CN117454456B - 基于蚁群算法的海上风电场排布优化仿真方法和系统 - Google Patents
基于蚁群算法的海上风电场排布优化仿真方法和系统 Download PDFInfo
- Publication number
- CN117454456B CN117454456B CN202311776869.0A CN202311776869A CN117454456B CN 117454456 B CN117454456 B CN 117454456B CN 202311776869 A CN202311776869 A CN 202311776869A CN 117454456 B CN117454456 B CN 117454456B
- Authority
- CN
- China
- Prior art keywords
- fan
- wind
- fans
- wind farm
- pheromone
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000005457 optimization Methods 0.000 title claims abstract description 80
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 47
- 238000004088 simulation Methods 0.000 title claims abstract description 30
- 239000003016 pheromone Substances 0.000 claims abstract description 96
- 238000010248 power generation Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 14
- 241000257303 Hymenoptera Species 0.000 claims description 35
- 238000003860 storage Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 15
- 230000008901 benefit Effects 0.000 abstract description 13
- 239000002245 particle Substances 0.000 abstract description 12
- 238000004519 manufacturing process Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
- G06N3/004—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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于蚁群算法的海上风电场排布优化仿真方法和系统，属于海上风电场技术领域。现有技术的基于粒子群算法的海上风电场优化布置方案，会使得风机布置过密，影响了单位电量效益。本发明的基于蚁群算法的海上风电场排布优化仿真方法，通过仿真上游风机对下游风机的尾流影响，确定尾流的演变过程，使得风机的发电量计算更加准确；并利用蚁群算法，基于路径点的信息素浓度，对选择的路径点进行优化，有效避免优化方案的聚拢效应，从而可以有效实现海上风电场的排布优化，进而可以有效减小风机之间的相互影响，因而可以提高整个风电场的总发电量，方案科学合理，切实可行。
Description
技术领域
本发明涉及基于蚁群算法的海上风电场排布优化仿真方法和系统，属于海上风电场技术领域。
背景技术
在风电场场址范围内，考虑由环境引发的自然风的变化及由风机自身引发的风扰动(即尾流因素)，如何排列布置风机组，使整个风电场年发电量最大，从而降低能源的生产成本以获得较好的经济效益是风电场设计关注的重要问题。
对于范围一定的风电场，如果不考虑风经过风机受到的影响，理论上风场内布置的风机数量越多，平均的单位度电投资越低，风电场的经济性越好。但是当风经过风机后，风轮不仅转化了部分风能，同时对风形成了扰动，导致空气湍流增大，因此在风机下游侧的风速比上游侧会有一定程度的突变减小。经过风机后，随着距离的增加，风速逐渐恢复，其恢复程度与上下游风机的间距有关。如果风机布置过密，风机间的间距太小，经过上游风机影响后的风速来不及恢复，将造成到达下游风机的风速较低，从而导致单位电量效益较小、单位电量投资成本较大，经济性较差。而如果风机布置过于稀疏，同等范围下风电场的总装机容量就会过小，同时道路、集电线路等投资成本和运行维护费用均因距离的增加而增高，风电场经济性较差。
进一步，现有技术中公开了一种基于粒子群算法的海上风电场优化布置方法，将每种风机的排布方案视为一个粒子，多种风机排布方案构成一个种群。在每种布置方案中，每台机组的横、纵坐标视为粒子的维度，若布置方案中有N台机组，则粒子的维度值为2N。在寻优过程中，以度电成本为目标函数，通过更新粒子的速度对方案变化的快慢进行控制；通过更新粒子的位置变换方案中风机的机位；搜寻度电成本更低的风机布置方案，实现海上风电场的优化布置。
但粒子群算法有聚拢特性，当一个粒子搜寻到风机布置较优方案时，下一次迭代时其他粒子会聚集在该粒子周围，即其他布置方案也会相邻较优方案中的风机位置进行风机布置，从而使得风机布置过密，导致风机间的间距太小，影响了单位电量效益，因此粒子群算法很难适用于海上风电场的优化布置。
