一種多期風電場微觀選址方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種風電場微觀選址方法，尤其是涉及一種多期風電場微觀選址方 法。
【背景技術(shù)】
[0002] 風能作為一種新型清潔可再生能源，具有非常廣闊的應(yīng)用和開發(fā)前景。風力發(fā)電 通過風力機將風能轉(zhuǎn)化為電能，主要目的是節(jié)約傳統(tǒng)化石能源，以滿足日益增長的能源需 求并減少環(huán)境污染。
[0003] 目前，風能利用率不高的問題仍然是制約風電市場發(fā)展的關(guān)鍵因素，如何進一步 提高風電效率也是國內(nèi)外學(xué)者研究的重點。合理規(guī)劃風電場中風機排布是提高風能利用 率的重要手段之一，對于風電場規(guī)劃設(shè)計的研究主要集中于風電場微觀選址技術(shù)。風電場 微觀選址是根據(jù)宏觀選址選定風場的風向、風速、地形、地貌等特征以及風機特性對風機位 置、臺數(shù)、型號、塔高、風機之間道路以及電纜連接進行聯(lián)合優(yōu)化的理論與技術(shù)。微觀選址 排布優(yōu)化方法是提高風電場風能資源利用率和功率輸出的關(guān)鍵方法，能夠通過有效的風機 位置排布使整個風電場具有最大的經(jīng)濟效益，有助于實現(xiàn)風電場建設(shè)的合理決策與科學(xué)發(fā) 展。風電場微觀選址優(yōu)化問題是一個無解析解的復(fù)雜優(yōu)化問題，難以通過梯度信息求解，需 要運用先進控制理論進行優(yōu)化決策，目前用于求解風電場微觀選址的優(yōu)化方法主要包括遺 傳算法、貪婪算法、粒子群優(yōu)化算法等。
[0004] 由于初始投資預(yù)算、地形條件、當?shù)卣叩纫蛩?，現(xiàn)代大型風電場經(jīng)常需要通過分 期的方式完成整個項目的建設(shè)，合理的工程管理與有效的風電場微觀選址策略對風電場項 目經(jīng)濟效益至關(guān)重要。然而目前國內(nèi)外對于多期風電場項目管理方法的研究比較有限，大 多依據(jù)傳統(tǒng)的經(jīng)驗實施對于多期風電場分步優(yōu)化決策，即僅僅優(yōu)化當前可用風機在一定區(qū) 域內(nèi)的排布方式，以期在較短的時間內(nèi)獲得較高的經(jīng)濟收益，卻忽視了不同期風機間尾流 的影響，以致對項目的整體收益造成重大損失。因此如何有效管理多期風電場項目，合理規(guī) 劃多期風電場內(nèi)風力機的排布方式，進一步提高風力機的發(fā)電效率和風電場的經(jīng)濟效益仍 然是微觀選址領(lǐng)域的難題之一。
[0005] 申請?zhí)枮?01210459400. X，申請日為2012-11-15的專利公開了一種基于二進制 編碼遺傳算法的風機微觀選址方法，該方法根據(jù)不同地形選擇不同的風力機尾流模型計算 風電場的投資維護費用等，使得風電場經(jīng)濟效益最大化，然而該方法沒有對多期風電場的 風機尾流影響進行考慮。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種考慮不同期風 電場風力機間的尾流影響，以整個風電場項目的經(jīng)濟效益為優(yōu)化目標的風電場微觀選址方 法。
[0007] 本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：
[0008] -種多期風電場微觀選址方法，包括以下步驟：
[0009] (1)獲取風電場區(qū)域和各期風電場起止時間，計算各期風電場投資成本；
[0010] ⑵根據(jù)風電場形狀及風機型號，將風電場區(qū)域劃分為滿足最小約束距離的N個 大小相等的正方形網(wǎng)格，隨機生成M個長度為N的二進制字符串，所述二進制字符串中，字 符" 1"表示網(wǎng)格中心位置有一臺風機，字符"0"表示網(wǎng)格中無風機；
[0011] (3)設(shè)定遺傳算法的優(yōu)化目標為個體凈現(xiàn)值NPV，表達為如下：
[0012]
[0013] 其中，I,為第j期風電場的投資，j = 1，2,…，η，η為風電場總期數(shù)，AEP k代表第 k年風電場的總產(chǎn)能，代表第k年風電場運行和維護費用，Y]s與Y #分別表示第j期 風電場開始和結(jié)束的時間，P為當?shù)孛壳邥r電價，C_為風電場年運行維護費用，Ap與 A C_為二者的年均增長率，r為年利率；
[0014] (4)設(shè)定遺傳算法的最大迭代次數(shù)，將步驟（2)中的M個二進制字符串作為遺傳算 法的初始種群，計算種群中當前代所有初始個體的個體適應(yīng)度fi，fi= NPV，i = 1，2,...， M ；
[0015] (5)使用遺傳算法優(yōu)化迭代出風電場微觀選址方案。
[0016] 所述的步驟（5)具體包括：
[0017] (5-1)對當代個體進行選擇運算，選出作為父代個體的個體；
[0018] (5-2)利用交叉變異算子對父代個體進行交叉變異運算，生成子代個體；
[0019] (5-3)計算子代個體的個體適應(yīng)度&，將適應(yīng)度值最高的個體作為禁忌搜索算法 的初始解，利用禁忌搜索算法計算初始解的鄰域解，將初始解和鄰域解中的較大值作為最 優(yōu)解；
[0020] (5-4)判斷當前是否達到最大迭代次數(shù)，若是，則最優(yōu)解為步驟（5-3)中的最優(yōu) 解；若否，則返回步驟（5-1)。
[0021] 所述的步驟（5-1)具體包括：
[0022] (5-la)計算群體中所有個體的個體適應(yīng)度的總和Σ&，i = 〇, 1，2···，M ;
[0023] (5-lb)計算每個被遺傳到下一代的概率Pi, Pi= f ;/ Σ fi;
[0024] (5-lc)每個個體在區(qū)間[0，1]上占據(jù)一個概率區(qū)間，概率區(qū)間大小為該個體的 Ρι，各概率區(qū)間之間無交集；
[0025] (5-ld)產(chǎn)生M個[0，1]上的隨機數(shù)，每個概率區(qū)間上出現(xiàn)隨機數(shù)的次數(shù)為對應(yīng)個 體作為父代個體的次數(shù)。
[0026] 所述的步驟（1)中，風電場區(qū)域為不規(guī)則幾何形狀。
[0027] 所述利用交叉變異算子對父代個體進行交叉變異運算具體為：
[0028] 采用"均勻交叉"的方式作為交叉算子，通過交叉算子，子代繼承兩個父代的混合 基因；采用"位翻轉(zhuǎn)"方式作為變異算子，以改變選中基因座中對應(yīng)位的信息。
[0029] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：
[0030] 1)相比于分步優(yōu)化多期風電場，多期風電場同步優(yōu)化目標是風電場項目整體的經(jīng) 濟效益，本發(fā)明的優(yōu)化過程考慮不同期內(nèi)風電場間的尾流影響，有助于提高風力機的發(fā)電 效率，追求風電場長期最優(yōu)收益。
[0031] 2)傳統(tǒng)的算法難以解決形狀不規(guī)則的風電場的優(yōu)化問題，本發(fā)明通過區(qū)域網(wǎng)格 化，能夠有效處理不規(guī)則形狀風電場的優(yōu)化排布。
[0032] 3)選址方案的計算使用基于全局搜索能力極強的遺傳算法，并加入禁忌搜索，使 得算法在優(yōu)化過程中擁有較好的穩(wěn)定性和克服早熟的能力，彌補了遺傳算法局部搜索能力 不足的缺點，提高了整體算法性能。
[0033] 4)本發(fā)明的方法可擴展至類似問題的求解之中，研究成果有利于提高風電場的風 能利用效率和經(jīng)濟效益，具有較強的實用性。
【附圖說明】
[0034] 圖1為本發(fā)明的流程圖；
[0035] 圖2為風力機潛在位置與染色體字符串的關(guān)系示意圖；
[0036] 圖3為多期風電場項目時間軸示意圖，LT表示項目終止時間；
[0037] 圖4為兩期風電場項目時間軸示意圖；
[0038] 圖5(a)、（b)、（C)分別為三期風電場項目的三種時間軸示意圖。
【具體實施方式】
[0039] 下面結(jié)合附圖和具體實施例對本發(fā)明進行詳細說明。本實施例以本發(fā)明技術(shù)方案 為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于 下述的實施例。
[0040] 如圖1所示，一種風電場微觀選址方法，具體包括以下步驟：
[0041] S01，結(jié)合實際工程建設(shè)需求，確定風電場區(qū)域、各期風電場起止時間，然后計算各 期風電場投資成本。如圖3所示，為多期風電場項目時間軸示意圖。
[0042] 風電場各期的起止時間直接影響到風電場中風機數(shù)量和年發(fā)電量，進而影響到風 電場整體的投資、經(jīng)濟效益和維護成本等。
[0043] 以往的關(guān)于風電場問題的研究中，為了避免計算和仿真的復(fù)雜度，風電場形狀多 選擇規(guī)則的矩形區(qū)域，然而實際中存在不規(guī)則的風電場形狀，傳統(tǒng)的算法難以解決相關(guān)優(yōu) 化問題，本發(fā)明所提出的方法能夠有效處理不規(guī)則形狀風電場的優(yōu)化排布問題，本發(fā)明中 的風電場區(qū)域即不規(guī)則幾何形狀。<