现上述目的，本发明提供如下技术方案：
一种基于改进遗传算法的复杂地形风电场微观选址方法，包括以下步骤：
获取目标风电场的地形海拔数据和实测风数据；
利用地形海拔数据针对目标风电场进行复杂地形数值建模，并对建模结果进行CFD全风向模拟，得到每个风向角下整个区域的风速空间分布情况；
根据实测风数据绘制区域的风玫瑰图，确定主导风向，并计算地形加速比，根据地形加速比判断区域风能利用率，获得主导风向地形加速分布情况；
结合风速空间分布情况及单点实测风数据，计算风功率密度，根据风功率密度判断区域风能潜在利用率，获得潜在风资源分布情况；
结合所述风功率密度和地形加速比，利用改进遗传算法优化风机排布；
根据优化后的风机排布结果，计算风电场的相关参数，得到风电场选址结果。
优选地，所述实测风数据为目标风电场附近气象站或测风塔的长期实测风数据，包括风速和风向数据。
优选地，所述利用地形海拔数据针对目标风电场进行复杂地形数值建模，并对建模结果进行CFD全风向模拟，得到每个风向角下整个区域的风速空间分布，具体包括以下步骤：
利用地形海拔数据针对目标风电场进行复杂地形数值建模，获得地形模型，并在地形模型的地形边界添加过渡段；
针对添加过渡段后的地形模型进行网格划分，采用六面体结构化网格划分整个计算域，验算网格质量；
将风向划分为16个风向区间，对网格划分后的地形模型进行全风向CFD模拟，得到每个风向角下整个区域的风速空间分布情况，CFD模拟中的湍流模型采用Realizable k-ε模型。
优选地，所述主导风向地形加速分布情况的获取包括以下步骤：
根据长期实测风数据，绘制区域的风玫瑰图，确定主导风向；
计算主导风向下的地形加速比Uratio：
Figure BDA0003582009390000021
式中，Uratio表示地形加速比，x和y表示空间点的水平坐标，zground表示距离地面的高度，Uin(zground)表示CFD模拟时入口处zground高度的平均风速，UCFD(x,y,zground)表示CFD模拟得到的空间任意点相同离地高度处的风速；
根据地形加速比Uratio判断区域风能利用率，将地形加速比Uratio低于设定值的区域设置为不布置风机的区域。
优选地，所述潜在风资源分布情况的获取包括以下步骤：
剔除实测风数据中的局部地形效应，将实测风数据转换为开敞地形的风速数据；
结合CFD全风向模拟获得的风速空间分布情况及开敞地形的风速数据，计算风功率密度W：
Figure BDA0003582009390000031
Figure BDA0003582009390000032
Figure BDA0003582009390000033
式中，W(x)为x处的风功率密度，ρ为空气密度，N为样本数，U(x,i)为风速时程的第i个值，U10,in是CFD模拟入口的10m高度风速，U10,open(i)为剔除局部地形后的10m高度风速，UCFD(x,θi)是第i个风速对应的风向角θi下的CFD模拟风速，Ustation为实测风速数据，z0,station为观测站地面粗糙长度，zstation为观测点离地高度，zd,station为观测站零平面位移高度；
根据风功率密度W判断区域风能潜在利用率。
优选地，所述结合所述风功率密度和地形加速比，利用改进遗传算法优化风机排布，包括以下步骤：
根据拟采用的风机型号，确定风机参数，将目标区域划分为若干等间隔的网格，假定风机安装在网格中心，结合CFD模拟结果和长期实测风数据得到每个网格中心轮毂高度处的风速时程数据；
将风功率密度W和主导风向下轮毂高度处地形加速比Uratio小于设定的阈值的网格点设定为风能利用率不合格的网格点，并将该网格点剔除；
进行种群初始化，种群初始化通过随机概率给定，确定规则如下；
P(Gij＝1)＝Pi,P(Gij＝0)＝1-Pi
式中，Gij是第i个个体的第j个片段，Pi是随机给定的第i个个体布置风机的总体概率；
根据种群初始化结果获得多个个体，每个个体对应一种风机排布方案；
计算个体适应度，各级个体适应度计算结果判断风机排布方案的优劣；
利用用轮盘选择法进行个体随机选择；
模仿生物学，对每两个个体进行随机交叉；
针对每个个体采用设定的变异率，假定仅有1个网格点以小概率进行突变，由安装风机突变为不安装风机，或者由不安装风机突变为安装风机；
当计算次数达到设定值时，得到优化后的风机排布结果。
优选地，在所述数据预处理之前设定遗传算法模拟所需的关键参数，所述关键参数包括种群数量、交叉率、感染率、最大迭代步数。
