CN117195449A - 一种风电场排布优化方法、装置、设备及介质 - Google Patents
一种风电场排布优化方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117195449A CN117195449A CN202311139875.5A CN202311139875A CN117195449A CN 117195449 A CN117195449 A CN 117195449A CN 202311139875 A CN202311139875 A CN 202311139875A CN 117195449 A CN117195449 A CN 117195449A
- Authority
- CN
- China
- Prior art keywords
- wind
- initial
- layout
- wind farm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 238000010248 power generation Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 18
- 230000005012 migration Effects 0.000 claims description 13
- 238000013508 migration Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
本发明属于风电场微观选址技术领域，具体公开了一种风电场排布优化方法、装置、设备及介质。包括以下步骤：获取风电场基础数据，根据风电场基础数据建立尾流干涉模型；根据风电场基础数据建立发电量计算模型；根据尾流干涉模型生成初始风电场布局；根据初始风电场布局和发电量计算模型以最大发电量为目的建立目标函数；根据目标函数，将初始风电场布局作为初始风机坐标，采用生物地理学优化算法更新风机坐标，得到最优风机布局。通过采用生物地理学算法解决风电场布局优化问题，采用尾流模型来对风电场中的尾流效应进行精准快速的描述，可快速获得风电场优化方案，同时保证优化结果不易受尾流影响，从而提高风电场的全年发电产出，提高其收益。
Description
技术领域
本发明属于风电场微观选址技术领域，具体涉及一种风电场排布优化方法、装置、设备及介质。
背景技术
在风电场的前期阶段进行布局优化是在年度统计尺度上尽可能减少风电场中尾流影响的关键技术，直接决定了风电场投产后的发电量。良好的布局优化方案可以使风电场中的各个机组尽可能避免相互的尾流影响，在提高风电场总出力、降低投资成本，以及使整个风电场具有良好的开发前景等方面具有重要意义。
风电场布局优化问题从本质上讲是一个复杂的优化问题，其目标是通过优化各个风力机位置从而使相应的尾流相互作用最小，进而提升整体的发电能力。这就对求解该问题的优化算法的性能提出了很高的要求。风电场布局优化问题需要考虑多个因素，如风资源分布、地形、环境影响、土地使用等。常规的风电场布局优化方法通常采用如下步骤。首先进行地形分析，通过数字高程模型(DEM)和GIS技术分析地形特征，确定适合建设风电机组的区域。然后开展风能分析：利用数值模拟和实测数据分析风速和风向分布情况，确定最佳的风机布局方案。在此基础上构建布局优化模型，使用数学模型对风机布局进行优化，考虑多个因素，如风能资源、环境影响、土地利用、经济效益等，以达到最佳布局方案。综合考虑不同目标，如最大化发电量、最小化成本、最少影响等，通过权衡取得一个平衡点，实现最优方案。通常采用较多的人工智能优化算法主要包括：利用机器学习和优化算法，如遗传算法、蚁群算法、神经网络等。这些方法可以单独或组合使用，根据具体情况选择最适合的方案。
在风电场排布问题中，传统的启发式算法虽然应用简单，但其实局部搜索能力较低，所需优化时间较长，容易陷入局部最优解。在进行风力机数目较多的大型风电场时，传统的优化算法不能得到令人满意的优化结果。针对风电场排布问题，开发更加高效、稳定的优化算法是进行新一代大型风电场建设的关键技术。
发明内容
本发明的目的在于提供一种风电场排布优化方法、装置、设备及介质，以解决现有风电场排布优化过程中优化时间长，难以全面优化，导致发电量低的技术问题。
为实现上述目的，本发明采用如下技术方案予以实现：
第一方面，本发明提供一种风电场排布优化方法，包括以下步骤：
获取风电场基础数据，根据风电场基础数据建立尾流干涉模型；
根据风电场基础数据建立发电量计算模型；