发明内容
针对上述问题或上述问题之一，本发明的目的一在于提供一种通过仿真上游风机对下游风机的尾流影响，确定尾流的演变过程，使得风机的发电量计算更加准确；并利用蚁群算法，基于路径点的信息素浓度，对选择的路径点进行优化，从而可以有效实现海上风电场的排布优化，进而可以有效减小风机之间的相互影响，可以提高整个风电场的总发电量的基于蚁群算法的海上风电场排布优化仿真方法和系统。
针对上述问题或上述问题之一，本发明的目的二在于提供一种可以对尾流效应进行仿真计算，并基于改进的蚁群算法对海上风电场进行排布优化，具有效率高、准确度高、优化效果好等优点，能够使得风电场更具经济效益，进而降低每单位电力的生产成本，特别适用于海上风电场的排布优化的基于蚁群算法的海上风电场排布优化仿真方法和系统。
为实现上述目的之一，本发明的第一种技术方案为：
基于蚁群算法的海上风电场排布优化仿真方法，
包括以下步骤：
第一步，根据海上风电场的布置区域，初始化蚁群，得到多个蚂蚁所选择的路径点，以形成蚂蚁的行进路线；
第二步，根据蚂蚁选择的路径点，确定风机排布位置；
第三步，基于风机排布位置，仿真上游风机对下游风机的尾流影响，确定尾流的演变过程，得到若干风机的发电量以及风电场总发电量；
第四步，对若干风机的发电量以及风电场总发电量进行计算，得到风机在风电场中的发电占比；
第五步，基于风机在风电场中的发电占比，确定路径点的信息素浓度；
第六步，根据信息素浓度，对选择的路径点进行优化，得到新的风机排布位置，实现海上风电场的排布优化。
本发明通过仿真上游风机对下游风机的尾流影响，确定尾流的演变过程，使得风机的发电量计算更加准确；并利用蚁群算法，基于路径点的信息素浓度，对选择的路径点进行优化，有效避免优化方案的聚拢效应，从而可以有效实现海上风电场的排布优化，进而可以有效减小风机之间的相互影响，特别是尾流效应，因而可以提高整个风电场的总发电量，方案科学合理，切实可行。
进一步，应用本发明对尾流效应进行仿真计算，并基于改进的蚁群算法对海上风电场进行排布优化，具有效率高、准确度高、优化效果好等优点，能够使得风电场更具经济效益，进而降低每单位电力的生产成本，因此本发明能够有效适用于海上风电场的排布优化。并且通过更有效地利用风资源，风电场可以更具竞争力，有助于满足能源需求，减少对传统能源的依赖，减少温室气体排放，促进环保和可再生能源的使用，推动清洁能源的发展。
作为优选技术措施：
所述第一步中，得到蚂蚁路径点的方法如下：
步骤11.获取海上风电场的布置区域，形成蚁群的搜索空间；
步骤12.根据布置区域，获取风电场配置信息；
所述配置信息包括风机数量、风机型号和风机的初始位置；
步骤13.根据风电场配置信息，设置蚁群中蚂蚁的数量；
根据风机的初始位置以及随机数，计算得到每个蚂蚁的初始路径点，作为行进路线的起点，完成蚁群的初始化；
步骤14.基于蚂蚁的初始路径点，在搜索空间内随机选择剩余的路径点，构成每个蚂蚁的行进路线。
作为优选技术措施：
所述第三步中，得到风机的发电量以及风电场总发电量的方法如下：
步骤31.根据风机排布位置，得到每个风机的坐标；
步骤32.基于每个风机的坐标，确定某时间段内的气象数据，气象数据包括风速、风向以及风速-风向出现频率；
步骤33.利用先期构建的尾流模型对气象数据进行处理，计算得到风电场的风场速度场数据；
步骤34.根据风场速度场数据、风机的叶片扫掠面积以及风机性能曲线，计算每个风机的发电量；
步骤35.将每个风机的发电量进行累积，计算得到风电场的发电量；
步骤36.结合某个时间段内风速-风向出现频率，计算得到某时间段的风电场总发电量。
作为优选技术措施：
尾流模型用于评估计算上游风机对下游风机的影响，其能预测尾流的演变过程，并能够计算风场在经过风机之后的风力损失，得出风场中任意一点的风速。
作为优选技术措施：
计算得到风场速度场数据的方法如下：
步骤331.基于风机尾流的影响范围，将风机的坐标根据风向进行相应的转换，其包括以下内容：
将初始坐标系的原点移动至某风机的坐标下，使得某风机的坐标为原点坐标；
然后将坐标系按顺时针旋转，形成新的坐标系；
再对剩余风机的坐标进行换算，得到剩余风机的坐标数据；
步骤332.基于风机的坐标数据，判断尾流影响区域，得到受尾流影响的风机以及相应的风机坐标；
步骤333.通过尾流模型，计算所述风机坐标处的风场速度损失，然后更新此处的风速；
步骤334.根据更新后的风速以及风向，确定风机的尾流影响情况，得到整个风电场的风场速度场数据。
作为优选技术措施：
所述第五步中，构建信息素浓度的方法如下：
步骤51.获取某风机的发电占比和坐标；
步骤52.根据风机的坐标，确定对应的路径点；
步骤53.将发电占比作为所述路径点的初始信息素浓度，并计算所述路径点的信息素挥发量；
步骤54.基于初始信息素浓度以及信息素挥发量，确定路径点的信息素浓度。
作为优选技术措施：
所述第五步中，构建信息素浓度的方法如下：
获取某风机的发电占比和坐标；
根据风机的坐标，确定对应的路径点；
当第一次迭代计算时，将发电占比作为所述路径点的信息素浓度；
当第二次迭代计算时，将发电占比作为所述路径点的初始信息素浓度，并计算已选出路径点的信息素挥发量；已选出路径点包括第一次迭代得到的路径点和第二次迭代得到的路径点；然后每个初始信息素浓度减去对应的信息素挥发量，得到信息素浓度；
当第M次迭代计算时，将发电占比作为所述路径点的初始信息素浓度，并计算出所有路径点的信息素挥发量；所有路径点包括第一次至第M次迭代得到的路径点；然后每个初始信息素浓度减去对应的信息素挥发量，得到每个路径点的信息素浓度；
所有信息素浓度的和为1。
作为优选技术措施：
所述第六步中，根据信息素浓度，对选择的路径点进行优化的方法如下：
步骤61.从蚁群中，选择一个或多个蚂蚁，作为探索蚂蚁，用于进行全面的路径搜索；
步骤62.将探索蚂蚁数量与蚁群中蚂蚁数量进行对比，得到探索蚂蚁占比，作为全面搜索的重复系数；
步骤63.每个蚂蚁在选择每一个路径点时，利用等距随机生成算法，生成第一随机数；所述第一随机数大于0并小于1，
如果第一随机数小于或等于重复系数，则将信息素浓度作为蚂蚁选择路径点的概率，得到新的路径点；
如果第一随机数大于重复系数，则在搜索空间内随机选择一个路径点；
步骤64.根据新选择的路径点，确定每只蚂蚁新的行进路线，实现路径点的优化。
作为优选技术措施：
将信息素浓度作为蚂蚁选择路径点的概率，得到新的路径点的方法如下：
步骤631.获取每个路径点的信息素浓度，并将信息素浓度从小到大进行排序，得到若干信息素区间段；
步骤632.利用等距随机生成算法，生成第二随机数；所述第二随机数大于0并小于1；
步骤633.根据第二随机数的大小，找到第二随机数所属的信息素区间段；
步骤634.获取所述信息素区间段内的最小信息素浓度，并将最小信息素浓度对应的路径点，作为所述蚂蚁下一轮迭代或新的路径点。
为实现上述目的之一，本发明的第二种技术方案为：
一种基于蚁群算法的海上风电场排布优化仿真系统，其包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的基于蚁群算法的海上风电场排布优化仿真方法。
与现有技术方案相比，本发明具有以下有益效果：
本发明通过仿真上游风机对下游风机的尾流影响，确定尾流的演变过程，使得风机的发电量计算更加准确；并利用蚁群算法，基于路径点的信息素浓度，对选择的路径点进行优化，有效避免优化方案的聚拢效应，从而可以有效实现海上风电场的排布优化，进而可以有效减小风机之间的相互影响，特别是尾流效应，因而可以提高整个风电场的总发电量，方案科学合理，切实可行。
进一步，应用本发明对尾流效应进行仿真计算，并基于改进的蚁群算法对海上风电场进行排布优化，具有效率高、准确度高、优化效果好等优点，能够使得风电场更具经济效益，进而降低每单位电力的生产成本。并且通过更有效地利用风资源，风电场可以更具竞争力，有助于满足能源需求，减少对传统能源的依赖，减少温室气体排放，促进环保和可再生能源的使用，推动清洁能源的发展。
附图说明
图1为本发明海上风电场排布优化仿真方法的一种流程示意图；
图2为本发明海上风电场排布优化仿真方法的另一种流程图；
图3为初始的风机位置的一种示意图；
图4为本发明风机发电性能系数随风速变化的一种示意图；
图5为本发明优化后的风机位置与初始的风机位置的一种对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。
如图1所示，本发明海上风电场排布优化仿真方法的第一种具体实施例：
基于蚁群算法的海上风电场排布优化仿真方法，
包括以下步骤：
第一步，根据海上风电场的布置区域，初始化蚁群，得到多个蚂蚁所选择的路径点，以形成蚂蚁的行进路线；
第二步，根据蚂蚁选择的路径点，确定风机排布位置；
第三步，基于风机排布位置，仿真上游风机对下游风机的尾流影响，确定尾流的演变过程，得到若干风机的发电量以及风电场总发电量；
第四步，对若干风机的发电量以及风电场总发电量进行计算，得到风机在风电场中的发电占比；
第五步，基于风机在风电场中的发电占比，确定路径点的信息素浓度；
第六步，根据信息素浓度，对选择的路径点进行优化，得到新的风机排布位置，实现海上风电场的排布优化。
本发明海上风电场排布优化仿真方法的第二种具体实施例：
基于蚁群算法的海上风电场排布优化仿真方法，包括改进的高斯尾流模型，用于计算在不同气象条件下（风向、风速）的尾流，从而能够反应上游风机对下游风机的影响；还包括风电场全年发电量算法，能够根据尾流模型计算风机运行状态，计算风电场的全年发电量；进一步包括改进的蚁群算法，能够结合全年气象统计数据优化风电场中风机的排布位置，从而可以有效提高风电场全年发电量。
本发明构建尾流模型的一种具体实施例：
本实施例中，尾流模型为改进的高斯尾流模型，其基于动量守恒及质量守恒推导，由于尾流速度分布满足高斯分布，所以高斯尾流模型的计算公式如下所示：
其中，表示风力涡轮机后的流向速度损失，/>表示来流风速，/>表示风机的推力系数，/>为尾流增长速率，与风机的型号相关，/>表示风机的坐标值，公式中，将风机轮毂所在位置记为/>，/>为轮毂高度，/>方向为尾流发展方向，/>为叶片旋转形成转盘的直径。
本发明获取气象数据的一种具体实施例：
获取气象数据的方法如下：
以5度为划分间隔，将0至360度的风向进行划分，得到72个细分的风向/>；以1m/s为划分间隔，将0至25m/s的风速/>进行划分，得到25个细分的风速/>，其中，/>的取值为1至72，/>的取值为1至25。
风速-风向在全年中的发生频率，取决于风速和风向，且满足以下等式：
本发明计算风机全年发电量的一种具体实施例：
计算风机全年发电量的方法如下：
首先计算在每一种风速下的风机发电功率，其计算公式如下：
式中，为发电功率，/>为空气密度，/>为风机叶片旋转形成转盘的面积，/>为风机发电性能系数，这是一条由风机厂商提供的与风速相关的曲线。
通过每种风速下的风机发电功率，结合风速、风向在全年的发生频率，计算全年发电量，其计算公式如下：
本发明计算风电场的全年发电量的一种具体实施例：
设定风电场中风机数量为，风机的坐标记为/>，此时的风向为/>，风速为/>，设定风向/>时风向为由北到南，顺时针变化，则风向时风向为由西到东。然后通过高斯尾流模型和全年发电量计算方法，迭代计算风电场的全年发电量，具体步骤如下：