优选地，所述风机参数包括风机轮毂高度、叶片直径、风功率曲线、推力系数曲线。
优选地，所述计算个体适应度，各级个体适应度计算结果判断风机排布方案的优劣，具体包括步骤：
基于高斯尾流模型考虑风机尾流和地形的耦合效应，得到每个网格点的尾流折减风速时程，计算公式如下；
Figure BDA0003582009390000041
Figure BDA0003582009390000042
式中，V为考虑风机尾流效应后的折减风速时程，U为风速时程数据，Ct为风机推力系数，kG为与地面粗糙长度有关的尾流扩散率，εG是与风机推力系数相关的参数，s是下游风机离上游的水平距离，D为叶片直径，r为尾流风机中心离上游风机影响区域的径向距离；
根据此式，计算得到每台风机受上游风机尾流影响后的折减风速；再根据能量损失守恒定律，计算每台风机受上游风机群尾流影响后的折减风速；
根据每台风机轮毂高度的折减风速，计算每台风机的年发电量，求和即为整个风电场的年发电；
Figure BDA0003582009390000051
式中，AEP为风电场的年发电量，Ntur为风机数量，N为样本长度，P为厂家给定的风机功率曲线，Vj为风机折减风速，Prated为风机的额定发电功率，Nh为样本对应的小时数量，Xturbine为风机的水平坐标；
根据风机排布方案，计算风电场的建设成本，并结合年发电量，确定个体适应度；
Fitness＝1/objective＝AEP/cost
cost＝FCR×ICC+AOE
Figure BDA0003582009390000052
式中，Fitness表示个体适应度，用单位成本发电量表示，值越大表示结果越好；objective表示目标值，是适应度的倒数；cost表示风电场的建设成本，需考虑初始投资成本ICC和年成本AOE；FCR表示折算率，含义为将初始投资成本折算到年成本的系数，与折算率和风机运行寿命有关；A表示将全部费用折算到每年等额年金值，P表示将全部费用折算到第1年年初的现值，i表示年利率，n表示风机运行寿命。
优选地，所述风功率密度的阈值为150W/m2，地形加速比的阈值为1.05。
本发明提供的基于改进遗传算法的复杂地形风电场微观选址方法具有以下有益效果：
该方法考虑复杂地形的风功率密度和地形加速效应分布，针对原始遗传算法进行改进，剔除潜在风资源低的区域，大幅度改善复杂地形风电场的风机排布优化效率。
该方法充分利用复杂地形的风资源特点，能够在更短耗时内得到更优的风机排布方案。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明公开的基于改进遗传算法的复杂地形风电场微观选址方法的流程图；
图2为改进遗传算法优化预处理流程图；
图3为地形网格划分示意图；
图4为实施例1的地理位置图；
图5为实施例1的风功率密度和地形加速比分布云图；
图6为风机排布方案对比图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明提供了一种基于改进遗传算法的复杂地形风电场微观选址方法，如图1所示，包括以下步骤：
步骤A、获取地形海拔数据和实测风数据(或资料)
具体为获取目标风电场的地形海拔数据及附近气象站(或测风塔)的长期实测风数据，其中风资料主要包括风速和风向数据。
步骤B、利用计算流体动力学CFD(Computational Fluid Dynamics)进行全风向模拟，包括：
步骤B1、具体为利用地形海拔数据针对目标风电场进行复杂地形数值建模，获得地形模型，并在地形模型的地形边界添加过渡段，保证地形统一过渡到相同的海拔高度，避免产生不真实流动现象。(每个地形建模的都不一样，比如这个地形建模后网格划分如下图。所谓建模，其实就是类似这个图片里面的，把地形能够展示出来。你看是不是需要加这张图。)
步骤B2、针对添加过渡段后的地形模型进行网格划分，如图3所示，采用六面体结构化网格划分整个计算域，验算网格质量。
步骤B3、将风向划分为16个风向区间，针对目标地形进行全风向CFD模拟，得到每个风向角下整个区域的风速空间分布。具体为，利用CFD模拟软件对目标地形进行雷诺时均模拟，CFD模拟中的湍流模型采用Realizable k-ε模型。
步骤C、潜在风资源分布与主导风向地形加速分布
步骤C1、潜在风资源分布
区域的风资源利用率最常用的决定参数，即为年风功率密度。结合CFD全风向模拟结果及实测风数据，具体为单点长期实测风速和风向数据，可以得到整个区域的长期风资料，继而计算风功率密度的空间分布。由于实测数据通常受到局部地形影响，因此需先剔除局部地形效应，将其转换为开敞地形的风速，再结合CFD模拟结果进行相应计算，风功率密度计算如下。
Figure BDA0003582009390000071
Figure BDA0003582009390000072
Figure BDA0003582009390000073
式中，W(x)为x处的风功率密度，ρ为空气密度，N为样本数，U(x,i)为风速时程的第i个值，U10,in是CFD模拟入口的10m高度风速，U10,open(i)为剔除局部地形后的10m高度风速，UCFD(x,θi)是第i个风速对应的风向角θi下的CFD模拟风速，Ustation为实测风速数据，z0,station为观测站地面粗糙长度，zstation为观测点离地高度，zd,station为观测站零平面位移高度。
采用上式可将观测站实测数据剔除地形影响，再结合CFD模拟结果，获取整个空间的风速时程，然后计算风功率密度。与地形加速比类似，根据风功率密度W值大小可判断区域风能潜在利用率的高低。
步骤C2、主导风向地形加速分布情况
根据长期实测风数据，绘制区域的风玫瑰图，确定主导风向。由于主导风向是发生频率最高的风向，且地形加速效应可一定程度反映风速大小，即反映风能利用率，因此可根据主导风向下地形加速比来判断风能利用率较低的区域，在进行优化搜索前将这些区域设置为不布置风机，从而大大减少优化算法的计算量。地形加速比的定义如下：
Figure BDA0003582009390000081
式中，x和y表示空间点的水平坐标，Uratio表示地形加速比，zground表示距离地面的高度，Uin(zground)表示CFD模拟时入口处zground高度的平均风速，UCFD(x,y,zground)表示CFD模拟得到的空间任意点相同离地高度处的风速。根据地形加速比Uratio可直观反映风速受到地形影响变大的程度，以此可作为判断区域风能利用率高低的一项指标。
步骤D、改进遗传算法优化风机排布
针对获取的空间风速时程，考虑风机尾流和地形耦合效应，提出改进遗传算法对风机排布进行优化，剔除风功率密度和地形加速比小于指定值的位置，大大提高算法的优化效率，详细的流程如图2所示。
(D1)预处理和参数设定
根据拟采用的风机型号，确定风机轮毂高度、叶片直径、风功率曲线、推力系数曲线等。将目标区域划分为若干等间隔的网格，假定风机安装在网格中心。结合CFD模拟结果和长期实测风数据得到每个网格中心轮毂高度处的风速时程数据。根据这个风速时程数据再针对每种风机布局，考虑尾流效应，就能知道考虑尾流效应后的风速时程，再以此来计算发电量AEP。
需要注意，此处的风速信息完全忽略了风机尾流的影响。
确定遗传算法模拟所需关键参数，包括种群数量、交叉率、感染率、最大迭代步数等。
(D2)剔除潜在风能利用率低的网格
结合每个网格点的风功率密度W和主导风向下轮毂高度处地形加速比Uratio，以此进行初步判断网格点是否适合安装风机。若不适合，则在排布方案迭代优化处理之前需将对应网格点进行剔除，从而大大节省优化算法的计算效率。风功率密度和地形加速比的阈值确定可结合规范和经验进行确定。本发明建议取值为，风功率密度的阈值为150W/m2，地形加速比的阈值为1.05。对应参数分别在两个阈值之下的网格，视为潜在风能利用率低的点，需进行剔除。
(D3)种群初始化
种群初始化通过随机概率给定，确定规则如下。
P(Gij＝1)＝Pi,P(Gij＝0)＝1-Pi (5)
式中，Gij是第i个个体的第j个片段，Pi是随机给定的第i个个体布置风机的总体概率。
(D4)计算个体适应度
上述初始化可得到每个个体，即对应一种风机排布方案，可用个体适应度来判断排布方案的优劣，主要根据发电量和成本得到，需考虑风机尾流和地形耦合效应。
首先，基于高斯尾流模型来考虑风机尾流和地形的耦合效应，得到每个网格点的尾流折减风速时程，计算公式如下。
Figure BDA0003582009390000101
Figure BDA0003582009390000102
式中，V为考虑风机尾流效应后的折减风速时程，U为风速时程数据，Ct为风机推力系数，kG为与地面粗糙长度有关的尾流扩散率，εG是与风机推力系数相关的参数，s是下游风机离上游的水平距离，D为叶片直径，r为尾流风机中心离上游风机影响区域的径向距离。根据此式，可计算得到每台风机受上游风机尾流影响后的折减风速。由于一台风机可能受多台上游风机影响，因此需再根据能量损失守恒定律，计算每台风机受上游风机群尾流影响后的折减风速。
其次，可根据每台风机轮毂高度的折减风速，计算每台风机的年发电量，求和即为整个风电场的年发电。
Figure BDA0003582009390000103
式中，AEP为风电场的年发电量，Ntur为风机数量，N为样本长度，P为厂家给定的风机功率曲线，Vj为风机折减风速，Prated为风机的额定发电功率，Nh为样本对应的小时数量，Xturbine为风机的水平坐标；Xturbine和前面的x含义相同，加上turbine表示针对风机位置的意思。
然后，根据风机排布方案，计算风电场的建设成本，并结合年发电量，确定个体适应度。
Fitness＝1/objective＝AEP/cost (9)
cost＝FCR×ICC+AOE (10)
Figure BDA0003582009390000104
式中，Fitness表示个体适应度，用单位成本发电量表示，值越大表示结果越好；objective表示目标值，是适应度的倒数；cost表示风电场的建设成本，需考虑初始投资成本ICC和年成本AOE；FCR表示折算率，含义为将初始投资成本折算到年成本的系数，与折算率和风机运行寿命有关。
(D5)个体选择
适应度越高的个体，被选中的概率越高，用轮盘选择法进行随机选择。
(D6)个体交叉
为保证将优秀的“基因”(即每个网格点)遗传下来，模仿生物学，对每两个个体进行随机交叉，其内涵即为两个个体对应位置的“基金”进行互换。
(D7)个体变异
针对每个个体采用一定的变异率，可以尽量避免陷入局部最优。个体变异通常假定仅有1个“基因”以小概率进行突变，比如由“安装风机”突变为“不安装风机”，或者反过来。
(D8)判断收敛
当计算次数达到设定值时，停止迭代；否则，反复计算步骤(4)-步骤(7)；
(D9)输出得到的风机排布优化方案。
步骤E.输出结果
根据得到的风机排布优化方案，计算风电场的相关参数，包含风电场的年发电量等，得到风电场选址结果。
实施例1
采用湖南省某实际复杂地形为研究对象，采用本发明提出的基于改进遗传算法的复杂地形风电场微观选址方法进行风电场微观选址，其地理位置图如图4所示。
整理获得该地形附近气象站长期观测数据后发现，主导风向为NNW风向。进行全风向角CFD模拟，结合实测数据评估该地的风功率密度云图和NNW风向下70m离地高度的地形加速比云图，如图5所示为风功率密度和地形加速比分布云图，其中70m为风机轮毂高度。图5(a)为风功率密度云图，图5(b)为NNW风向下地形加速比云图。
基于上述方法，分别采用原始遗传算法和改进遗传算法对目标复杂风电场进行风机排布方案优化，所得排布方案效果对比如图6所示。其中图6(a)为原始遗传算法的风机排布方案图，图6(b)为改进遗传算法的风机排布方案图。
将两种风机排布方案的各项参数进行对比，如表1所示。由表1可知，与原始遗传算法相比，提出的改进遗传算法可减少耗时14％，提高年发电量16％，改善方案排布效果约9％。总体而言，针对复杂地形风电场微观选址提出的改进遗传算法可在减少计算耗时的同时，大幅改善风机排布优化效果。
表1 风机排布方案参数对比
Figure BDA0003582009390000121
从本实施例来看，采用提出的改进遗传算法，在同时考虑风电场发电量和成本的情况下，不仅能将风电场排布效果改善约9％，而且能节约计算耗时约14％。
针对复杂地形风电场微观选址提出的改进遗传算法，可充分利用风功率密度和地形加速效应，大幅改善风机排布优化效果。
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (10)

1.一种基于改进遗传算法的复杂地形风电场微观选址方法，其特征在于，包括以下步骤：
获取目标风电场的地形海拔数据和实测风数据；
利用地形海拔数据针对目标风电场进行复杂地形数值建模，并对建模结果进行CFD全风向模拟，得到每个风向角下整个区域的风速空间分布情况；
根据实测风数据绘制区域的风玫瑰图，确定主导风向，并计算地形加速比，根据地形加速比判断区域风能利用率，获得主导风向地形加速分布情况；
结合风速空间分布情况及单点实测风数据，计算风功率密度，根据风功率密度判断区域风能潜在利用率，获得潜在风资源分布情况；
结合所述风功率密度和地形加速比，利用改进遗传算法优化风机排布；
根据优化后的风机排布结果，计算风电场的相关参数，得到风电场选址结果。
2.根据权利要求1所述的基于改进遗传算法的复杂地形风电场微观选址方法，其特征在于，所述实测风数据为目标风电场附近气象站或测风塔的长期实测风数据，包括风速和风向数据。
3.根据权利要求2所述的基于改进遗传算法的复杂地形风电场微观选址方法，其特征在于，所述利用地形海拔数据针对目标风电场进行复杂地形数值建模，并对建模结果进行CFD全风向模拟，得到每个风向角下整个区域的风速空间分布，具体包括以下步骤：
利用地形海拔数据针对目标风电场进行复杂地形数值建模，获得地形模型，并在地形模型的地形边界添加过渡段；
针对添加过渡段后的地形模型进行网格划分，采用六面体结构化网格划分整个计算域，验算网格质量；
将风向划分为16个风向区间，对网格划分后的地形模型进行全风向CFD模拟，得到每个风向角下整个区域的风速空间分布情况，CFD模拟中的湍流模型采用Realizable k-ε模型。
4.根据权利要求3所述的基于改进遗传算法的复杂地形风电场微观选址方法，其特征在于，所述主导风向地形加速分布情况的获取包括以下步骤：
根据长期实测风数据，绘制区域的风玫瑰图，确定主导风向；
计算主导风向下的地形加速比Uratio：
Figure FDA0003582009380000021
式中，Uratio表示地形加速比，x和y表示空间点的水平坐标，zground表示距离地面的高度，Uin(zground)表示CFD模拟时入口处zground高度的平均风速，UCFD(x,y,zground)表示CFD模拟得到的空间任意点相同离地高度处的风速；
根据地形加速比Uratio判断区域风能利用率，将地形加速比Uratio低于设定值的区域设置为不布置风机的区域。
5.根据权利要求4所述的基于改进遗传算法的复杂地形风电场微观选址方法，其特征在于，所述潜在风资源分布情况的获取包括以下步骤：
剔除实测风数据中的局部地形效应，将实测风数据转换为开敞地形的风速数据；
结合CFD全风向模拟获得的风速空间分布情况及开敞地形的风速数据，计算风功率密度W：
Figure FDA0003582009380000022
Figure FDA0003582009380000023
Figure FDA0003582009380000024
式中，W(x)为x处的风功率密度，ρ为空气密度，N为样本数，U(x,i)为风速时程的第i个值，U10,in是CFD模拟入口的10m高度风速，U10,open(i)为剔除局部地形后的10m高度风速，UCFD(x,θi)是第i个风速对应的风向角θi下的CFD模拟风速，Ustation为实测风速数据，z0,station为观测站地面粗糙长度，zstation为观测点离地高度，zd,station为观测站零平面位移高度；
根据风功率密度W判断区域风能潜在利用率。
6.根据权利要求5所述的基于改进遗传算法的复杂地形风电场微观选址方法，其特征在于，所述结合所述风功率密度和地形加速比，利用改进遗传算法优化风机排布，包括以下步骤：
根据拟采用的风机型号，确定风机参数，将目标区域划分为若干等间隔的网格，假定风机安装在网格中心，结合CFD模拟结果和长期实测风数据得到每个网格中心轮毂高度处的风速时程数据；
将风功率密度W和主导风向下轮毂高度处地形加速比Uratio小于设定的阈值的网格点设定为风能利用率不合格的网格点，并将该网格点剔除；
进行种群初始化，种群初始化通过随机概率给定，确定规则如下；
P(Gij＝1)＝Pi,P(Gij＝0)＝1-Pi
式中，Gij是第i个个体的第j个片段，Pi是随机给定的第i个个体布置风机的总体概率；
根据种群初始化结果获得多个个体，每个个体对应一种风机排布方案；
计算个体适应度，各级个体适应度计算结果判断风机排布方案的优劣；
利用用轮盘选择法进行个体随机选择；
模仿生物学，对每两个个体进行随机交叉；
针对每个个体采用设定的变异率，假定仅有1个网格点以小概率进行突变，由安装风机突变为不安装风机，或者由不安装风机突变为安装风机；
当计算次数达到设定值时，得到优化后的风机排布结果。
7.根据权利要求6所述的基于改进遗传算法的复杂地形风电场微观选址方法，其特征在于，在所述数据预处理之前设定遗传算法模拟所需的关键参数，所述关键参数包括种群数量、交叉率、感染率、最大迭代步数。
8.根据权利要求6所述的基于改进遗传算法的复杂地形风电场微观选址方法，其特征在于，所述风机参数包括风机轮毂高度、叶片直径、风功率曲线、推力系数曲线。
9.根据权利要求6所述的基于改进遗传算法的复杂地形风电场微观选址方法，其特征在于，所述计算个体适应度，各级个体适应度计算结果判断风机排布方案的优劣，具体包括步骤：
基于高斯尾流模型考虑风机尾流和地形的耦合效应，得到每个网格点的尾流折减风速时程，计算公式如下；
Figure FDA0003582009380000041
Figure FDA0003582009380000042
式中，V为考虑风机尾流效应后的折减风速时程，U为风速时程数据，Ct为风机推力系数，kG为与地面粗糙长度有关的尾流扩散率，εG是与风机推力系数相关的参数，s是下游风机离上游的水平距离，D为叶片直径，r为尾流风机中心离上游风机影响区域的径向距离；
根据此式，计算得到每台风机受上游风机尾流影响后的折减风速；再根据能量损失守恒定律，计算每台风机受上游风机群尾流影响后的折减风速；
根据每台风机轮毂高度的折减风速，计算每台风机的年发电量，求和即为整个风电场的年发电；
Figure FDA0003582009380000043
式中，AEP为风电场的年发电量，Ntur为风机数量，N为样本长度，P为厂家给定的风机功率曲线，Vj为风机折减风速，Prated为风机的额定发电功率，Nh为样本对应的小时数量，Xturbine为风机的水平坐标；
根据风机排布方案，计算风电场的建设成本，并结合年发电量，确定个体适应度；
Fitness＝1/objective＝AEP/cost
cost＝FCR×ICC+AOE
Figure FDA0003582009380000051
式中，Fitness表示个体适应度，用单位成本发电量表示，值越大表示结果越好；objective表示目标值，是适应度的倒数；cost表示风电场的建设成本，需考虑初始投资成本ICC和年成本AOE；FCR表示折算率，含义为将初始投资成本折算到年成本的系数，与折算率和风机运行寿命有关；A表示将全部费用折算到每年等额年金值，P表示将全部费用折算到第1年年初的现值，i表示年利率，n表示风机运行寿命。
10.根据权利要求6所述的基于改进遗传算法的复杂地形风电场微观选址方法，其特征在于，所述风功率密度的阈值为150W/m2，地形加速比的阈值为1.05。
CN202210353957.9A 2022-04-06 2022-04-06 一种基于改进遗传算法的复杂地形风电场微观选址方法 Pending CN115358160A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210353957.9A CN115358160A (zh) 2022-04-06 2022-04-06 一种基于改进遗传算法的复杂地形风电场微观选址方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210353957.9A CN115358160A (zh) 2022-04-06 2022-04-06 一种基于改进遗传算法的复杂地形风电场微观选址方法

Publications (1)

Publication Number Publication Date
CN115358160A true CN115358160A (zh) 2022-11-18

Family

ID=84030321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210353957.9A Pending CN115358160A (zh) 2022-04-06 2022-04-06 一种基于改进遗传算法的复杂地形风电场微观选址方法

Country Status (1)

Country Link
CN (1) CN115358160A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117111068A (zh) * 2023-10-19 2023-11-24 南京信大卫星应用研究院有限公司 一种基于卫星散射计数据的海面风场监测系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117111068A (zh) * 2023-10-19 2023-11-24 南京信大卫星应用研究院有限公司 一种基于卫星散射计数据的海面风场监测系统
CN117111068B (zh) * 2023-10-19 2024-03-22 南京信大卫星应用研究院有限公司 一种基于卫星散射计数据的海面风场监测系统

Similar Documents

Publication Publication Date Title
Toja-Silva et al. A review of computational fluid dynamics (CFD) simulations of the wind flow around buildings for urban wind energy exploitation
Şişbot et al. Optimal positioning of wind turbines on Gökçeada using multi‐objective genetic algorithm
Wang et al. Estimation methods review and analysis of offshore extreme wind speeds and wind energy resources
CN103996074B (zh) 基于cfd和改进pso的复杂地形风电场微观选址方法
CN110543649B (zh) 基于快速评估流体模型和尾流模型的风机排布方法和装置
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
CN104699936A (zh) 基于cfd短期风速预测风电场的扇区管理方法
CN113205210B (zh) 复杂地形风电场风速与功率预测方法、系统、设备及存储介质
CN102663251A (zh) 基于计算流体力学模型的风电场功率物理预测方法
CN114169614B (zh) 一种基于风力机尾流模型优化的风电场优化调度方法及系统
CN109167387A (zh) 风场风电功率预测方法
Shaaban et al. Optimization of H-Rotor Darrieus turbines' mutual interaction in staggered arrangements
CN110264002B (zh) 基于聚类分析的风电场微观选址方案评价方法
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
Parada et al. Assessing the energy benefit of using a wind turbine micro-siting model
CN115358606B (zh) 一种平缓地形下在役风电场能效评估方法及系统
Wang et al. Optimizing wind farm layout by addressing energy-variance trade-off: A single-objective optimization approach
CN115358160A (zh) 一种基于改进遗传算法的复杂地形风电场微观选址方法
Hidayat Wind Power in Indonesia: Potential, Challenges, and Current Technology Overview
Kirchner-Bossi et al. Wind farm power density optimization according to the area size using a novel self-adaptive genetic algorithm
CN109636019B (zh) 基于神经网络算法的测风塔布置方案确定方法
Karadag et al. Wind turbine integration to tall buildings
Díaz et al. Urban wind energy with resilience approach for sustainable cities in tropical regions: A review
CN110991743B (zh) 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法
CN114943174A (zh) 一种用于寒潮小样本情况下的风机出力损失预测方法

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