本發(fā)明涉及一種風(fēng)電場(chǎng)多型號(hào)風(fēng)力發(fā)電機(jī)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(fēng)電場(chǎng)多型號(hào)風(fēng)力發(fā)電機(jī)排布優(yōu)化方法。

背景技術(shù)：

風(fēng)能是一種無(wú)污染、可再生的新能源，在能源緊缺和傳統(tǒng)能源對(duì)環(huán)境污染嚴(yán)重的現(xiàn)代社會(huì)，風(fēng)電產(chǎn)業(yè)成為大力發(fā)展的新能源產(chǎn)業(yè)之一。風(fēng)電場(chǎng)微觀選址是風(fēng)電產(chǎn)業(yè)合理規(guī)劃的必要步驟。建設(shè)風(fēng)電場(chǎng)前的風(fēng)電場(chǎng)微觀選址可以有效提高風(fēng)能利用效率，提高風(fēng)機(jī)使用壽命，降低風(fēng)電場(chǎng)運(yùn)維成本和風(fēng)力發(fā)電成本，從而實(shí)現(xiàn)風(fēng)電產(chǎn)業(yè)的合理決策與科學(xué)發(fā)展。風(fēng)電場(chǎng)選址包括宏觀選址和微觀選址，宏觀選址旨在選擇風(fēng)電場(chǎng)場(chǎng)址，而微觀選址重點(diǎn)在于風(fēng)機(jī)選型和安裝位置。對(duì)當(dāng)?shù)仫L(fēng)資源的長(zhǎng)期記錄和分析是風(fēng)電場(chǎng)選址的大前提，微觀選址在宏觀選址完成之后，安裝測(cè)風(fēng)塔，對(duì)場(chǎng)址處風(fēng)況進(jìn)行一年以上的檢測(cè)和記錄，結(jié)合當(dāng)?shù)亻L(zhǎng)期氣象記錄等，綜合進(jìn)行風(fēng)資源分析和評(píng)估。在風(fēng)資源評(píng)估、場(chǎng)址地形地貌綜合分析的基礎(chǔ)上，選擇風(fēng)機(jī)數(shù)量和型號(hào)，確定風(fēng)機(jī)安裝位置，以達(dá)到風(fēng)電場(chǎng)預(yù)期年產(chǎn)量最大或預(yù)期風(fēng)力發(fā)電度電成本最低，令該風(fēng)電場(chǎng)在社會(huì)、經(jīng)濟(jì)和環(huán)境指標(biāo)滿(mǎn)足的條件下，達(dá)到經(jīng)濟(jì)效益最大化。

風(fēng)電場(chǎng)微觀選址優(yōu)化是一種非線(xiàn)性強(qiáng)耦合問(wèn)題，需綜合考慮當(dāng)?shù)貧庀蟮匦?、環(huán)境指標(biāo)、土地價(jià)格、道路分布和建設(shè)可行性等因素，涉及流體、氣象、機(jī)電等多方面因素，無(wú)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(nèi)，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(duì)具體問(wèn)題進(jìn)行優(yōu)化決策計(jì)算。優(yōu)化的主要方法為遺傳算法、隨機(jī)算法、粒子群優(yōu)化算法等。但是研究對(duì)象都是簡(jiǎn)化后的概念性風(fēng)電場(chǎng)，大多只選擇單一型號(hào)的風(fēng)力發(fā)電機(jī)，將風(fēng)電場(chǎng)劃分為類(lèi)似棋盤(pán)格的方格，對(duì)每個(gè)格子進(jìn)行“0”和“1”編碼來(lái)代表安裝風(fēng)機(jī)與否，無(wú)法進(jìn)行風(fēng)電場(chǎng)區(qū)域二維空間上的連續(xù)搜索，同時(shí)，單一型號(hào)的風(fēng)機(jī)高度一致，風(fēng)機(jī)功率曲線(xiàn)一致，無(wú)法充分利用三維空間上分布的風(fēng)能資源。因此，傳統(tǒng)的風(fēng)機(jī)排布優(yōu)化算法無(wú)法更加有效地提高風(fēng)場(chǎng)產(chǎn)能效率和降低風(fēng)電場(chǎng)產(chǎn)能成本，需要進(jìn)行進(jìn)一步改進(jìn)和性能提升。

與本專(zhuān)利相關(guān)的文獻(xiàn)和專(zhuān)利中，文獻(xiàn)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(hào)風(fēng)機(jī)排布優(yōu)化的問(wèn)題并給出了一種解決方法，但是優(yōu)化中并未考慮風(fēng)機(jī)間的尾流影響。專(zhuān)利《一種基于遺傳算法的風(fēng)電場(chǎng)多型號(hào)風(fēng)機(jī)優(yōu)化排布方案》(申請(qǐng)公布號(hào)：CN 103793566A)提出了使用遺傳算法來(lái)解決多型號(hào)風(fēng)力發(fā)電機(jī)排布的問(wèn)題，但是在風(fēng)電場(chǎng)區(qū)域的搜索方法是人為劃分風(fēng)機(jī)直徑倍數(shù)的網(wǎng)格，風(fēng)機(jī)排布的位置相對(duì)粗糙，不夠精準(zhǔn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明目的在于克服上述現(xiàn)有研究和技術(shù)存在的問(wèn)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(chǎng)多型號(hào)風(fēng)力發(fā)電機(jī)排布優(yōu)化方法。該方法對(duì)風(fēng)電場(chǎng)區(qū)域搜索連續(xù)，可提高風(fēng)機(jī)排布位置精度，能充分利用豎直方向上的風(fēng)資源，更具有實(shí)用性，且擴(kuò)展性高。

本發(fā)明的目的通過(guò)以下的技術(shù)方案實(shí)現(xiàn)：一種基于遺傳算法嵌套粒子群算法的方電場(chǎng)多型號(hào)風(fēng)力發(fā)電機(jī)排布優(yōu)化方法，該方法包括以下步驟：

1)根據(jù)風(fēng)資源評(píng)估結(jié)果和風(fēng)電場(chǎng)地形氣象特性，對(duì)風(fēng)力發(fā)電機(jī)進(jìn)行初始選型，確定若干個(gè)備選型號(hào)用于選型優(yōu)化，讀入風(fēng)電場(chǎng)相關(guān)地形和氣象等參數(shù)；

2)在風(fēng)電場(chǎng)區(qū)域橫縱坐標(biāo)范圍內(nèi)隨機(jī)生成風(fēng)機(jī)的初始位置矩陣，矩陣每行代表一種風(fēng)機(jī)位置排布方案，即一個(gè)染色體，行數(shù)代表遺傳算法染色體數(shù)，對(duì)矩陣的每一行進(jìn)行二進(jìn)制編碼；

3)在給定的備選風(fēng)機(jī)型號(hào)內(nèi)生成初始型號(hào)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(gè)粒子(一種風(fēng)機(jī)型號(hào)選取方案)，隨機(jī)初始化粒子的速度和在搜索域內(nèi)的位置，作為當(dāng)前染色體的風(fēng)機(jī)型號(hào)選取的初始解；

4)計(jì)算當(dāng)前每個(gè)粒子的適應(yīng)度，即采用當(dāng)前風(fēng)機(jī)位置和選型方案的度電成本，并求出每個(gè)粒子的個(gè)體最優(yōu)適應(yīng)度和所有粒子的全局最優(yōu)適應(yīng)度；

5)根據(jù)粒子群算法中設(shè)定的粒子速度和位置進(jìn)化規(guī)則，對(duì)每個(gè)粒子的位置和速度進(jìn)行進(jìn)化；

6)判斷是否達(dá)到粒子群算法設(shè)定的最大代數(shù)，若達(dá)到設(shè)定最大代數(shù)，停止進(jìn)行風(fēng)機(jī)型號(hào)優(yōu)化，選取粒子群算法的全局最優(yōu)適應(yīng)度，作為當(dāng)前染色體的適應(yīng)度，否則返回步驟4)；

7)根據(jù)每個(gè)染色體的適應(yīng)度，求出遺傳算法的全局最優(yōu)適應(yīng)度，即風(fēng)機(jī)位置選型的全局最優(yōu)值；

8)判斷是否達(dá)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(yīng)度對(duì)應(yīng)的染色體作為風(fēng)機(jī)位置方案，其對(duì)應(yīng)的粒子群算法的全局最優(yōu)適應(yīng)度作為選型方案，完成多型號(hào)風(fēng)力發(fā)電機(jī)排布優(yōu)化，否則進(jìn)行步驟9)；

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

進(jìn)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(fēng)機(jī)位置，遺傳算法的每一代種群生成后，以當(dāng)前代風(fēng)機(jī)位置作為風(fēng)機(jī)排布位置，使用粒子群算法得出當(dāng)前代風(fēng)機(jī)位置時(shí)選型的最優(yōu)解，作為當(dāng)前代風(fēng)機(jī)位置的適應(yīng)度。

進(jìn)一步地，個(gè)體適應(yīng)度通過(guò)計(jì)算度電成本的倒數(shù)來(lái)體現(xiàn)，度電成本定義為每發(fā)一度電的平均成本。適應(yīng)度最高的個(gè)體即為度電成本倒數(shù)的最大值，即度電成本最小值的個(gè)體，度電成本CoP的計(jì)算公式為：

其中：CoE是年發(fā)電成本，AEP是風(fēng)電場(chǎng)年平均發(fā)電量，C_i是每臺(tái)風(fēng)機(jī)的購(gòu)買(mǎi)年均成本，C_O&M是風(fēng)場(chǎng)的年度運(yùn)維成本，C_land是風(fēng)電場(chǎng)土地年平均占用成本，C_other是風(fēng)電場(chǎng)其他費(fèi)用的年平均值，P_i是每臺(tái)風(fēng)機(jī)的年平均發(fā)電量，N是風(fēng)電場(chǎng)風(fēng)機(jī)總臺(tái)數(shù)。

進(jìn)一步地，所述的粒子群算法選取特定位置方案的風(fēng)機(jī)型號(hào)組合，風(fēng)機(jī)的型號(hào)特征參數(shù)有多種，對(duì)任意兩臺(tái)風(fēng)機(jī)，如果任何一個(gè)特征參數(shù)不同(機(jī)場(chǎng)高度、風(fēng)機(jī)額定功率等)在本發(fā)明中也認(rèn)為是不同型號(hào)，因此風(fēng)機(jī)型號(hào)選擇有多種可能性，可根據(jù)實(shí)際建場(chǎng)時(shí)具體情況進(jìn)行設(shè)定。粒子群算法可以保證風(fēng)機(jī)型號(hào)選取方案計(jì)算的快速。

進(jìn)一步地，使用遺傳算法對(duì)風(fēng)電場(chǎng)區(qū)域進(jìn)行搜索，對(duì)可行域的搜索密度由遺傳算法中對(duì)位置坐標(biāo)的編碼決定，可以進(jìn)行連續(xù)搜索，搜索密度也可以根據(jù)實(shí)際計(jì)算要求進(jìn)行設(shè)定，并不是在風(fēng)電場(chǎng)區(qū)域進(jìn)行棋盤(pán)格劃分后再對(duì)棋盤(pán)格進(jìn)行選擇。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

1、對(duì)風(fēng)電場(chǎng)區(qū)域風(fēng)機(jī)位置可行域搜索細(xì)致連續(xù)。因?yàn)閷?duì)風(fēng)機(jī)位置坐標(biāo)直接編碼，而不是對(duì)風(fēng)電場(chǎng)區(qū)域劃分棋盤(pán)格后對(duì)棋盤(pán)格進(jìn)行選擇，可在風(fēng)電場(chǎng)范圍內(nèi)進(jìn)行連續(xù)搜索。能夠有效針對(duì)實(shí)際風(fēng)電場(chǎng)區(qū)域進(jìn)行風(fēng)機(jī)位置選擇和優(yōu)化。如果為了提高搜索速度，可通過(guò)遺傳算法編碼方式來(lái)改變位置搜索密度。

2、算法先進(jìn)，保證了求解的可行性。遺傳算法的使用充分保證了針對(duì)非線(xiàn)性強(qiáng)耦合優(yōu)化問(wèn)題可求出可行解，粒子群算法的使用既保證了針對(duì)多種型號(hào)風(fēng)力發(fā)電機(jī)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(guò)多的情況下，計(jì)算時(shí)間不會(huì)過(guò)長(zhǎng)。

3、實(shí)用性強(qiáng)。本發(fā)明方法充分考慮了實(shí)際風(fēng)場(chǎng)區(qū)域的特點(diǎn)和使用多型號(hào)風(fēng)機(jī)利用風(fēng)能的特點(diǎn)，可推廣至復(fù)雜地形三維風(fēng)機(jī)選址和多型號(hào)風(fēng)機(jī)混裝的情況；編碼方式易于在風(fēng)電場(chǎng)區(qū)域存在道路、維修等限制條件，存在不可建風(fēng)機(jī)子區(qū)域的情況下實(shí)現(xiàn)。

4、擴(kuò)展性好，該研究方法和成果可以有效推廣拓展至類(lèi)似的問(wèn)題求解中，解決相應(yīng)問(wèn)題。

附圖說(shuō)明

圖1是本發(fā)明的風(fēng)電場(chǎng)多型號(hào)風(fēng)力發(fā)電機(jī)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(yīng)用于實(shí)施例的計(jì)算結(jié)果。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本發(fā)明的實(shí)施作如下詳述：

實(shí)施例

本實(shí)施例對(duì)某風(fēng)電場(chǎng)的7臺(tái)風(fēng)力進(jìn)行發(fā)電機(jī)建場(chǎng)前的風(fēng)機(jī)排布選型優(yōu)化。備選風(fēng)機(jī)為兩種出廠(chǎng)型號(hào)A(額定功率為1.5MW)和B(額定功率為2MW)，每種出廠(chǎng)型號(hào)的風(fēng)機(jī)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(fēng)機(jī)型號(hào)有4種。風(fēng)電場(chǎng)區(qū)域?yàn)闄M坐標(biāo)[0,2000](米)，縱坐標(biāo)為[0,2000](米)范圍。本實(shí)施實(shí)例中不考慮復(fù)雜地形。優(yōu)化目標(biāo)為風(fēng)電場(chǎng)度電成本。實(shí)施步驟具體如下：

1)根據(jù)風(fēng)資源評(píng)估結(jié)果和風(fēng)電場(chǎng)地形氣象特性，對(duì)風(fēng)力發(fā)電機(jī)進(jìn)行初始選型，確定若干個(gè)備選型號(hào)用于選型優(yōu)化，讀入風(fēng)電場(chǎng)相關(guān)地形和氣象等參數(shù)；

2)在風(fēng)電場(chǎng)區(qū)域橫縱坐標(biāo)范圍內(nèi)隨機(jī)生成風(fēng)機(jī)的初始位置矩陣，矩陣每行代表一種風(fēng)機(jī)位置排布方案，即一個(gè)染色體，行數(shù)代表遺傳算法染色體數(shù)，對(duì)矩陣的每一行進(jìn)行二進(jìn)制編碼；

3)在給定的備選風(fēng)機(jī)型號(hào)內(nèi)生成初始型號(hào)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(gè)粒子(一種風(fēng)機(jī)型號(hào)選取方案)，隨機(jī)初始化粒子的速度和在搜索域內(nèi)的位置，作為當(dāng)前染色體的風(fēng)機(jī)型號(hào)選取的初始解；

4)計(jì)算當(dāng)前每個(gè)粒子的適應(yīng)度，即采用當(dāng)前風(fēng)機(jī)位置和選型方案的度電成本，并求出每個(gè)粒子的個(gè)體最優(yōu)適應(yīng)度和所有粒子的全局最優(yōu)適應(yīng)度；

5)根據(jù)粒子群算法中設(shè)定的粒子速度和位置進(jìn)化規(guī)則，對(duì)每個(gè)粒子的位置和速度進(jìn)行進(jìn)化；

6)判斷是否達(dá)到粒子群算法設(shè)定的最大代數(shù)，若達(dá)到設(shè)定最大代數(shù)，停止進(jìn)行風(fēng)機(jī)型號(hào)優(yōu)化，選取粒子群算法的全局最優(yōu)適應(yīng)度，作為當(dāng)前染色體的適應(yīng)度，否則返回步驟4)；

7)根據(jù)每個(gè)染色體的適應(yīng)度，求出遺傳算法的全局最優(yōu)適應(yīng)度，即風(fēng)機(jī)位置選型的全局最優(yōu)值；

8)判斷是否達(dá)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(yīng)度對(duì)應(yīng)的染色體作為風(fēng)機(jī)位置方案，其對(duì)應(yīng)的粒子群算法的全局最優(yōu)適應(yīng)度作為選型方案，完成多型號(hào)風(fēng)力發(fā)電機(jī)排布優(yōu)化，否則進(jìn)行步驟9)；

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

計(jì)算當(dāng)前代風(fēng)機(jī)型號(hào)選取方案最優(yōu)解的適應(yīng)度值，計(jì)算當(dāng)前代位置的個(gè)體適應(yīng)度值，個(gè)體適應(yīng)度計(jì)算公式為：

其中：CoE是年發(fā)電成本，AEP是風(fēng)電場(chǎng)年平均發(fā)電量，C_i是每臺(tái)風(fēng)機(jī)的購(gòu)買(mǎi)年均成本，C_O&M是風(fēng)場(chǎng)的年度運(yùn)維成本，C_land是風(fēng)電場(chǎng)土地年平均占用成本，C_other是風(fēng)電場(chǎng)其他費(fèi)用的年平均值，P_i是每臺(tái)風(fēng)機(jī)的年平均發(fā)電量，N是風(fēng)電場(chǎng)風(fēng)機(jī)總臺(tái)數(shù)，在本實(shí)施例中為7；

本發(fā)明基于遺傳算法嵌套粒子群算法的風(fēng)電場(chǎng)多型號(hào)風(fēng)力發(fā)電機(jī)排布優(yōu)化方法主要包括初始化(包括編碼)、計(jì)算當(dāng)代個(gè)體適應(yīng)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(yīng)度計(jì)算中，嵌套對(duì)風(fēng)機(jī)型號(hào)的優(yōu)化算法過(guò)程，風(fēng)機(jī)型號(hào)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(fēng)電場(chǎng)多型號(hào)風(fēng)力發(fā)電機(jī)排布優(yōu)化方法具體流程。整個(gè)實(shí)施例是按照?qǐng)D1中所示的流程，進(jìn)行多型號(hào)風(fēng)力發(fā)電機(jī)排布優(yōu)化計(jì)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(fēng)電場(chǎng)多型號(hào)風(fēng)力發(fā)電機(jī)排布優(yōu)化方法進(jìn)行排布的結(jié)果。假設(shè)風(fēng)機(jī)使用壽命為20年，度電成本計(jì)算結(jié)果為0.3406元/千瓦時(shí)，風(fēng)機(jī)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(fēng)電場(chǎng)多型號(hào)風(fēng)力發(fā)電機(jī)排布優(yōu)化方法計(jì)算結(jié)果顯示，風(fēng)機(jī)排布位置充分利用了風(fēng)力發(fā)電廠(chǎng)區(qū)域，有效提高了風(fēng)能利用率，適用于風(fēng)電場(chǎng)微觀選址。