步骤1，为了计算风机尾流的影响范围，需要将风机的坐标根据风向进行相应的转换，例如在计算编号为/>的风机的尾流范围，即/>时，将原本的坐标系/>的原点移动至/>，然后将坐标系按顺时针旋转/>度，形成新的坐标系/>，这样，风机/>的坐标就转换为了/>，其他风机的坐标通过以下公式计算：
其中，表示第/>个风机在第/>个风机坐标系下的坐标位置；
步骤2，从步骤一中，如果，则表明第/>个风机不可能处于第/>个风机的尾流区域内；如果/>，则表明第/>个风机有可能处于第/>个风机的尾流区域内。通过高斯尾流模型，计算/>位置处的风场速度损失/>，然后更新此处的风速为/>；
步骤3，对风场中每个风机迭代执行步骤1和步骤2，最终得到在风向为，风速为/>的情况下，每个风机的尾流发展情况，进而得到整个风电场的流场分布情况；
步骤4，计算在风向为，风速为/>的情况下，整个风电场的发电量；
步骤5，结合风速-风向的发生频率，计算风电场的全年发电量。
本发明构建蚁群算法的一种具体实施例：
本实施例的蚁群算法为一种改进的蚁群算法，基于风机的发电量，构建信息素浓度，从而可以收敛出“一条”年发电量最大的路径，路径上的风机点位即为能够获得最大年发电量的位置。
在本实施例中，将待求解的目标函数，即海上风电场的全年发电量作为信息素，定义海上风电场中每个风机的位置作为路径点，整体的风机排布作为路径，风电场的布置区域为搜索空间，两个坐标上的范围记为/>和/>。
进而本实施例中，构建蚁群算法的步骤如下：
步骤1，产生初始路径点，其具体包括以下内容：
根据风电场的排布位置，设置每个风机的位置为初始抗体，位置记为，其表达式如下所示：
其中，为第i台风机的二维坐标，/>。
则所有风机的二维坐标即构成了初始的路径点。
步骤2，初始化蚁群，其具体包括以下内容：
本实施例中，蚂蚁数量为，蚂蚁随机选择一个初始风机位置周边一定距离内的一点，作为路径的起始点，蚂蚁的初始位置采用以下公式确定：
式中，表示第/>只蚂蚁在初始状态下的/>坐标，/>表示第/>只蚂蚁在初始状态下的/>坐标，/>表示取/>中的一个随机数，/>表示通过/>取得的随机数确定的/>坐标，/>表示通过/>取得的随机数确定的/>坐标，表示取/>范围内的一个随机数，如果计算得出了超出搜索范围的坐标值，则修改为/>或/>，/>或/>。
步骤3，确定蚂蚁行进路线，计算信息素浓度，其具体包括以下内容：
然后在整个搜索空间内随机选择剩余个路径点，构成每个蚂蚁的行进路线，然后计算每一条路径的全年发电量，对于在这一次优化迭代中的每一个路径点，通过全年的发电量计算信息素浓度，其计算公式如下：
式中，为信息素浓度，下标/>表示第/>只蚂蚁，下标/>表示第/>个路径点，上标/>表示第次优化迭代；/>表示第/>次优化迭代中，第/>只蚂蚁的第/>个路径点的全年发电量；这样，就表示第/>次优化迭代中，第/>只蚂蚁在第/>个路径点留下的信息素浓度，所有位置点上的信息素浓度之和为1。每次迭代优化中，年发电量最大的路径记为最优路径，年发电量记为，/>为优化迭代次数。
步骤4，更新信息素浓度，确定下一次优化迭代的路径点，其具体包括以下内容：
将信息素浓度作为蚂蚁选择路径点的概率，为了避免达到局部最优解，设定信息素浓度随每一次迭代挥发，对于每一点的信息素浓度，按照正态分布的规律进行挥发，第次优化迭代中第/>只蚂蚁在第/>个路径点上留下的信息素浓度为/>，则在第/>次优化迭代中，这个浓度会挥发为/>，按照下式进行计算：
式中，在第/>次优化迭代中，生成的具有/>项的符合正态分布数列的第/>项，且，这种正态分布数列在面向对象编程语言python中的随机数模块可以直接生成，在此不加以赘述。这样对于最近的优化迭代论述，信息素浓度最大，且保证了所有的点位的信息素浓度之和依然为1。
同时为了在优化迭代的初期使得搜索路径尽可能全面，因此设定每次迭代有一部分蚂蚁总会选择新的位置作为路径点，对于每一只蚂蚁，它在选择每一个路径点时首先产生一个在之间的随机数/>，如果/>，则根据更新后的信息素浓度选择路径点，更新后的信息素浓度即为蚂蚁选择这一点的概率；否则在搜索空间内随机选择一个路径点，/>是人为设定的取值为/>的重复系数。这样对于下一次迭代，每只蚂蚁的新路径都确定下来。
步骤5，进行优化迭代，具体包括以下内容：
重复执行步骤3至步骤4，直至当迭代次数达到时，或当优化效果小于优化容差/>时，则停止迭代计算，其计算公式如下：
步骤6，确定最终的优化排布位置，完成改进的蚁群算法的构建。
如图2中所示，本发明海上风电场排布优化仿真方法的第三种具体实施例：
基于蚁群算法的海上风电场排布优化仿真方法，工作流程包括以下步骤：
步骤1：确定初始的海上风电场，得到每个风机的坐标、类型等信息；确定未来某时间段内的气象数据，包括风速，风向以及风速-风向出现频率信息。
步骤2：结合尾流模型和气象数据，获取在每个风速、风向下，整个风电场在初始位置排布下的风场速度场数据。
步骤3：根据风场速度场数据，计算每个风机在某时间段的发电量，结合风速-风向出现频率，计算整个海上风电场在某时间段内的发电量。
步骤4：通过改进的蚁群算法，以某时间段的发电量的最大为目标优化函数，通过步骤1至步骤3迭代计算优化每个风机的安装位置，最终得到最大的目标函数值，即整个风电场在某时间段内发电量最大所对应的风机排布位置。
本发明能够基于改进的高斯尾流模型计算海上风电场在某时间段内的发电量，然后通过改进蚁群算法优化风机的排布位置，得到最大的发电量。
由于上游风机的尾流场对于下游风机的发电效率有着较大的影响，通过优化风机排布，可以减小风机之间的相互影响，特别是尾流效应，从而提高整个风电场的全年总发电量，使得风电场更具经济效益，降低每单位电力的生产成本。通过更有效地利用风资源，风电场可以更具竞争力，有助于满足能源需求，对于风电场的发电效益优化具有重要意义。
应用本发明对某一海上风电场进行优化的一种具体实施例：
针对某海上风电场，对原始的风机排布方案进行优化。海上风电场范围为800米×600米，风机数量为9个，初始的风机位置可参见图3，某时间段为一年。
根据风电场一年的气象数据，计算整场的风场数据。
通过整场的风场数据，确定每台风机在尾流影响下的来流风速，进而通过以下公式计算整场的全年发电量：
=/>
其中，为第i个风机的发电性能系数。
风机发电性能系数随风速的变化而变化，其变化曲线可参见图4。
采用改进蚁群算法进行迭代优化，具体包括以下步骤：
步骤1，初始化风机排布，其具体包括以下内容：
根据风电场的排布位置，定义每个风机的位置路径点，表示第/>台风机，。
位置记为，其表达式如下所示：
步骤2，初始化蚁群位置，其具体包括以下内容：
设定蚂蚁数量，对于蚂蚁而言，蚁群的初始位置通过以下公式确定：
式中，表示第/>只蚂蚁在初始状态下的/>坐标，/>表示第/>只蚂蚁在初始状态下的/>坐标，/>；/>表示取/>中的一个随机数，/>表示取/>范围内的一个随机数，即选择初始风机排布下风机周边随机一点作为蚂蚁的初始路径点，如果计算得出了超出搜索范围的坐标值，则修改为搜索范围边界的坐标值。
步骤3，确定蚂蚁行进路线，计算信息素浓度，其具体包括以下内容：
在整个搜索空间内随机选择剩余个路径点，构成每个蚂蚁的行进路线，然后计算每一条路径的全年发电量，对于在这一次优化迭代中的每一个路径点，通过全年发电量计算，计算信息素浓度，具体的计算公式如下所示：
式中，为信息素浓度，下标/>表示第/>只蚂蚁，下标/>表示第/>个路径点，上标/>表示第次优化迭代，这样，/>就表示第/>次优化迭代中，第/>只蚂蚁在第/>个路径点留下的信息素浓度，所有位置点上的信息素浓度之和为1。每次迭代优化中，年发电量最大的路径记为最优路径，年发电量记为/>，/>为优化迭代次数。
步骤4，更新信息素浓度，确定下一次优化迭代的路径点，其具体包括以下内容：
将信息素浓度作为蚂蚁选择路径点的概率，为了避免达到局部最优解，设定信息素浓度随每一次迭代挥发，对于每一点的信息素浓度，按照正态分布的规律进行挥发，第次优化迭代中第/>只蚂蚁在第/>个路径点上留下的信息素浓度为/>，则在第/>次优化迭代中，这个浓度会挥发为/>，按照下式进行计算：
式中，在第/>次优化迭代中，生成的具有/>项的符合正态分布数列的第/>项，且，正态分布数列通过面向对象编程语言python中的随机数模块生成。
同时为了在优化迭代的初期使得搜索路径尽可能全面，因此设定每次迭代有一部分蚂蚁总会选择新的位置作为路径点，对于每一只蚂蚁，它在选择每一个路径点时首先产生一个在之间的随机数/>，设定重复系数/>，如果/>，则根据更新后的信息素浓度选择路径点，更新后的信息素浓度即为蚂蚁选择这一点的概率；否则在搜索空间内随机选择一个路径点。这样对于下一次迭代，每只蚂蚁的新路径都确定下来。
步骤5，进行优化迭代，具体包括以下内容：
重复执行步骤3至步骤4，直至当迭代次数达到时，或当优化效果小于优化容差时，则停止迭代计算。
则停止迭代计算，在本实施例中，当迭代次数达到47时，优化效果小于优化容差，停止迭代计算。
步骤6，确定最终的优化排布位置，优化排布的位置如下所示：
最终风机优化后的排布位置，可参见图5，并且从图5中的风机排布情况可以明确看出优化后的风机位置与初始的风机位置差异较大，优化后的风机位置显然更加合理，因而能够有效提升年发电量。
应用本发明方法的一种设备实施例：
一种电子设备，其包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的基于蚁群算法的海上风电场排布优化仿真方法。
应用本发明方法的一种计算机介质实施例：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于蚁群算法的海上风电场排布优化仿真方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包括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。
本申请是根据本申请实施例的方法、设备（系统）、计算机程序产品的流程图或/和方框图来描述的。应理解可由计算机程序指令实现流程图或/和方框图中的每一流程或/和方框以及流程图或/和方框图中的流程或/和方框的结合。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或/和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或/和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或/和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 (8)
1.基于蚁群算法的海上风电场排布优化仿真方法，其特征在于：
包括以下步骤：
第一步，根据海上风电场的布置区域，初始化蚁群，得到多个蚂蚁所选择的路径点，以形成蚂蚁的行进路线；
第二步，根据蚂蚁选择的路径点，确定风机排布位置；
第三步，基于风机排布位置，仿真上游风机对下游风机的尾流影响，确定尾流的演变过程，得到若干风机的发电量以及风电场总发电量；
第四步，对若干风机的发电量以及风电场总发电量进行计算，得到风机在风电场中的发电占比；
