CN116090338A - 基于遗传学算法及蚁群算法的集电系统规划的方法及装置 - Google Patents
基于遗传学算法及蚁群算法的集电系统规划的方法及装置 Download PDFInfo
- Publication number
- CN116090338A CN116090338A CN202211697657.9A CN202211697657A CN116090338A CN 116090338 A CN116090338 A CN 116090338A CN 202211697657 A CN202211697657 A CN 202211697657A CN 116090338 A CN116090338 A CN 116090338A
- Authority
- CN
- China
- Prior art keywords
- wind
- cost
- genetic algorithm
- power
- algorithm
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 17
- 230000035772 mutation Effects 0.000 claims abstract description 11
- 230000010076 replication Effects 0.000 claims abstract description 7
- 239000003016 pheromone Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000010248 power generation Methods 0.000 claims description 18
- 210000000349 chromosome Anatomy 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 12
- 241000257303 Hymenoptera Species 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 238000005457 optimization Methods 0.000 description 19
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了基于遗传学算法及蚁群算法的集电系统规划的方法及装置,该方法包括:通过遗传学算法模型建立多个初始风电场;基于初始多个风电场中风机的尾流效应的影响结果,计算每台风机的发电量;将每台风机的发电量输入至蚁群算法模型中,并基于集电系统的线路数据特征得到最优的内部线路连接方式;将最优的内部线路连接方式反馈至遗传学算法模型中,通过遗传学算法的复制、交叉和变异过程处理,得到多个初始风电场的最优风电场布局。本发明使用遗传学算法来解决海上风电场的最佳布局,蚁群算法被用于寻找最佳路线连接的拓扑结构,可以解决建立更加经济和高效的海上风电场。
Description
技术领域
本发明涉及海上风电集电系统领域,特别是涉及基于遗传学算法及蚁群算法的集电系统规划的方法及装置。
背景技术
在多维多源项目环境下海上风电场群规划优化和机组整体机构设计关键技术的项目中聚焦于研究海上风电场群规划优化,海上风机整体设计等课题研究。因此结合海上风电场群特定海域环境资源特点,实现场群规划优化方法,希望可以指导未来华能海上风电基地场群规划和机组整体结构设计工作。
目前,海上风电由于其占用土地资源少,海上风速要比陆上风速高,海面表面粗糙度小,海上的风瑞流强度小,一般具有稳定电主导方向,风能资源丰富且相对稳定等优点逐渐成为可再生资源研究热点并已进入规模化发展阶段。集电系统作为海上风电场的主体部分,包含的元件、设备极多。其总的建造成本占整个海上风电场的建造成本的15%-30%,而其中中压海底电缆的成本比重高达5%。然而,大型海上风电场造价十分昂贵,海上风机群数量庞大,海域分布范围广阔,需要采用大量价格高昂的海底电缆和海上变电设备,而且海上变电站造价不菲。另外,海上风电场的基础建设、并网接线和安装等费用在总投资产成本占比随着风电场的离岸距离和水深程度情况大幅变动。鉴于此,对于海上风电场的集电系统进行优化设计有重要的意义。一个典型的海上风电场可能有数百个发电机,他们分布在几公里到几十公里到范围,因此,每台风机的位置和风电场的内部电力连接系统有许多可行性的方案。风电规划者寻找一种最佳方案,优化风电场的内部电力集群拓扑系统,可以极大地提高经济效益。
海上风电集电系统拓扑优化一般是以经济性和可靠性的指标为目标函数的拓扑优化问题。常用的优化算法有两类。1.基于图论的最小生成树算法,目的在于得到连接无向图中所有顶点的边权之和最小的生成树,将其应用在海上风电的集电系统拓扑优化问题中的相关研究已经开展。2.FCM算法以空间位置及空间分布为聚类基础,将原有结构调整为以升压站为聚类中心的放射状聚类,以空间结构为角度进行降维经济性寻优计算,减少寻优结果陷入局部最优的可能性。使用基于海缆串组载流量的趋近边权算法,以降低随机计算对于算法效率的影响,使优化结果更快速地根据拓扑优化边权条件收敛。且将路径寻优、经济性寻优、海缆路径不交叉、海缆串组载流量不得过载等多任务的复杂边权条件分解降维为独立的计算问题,进一步的提高了算法的整体计算效率及得到最优经济解的概率。
现有研究海上风电集群输电系统的拓扑结构优化时,经常将海上风电场群等效为风电场的海上升压站形成的集合,此时输电系统拓扑优化问题就可以利用类似风电场内集电系统拓扑优化的方法。这种等效方式虽然可以简化海上风电集群输电系统拓扑优化的思路,但是却忽略了海上风电场高压输电海缆布线的规则。实际海上风电集群的结构有明显的边界块状区域,升压站汇集方法会导致高压输电海缆随意穿越风电场区域,带来安全隐患,也不符合运维习惯。使用最小生成树形成集电系统的拓扑结构并未考虑在实际工程中,由于使用中间拼接点引入的海上台柱等支撑物而增加投资成本。场景聚类算法虽然能聚合出储能功率响应典型场景,但是聚类效果与场景聚类算法的初始聚类中心选取有关。场景聚类算法的初始聚类中心是随机选取得出的,无法确保初始聚类中心的合理性,导致算法稳定性较差,可能会使储能配置结果出现较大偏差。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明提出了一种基于遗传学算法及蚁群算法的集电系统规划的方法,通过使用机器学习来确定优化的风力涡轮机的位置和线路连接拓扑结构。该程序使用遗传学算法来解决海上风电场的最佳布局,蚁群算法被用于寻找最佳路线连接的拓扑结构。该程序的算法逻辑考虑了实际电缆参数、风速序列、和尾流效应。希望通过提出的概念和方法可以解决建立更加经济和高效的海上风电场。
本发明的另一个目的在于提出一种基于遗传学算法及蚁群算法的集电系统规划的装置。
为达上述目的,本发明一方面提出基于遗传学算法及蚁群算法的集电系统规划的方法,包括:
通过遗传学算法模型建立多个初始风电场;
基于所述初始多个风电场中风机的尾流效应的影响结果,计算每台风机的发电量;
将所述每台风机的发电量输入至蚁群算法模型中,并基于集电系统的线路数据特征得到最优的内部线路连接方式;
将所述最优的内部线路连接方式反馈至所述遗传学算法模型中,通过遗传学算法的复制、交叉和变异过程处理,得到所述多个初始风电场的最优风电场布局。
为达上述目的,本发明另一方面提出一种基于遗传学算法及蚁群算法的集电系统规划的装置,包括:
风电场构建模块,用于通过遗传学算法模型建立多个初始风电场;
发电量计算模块,用于基于所述初始多个风电场中风机的尾流效应的影响结果,计算每台风机的发电量;
蚂蚁算法计算模块,用于将所述每台风机的发电量输入至蚁群算法模型中,并基于集电系统的线路数据特征得到最优的内部线路连接方式;
遗传算法计算模块,用于将所述最优的内部线路连接方式反馈至所述遗传学算法模型中,通过遗传学算法的复制、交叉和变异过程处理,得到所述多个初始风电场的最优风电场布局。
本发明实施例的基于遗传学算法及蚁群算法的集电系统规划的方法和装置,使用遗传学算法来解决海上风电场的最佳布局,蚁群算法被用于寻找最佳路线连接的拓扑结构。该程序的算法逻辑考虑了实际电缆参数、风速序列、和尾流效应。希望通过提出的概念和方法可以解决建立更加经济和高效的海上风电场。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明实施例的基于遗传学算法及蚁群算法的集电系统规划的方法的流程图;
图2是根据本发明实施例的单点交叉和两点交叉示意图;
图3是根据本发明实施例得到最佳优化收入值的逻辑示意图;
图4是根据本发明实施例的基于遗传学算法及蚁群算法的集电系统规划的装置结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,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的实施例,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,都应当属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的基于遗传学算法及蚁群算法的集电系统规划的方法和装置。
图1是本发明实施例的基于遗传学算法及蚁群算法的集电系统规划的方法的流程图。
如图1所示,该方法包括但不限于以下步骤:
S1,通过遗传学算法模型建立多个初始风电场;
S2,基于初始多个风电场中风机的尾流效应的影响结果,计算每台风机的发电量;
S3,将每台风机的发电量输入至蚁群算法模型中,并基于集电系统的线路数据特征得到最优的内部线路连接方式;
S4,将最优的内部线路连接方式反馈至遗传学算法模型中,通过遗传学算法的复制、交叉和变异过程处理,得到多个初始风电场的最优风电场布局。
可以理解的是,本发明通过遗传学算法建立几个初始风电场;然后,考虑到尾流效应,计算每台风机的发电量。接下来,每个风电场的参数被子代入蚁群算法,通过考虑线路长度、损耗和安装成本,获得最佳的内部电缆连接。蚁群算法适合于寻找最佳的内部电缆连接,因为它在线路选择上具有良好的特性。从蚁群算法得到的适配值将返回到遗传学算法中,通过遗传学算法的复制、交叉和变异过程,可以得到最优的风电场布局。该算法的目标是为海上风电场找到最高的净财务收入。因为本发明考虑了尾流效应,使整体风机功率的损失越来越小,风力发电站的效率上升。在多维多源项目中探讨了在一定的区域条件下,解决了如何优化海上风电场的风机布置,以产生最大的风力输出,并对风电场内的电缆配置进行了优化分析,以达到风电场内部线路连接的优化成本。
下面结合附图对本发明实施例的基于遗传学算法及蚁群算法的集电系统规划的方法进行详细阐述。
动量理论可以用来描述转子上的风力功率与流速之间的关系,以及从风能中可以转换多少机械能。使用动量方程式,可以得到转子上的推力是公式1:
T=m*(U1-U4)(1)
其中U1是是来自转子前面的上游速度,U4是转子后面的尾流速度,m是通过转子的空气质量流量。m可以表示为公式2:
m=ρ*U2*A(2)
ρ是空气的密度,A是转子扫过的面积,U2是流经转子的速度。
把m带入T式中,可以得到公式3:
T=ρ*U2*A*(U1-U4)(3)
根据动量理论,转子上的轴向力T可以表示为公式4:
T=A*(p2-p3)(4)
假设转子前后远处的客气压力相等,使用伯努力方程,可以得到公式5:
由p2-p3和t可以得到公式6:
T=0.5A*ρ*(p2-p3)(6)
综上所述,可以得到公式7:
U2=0.5*(U1+U4)(7)
U2=U1(1-a)(8)
U4= U1 (1-2a) (9)
所以,轴向感应系数可以被表示为公式10:
a=0.5(1-U4/U1)(10)
由公式6和公式9可以得到公式11:
转子推力系数CT公式12是:
由公式11和公式12可以得到公式13:
CT=4a(1-a)(13)
转子吸收功率P公式14等于转子前部和后部的气流动能之差:
由公式8、公式9可以得到公式15:
转子功率系数CP公式16是:
综上所述,本发明得到转子功率系数可以写为:
CP=4a(1-a)2(17)
因此,想要使转子功率系数最大,本发明要让a=1/3,最大的转子功率系数CP=0.593。除了风速,由于尾流效应的影响,风力发电还需要考虑风向。根据Katic的导数模型,受尾流效应影响的区域会随着两台风机之间的距离的拉长而逐渐扩大,但影响的强度会逐渐减小。
在这个程序中本发明使用遗传学算法来进行风电场布局,遗传学算法灵感来自于物种的自然进化。它模拟了生物基因遗传、择优选择、交叉和变异等过程,并利用交替来产生更好的后代。因此,需要解决的优化问题可以变成染色体和遗传学模型,并在此基础上产生更多的染色体。然后,它使用选择、交叉和变异过程来寻找最佳解决方案。在本发明中,染色体串是一个固定的风电场区域和固定数量的风力发电机。假设风电场区域的范围是一个10*10的矩阵,有75个风涡轮机,那么染色体的内容就是建立75个风涡轮机在10*10的矩阵中。水平间距和垂直间距都是风涡轮机叶片直径的5倍。按照前述的染色体串约束条件,它产生一个设定的染色体数量。如果染色体的数量被设定为500,该方程将产生500个10*10的矩阵,每个矩阵包含75个随机建造的风力发电机。在遗传学算法中存在一个目标值。主要用于评估每一代进化过程中每对染色体的质量。染色体质量越高,目标值就越大,所以染色体就更适合环境。以上述为例,要在风电场的有限区域内建造固定数量的风力发电机组,其目标值应该是最佳风电场的发电效率。本发明考虑到尾流效应的影响,本发明将使用如下公式去计算风电场的发电量:
式中Pwf是总发电量、NT是风涡轮机的数量、AE是风场效率,P是单个风机的额度容量。其中AE效率越高,目标值越好。染色体的复制行为是一个基于染色体串值中适配度函数大小的计算过程,以决定下一代是否应该被丢弃或复制。如果适配度高,将对下一代进行大规模复制;适配度低,将被抛弃。复制过程通常是一个旋转式的筛选。它的主要功能是保留具有良好适配度的染色体,并通过使用概率模型抛弃其余的染色体。
作为一个实施例,假设有五个风电场,筛选率为0.6;那么,三个风电场将被保留。例如,如果五个风电场各自的发电量分别为183、169、215、200和155兆瓦,总发电量为922兆瓦,则每个风电场的概率为0.199、0.183、0.233、0.217和0.168。经过筛选,概率较低的两个被淘汰。
因此如何建立交叉机制是整个遗传学算法的重点,其作用是以配对的形式执行染色体的部分交叉。交叉的过程包括随机选择两个字符串,通过基因交换的形成新的字符串。优选地,本发明使用的是单点交叉和两点交叉(左为单点交叉,右边是多点交叉),如图2所示。
可以理解的是,突变是一种主要用于避免落入局部最优值的方法。例如,如果一个风电场由75台风机组成,给定的突变率为0.08,因此突变的风力涡轮机是75×0.08=6。也就是说,随机选择六个没有建立风轮机的地点,并且与六个有风力涡轮机的地点交换。每一代都有一个当代最优解,这一代的最优解将与下一代的最优解进行比较。如果下一代的最优解比上一代的最优解好,那么它将取代上一代的最优解,成为最新的最优解。反之,上一代的最优解将被保留,直到所有世代结束,所得到的最优解就是全局最优解。
作为一个实施例,本发明使用蚁群算法的拓扑结构来规划内部线路连接的规划。
具体地,蚁群拓扑结构转换规则如下所示,其中j是将由蚂蚁k选择的下一个风力发电机,S是通过轮盘式方法从Jk(i)中随机选择的下一个风力发电机,Jk(i)是由蚂蚁k定位在风力发电机i上的风力发电机组集合。
式中,q是一个随机变量,其值在零和零之间,q0是一个预先确定的参数(0≤q0≤1,Tij是风轮机i和j之间的信息素浓度,Nik是风轮机之间距离的倒数,风机i和j,α和β是决定信息素相对于距离的重要性的参数,arg的作用是从[Tiu]α和[Niu]β取最大积u,S将由以下公式决定:
Jk(i)中每台风机被选中的概率如以上公式,当蚁群系统被利用时,它更新蚂蚁走过的所有路径上的信息素。然而,蚁群算法只更新所有蚂蚁找到的最短路径,它的目的是强调最佳解决方案和其他解决方案之间的差异。蚁群算法的更新规则如下:
Tij=(1-σ)*Tij+σ*ΔTij
式中σ是信息素的衰减参赛。此外,“局部信息素更新规则”的概念被添加到蚁群算法中。也就是说,当每只蚂蚁选择下一条路径时,该路径的信息素将被更新。本地信息素的更新规则如以下所示:
Tij=(1-ρ)*Tij
式中ρ是信息素的衰减参赛。本地信息素更新规则的主要目的是为了防止创建一个过于强大的路径,吸引所有的蚂蚁来选择它,从而避免将蚂蚁限制在一个狭窄的范围内。为了使线损和电缆建设成本在同一基础上得到考虑,本发明将线损转换为发电的财务收入减少。换算过程如下。首先,电缆单位长度内的阻抗被假定为:
Zd=Rd+jXL,d
其中d表示不同线路容量的电缆,θd是实功率和无功功率的相位差。风力发电机组i产生的功率和它的输出电流表示:
Pi=VIicosθd
其中V表示电缆的额定电压。因此,从风力发电机组i到风力发电机组j的每米功率损失可以表示为:
从风力发电机组i到风力发电机组j的运营财务收入可以表示为:
Costincome,ij=(Pij-Ploss,ij×lij))×Costwholesale×Yearwholesale
其中,lij表示风轮机i和风轮机j之间的距离,Costwholesale是海上风电的批发购买价格,Yearwholesale是批发购买的时期。除了对线损的考虑外,还包括建设电缆施工成本也是优化风电场布局的一个关键因素。本发明假设Costline,ij作为从风力发电机组i到风力发电机组j的电缆建设成本,Costd表示不同线路容量下每米电缆的成本。如下所示:
Costline,ij=li,j×Costd
因此,从风力发电机组i到风力发电机组j的电缆中的净财务收入如下:
Costnet,ij=Costincome,ij-Costline,ij
Nij=Costnet,ij
Costnet,ij的值越低,第i-j行的净财务收入就越低。其程序执行算法的流程图如图3所示。
根据本发明实施例的基于遗传学算法及蚁群算法的集电系统规划的方法,解决了如何优化海上风电场的风机布置,以产生最大的风力输出,并对风电场内的电缆配置进行了优化分析,以达到风电场内部线路连接的优化成本。
为了实现上述实施例,如图4所示,本实施例中还提供了基于遗传学算法及蚁群算法的集电系统规划的装置10,该装置10包括,风电场构建模块100、发电量计算模块200、蚂蚁算法计算模块300和遗传算法计算模块400。
风电场构建模块100,用于通过遗传学算法模型建立多个初始风电场;
发电量计算模块200,用于基于初始多个风电场中风机的尾流效应的影响结果,计算每台风机的发电量;
蚂蚁算法计算模块300,用于将每台风机的发电量输入至蚁群算法模型中,并基于集电系统的线路数据特征得到最优的内部线路连接方式;
遗传算法计算模块400,用于将最优的内部线路连接方式反馈至遗传学算法模型中,通过遗传学算法的复制、交叉和变异过程处理,得到多个初始风电场的最优风电场布局。
进一步地,发电量计算模块中,计算每台风机的发电量的计算公式为:
其中,Pwf是总发电量、NT是风涡轮机的数量、AE是风场效率,P是单个风机的额度容量。
进一步地,装置10,还包括交叉机制建立模块,用于通过建立遗传学算法的单点交叉和两点交叉机制,以配对的形式进行遗传学算法模型中染色体的部分交叉;其中,所述部分交叉的过程包括随机选择两个字符串,通过基因交换得到新的字符串。
进一步地,上述蚂蚁算法计算模块300,还用于:
使用蚁群算法的拓扑结构进行集电系统的内部线路连接的规划,预设j是将由蚂蚁k选择的下一个风力发电机,S是通过轮盘式方法从Jk(i)中随机选择的下一个风力发电机,Jk(i)是由蚂蚁k定位在风力发电机i上的风力发电机组集合:
其中,q是随机变量,q0是预设参数,Tij是风轮机i和j之间的信息素浓度,Nik是风轮机之间距离的倒数,风机i和j,α和β是决定信息素相对于距离的参数,arg的作用是从[Tiu]α和[Niu]β取最大积u,S通过下式确定:
获取Jk(i)中每台风机被选中的概率,更新蚂蚁走过的所有路径上的信息素,以到最优的内部线路连接方式,则蚁群算法的更新规则为:
Tij=(1-σ)*Tij+σ*ΔTij
其中,σ是信息素的衰减参赛,基于局部信息素更新规则得到本地信息素的更新规则为:
Tij=(1-ρ)*tij
其中,ρ是信息素的衰减参赛。
进一步地,预设集电系统的电缆单位长度内的阻抗为:
Zd=Rd+jXL,d
其中,d表示不同线路容量的电缆,θd是实功率和无功功率的相位差,风力发电机组i产生的功率和输出电流表示为:
Pi=VIicosθd
其中,V表示电缆的额定电压,从风力发电机组i到风力发电机组j的每米功率损失表示为:
从风力发电机组i到风力发电机组j的运营财务收入表示为:
Costincome,ij=(Pij-(Ploss,ij×lij))×Costwholesale×Yearwholesale
其中,lij表示风轮机i和风轮机j之间的距离,Costwholesale是海上风电的批发购买价格,Yearwholesale是批发购买的时期;
预设Costline,ij作为从风力发电机组i到风力发电机组j的电缆建设成本,Costd表示不同线路容量下每米电缆的成本,则有:
Costline,ij=li,j×Cosyd
从风力发电机组i到风力发电机组j的电缆中的净财务收入为:
Costnet,ij=Costincome,ij-Costline,ij
Nij=Costnet,ij。
根据本发明实施例的基于遗传学算法及蚁群算法的集电系统规划的装置,解决了如何优化海上风电场的风机布置,以产生最大的风力输出,并对风电场内的电缆配置进行了优化分析,以达到风电场内部线路连接的优化成本。
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发明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。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
Claims (10)
1.一种基于遗传学算法及蚁群算法的集电系统规划的方法,其特征在于,包括以下步骤:
通过遗传学算法模型建立多个初始风电场;
基于所述初始多个风电场中风机的尾流效应的影响结果,计算每台风机的发电量;
将所述每台风机的发电量输入至蚁群算法模型中,并基于集电系统的线路数据特征得到最优的内部线路连接方式;
将所述最优的内部线路连接方式反馈至所述遗传学算法模型中,通过遗传学算法的复制、交叉和变异过程处理,得到所述多个初始风电场的最优风电场布局。
3.根据权利要求2所述的方法,其特征在于,所述方法,还包括通过建立所述遗传学算法的单点交叉和两点交叉机制,以配对的形式进行遗传学算法模型中染色体的部分交叉;其中,所述部分交叉的过程包括随机选择两个字符串,通过基因交换得到新的字符串。
4.根据权利要求3所述的方法,其特征在于,所述将每台风机的发电量输入至蚁群算法模型中,并基于集电系统的线路数据特征得到最优的内部线路连接方式,包括:
使用蚁群算法的拓扑结构进行集电系统的内部线路连接的规划,预设j是将由蚂蚁k选择的下一个风力发电机,S是通过轮盘式方法从Jk(i)中随机选择的下一个风力发电机,Jk(i)是由蚂蚁k定位在风力发电机i上的风力发电机组集合:
其中,q是随机变量,q0是预设参数,Tij是风轮机i和j之间的信息素浓度,Nik是风轮机之间距离的倒数,风机i和j,α和β是决定信息素相对于距离的参数,arg的作用是从[Tiu]α和[Niu]β取最大积u,S通过下式确定:
获取Jk(i)中每台风机被选中的概率,更新蚂蚁走过的所有路径上的信息素,以到最优的内部线路连接方式,则蚁群算法的更新规则为:
Tij=(1-σ)*Tij+σ*ΔTij
其中,σ是信息素的衰减参赛,基于局部信息素更新规则得到本地信息素的更新规则为:
Tij=(1-ρ)*Tij
其中,ρ是信息素的衰减参赛。
5.根据权利要求4所述的方法,其特征在于,预设集电系统的电缆单位长度内的阻抗为:
Zd=Rd+jXL,d
其中,d表示不同线路容量的电缆,θd是实功率和无功功率的相位差,风力发电机组i产生的功率和输出电流表示为:
Pi=VIicosθd
其中,V表示电缆的额定电压,从风力发电机组i到风力发电机组j的每米功率损失表示为:
从风力发电机组i到风力发电机组j的运营财务收入表示为:
Costincome,ij=(Pij-(Ploss,ij×lij))×Costwholesale×Yearwholesale
其中,lij表示风轮机i和风轮机j之间的距离,Costwholesale是海上风电的批发购买价格,Yearwholesale是批发购买的时期;
预设Costline,ij作为从风力发电机组i到风力发电机组j的电缆建设成本,Costd表示不同线路容量下每米电缆的成本,则有:
Costline,ij=li,j×Costd
从风力发电机组i到风力发电机组j的电缆中的净财务收入为:
Costnet,ij=Costincome,ij-Costline,ij
Nij=Costnet,ij。
6.一种基于遗传学算法及蚁群算法的集电系统规划的装置,其特征在于,包括:
风电场构建模块,用于通过遗传学算法模型建立多个初始风电场;
发电量计算模块,用于基于所述初始多个风电场中风机的尾流效应的影响结果,计算每台风机的发电量;
蚂蚁算法计算模块,用于将所述每台风机的发电量输入至蚁群算法模型中,并基于集电系统的线路数据特征得到最优的内部线路连接方式;
遗传算法计算模块,用于将所述最优的内部线路连接方式反馈至所述遗传学算法模型中,通过遗传学算法的复制、交叉和变异过程处理,得到所述多个初始风电场的最优风电场布局。
8.根据权利要求7所述的装置,其特征在于,所述装置,还包括交叉机制建立模块,用于通过建立所述遗传学算法的单点交叉和两点交叉机制,以配对的形式进行遗传学算法模型中染色体的部分交叉;其中,所述部分交叉的过程包括随机选择两个字符串,通过基因交换得到新的字符串。
9.根据权利要求8所述的装置,其特征在于,所述蚂蚁算法计算模块,还用于:
使用蚁群算法的拓扑结构进行集电系统的内部线路连接的规划,预设j是将由蚂蚁k选择的下一个风力发电机,S是通过轮盘式方法从Jk(i)中随机选择的下一个风力发电机,Jk(i)是由蚂蚁k定位在风力发电机i上的风力发电机组集合:
其中,q是随机变量,q0是预设参数,Tij是风轮机i和j之间的信息素浓度,Nik是风轮机之间距离的倒数,风机i和j,α和β是决定信息素相对于距离的参数,arg的作用是从[Tiu]α和[Niu]β取最大积u,S通过下式确定:
获取Jk(i)中每台风机被选中的概率,更新蚂蚁走过的所有路径上的信息素,以到最优的内部线路连接方式,则蚁群算法的更新规则为:
Tij=(1-σ)*Tij+σ*ΔTij
其中,σ是信息素的衰减参赛,基于局部信息素更新规则得到本地信息素的更新规则为:
Tij=(1-ρ)*Tij
其中,ρ是信息素的衰减参赛。
10.根据权利要求9所述的装置,其特征在于,预设集电系统的电缆单位长度内的阻抗为:
Zd=Rd+jXL,d
其中,d表示不同线路容量的电缆,θd是实功率和无功功率的相位差,风力发电机组i产生的功率和输出电流表示为:
Pi=VIicosθd
其中,V表示电缆的额定电压,从风力发电机组i到风力发电机组j的每米功率损失表示为:
从风力发电机组i到风力发电机组j的运营财务收入表示为:
Costincome,ij=(Pij-(Ploss,ij×lij))×Costwholesale×Yearwholesale
其中,lij表示风轮机i和风轮机j之间的距离,Costwholesale是海上风电的批发购买价格,Yearwholesale是批发购买的时期;
预设costline,ij作为从风力发电机组i到风力发电机组j的电缆建设成本,Costd表示不同线路容量下每米电缆的成本,则有:
Costline,ij=li,j×Costd
从风力发电机组i到风力发电机组j的电缆中的净财务收入为:
Costnet,ij=Costincome,ij-Costline,ij
Nij=Costnet,ij。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697657.9A CN116090338A (zh) | 2022-12-28 | 2022-12-28 | 基于遗传学算法及蚁群算法的集电系统规划的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697657.9A CN116090338A (zh) | 2022-12-28 | 2022-12-28 | 基于遗传学算法及蚁群算法的集电系统规划的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116090338A true CN116090338A (zh) | 2023-05-09 |
Family
ID=86213081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211697657.9A Pending CN116090338A (zh) | 2022-12-28 | 2022-12-28 | 基于遗传学算法及蚁群算法的集电系统规划的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090338A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117688497A (zh) * | 2024-01-26 | 2024-03-12 | 暨南大学 | 基于后向轨迹模型的海上风电尾流干扰的数据处理方法 |
-
2022
- 2022-12-28 CN CN202211697657.9A patent/CN116090338A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117688497A (zh) * | 2024-01-26 | 2024-03-12 | 暨南大学 | 基于后向轨迹模型的海上风电尾流干扰的数据处理方法 |
CN117688497B (zh) * | 2024-01-26 | 2024-04-05 | 暨南大学 | 基于后向轨迹模型的海上风电尾流干扰的数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Optimization of the wind turbine layout and transmission system planning for a large-scale offshore windfarm by AI technology | |
Şişbot et al. | Optimal positioning of wind turbines on Gökçeada using multi‐objective genetic algorithm | |
CN116090338A (zh) | 基于遗传学算法及蚁群算法的集电系统规划的方法及装置 | |
CN103903073B (zh) | 一种含分布式电源及储能的微电网优化规划方法及系统 | |
Amaral et al. | Offshore wind farm layout optimization regarding wake effects and electrical losses | |
Wan et al. | Optimal micro-siting of wind turbines by genetic algorithms based on improved wind and turbine models | |
CN109995075A (zh) | 一种含分布式电源的主动配电网动态重构方法 | |
Rehman et al. | Multi-criteria wind turbine selection using weighted sum approach | |
CN105512472B (zh) | 大型风电基地功率汇集系统拓扑结构分层优化设计方法 | |
CN107681655B (zh) | 一种潮汐流能发电场协调规划方法 | |
Wang et al. | A novel control strategy approach to optimally design a wind farm layout | |
Tao et al. | Joint optimization of wind turbine micrositing and cabling in an offshore wind farm | |
Dehghan et al. | Optimal sizing of a hybrid wind/PV plant considering reliability indices | |
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 | |
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 | |
CN112909981A (zh) | 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 | |
CN111144655A (zh) | 一种分布式电源选址定容与配电网网架联合优化方法 | |
Bukala et al. | Evolutionary computing methodology for small wind turbine supporting structures | |
El Mokhi et al. | Optimal substation location of a wind farm using different metaheuristic algorithms | |
Liu et al. | Offshore wind farm layout optimization using adapted genetic algorithm: A different perspective | |
Gonzalez-Longatt | Optimal offshore wind farms' collector design based on the multiple travelling salesman problem and genetic algorithm | |
González et al. | A new tool for wind farm optimal design | |
Kaya et al. | Investigation of layout optimization for offshore wind farms and a case study for a region in Turkey | |
Li et al. | Cable connection optimization for onshore wind farms considering restricted area and topography | |
CN111400925A (zh) | 考虑复杂地势的三维潮汐流能发电场规划系统 |
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 |