根据尾流干涉模型生成初始风电场布局；
根据初始风电场布局和发电量计算模型以最大发电量为目的建立目标函数；
根据目标函数，将初始风电场布局作为初始风机坐标，采用生物地理学优化算法更新风机坐标，得到最优风机布局。
本发明的进一步改进在于：其特征在于，所述风电场基础数据包括叶轮直径、轮毂高度、测风数据、风机推力曲线和功率曲线。
本发明的进一步改进在于：其特征在于，所述根据风电场基础数据建立尾流干涉模型的步骤中，尾流干涉模型：
式中，Uw是为风速，U0是上游风机风速，CT是风机推力系数，σ是尾流半径，d是风轮直径，kw是尾流扩张系数。
本发明的进一步改进在于：其特征在于，所述根据风电场基础数据建立发电量计算模型的步骤中，具体包括：
根据风电场基础数据进行风资源统计，得到不同风速等级对应的全年累计小时数；
根据不同风速等级对应的全年累计小时数建立发电量计算模型；
发电量计算模型：
式中，Gk表示第k个风机的发电量，n表示风速等级数量，Ni表示第i个风速等级对应的全年累计小时数，Pi表示第i个风速等级对应的输出功率。
本发明的进一步改进在于：其特征在于，所述根据尾流干涉模型生成初始风电场布局的步骤中，具体包括：
在风电场内划分正方形的第一区域，将第一区域划分为若干等间距的网格；
根据尾流干涉模型在网格内随机设置若干个风电机组作为初始风电场布局。
本发明的进一步改进在于：其特征在于，所述据初始风电场布局和发电量计算模型以最大发电量为目的建立目标函数的步骤中，目标函数：
式中，G表示风电场的发电量，m表示网格的个数，Gk表示第k个发电机的发电量。
本发明的进一步改进在于：其特征在于，所述根据目标函数，将初始风电场布局作为初始风机坐标，采用生物地理学优化算法更新风机坐标，得到最优风机布局的步骤中，具体包括：
A1、根据发电量计算模型计算初始风电场布局的发电量，即初始发电量；
A2、将初始风机坐标作为生物地理学优化算法的输入，判断是否发生迁移，若发生迁移则采用差分法生成候选解；
若未发生迁移则判断是否发生变异，若发生变异则通过高斯变异生成候选解；
A3、对候选解进行非支配解排名，得到最优候选解；
A4、计算最优候选解的发电量，若最优候选解的发电量小于初始发电量则重复步骤A2～A3；
若大于初始发电量，则将初始风机坐标替换为最优候选解，重复步骤A2～A3，直至达到最大迭代次数，得到最优风机布局。
第二方面，本发明提供一种风电场排布优化装置，包括：
尾流干涉模型建立模块：用于获取风电场基础数据，根据风电场基础数据建立尾流干涉模型；
发电量计算模型建立模块：用于根据风电场基础数据建立发电量计算模型；
初始风电场布局生成模块：用于根据尾流干涉模型生成初始风电场布局；
目标函数建立模块：用于根据初始风电场布局和发电量计算模型以最大发电量为目的建立目标函数；
优化模块：用于根据目标函数，将初始风电场布局作为初始风机坐标，采用生物地理学优化算法更新风机坐标，得到最优风机布局。
第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种风电场排布优化方法。
第四方面，本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现上述的一种风电场排布优化方法。
与现有技术相比，本发明至少包括以下有益效果：
1、本发明通过采用生物地理学算法解决风电场布局优化问题，采用尾流模型来对风电场中的尾流效应进行精准快速的描述，可以快速获得较好的风电场优化布局方案，同时保证优化布局结果可避免风电场中的尾流影响，从而提高风电场的全年发电产出，提高其收益；
2、本发明通过划分网格进行建立初始风电场布局保证初始风电场布局的可行性；
3、本发明中先得到不同风速等级对应的全年累计小时数，再对不同风速等级对应的全年累计小时数得到发电量计算模型，保证计算模型的精度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
在附图中：
图1为本发明一种风电场排布优化方法的流程图；
图2为本发明一种风电场排布优化装置的结构框图；
图3为本发明一种风电场排布优化方法中风资源分布图的示意图；
图4为本发明一种风电场排布优化方法中功率曲线的示意图；
图5为本发明一种风电场排布优化方法中尾流模型的示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。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。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
实施例1
一种风电场排布优化方法，如图1所示，包括以下步骤：
S1、获取风电场基础数据，根据风电场基础数据建立尾流干涉模型；
具体的，风电场基础数据包括叶轮直径、轮毂高度、测风数据、风机推力曲线和功率曲线等；
具体的，在S1中，通过风电场基础数据中的风机推力曲线、叶轮直径和轮毂高度建立高斯模型作为尾流干涉模型，如图5所示；
式中，Uw是为风速，U0是上游风机风速，CT是风机推力系数，σ是尾流半径，d是风轮直径，r是风轮半径，kw是尾流扩张系数。
具体的，kw通过经验公式确定，风机推力曲线如图3所示。
S2、根据风电场基础数据建立发电量计算模型；
具体的，在S2中包括以下步骤：
S21、根据风电场基础数据进行风资源统计，得到不同风速等级对应的全年累计小时数；
S22、根据不同风速等级对应的全年累计小时数建立发电量计算模型；
具体的，发电量计算模型如下：
式中，Gk表示第k个风机的发电量，n表示风速等级数量，Ni表示第i个风速等级对应的全年累计小时数，Pi表示第i个风速等级对应的输出功率；
具体的，Pi根据风电场基础数据中的功率曲线进行确定，功率曲线如图4所示。
S3、根据尾流干涉模型生成初始风电场布局；
具体的，在S3中包括以下步骤：
S31、在风电场内划分正方形的第一区域，将第一区域划分为若干等间距的网格；
S32、根据尾流干涉模型在网格内随机设置若干个风电机组作为初始风电场布局；
S4、根据初始风电场布局和发电量计算模型以最大发电量为目的建立目标函数；
具体的，目标函数如下：
式中，G表示风电场的发电量，m表示网格的个数，Gk表示第k个发电机的发电量；
式中m根据步骤S31获取，Gk根据发电量计算模型获取；
S5、根据目标函数，将初始风电场布局作为初始风机坐标，采用生物地理学优化算法更新风机坐标，得到最优风机布局；
具体的，S5中包括以下步骤：
S51、根据发电量计算模型计算初始风电场布局的发电量，即初始发电量；
S52、将初始风机坐标作为生物地理学优化算法的输入，判断是否发生迁移，若发生迁移则采用差分法生成候选解；
若未发生迁移则判断是否发生变异，若发生变异则通过高斯变异生成候选解；
S53、对候选解进行非支配解排名，得到最优候选解；
S54、计算最优候选解的发电量，若小于初始发电量则重复步骤S52～S53,；
若大于初始发电量，则将初始风机坐标替换为最优候选解，重复步骤S52～S53，直至达到最大迭代次数，得到最优风机布局；
具体的，在S54中，当到达最大迭代次数时，若此时最优候选解对应的发电量大于初始发电量则将此时的最优候选解作为最优风机布局输出，若此时最优候选解对应的发电量小于初始发电量，则将此时的初始风机坐标作为最优风机布局输出；
具体的，最大迭代次数根据实际需要人为设置。
实施例2
一种风电场排布优化装置，如图2所示，包括：
尾流干涉模型建立模块：用于获取风电场基础数据，根据风电场基础数据建立尾流干涉模型；
具体的，风电场基础数据包括叶轮直径、轮毂高度、测风数据、风机推力曲线和功率曲线等；
具体的，在尾流干涉模型建立模块中，通过风电场基础数据中的风机推力曲线、叶轮直径和轮毂高度建立高斯模型作为尾流干涉模型；
式中，Uw是为风速，U0是上游风机风速，CT是风机推力系数，σ是尾流半径，d是风轮直径，kw是尾流扩张系数。
具体的，kw通过经验公式确定，风机推力曲线如图3所示。
发电量计算模型建立模块：用于根据风电场基础数据建立发电量计算模型；
具体的，在发电量计算模型建立模块中包括：
根据风电场基础数据进行风资源统计，得到不同风速等级对应的全年累计小时数；
根据不同风速等级对应的全年累计小时数建立发电量计算模型；
具体的，发电量计算模型如下：
式中，Gk表示第k个风机的发电量，n表示风速等级数量，Ni表示第i个风速等级对应的全年累计小时数，Pi表示第i个风速等级对应的输出功率；
具体的，Pi根据风电场基础数据中的功率曲线进行确定。
初始风电场布局生成模块：用于根据尾流干涉模型生成初始风电场布局；
具体的，在初始风电场布局生成模块中包括：
在风电场内划分正方形的第一区域，将第一区域划分为若干等间距的网格；
根据尾流干涉模型在网格内随机设置若干个风电机组作为初始风电场布局；
目标函数建立模块：用于根据初始风电场布局和发电量计算模型以最大发电量为目的建立目标函数；
具体的，目标函数如下：
式中，G表示风电场的发电量，m表示网格的个数，Gk表示第k个发电机的发电量；
式中，Gk根据发电量计算模型获取；
优化模块：用于根据目标函数，将初始风电场布局作为初始风机坐标，采用生物地理学优化算法更新风机坐标，得到最优风机布局；
具体的，优化模块中包括：
A1、根据发电量计算模型计算初始风电场布局的发电量，即初始发电量；
A2、将初始风机坐标作为生物地理学优化算法的输入，判断是否发生迁移，若发生迁移则采用差分法生成候选解；
若未发生迁移则判断是否发生变异，若发生变异则通过高斯变异生成候选解；
A3、对候选解进行非支配解排名，得到最优候选解；
A4、计算最优候选解的发电量，若小于初始发电量则重复步骤A2～A3；
若大于初始发电量，则将初始风机坐标替换为最优候选解，重复步骤A2～A3，直至达到最大迭代次数，得到最优风机布局；
具体的，在A4中，当到达最大迭代次数时，若此时最优候选解对应的发电量大于初始发电量则将此时的最优候选解作为最优风机布局输出，若此时最优候选解对应的发电量小于初始发电量，则将此时的初始风机坐标作为最优风机布局输出；
具体的，最大迭代次数根据实际需要人为设置。
实施例3
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现一种风电场排布优化方法，包括以下步骤：
获取风电场基础数据，根据风电场基础数据建立尾流干涉模型；
具体的，风电场基础数据包括叶轮直径、轮毂高度、测风数据、风机推力曲线和功率曲线等；
具体的，通过风电场基础数据中的风机推力曲线、叶轮直径和轮毂高度建立高斯模型作为尾流干涉模型；
式中，Uw是为风速，U0是上游风机风速，CT是风机推力系数，σ是尾流半径，d是风轮直径，kw是尾流扩张系数。
具体的，kw通过经验公式确定，风机推力曲线如图3所示。
根据风电场基础数据建立发电量计算模型；
具体的，根据风电场基础数据建立发电量计算模型的步骤中包括：
根据风电场基础数据进行风资源统计，得到不同风速等级对应的全年累计小时数；
根据不同风速等级对应的全年累计小时数建立发电量计算模型；
具体的，发电量计算模型如下：
式中，Gk表示第k个风机的发电量，n表示风速等级数量，Ni表示第i个风速等级对应的全年累计小时数，Pi表示第i个风速等级对应的输出功率；
具体的，Pi根据风电场基础数据中的功率曲线进行确定。
根据尾流干涉模型生成初始风电场布局。
具体的，包括以下步骤：
在风电场内划分正方形的第一区域，将第一区域划分为若干等间距的网格；
根据尾流干涉模型在网格内随机设置若干个风电机组作为初始风电场布局。
根据初始风电场布局和发电量计算模型以最大发电量为目的建立目标函数；
具体的，目标函数如下：
式中，G表示风电场的发电量，m表示网格的个数，Gk表示第k个发电机的发电量；
式中，Gk根据发电量计算模型获取。
根据目标函数，将初始风电场布局作为初始风机坐标，采用生物地理学优化算法更新风机坐标，得到最优风机布局；
具体的，包括以下步骤：
根据发电量计算模型计算初始风电场布局的发电量，即初始发电量；
将初始风机坐标作为生物地理学优化算法的输入，判断是否发生迁移，若发生迁移则采用差分法生成候选解；
若未发生迁移则判断是否发生变异，若发生变异则通过高斯变异生成候选解；
对候选解进行非支配解排名，得到最优候选解；
计算最优候选解的发电量，若小于初始发电量则重复上述步骤；
若大于初始发电量，则将初始风机坐标替换为最优候选解，重复上述步骤，直至达到最大迭代次数，得到最优风机布局；
具体的，当到达最大迭代次数时，若此时最优候选解对应的发电量大于初始发电量则将此时的最优候选解作为最优风机布局输出，若此时最优候选解对应的发电量小于初始发电量，则将此时的初始风机坐标作为最优风机布局输出；
具体的，最大迭代次数根据实际需要人为设置。
第四方面，一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的一种风电场排布优化方法。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种风电场排布优化方法，其特征在于，包括以下步骤：
获取风电场基础数据，根据风电场基础数据建立尾流干涉模型；
根据风电场基础数据建立发电量计算模型；
根据尾流干涉模型生成初始风电场布局；
根据初始风电场布局和发电量计算模型以最大发电量为目的建立目标函数；
根据目标函数，将初始风电场布局作为初始风机坐标，采用生物地理学优化算法更新风机坐标，得到最优风机布局。
2.根据权利要求1所述的一种风电场排布优化方法，其特征在于，其特征在于，所述风电场基础数据包括叶轮直径、轮毂高度、测风数据、风机推力曲线和功率曲线。
3.根据权利要求1所述的一种风电场排布优化方法，其特征在于，其特征在于，所述根据风电场基础数据建立尾流干涉模型的步骤中，尾流干涉模型：
式中，Uw是为风速，U0是上游风机风速，CT是风机推力系数，σ是尾流半径，d是风轮直径，kw是尾流扩张系数。
4.根据权利要求1所述的一种风电场排布优化方法，其特征在于，其特征在于，所述根据风电场基础数据建立发电量计算模型的步骤中，具体包括：
根据风电场基础数据进行风资源统计，得到不同风速等级对应的全年累计小时数；
根据不同风速等级对应的全年累计小时数建立发电量计算模型；
发电量计算模型：
式中，Gk表示第k个风机的发电量，n表示风速等级数量，Ni表示第i个风速等级对应的全年累计小时数，Pi表示第i个风速等级对应的输出功率。
5.根据权利要求1所述的一种风电场排布优化方法，其特征在于，其特征在于，所述根据尾流干涉模型生成初始风电场布局的步骤中，具体包括：
在风电场内划分正方形的第一区域，将第一区域划分为若干等间距的网格；
根据尾流干涉模型在网格内随机设置若干个风电机组作为初始风电场布局。
6.根据权利要求1所述的一种风电场排布优化方法，其特征在于，其特征在于，所述据初始风电场布局和发电量计算模型以最大发电量为目的建立目标函数的步骤中，目标函数：
式中，G表示风电场的发电量，m表示网格的个数，Gk表示第k个发电机的发电量。
7.根据权利要求1所述的一种风电场排布优化方法，其特征在于，其特征在于，所述根据目标函数，将初始风电场布局作为初始风机坐标，采用生物地理学优化算法更新风机坐标，得到最优风机布局的步骤中，具体包括：
A1、根据发电量计算模型计算初始风电场布局的发电量，即初始发电量；
A2、将初始风机坐标作为生物地理学优化算法的输入，判断是否发生迁移，若发生迁移则采用差分法生成候选解；
若未发生迁移则判断是否发生变异，若发生变异则通过高斯变异生成候选解；
A3、对候选解进行非支配解排名，得到最优候选解；
A4、计算最优候选解的发电量，若最优候选解的发电量小于初始发电量则重复步骤A2～A3；
若大于初始发电量，则将初始风机坐标替换为最优候选解，重复步骤A2～A3，直至达到最大迭代次数，得到最优风机布局。
8.一种风电场排布优化装置，其特征在于，包括：
尾流干涉模型建立模块：用于获取风电场基础数据，根据风电场基础数据建立尾流干涉模型；
发电量计算模型建立模块：用于根据风电场基础数据建立发电量计算模型；
初始风电场布局生成模块：用于根据尾流干涉模型生成初始风电场布局；
目标函数建立模块：用于根据初始风电场布局和发电量计算模型以最大发电量为目的建立目标函数；
优化模块：用于根据目标函数，将初始风电场布局作为初始风机坐标，采用生物地理学优化算法更新风机坐标，得到最优风机布局。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现权利要求1-7中任一项所述的一种风电场排布优化方法。
10.一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现权利要求1-7中任一项所述的一种风电场排布优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311139875.5A CN117195449A (zh) | 2023-09-05 | 2023-09-05 | 一种风电场排布优化方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311139875.5A CN117195449A (zh) | 2023-09-05 | 2023-09-05 | 一种风电场排布优化方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117195449A true CN117195449A (zh) | 2023-12-08 |
Family
ID=88995464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311139875.5A Pending CN117195449A (zh) | 2023-09-05 | 2023-09-05 | 一种风电场排布优化方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117195449A (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 |
| CN118378855A (zh) * | 2024-06-21 | 2024-07-23 | 北京夏初科技集团有限公司 | 一种风电场微观选址优化方法和装置 |
-
2023
- 2023-09-05 CN CN202311139875.5A patent/CN117195449A/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 |
| CN118378855A (zh) * | 2024-06-21 | 2024-07-23 | 北京夏初科技集团有限公司 | 一种风电场微观选址优化方法和装置 |
| CN118378855B (zh) * | 2024-06-21 | 2024-09-13 | 北京夏初科技集团有限公司 | 一种风电场微观选址优化方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117195449A (zh) | 一种风电场排布优化方法、装置、设备及介质 | |
| WO2019214785A1 (en) | Wind turbine control method | |
| 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 | |
| CN110322038B (zh) | 基于中尺度数据的风机自动排布的方法和设备 | |
| CN109274121B (zh) | 一种风电场控制参数优化方法及系统 | |
| Wang et al. | Optimizing wind farm layout by addressing energy-variance trade-off: A single-objective optimization approach | |
| CN111915079B (zh) | 一种混合knn风电功率预测方法及系统 | |
| CN112186761A (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
| CN118232343B (zh) | 基于风能预测的充放电动态控制方法及系统 | |
| CN111461443A (zh) | 风电场的优化设计方法、系统、电子设备和存储介质 | |
| CN116522795A (zh) | 基于数字孪生模型的综合能源系统仿真方法及系统 | |
| CN116796194A (zh) | 基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法 | |
| Yu et al. | Reinforcement learning-based multi-objective differential evolution for wind farm layout optimization | |
| CN110059840B (zh) | 一种受端电网中电池储能系统选址方法及系统 | |
| Nawal et al. | Renewable energy sources scheduling approach for windfarm layout optimization by using ant lion optimization algorithm | |
| CN117371581A (zh) | 一种新能源发电功率预测方法、装置及存储介质 | |
| CN117540875A (zh) | 基于粒子群优化算法的电力企业碳足迹测算模型 | |
| CN115713029A (zh) | 一种考虑迟延的风电场随机模型预测优化控制方法 | |
| CN111178593A (zh) | 一种光伏系统输出功率预测方法及装置 | |
| CN117117858B (zh) | 一种风电机组功率预测方法、装置及存储介质 | |
| CN112884262A (zh) | 一种风电机组载荷适应性确定方法和系统 | |
| CN117454456B (zh) | 基于蚁群算法的海上风电场排布优化仿真方法和系统 | |
| CN117967499B (zh) | 风电场分群尾流优化方法及系统 | |
| CN117725824A (zh) | 一种考虑载荷约束的风电场布局优化方法与装置 | |
| CN115859812A (zh) | 一种基于机器学习的风电尾流模型及风电场布局优化方法 |
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 |