第五步，基于风机在风电场中的发电占比，确定路径点的信息素浓度；
第六步，根据信息素浓度，对选择的路径点进行优化，得到新的风机排布位置，实现海上风电场的排布优化；
根据信息素浓度，对选择的路径点进行优化的方法如下：
步骤61.从蚁群中，选择一个或多个蚂蚁，作为探索蚂蚁，用于进行全面的路径搜索；
步骤62.将探索蚂蚁数量与蚁群中蚂蚁数量进行对比，得到探索蚂蚁占比，作为全面搜索的重复系数；
步骤63.每个蚂蚁在选择每一个路径点时，利用等距随机生成算法，生成第一随机数；所述第一随机数大于0并小于1，
如果第一随机数小于或等于重复系数，则将信息素浓度作为蚂蚁选择路径点的概率，得到新的路径点；
如果第一随机数大于重复系数，则在搜索空间内随机选择一个路径点；
步骤64.根据新选择的路径点，确定每只蚂蚁新的行进路线，实现路径点的优化；
将信息素浓度作为蚂蚁选择路径点的概率，得到新的路径点的方法如下：
步骤631.获取每个路径点的信息素浓度，并将信息素浓度从小到大进行排序，得到若干信息素区间段；
步骤632.利用等距随机生成算法，生成第二随机数；所述第二随机数大于0并小于1；
步骤633.根据第二随机数的大小，找到第二随机数所属的信息素区间段；
步骤634.获取所述信息素区间段内的最小信息素浓度，并将最小信息素浓度对应的路径点，作为所述蚂蚁下一轮迭代或新的路径点。
2.如权利要求1所述的基于蚁群算法的海上风电场排布优化仿真方法，其特征在于：
所述第一步中，得到蚂蚁路径点的方法如下：
步骤11.获取海上风电场的布置区域，形成蚁群的搜索空间；
步骤12.根据布置区域，获取风电场配置信息；
所述配置信息包括风机数量、风机型号和风机的初始位置；
步骤13.根据风电场配置信息，设置蚁群中蚂蚁的数量；
根据风机的初始位置以及随机数，计算得到每个蚂蚁的初始路径点，作为行进路线的起点，完成蚁群的初始化；
步骤14.基于蚂蚁的初始路径点，在搜索空间内随机选择剩余的路径点，构成每个蚂蚁的行进路线。
3.如权利要求1所述的基于蚁群算法的海上风电场排布优化仿真方法，其特征在于：
所述第三步中，得到风机的发电量以及风电场总发电量的方法如下：
步骤31.根据风机排布位置，得到每个风机的坐标；
步骤32.基于每个风机的坐标，确定某时间段内的气象数据，气象数据包括风速、风向以及风速-风向出现频率；
步骤33.利用先期构建的尾流模型对气象数据进行处理，计算得到风电场的风场速度场数据；
步骤34.根据风场速度场数据、风机的叶片扫掠面积以及风机性能曲线，计算每个风机的发电量；
步骤35.将每个风机的发电量进行累积，计算得到风电场的发电量；
步骤36.结合某个时间段内风速-风向出现频率，计算得到某时间段的风电场总发电量。
4.如权利要求3所述的基于蚁群算法的海上风电场排布优化仿真方法，其特征在于：
尾流模型用于评估计算上游风机对下游风机的影响，其能预测尾流的演变过程，并能够计算风场在经过风机之后的风力损失，得出风场中任意一点的风速。
5.如权利要求4所述的基于蚁群算法的海上风电场排布优化仿真方法，其特征在于：
计算得到风场速度场数据的方法如下：
步骤331.基于风机尾流的影响范围，将风机的坐标根据风向进行相应的转换，其包括以下内容：
将初始坐标系的原点移动至某风机的坐标下，使得某风机的坐标为原点坐标；
然后将坐标系按顺时针旋转，形成新的坐标系；
再对剩余风机的坐标进行换算，得到剩余风机的坐标数据；
步骤332.基于风机的坐标数据，判断尾流影响区域，得到受尾流影响的风机以及相应的风机坐标；
步骤333.通过尾流模型，计算所述风机坐标处的风场速度损失，然后更新此处的风速；
步骤334.根据更新后的风速以及风向，确定风机的尾流影响情况，得到整个风电场的风场速度场数据。
6.如权利要求1所述的基于蚁群算法的海上风电场排布优化仿真方法，其特征在于：
所述第五步中，构建信息素浓度的方法如下：
步骤51.获取某风机的发电占比和坐标；
步骤52.根据风机的坐标，确定对应的路径点；
步骤53.将发电占比作为所述路径点的初始信息素浓度，并计算所述路径点的信息素挥发量；
步骤54.基于初始信息素浓度以及信息素挥发量，确定路径点的信息素浓度。
7.如权利要求1所述的基于蚁群算法的海上风电场排布优化仿真方法，其特征在于：
所述第五步中，构建信息素浓度的方法如下：
获取某风机的发电占比和坐标；
根据风机的坐标，确定对应的路径点；
当第一次迭代计算时，将发电占比作为所述路径点的信息素浓度；
当第二次迭代计算时，将发电占比作为所述路径点的初始信息素浓度，并计算已选出路径点的信息素挥发量；已选出路径点包括第一次迭代得到的路径点和第二次迭代得到的路径点；然后每个初始信息素浓度减去对应的信息素挥发量，得到信息素浓度；
当第M次迭代计算时，将发电占比作为所述路径点的初始信息素浓度，并计算出所有路径点的信息素挥发量；所有路径点包括第一次至第M次迭代得到的路径点；然后每个初始信息素浓度减去对应的信息素挥发量，得到每个路径点的信息素浓度；
所有信息素浓度的和为1。
8.一种基于蚁群算法的海上风电场排布优化仿真系统，其特征在于：
其包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-7任一所述的基于蚁群算法的海上风电场排布优化仿真方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311776869.0A CN117454456B (zh) | 2023-12-22 | 2023-12-22 | 基于蚁群算法的海上风电场排布优化仿真方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311776869.0A CN117454456B (zh) | 2023-12-22 | 2023-12-22 | 基于蚁群算法的海上风电场排布优化仿真方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117454456A CN117454456A (zh) | 2024-01-26 |
| CN117454456B true CN117454456B (zh) | 2024-03-29 |
Family
ID=89585867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311776869.0A Active CN117454456B (zh) | 2023-12-22 | 2023-12-22 | 基于蚁群算法的海上风电场排布优化仿真方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117454456B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103269085A (zh) * | 2013-04-16 | 2013-08-28 | 东北大学 | 一种分布式风机选址定容系统 |
| CN103914734A (zh) * | 2014-03-20 | 2014-07-09 | 浙江工业大学 | 基于改进型蚁群算法的微网容量优化布址方法 |
| CN109274121A (zh) * | 2018-11-15 | 2019-01-25 | 山东中车风电有限公司 | 一种风电场控制参数优化方法及系统 |
| CN112033403A (zh) * | 2020-05-06 | 2020-12-04 | 东华大学 | 一种基于势场改进蚁群算法的无人机最优路径搜索方法 |
| CN113806947A (zh) * | 2021-09-18 | 2021-12-17 | 中国石油大学(北京) | 海上风电场布局处理方法、装置及设备 |
| CN114091265A (zh) * | 2021-11-19 | 2022-02-25 | 华能新能源股份有限公司 | 一种基于局部搜索策略的风电场布局优化方法及系统 |
| CN116090338A (zh) * | 2022-12-28 | 2023-05-09 | 盛东如东海上风力发电有限责任公司 | 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 |
| CN117195449A (zh) * | 2023-09-05 | 2023-12-08 | 华能澜沧江水电股份有限公司 | 一种风电场排布优化方法、装置、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657013B (zh) * | 2021-08-04 | 2022-06-21 | 浙江大学 | 融合风电场调度策略的风力发电机布局优化方法 |
-
2023
- 2023-12-22 CN CN202311776869.0A patent/CN117454456B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103269085A (zh) * | 2013-04-16 | 2013-08-28 | 东北大学 | 一种分布式风机选址定容系统 |
| CN103914734A (zh) * | 2014-03-20 | 2014-07-09 | 浙江工业大学 | 基于改进型蚁群算法的微网容量优化布址方法 |
| CN109274121A (zh) * | 2018-11-15 | 2019-01-25 | 山东中车风电有限公司 | 一种风电场控制参数优化方法及系统 |
| CN112033403A (zh) * | 2020-05-06 | 2020-12-04 | 东华大学 | 一种基于势场改进蚁群算法的无人机最优路径搜索方法 |
| CN113806947A (zh) * | 2021-09-18 | 2021-12-17 | 中国石油大学(北京) | 海上风电场布局处理方法、装置及设备 |
| CN114091265A (zh) * | 2021-11-19 | 2022-02-25 | 华能新能源股份有限公司 | 一种基于局部搜索策略的风电场布局优化方法及系统 |
| CN116090338A (zh) * | 2022-12-28 | 2023-05-09 | 盛东如东海上风力发电有限责任公司 | 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 |
| CN117195449A (zh) * | 2023-09-05 | 2023-12-08 | 华能澜沧江水电股份有限公司 | 一种风电场排布优化方法、装置、设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| Design of wind farm layout using ant colony algorithm;Yunus Eroglu 等;《ELSEVIER》;20120129;全文 * |
| 基于蚁群算法的高超声速飞行器气动布局优化设计;车竞;唐硕;何开锋;王文正;;空气动力学学报;20090831(04);全文 * |
| 大型海上风电场风机微观选址与集电系统联合优化;黄永生 等;《电测与仪表》;20210419;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117454456A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Şişbot et al. | Optimal positioning of wind turbines on Gökçeada using multi‐objective genetic algorithm | |
| Bai et al. | Wind farm layout optimization using adaptive evolutionary algorithm with Monte Carlo Tree Search reinforcement learning | |
| Azlan et al. | Review on optimisation methods of wind farm array under three classical wind condition problems | |
| Chen et al. | Short-Term Wind Power Forecasting Using Gaussian Processes. | |
| 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 | |
| Agarwal et al. | Issues and challenges of wind energy | |
| CN115544884A (zh) | 一种基于数据驱动的大型风电场尾流快速计算方法及系统 | |
| Li et al. | Short-term prediction of the power of a new wind turbine based on IAO-LSTM | |
| CN112100921A (zh) | 一种基于wrf和随机森林获取风资源风速的方法 | |
| CN112966454B (zh) | 一种风电场风机尾流动态耦合模拟方法 | |
| CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
| CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
| CN115618540A (zh) | 基于三层次动态变异率的风力发电机组优化布局方法 | |
| Koc | A comprehensive analysis of grid-based wind turbine layout using an efficient binary invasive weed optimization algorithm with levy flight | |
| Kim et al. | Wind power forecasting based on hourly wind speed data in South Korea using machine learning algorithms | |
| 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 | |
| CN117195449A (zh) | 一种风电场排布优化方法、装置、设备及介质 | |
| Wang et al. | Research on ultra-short term forecasting technology of wind power output based on wake model | |
| Al-Haija et al. | Time-series model for forecasting short-term future additions of renewable energy to worldwide capacity | |
| Kazda et al. | Possible improvements for present wind farm models used in optimal wind farm controllers | |
| CN111980857A (zh) | 风电场的闭环控制方法及其装置及计算机可读存储介质 | |
| Madhiarasan et al. | Comprehensive study of various forecasting techniques for forecast of wind speed in the field of wind energy system | |
| Özgür | ANN-based evaluation of wind power generation: A case study in Kutahya, Turkey | |
| Ayoubi et al. | Analytical Modeling for Prediction of Horizontal-Axis Wind Turbines Power Generation in Wind Farms Based on an Analytical Wake Model | |
| Huang et al. | Wind farm optimization through yaw control considering wake effect |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |