CN117933464A - 一种风电场的规划方法、控制装置和介质 - Google Patents
一种风电场的规划方法、控制装置和介质 Download PDFInfo
- Publication number
- CN117933464A CN117933464A CN202410084820.7A CN202410084820A CN117933464A CN 117933464 A CN117933464 A CN 117933464A CN 202410084820 A CN202410084820 A CN 202410084820A CN 117933464 A CN117933464 A CN 117933464A
- Authority
- CN
- China
- Prior art keywords
- wind
- cable
- power plant
- cost
- calculating
- 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 57
- 238000010248 power generation Methods 0.000 claims abstract description 23
- 230000005611 electricity Effects 0.000 claims abstract description 5
- 238000009434 installation Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Abstract
本发明属于用电服务技术领域,具体提供一种风电场的规划方法、控制装置和介质。本发明公开了一种风电场的规划方法,包括:根据获取的风电场的风电机组选址参数,计算风电场的发电功率;根据获取的所述风电场的电缆布局参数,计算风电场的电缆成本;基于所述发电功率和电缆成本建立规划模型;根据所述规划模型,得到所述风电场的规划方法。本发明在合理规划风电机组位置同时考虑了电缆成本,可以减少风电场电缆投资成本且使风电场发挥更好的性能。
Description
技术领域
本发明属于用电服务技术领域,具体提供一种风电场的规划方法、控制装置和介质。
背景技术
风电场规划中机组位置的选址和电缆布局通常被视为独立的、按顺序进行的规划步骤,首先是风机位置的规划,然后是电缆布局的设计。然而,由于风电场内机组发电量和电缆成本之间存在竞争,传统的分步顺序设计可能导致优化结果产生次优解。
这种情况下,需要考虑一种综合性的联合规划方法,旨在风电机组位置和电缆布局之间找到一个平衡点,这对于风电场规划的研究和实际应用具有重要意义。
发明内容
为了克服上述缺陷,本发明提出了一种风电场的规划方法、控制装置和介质,在合理规划风电机组位置时同时考虑了电缆成本,可以减少风电场电缆投资成本且使风电场发挥更好的性能。
在第一方面,本发明提供了一种风电场的规划方法,包括:
根据获取的风电场的风电机组选址参数,计算风电场的发电功率;
根据获取的所述风电场的电缆布局参数,计算风电场的电缆成本;
基于所述发电功率和电缆成本建立规划模型;
根据所述规划模型,得到所述风电场的规划方法。
进一步地,所述根据获取的风电场的风电机组选址参数,计算风电场的发电功率包括:
根据尾流模型,基于获取的风电场的风速和风向信息,计算风电场的归一化发电功率AEPNormalized。
进一步地,所述根据尾流模型,基于获取的风电场的风速和风向信息,计算风电场的归一化发电功率AEPNormalized包括:
其中,Pi(ul,θm)为第i台机组在风速为ul、风向为θm时的功率,f(ul,θm)为风速风向概率分布,M和m分别为风向总个数和风向序号,L和l分别为风速总个数和风速序号,N为风电场机组数量,PGreedy是忽略尾流效应时风电场能达到最大的发电功率。
进一步地,所述根据获取的所述风电场的电缆布局参数,计算风电场的电缆成本包括:
基于获取的所述风电场的电缆布局参数,构建MILP模型;
根据所述MILP模型,计算风电场的电缆成本。
进一步地,所述基于获取的所述风电场的电缆布局参数,构建MILP模型包括:
基于风电场中的节点之间的欧式距离、电缆单价、安全系数和风电场机组数量计算电缆安装成本,其中,所述风电场中的节点包括所有的风电机组和升压站;
基于每个节点的故障概率计算能量损失成本;
基于所述电缆安装成本和能量损失成本构建MILP模型;
所述根据所述MILP模型,计算风电场的电缆成本包括:
根据构建的所述MILP模型,计算所述电缆安装成本和能量损失成本的总和,得到所述风电场的电缆成本。
进一步地,所述基于风电场中的节点之间的欧式距离、电缆单价、安全系数和风电场机组数量计算电缆安装成本包括:
其中,CIC为电缆安装成本,Cunit为电缆单价,C和c表示电缆总类型数量和电缆类型序号,i、j表示风电场中所有风电机组和升压站中的任意两个节点,d(i,j)为节点i和j之间的欧式距离,sf为预设的安全系数,N为风电场机组数量。
进一步地,所述xc(i,j)表示电缆连接的二元变量:
进一步地,所述基于每个节点的故障率计算能量损失成本包括:
其中,LEC为能量损失成本,T和t分别为风电场寿命和寿命序号,dr为折现率,ep(i)为第i个节点的电价、P(i)为第i个节点的风电机组输出功率、λN(i)、λN(j)分别为第i个、第j个节点的故障概率、r(i)为第i个节点的维修时间,λcable为电缆故障概率。
进一步地,所述基于所述电缆安装成本和能量损失成本构建MILP模型还包括:
添加约束进行线性化,其中,所述约束包括:
其中,z(i,j)=λN(i)·xc(i,j),A为一个连续变量,λWT为初始故障率,M为常数,取值1000。
进一步地,所述基于所述电缆安装成本和能量损失成本构建MILP模型还包括:
满足约束,其中所述约束包括:
xc(,j)+xc(j,i)≤1,i≠j (16);
其中,i,j,l,k均表示风电场中的节点,POC为风电场中的升压站节点,Irated为电缆额定电流,集合χ用于存储交叉电缆对{(i,j),(l,k)}。
进一步地,所述基于所述发电功率和电缆成本建立规划模型;
基于非支配性遗传算法Ⅱ对风电场中的发电功率和电缆成本的组合方案进行优化,建立规划模型,其中所述非支配性遗传算法Ⅱ的优化目标设定为所述风电场的发电功率最大化和电缆成本最小化。
进一步地,所述基于非支配性遗传算法Ⅱ对风电场的发电功率和电缆成本的组合方案进行优化,建立规划模型包括:
随机生成初始种群,进行种群初始化,其中,所述种群中的每个个体包括风电场中的所有风电机组坐标以及与升压站坐标的实数编码;
经过交叉和变异操作产生新的后代;
将产生的新的后代与原始种群合并,得到更新后的种群;
计算每个个体的目标函数值,所述目标函数值包括所述风电场的发电功率和风电场的电缆成本;
通过比较个体之间的目标函数值,将种群中的个体划分到不同的非支配等级,并计算拥挤距离;
根据所述非支配性等级的排序和所述拥挤距离,择优选择非支配等级高的个体;
重复迭代直至满足收敛。
在第二方面,本发明提供一种控制装置,包括处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行第一方面中任一项所述的规划方法。
在第三方面,本发明提供一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行第一方面中任一项所述的规划方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
在实施本发明的技术方案中,同时考虑风电场风电机组选址和电缆路径的优化,可以减少风电场电缆投资成本,增强全生命周期内风电场的经济性,使风电场发挥更好的性能。
本发明可以兼顾风电机组位置的合理规划同时还考虑了优化降低电缆成本,实现风电场的发电功率最大化和电缆成本最小化的兼顾,在风电机组位置和电缆布局之间找到一个平衡点,对于风电场规划的研究和实际应用具有重要意义。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本发明的保护范围组成限制。此外,图中类似的数字用以表示类似的部件,其中:
图1是根据本发明的一个实施例的规划方法的主要步骤流程示意图;
图2是根据本发明的一个实施例的为风电机组推力系数及功率系数曲线图;
图3为本发明的一个实施例的风电场风向玫瑰图;
图4为本发明的一个实施例的建立规划模型的流程示意图;
图5本发明的一个应用例的输出风电机组位置、升压站位置及电缆路径布局结果图;
图6为本发明的一个应用例的多目标优化算法解集结果图;
图7是本发明的一个应用例的投资盈利对比图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
参照图1,本发明提供了一种风电场的规划方法,包括:
S1,根据获取的风电场的风电机组选址参数,计算风电场的发电功率;
S2,根据获取的所述风电场的电缆布局参数,计算风电场的电缆成本;
S3,基于所述发电功率和电缆成本建立规划模型;
S4,根据所述规划模型,得到所述风电场的规划方法。
一个实施例中,对步骤S1的计算过程进行说明
根据尾流模型,风电场中第i台风电机组在风电场中(x,y,z)的归一化尾流速度损失的表达式为:
式中,D是风轮直径,CT是风电机组推力系数,σ(x)是高斯尾流廓线的标准差,zi是第i台风电机组轮毂中心的高度,yi是第i台风电机组轮毂中心的展向坐标,x、y、z分别是风电场中位置坐标。
风电场内下游位置处的尾流速度损失是由上游多台风电机组产生的尾流损失叠加造成的。为计算总尾流损失,求解最终风电场内各处速度uw(x,y,z),采用局部线性叠加方法,计算如下:
式中,U∞是环境来流速度,是第i台风电机组的入流风速。
当风电机组入流风速为u(即公式(2)所得的Uw)时,机组输出功率计算公式如下:
其中,uin和uout分别代表风电机组的切入风速和切出风速;P(uw)通过对机组功率曲线插值得出。一个实施例中,所述机组功率曲线参照图2,图2为一个应用场景下的推力系数及功率系数曲线图。
参照图3的风向和风速分布图,考虑风向θ和风速u的概率分布后,风电场整场发电功率PWF可计算如下:
其中,Pi(ul,θm)为第i台机组在风速为ul、风向为θm时的功率,f(ul,θm)为风速风向概率分布,M和m分别为风向总个数和风向序号,L和l分别为风速总个数和风速序号,N为风电场机组数量,需要注意的是N实际是风电场节点总数,但在计算功率的时候,升压站节点默认无功率输出,所以在计算功率的时候N就成为风电场机组数量。
为了更好地评估发电效率,引入归一化参数:
其中PGreedy是忽略尾流效应时风电场能达到最大的发电功率。
综上,根据尾流模型,基于获取的风电场的风速和风向信息,计算风电场的归一化发电功率AEPNormalized包括:
通过计算归一化发电功率AEPNormalized可以得到S1的风电场的发电功率。
一个实施例中,对步骤S2的计算过程进行说明
首先定义二元变量xc(i,j),其中c为电缆类型序号,i,j表示风电机组和升压站所在的所有节点中的任意两个节点:
公式(6)中,xc(i,j)取值为0时包含两种情况:1.节点i到j间安装不同于c类型的电缆;2.节点i到j间无电缆连接。
尽管共有C种电缆可供选择,但每一种电缆选型互斥。同一路径只能选择确定的一种电缆铺设,其约束如下:
式中,C和c表示电缆总类型数量和电缆类型序号。
本申请中,步骤S2,所述根据获取的所述风电场的电缆布局参数,计算风电场的电缆成本包括:
基于获取的所述风电场的电缆布局参数,构建MILP模型;
根据所述MILP模型,计算风电场的电缆成本。
一个实施例中,所述根据获取的所述风电场的电缆布局参数,计算风电场的电缆成本包括:
基于获取的所述风电场的电缆布局参数,构建MILP模型;
根据所述MILP模型,计算风电场的电缆成本。
一个实施例中,所述基于获取的所述风电场的电缆布局参数,构建MILP模型包括:
基于风电场中的节点之间的欧式距离、电缆单价、安全系数和风电场机组数量计算电缆安装成本,其中,所述风电场中的节点包括所有的风电机组和升压站:
基于每个节点的故障概率计算能量损失成本;
基于所述电缆安装成本和能量损失成本构建MILP模型。
所述根据所述MILP模型,计算风电场的电缆成本包括:
根据构建的所述MILP模型,计算所述电缆安装成本和能量损失成本的总和,得到所述风电场的电缆成本。
下面对上述过程进行具体说明
所述风电场的电缆成本为总成本,包括电缆安装成本(CIC)和能量损失成本(LEC):
Cable Cost=CIC+LEC (8)
电缆安装成本的计算公式为
其中,CIC为电缆安装成本,Cunit为电缆单价,C和c表示电缆总类型数量和电缆类型序号,i、j表示风电场中所有风电机组和升压站中的任意两个节点,d(i,j)为节点i和j之间的欧式距离,sf为预设的安全系数,N为风电场机组数量,N是风电场节点总数。一个实施例中,sf可设为1.7。
能量损失成本的计算公式为
LEC为能量损失成本,T和t分别为风电场寿命和寿命序号,dr为折现率,ep(i)为第i个节点的电价、P(i)为第i个节点的风电机组输出功率、λN(i)为第i个节点的故障概率、r(i)为第i个节点的维修时间,N是风电场节点总数N是风电场节点总数。
LEC表示由于电缆故障造成的经济性损失,并用该值来评估集电系统的可靠性。一个实施例中,T可设为20年。
其中λcable为电缆故障概率。当节点i代表风电机组时,初始故障率λinit(i)设置为λWT;当节点j代表升压站(POC)时,该值设置为0。λN(i)、λN(j)分别为第i个、第j个节点的故障概率。
需要注意的是,在公式(11)中,λN(j)·xc(j,i)引入了非线性项。为了维持混合线性整数模型的构造,采用了BigM方法,添加以下约束进行线性化:
引入新变量z(i,j),其中A是一个连续变量,下界为初始故障率λWT,上限为常数M,一个实施例中,M可设置为1000。
为了满足辐射性风电场集电系统设计要求,电缆路径布局应满足下述约束:
xc(i,j)+xc(j,i)≤1,i≠j (16);
i,j,l,k均表示风电场中的节点,POC为升压站节点,Irated为电缆额定电流,集合χ用于存储交叉电缆对{(i,j),(l,k)}。
公式(13)保证每个节点只有一根电缆用于能量输出。公式(14)保证至少有一根电缆连接到升压站。公式15防止同一节电缆首尾连至同一节点。公式(16)防止任意两个节点之间出现能量环路。公式(17)避免任意两段电缆交叉,集合X存储交叉电缆对{(i,j),(l,k)}。公式(18)表示每个节点的保持功率平衡,其中f为连续非负变量。公式(19)确保每条电缆上的功率流低于电缆容量。
至此,公式(6)-(19)组成了完整的风电场电缆拓扑路径的MILP模型。
一个实施例中,对步骤S3的计算过程进行说明
基于非支配性遗传算法II对风电场中的发电功率和电缆成本的组合方案进行优化,建立规划模型,其中所述非支配性遗传算法II的优化目标设定为所述风电场的发电功率最大化和电缆成本最小化。
一个实施例中,非支配性遗传算法II,采用NSGA-II算法优化目标设定如下:
max(AEPNormalized)&min(Cable Costtotal),
其中,AEPNormalized是风电场发电功率,所述发电功率为所述风电机组的发电功率总和。Cable Costtotal是风电场的电缆成本,所述电缆成本为所有电缆的成本总和。
本发明中,参照图4,所述基于非支配性遗传算法II对风电场的发电功率和电缆成本的组合方案进行优化,建立规划模型包括:
S31,种群初始化
随机生成初始种群,其中每个个体包含所有风电机组的位置坐标以及与升压站的位置坐标的实数编码φ=(h1,…,hi,v1,…,vi),其中h代表横坐标,v代表纵坐标。
每个个体代表一个风电场的规划方法,规划如何合理布局风电机组和升压站的位置,由此,每个个体包括风电机组的位置坐标和升压站的位置坐标。
一个应用场景中,种群里共有40个个体,即39个风电机组和1个升压站。
S32,交叉和变异操作
经过交叉和变异操作产生新的后代。其中变异采用多项式变异;一个应用场景中,交叉采用模拟二进制交叉。
S33,种群更新
将新产生的后代与原始种群合并,得到更新后的种群。
S34,适应度函数评估
计算每个个体的目标函数值,本发明的目标函数值包括风电场的发电功率和风电场的电缆成本。
每个个体包括两个目标函数值,其中一个是风电场的发电功率的数值,另一个是风电场的电缆成本的数值。
本发明的规划方案,不仅考量了风电机组的合理布局使发电功率的数值最大化,同时还考虑了在该种布局下电缆成本最小化。
风电场的发电功率通过计算获得,电缆成本通过优化得到。
风电场的发电功率的数值根据步骤S1得到,步骤S1可以根据公式(1)-(5)构建相应的发电功率模型,计算风电场的发电功率的数值,如果个体中存在风电机组的间距d(i,j)小于安全距离的情况,则引入惩罚机制,将该个体的发电量置为0,得到布局下的发电量。
风电场的电缆成本的数值根据步骤S2得到,步骤S2可以根据公式(6)-(19)构建相应的电缆成本MILP模型,该模型包括电缆相关成本及电缆布局,一个实施例中,电缆成本模型为MILP模型,根据公式(6)-(19)构建,得到风电场的电缆成本的数值。
电缆相关成本及电缆布局通过求解MILP模型得出。对于包含N个节点的风电场,直接引入电缆不交叉约束(即公式(17))会同时增加N4个变量方程,极大地增加了求解难度。为了快速求解,先求解不包含交叉约束的松弛模型(即松弛模型包含公式(6)-(16)和公式(18)-(19))。得到初始解后,判断是否发生电缆交叉并识别交叉位置,将发生交叉的位置添加不交叉约束,形成新的松弛模型(即新的松弛模型包含公式(6)-(16)、公式(18)-(19)及部分位置不交叉约束)。反复迭代求解,直至产生无交叉的电缆布局。
S35,非支配性排序和拥挤距离计算
通过比较个体之间的目标函数值,将种群中的个体划分到不同的非支配等级,并计算拥挤距离。
S36,新一代个体的选择
根据非支配性排序和拥挤距离,择优选择非支配等级高的个体。如果增加某一非支配等级的全部个体会使得种群大小超出限制,则选择拥挤度较大的个体,直到取得所需数量的个体。
S37,重复迭代直至满足收敛
重复迭代步骤S32至S36,直到满足收敛条件时停止。
优化停止条件被定义为HV值在连续1000代中的增长率小于0.0001。其中HV定义如下
其中δ表示勒贝格测定,[f1(X),r1]×[f2(X),r2]表示前沿解的各点与参考点的组成的超体积。
满足收敛后,则建立了规划模型。
一个实施例中,对S4,根据所述规划模型,得到所述风电场的规划方法进行说明
根据所述规划模型,得到所述风电场的规划方法包括:输入风电场的风电机组的排布和电缆布局,得到风电场的规划方法,输出的规划方法可以为1个也可以为多个优选方案。
由于风电场的发电功率最大值和电缆成本最小值往往无法在一个规划方案中体现,所以往往根据所述规划模型,得到的是多个具有风电场的发电功率最大化和电缆成本最小化的推荐方案。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本发明的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本发明的保护范围之内。
本发明一种考虑风电场风电机组微观选址和电缆路径的优化设计方法,可以减少风电场电缆投资成本、增强全生命周期内风电场的经济性,使风电场发挥更好的性能。
应用例1
S1,根据获取的风电场的风电机组选址参数,计算风电场的发电功率。
本应用例中,风电场的规划尺寸为3000m*3000m,即风电机组和升压站的位置应满足:
Φ=(h1,…,hi,v1,…,vi),hi∈(0,3000),vi∈(0,3000)
采用真实风资源数据,其风向玫瑰图如图2。风电机组推力系数及功率系数曲线如图3。风电场中机组间安全距离设置为3倍风轮直径;
根据上述参数,计算
S2,根据获取的所述风电场的电缆布局参数,计算风电场的电缆成本,表1为可选的电缆参数
表1可选电缆参数
表2可靠性参数
基于表1和表2的数值,构建MILP模型;根据所述MILP模型,计算风电场的电缆成本包括电缆安装成本(CIC)和能量损失成本(LEC)。
S3,基于所述发电功率和电缆成本建立风电场风电机组微观选址与电缆路径联合规划的多目标优化模型即本发明的规划模型
NSGA-II算法优化目标设定如下:
max(AEPNormalized)&min(Cable Costtotal),
其中,AEPNormalized是风电场归一化发电量。Cable Costtotal是总电缆成本。
求解所述规划模型
随机生成初始种群,其中每个个体包含所有风电机组的坐标以及与升压站的坐标的实数编码(hi,vi),每个个体分别是一种风电场机组排布方案。
经过交叉和变异操作产生新的后代。
其中变异采用多项式变异,交叉采用模拟二进制交叉。将新产生的后代与原始种群合并,得到更新后的种群。计算每个个体的目标函数值,在联合优化中目标函数分别是a.发电量和b.电缆成本。
通过比较个体之间的目标函数值,将种群中的个体划分到不同的非支配等级,并计算拥挤距离。
根据非支配性排序和拥挤距离,择优选择非支配等级高的个体。如果增加某一非支配等级的全部个体会使得种群大小超出限制,则选择拥挤度较大的个体,直到取得所需数量的个体。
重复迭代,直到满足收敛条件时停止。优化停止条件被定义为HV值在连续1000代中的增长率小于0.0001。
S4,根据所述规划模型,得到所述风电场的规划方法
通过上述步骤,得到多目标优化结果如图5,得到的风电场布局规划如图6,图中,WT为wind turbine的缩写,表示风电机组;POC表示升压站。
对比例1
按照现有的独立的、按顺序进行的规划步骤,首先是风机位置的规划,然后是电缆布局的设计,得到发电场的风机位置和电路布局。
将采用本发明规划方法的应用例1和对比例1对比。投资盈利的对比图见图7(A点为对比例1,T点为应用例1)。可以看出,T点的纵坐标高于A点,说明本发明同时考虑风电场风电机组选址和电缆路径的优化设计优于对比例1普通的单独顺序优化,所以在规划时应考虑电缆成本对全生命周期经济性的影响,寻找更优的集电系统拓扑结构。
本领域技术人员能够理解的是,本发明实现上述一实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中,控制装置包括处理器和存储装置,存储装置可以被配置成存储执行上述方法实施例的风电场的规划方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的风电场的规划方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
进一步,本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的风电场的规划方法的程序,该程序可以由处理器加载并运行以实现上述风电场的规划方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
在本发明的描述中,“处理器”可以包括硬件、软件或者两者的组合。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (14)
1.一种风电场的规划方法,其特征在于,包括:
根据获取的风电场的风电机组选址参数,计算风电场的发电功率;
根据获取的所述风电场的电缆布局参数,计算风电场的电缆成本;
基于所述发电功率和电缆成本建立规划模型;
根据所述规划模型,得到所述风电场的规划方法。
2.根据权利要求1所述的方法,其特征在于,所述根据获取的风电场的风电机组选址参数,计算风电场的发电功率包括:
根据尾流模型,基于获取的风电场的风速和风向信息,计算风电场的归一化发电功率AEPNormalized。
3.根据权利要求2所述的方法,其特征在于,所述根据尾流模型,基于获取的风电场的风速和风向信息,计算风电场的归一化发电功率AEPNormalized包括:
其中,Pi(ul,θm)为第i台机组在风速为ul、风向为θm时的功率,f(ul,θm)为风速风向概率分布,M和m分别为风向总个数和风向序号,L和l分别为风速总个数和风速序号,N为风电场机组数量,PGreedy是忽略尾流效应时风电场能达到最大的发电功率。
4.根据权利要求1所述的方法,其特征在于,所述根据获取的所述风电场的电缆布局参数,计算风电场的电缆成本包括:
基于获取的所述风电场的电缆布局参数,构建MILP模型;
根据所述MILP模型,计算风电场的电缆成本。
5.根据权利要求4所述的方法,其特征在于,所述基于获取的所述风电场的电缆布局参数,构建MILP模型包括:
基于风电场中的节点之间的欧式距离、电缆单价、安全系数和风电场机组数量计算电缆安装成本,其中,所述风电场中的节点包括所有的风电机组和升压站;
基于每个节点的故障概率计算能量损失成本;
基于所述电缆安装成本和能量损失成本构建MILP模型;
所述根据所述MILP模型,计算风电场的电缆成本包括:
根据构建的所述MILP模型,计算所述电缆安装成本和能量损失成本的总和,得到所述风电场的电缆成本。
6.根据权利要求5所述的方法,其特征在于,所述基于风电场中的节点之间的欧式距离、电缆单价、安全系数和风电场机组数量计算电缆安装成本包括:
其中,CIC为电缆安装成本,Cunit为电缆单价,C和c表示电缆总类型数量和电缆类型序号,i、j表示风电场中所有风电机组和升压站中的任意两个节点,d(i,j)为节点i和j之间的欧式距离,sf为预设的安全系数,N为风电场机组数量。
7.根据权利要求6所述的方法,其特征在于,所述xc(i,j)表示电缆连接的二元变量:
8.根据权利要求5所述的方法,其特征在于,所述基于每个节点的故障率计算能量损失成本包括:
其中,LEC为能量损失成本,T和t分别为风电场寿命和寿命序号,dr为折现率,ep(i)为第i个节点的电价、P(i)为第i个节点的风电机组输出功率、λN(j)、λN(j)分别为第i个、第j个节点的故障概率、r(i)为第i个节点的维修时间,λcable为电缆故障概率。
9.根据权利要求5所述的方法,其特征在于,所述基于所述电缆安装成本和能量损失成本构建MILP模型还包括:
添加约束进行线性化,其中,所述约束包括:
其中,z(i,j)=λN(i)·xc(i,j),A为一个连续变量,λWT为初始故障率,M为常数,取值1000。
10.根据权利要求5所述的方法,其特征在于,所述基于所述电缆安装成本和能量损失成本构建MILP模型还包括:
满足约束,其中所述约束包括:
xc(i,j)+xc(j,i)≤1,i≠j (16);
其中,i,j,l,k均表示风电场中的节点,POC为风电场中的升压站节点,Irated为电缆额定电流,集合χ用于存储交叉电缆对{(i,j),(l,k)}。
11.根据权利要求1所述的方法,其特征在于,所述基于所述发电功率和电缆成本建立规划模型;
基于非支配性遗传算法Ⅱ对风电场中的发电功率和电缆成本的组合方案进行优化,建立规划模型,其中所述非支配性遗传算法Ⅱ的优化目标设定为所述风电场的发电功率最大化和电缆成本最小化。
12.根据权利要求11所述的方法,其特征在于,所述基于非支配性遗传算法Ⅱ对风电场的发电功率和电缆成本的组合方案进行优化,建立规划模型包括:
随机生成初始种群,进行种群初始化,其中,所述种群中的每个个体包括风电场中的所有风电机组坐标以及与升压站坐标的实数编码;
经过交叉和变异操作产生新的后代;
将产生的新的后代与原始种群合并,得到更新后的种群;
计算每个个体的目标函数值,所述目标函数值包括所述风电场的发电功率和风电场的电缆成本;
通过比较个体之间的目标函数值,将种群中的个体划分到不同的非支配等级,并计算拥挤距离;
根据所述非支配性等级的排序和所述拥挤距离,择优选择非支配等级高的个体;
重复迭代直至满足收敛。
13.一种控制装置,包括处理器和存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至12中任一项所述的规划方法。
14.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至12中任一项所述的规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410084820.7A CN117933464A (zh) | 2024-01-19 | 2024-01-19 | 一种风电场的规划方法、控制装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410084820.7A CN117933464A (zh) | 2024-01-19 | 2024-01-19 | 一种风电场的规划方法、控制装置和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117933464A true CN117933464A (zh) | 2024-04-26 |
Family
ID=90768100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410084820.7A Pending CN117933464A (zh) | 2024-01-19 | 2024-01-19 | 一种风电场的规划方法、控制装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117933464A (zh) |
-
2024
- 2024-01-19 CN CN202410084820.7A patent/CN117933464A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619454B (zh) | 一种基于改进遗传算法和prim算法的配电网规划方法 | |
Silva et al. | Transmission network expansion planning with security constraints | |
Esmaeilian et al. | Energy loss minimization in distribution systems utilizing an enhanced reconfiguration method integrating distributed generation | |
Silva et al. | Transmission network expansion planning considering uncertainty in demand | |
Asrari et al. | The impacts of distributed energy sources on distribution network reconfiguration | |
Aman et al. | Optimum tie switches allocation and DG placement based on maximisation of system loadability using discrete artificial bee colony algorithm | |
Ganguly et al. | A novel multi-objective PSO for electrical distribution system planning incorporating distributed generation | |
Hou et al. | Optimisation of offshore wind farm cable connection layout considering levelised production cost using dynamic minimum spanning tree algorithm | |
Tran The et al. | Distribution network reconfiguration for power loss reduction and voltage profile improvement using chaotic stochastic fractal search algorithm | |
Galvani et al. | Data clustering based probabilistic optimal power flow in power systems | |
CN110909939A (zh) | 一种含分布式电源的配电网多阶段规划方法 | |
Shereen | Optimal allocation of DG units for radial distribution systems using genetic algorithm | |
Ebrahimi et al. | Probabilistic optimal planning in active distribution networks considering non‐linear loads based on data clustering method | |
Bhuvanesh et al. | Application of differential evolution algorithm and its variants for solving energy storage technologies integrated generation expansion planning | |
CN109888817A (zh) | 对光伏电站和数据中心进行位置部署和容量规划方法 | |
Wang et al. | A fast dimension reduction framework for large-scale topology optimization of grid-layout offshore wind farm collector systems | |
Ney et al. | Multi-objective optimal planning of distributed energy resources using SPEA2 algorithms considering multi-agent participation | |
CN117933464A (zh) | 一种风电场的规划方法、控制装置和介质 | |
Assis et al. | Transmission planning with security criteria via enhanced genetic algorithm | |
Nayeripour et al. | Interactive fuzzy binary shuffled frog leaping algorithm for multi-objective reliable economic power distribution system expansion planning | |
CN112949008B (zh) | 一种配电网规划方法及相关装置 | |
Mansour et al. | Dynamic economic load dispatch of thermal power system using genetic algorithm | |
Mahdavi et al. | Evaluation of GA performance in TNEP considering voltage level, network losses and number of bundle lines | |
CN104143826A (zh) | 基于改进微分进化算法的含风电场电力系统无功补偿方法 | |
CN111027738B (zh) | 一种基于遗传算法的电力通信光缆敷设优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |