本發(fā)明涉及一種風電場多型號風力發(fā)電機排布優(yōu)化方法，特別涉及一種基于遺傳算法嵌套粒子群算法的風電場多型號風力發(fā)電機排布優(yōu)化方法。

背景技術：

風能是一種無污染、可再生的新能源，在能源緊缺和傳統(tǒng)能源對環(huán)境污染嚴重的現(xiàn)代社會，風電產業(yè)成為大力發(fā)展的新能源產業(yè)之一。風電場微觀選址是風電產業(yè)合理規(guī)劃的必要步驟。建設風電場前的風電場微觀選址可以有效提高風能利用效率，提高風機使用壽命，降低風電場運維成本和風力發(fā)電成本，從而實現(xiàn)風電產業(yè)的合理決策與科學發(fā)展。風電場選址包括宏觀選址和微觀選址，宏觀選址旨在選擇風電場場址，而微觀選址重點在于風機選型和安裝位置。對當?shù)仫L資源的長期記錄和分析是風電場選址的大前提，微觀選址在宏觀選址完成之后，安裝測風塔，對場址處風況進行一年以上的檢測和記錄，結合當?shù)亻L期氣象記錄等，綜合進行風資源分析和評估。在風資源評估、場址地形地貌綜合分析的基礎上，選擇風機數(shù)量和型號，確定風機安裝位置，以達到風電場預期年產量最大或預期風力發(fā)電度電成本最低，令該風電場在社會、經濟和環(huán)境指標滿足的條件下，達到經濟效益最大化。

風電場微觀選址優(yōu)化是一種非線性強耦合問題，需綜合考慮當?shù)貧庀蟮匦?、環(huán)境指標、土地價格、道路分布和建設可行性等因素，涉及流體、氣象、機電等多方面因素，無法使用傳統(tǒng)最優(yōu)化方法得出最優(yōu)解。因此，目前在世界范圍內，該方向的研究成果大多都是使用基于搜索的啟發(fā)式算法對具體問題進行優(yōu)化決策計算。優(yōu)化的主要方法為遺傳算法、隨機算法、粒子群優(yōu)化算法等。但是研究對象都是簡化后的概念性風電場，大多只選擇單一型號的風力發(fā)電機，將風電場劃分為類似棋盤格的方格，對每個格子進行“0”和“1”編碼來代表安裝風機與否，無法進行風電場區(qū)域二維空間上的連續(xù)搜索，同時，單一型號的風機高度一致，風機功率曲線一致，無法充分利用三維空間上分布的風能資源。因此，傳統(tǒng)的風機排布優(yōu)化算法無法更加有效地提高風場產能效率和降低風電場產能成本，需要進行進一步改進和性能提升。

與本專利相關的文獻和專利中，文獻Castro Mora,J等發(fā)表在2007年的Neurocomputing的論文“An evolutive algorithm for wind farm optimal design”中，提出了多型號風機排布優(yōu)化的問題并給出了一種解決方法，但是優(yōu)化中并未考慮風機間的尾流影響。專利《一種基于遺傳算法的風電場多型號風機優(yōu)化排布方案》(申請公布號：CN 103793566A)提出了使用遺傳算法來解決多型號風力發(fā)電機排布的問題，但是在風電場區(qū)域的搜索方法是人為劃分風機直徑倍數(shù)的網格，風機排布的位置相對粗糙，不夠精準。

技術實現(xiàn)要素：

本發(fā)明目的在于克服上述現(xiàn)有研究和技術存在的問題和缺陷，提出一種基于遺傳算法嵌套粒子群算法的方電場多型號風力發(fā)電機排布優(yōu)化方法。該方法對風電場區(qū)域搜索連續(xù)，可提高風機排布位置精度，能充分利用豎直方向上的風資源，更具有實用性，且擴展性高。

本發(fā)明的目的通過以下的技術方案實現(xiàn)：一種基于遺傳算法嵌套粒子群算法的方電場多型號風力發(fā)電機排布優(yōu)化方法，該方法包括以下步驟：

1)根據(jù)風資源評估結果和風電場地形氣象特性，對風力發(fā)電機進行初始選型，確定若干個備選型號用于選型優(yōu)化，讀入風電場相關地形和氣象等參數(shù)；

2)在風電場區(qū)域橫縱坐標范圍內隨機生成風機的初始位置矩陣，矩陣每行代表一種風機位置排布方案，即一個染色體，行數(shù)代表遺傳算法染色體數(shù)，對矩陣的每一行進行二進制編碼；

3)在給定的備選風機型號內生成初始型號矩陣并編碼，矩陣行數(shù)代表粒子群算法粒子數(shù)，矩陣的每一行代表一個粒子(一種風機型號選取方案)，隨機初始化粒子的速度和在搜索域內的位置，作為當前染色體的風機型號選取的初始解；

4)計算當前每個粒子的適應度，即采用當前風機位置和選型方案的度電成本，并求出每個粒子的個體最優(yōu)適應度和所有粒子的全局最優(yōu)適應度；

5)根據(jù)粒子群算法中設定的粒子速度和位置進化規(guī)則，對每個粒子的位置和速度進行進化；

6)判斷是否達到粒子群算法設定的最大代數(shù)，若達到設定最大代數(shù)，停止進行風機型號優(yōu)化，選取粒子群算法的全局最優(yōu)適應度，作為當前染色體的適應度，否則返回步驟4)；

7)根據(jù)每個染色體的適應度，求出遺傳算法的全局最優(yōu)適應度，即風機位置選型的全局最優(yōu)值；

8)判斷是否達到遺傳算法的最大迭代次數(shù)，若是，則輸出遺傳算法的全局最優(yōu)適應度對應的染色體作為風機位置方案，其對應的粒子群算法的全局最優(yōu)適應度作為選型方案，完成多型號風力發(fā)電機排布優(yōu)化，否則進行步驟9)；

9)把所有染色體作為父代染色體群，進行交叉、變異操作，根據(jù)染色體的適應度大小計算選擇概率，進行選擇生成子代染色體群并返回步驟3)。

進一步地，遺傳算法和粒子群算法的嵌套為，使用遺傳算法選取風機位置，遺傳算法的每一代種群生成后，以當前代風機位置作為風機排布位置，使用粒子群算法得出當前代風機位置時選型的最優(yōu)解，作為當前代風機位置的適應度。

進一步地，個體適應度通過計算度電成本的倒數(shù)來體現(xiàn)，度電成本定義為每發(fā)一度電的平均成本。適應度最高的個體即為度電成本倒數(shù)的最大值，即度電成本最小值的個體，度電成本CoP的計算公式為：

其中：CoE是年發(fā)電成本，AEP是風電場年平均發(fā)電量，C_i是每臺風機的購買年均成本，C_O&M是風場的年度運維成本，C_land是風電場土地年平均占用成本，C_other是風電場其他費用的年平均值，P_i是每臺風機的年平均發(fā)電量，N是風電場風機總臺數(shù)。

進一步地，所述的粒子群算法選取特定位置方案的風機型號組合，風機的型號特征參數(shù)有多種，對任意兩臺風機，如果任何一個特征參數(shù)不同(機場高度、風機額定功率等)在本發(fā)明中也認為是不同型號，因此風機型號選擇有多種可能性，可根據(jù)實際建場時具體情況進行設定。粒子群算法可以保證風機型號選取方案計算的快速。

進一步地，使用遺傳算法對風電場區(qū)域進行搜索，對可行域的搜索密度由遺傳算法中對位置坐標的編碼決定，可以進行連續(xù)搜索，搜索密度也可以根據(jù)實際計算要求進行設定，并不是在風電場區(qū)域進行棋盤格劃分后再對棋盤格進行選擇。

與現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點：

1、對風電場區(qū)域風機位置可行域搜索細致連續(xù)。因為對風機位置坐標直接編碼，而不是對風電場區(qū)域劃分棋盤格后對棋盤格進行選擇，可在風電場范圍內進行連續(xù)搜索。能夠有效針對實際風電場區(qū)域進行風機位置選擇和優(yōu)化。如果為了提高搜索速度，可通過遺傳算法編碼方式來改變位置搜索密度。

2、算法先進，保證了求解的可行性。遺傳算法的使用充分保證了針對非線性強耦合優(yōu)化問題可求出可行解，粒子群算法的使用既保證了針對多種型號風力發(fā)電機參數(shù)較多的情況下可快速尋得選型解，又能保證快速兩種算法嵌套使用，迭代次數(shù)過多的情況下，計算時間不會過長。

3、實用性強。本發(fā)明方法充分考慮了實際風場區(qū)域的特點和使用多型號風機利用風能的特點，可推廣至復雜地形三維風機選址和多型號風機混裝的情況；編碼方式易于在風電場區(qū)域存在道路、維修等限制條件，存在不可建風機子區(qū)域的情況下實現(xiàn)。

4、擴展性好，該研究方法和成果可以有效推廣拓展至類似的問題求解中，解決相應問題。

附圖說明

圖1是本發(fā)明的風電場多型號風力發(fā)電機排布優(yōu)化方法流程圖。

圖2是由本發(fā)明的優(yōu)化方法應用于實施例的計算結果。

具體實施方式

以下結合附圖對本發(fā)明的實施作如下詳述：

實施例

本實施例對某風電場的7臺風力進行發(fā)電機建場前的風機排布選型優(yōu)化。備選風機為兩種出廠型號A(額定功率為1.5MW)和B(額定功率為2MW)，每種出廠型號的風機安裝高度有兩種(1.5MW有65米和80米兩種高度，2MW有80米和90米兩種高度)，即風機型號有4種。風電場區(qū)域為橫坐標[0,2000](米)，縱坐標為[0,2000](米)范圍。本實施實例中不考慮復雜地形。優(yōu)化目標為風電場度電成本。實施步驟具體如下：

1)根據(jù)風資源評估結果和風電場地形氣象特性，對風力發(fā)電機進行初始選型，確定若干個備選型號用于選型優(yōu)化，讀入風電場相關地形和氣象等參數(shù)；

2)在風電場區(qū)域橫縱坐標范圍內隨機生成風機的初始位置矩陣，矩陣每行代表一種風機位置排布方案，即一個染色體，行數(shù)代表遺傳算法染色體數(shù)，對矩陣的每一行進行二進制編碼；

3)在給定的備選風機型號內生成初始型號矩陣并編碼，矩陣行數(shù)代表粒子群算法粒子數(shù)，矩陣的每一行代表一個粒子(一種風機型號選取方案)，隨機初始化粒子的速度和在搜索域內的位置，作為當前染色體的風機型號選取的初始解；

4)計算當前每個粒子的適應度，即采用當前風機位置和選型方案的度電成本，并求出每個粒子的個體最優(yōu)適應度和所有粒子的全局最優(yōu)適應度；

5)根據(jù)粒子群算法中設定的粒子速度和位置進化規(guī)則，對每個粒子的位置和速度進行進化；

6)判斷是否達到粒子群算法設定的最大代數(shù)，若達到設定最大代數(shù)，停止進行風機型號優(yōu)化，選取粒子群算法的全局最優(yōu)適應度，作為當前染色體的適應度，否則返回步驟4)；

7)根據(jù)每個染色體的適應度，求出遺傳算法的全局最優(yōu)適應度，即風機位置選型的全局最優(yōu)值；

8)判斷是否達到遺傳算法的最大迭代次數(shù)，若是，則輸出遺傳算法的全局最優(yōu)適應度對應的染色體作為風機位置方案，其對應的粒子群算法的全局最優(yōu)適應度作為選型方案，完成多型號風力發(fā)電機排布優(yōu)化，否則進行步驟9)；

9)把所有染色體作為父代染色體群，進行交叉、變異操作，根據(jù)染色體的適應度大小計算選擇概率，進行選擇生成子代染色體群并返回步驟3)。

計算當前代風機型號選取方案最優(yōu)解的適應度值，計算當前代位置的個體適應度值，個體適應度計算公式為：

其中：CoE是年發(fā)電成本，AEP是風電場年平均發(fā)電量，C_i是每臺風機的購買年均成本，C_O&M是風場的年度運維成本，C_land是風電場土地年平均占用成本，C_other是風電場其他費用的年平均值，P_i是每臺風機的年平均發(fā)電量，N是風電場風機總臺數(shù)，在本實施例中為7；

本發(fā)明基于遺傳算法嵌套粒子群算法的風電場多型號風力發(fā)電機排布優(yōu)化方法主要包括初始化(包括編碼)、計算當代個體適應度、子代生成(交叉變異)等環(huán)節(jié)組成。在遺傳算法的每一代適應度計算中，嵌套對風機型號的優(yōu)化算法過程，風機型號的優(yōu)化算法為粒子群算法。圖1為基于遺傳算法嵌套粒子群算法的風電場多型號風力發(fā)電機排布優(yōu)化方法具體流程。整個實施例是按照圖1中所示的流程，進行多型號風力發(fā)電機排布優(yōu)化計算。圖2是使用本發(fā)明的基于遺傳算法嵌套粒子群算法的風電場多型號風力發(fā)電機排布優(yōu)化方法進行排布的結果。假設風機使用壽命為20年，度電成本計算結果為0.3406元/千瓦時，風機在尾流影響下的發(fā)電效率為0.9948。使用基于遺傳算法嵌套粒子群算法的風電場多型號風力發(fā)電機排布優(yōu)化方法計算結果顯示，風機排布位置充分利用了風力發(fā)電廠區(qū)域，有效提高了風能利用率，適用于風電場微觀選址。