[發明專利]帶罰函數粒子群算法的分散式風電場微觀選址系統

在審

• 申請號: 201310484782.6
• 申請日: 2013-10-16
• 公開（公告）號: CN103559552A
• 公開（公告）日: 2014-02-05
• 發明（設計）人: 劉勁松;楊珺;黃旭;張化光;王剛;孫秋野;張濤;范子強;戈陽陽;王智良;孫峰;李福賀
• 申請（專利權）人: 國家電網公司;國網遼寧省電力有限公司電力科學研究院;東北電力科學研究院有限公司;東北大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 遼寧沈陽國興專利代理有限公司 21100
• 代理人: 何學軍

1.帶罰函數粒子群算法的分散式風電場微觀選址系統，其特征是：

包括風電場信息采集單元、風電場風功率預測單元、風機站選址定位單元；風電場信息采集單元是由上位機與圖像處理芯片相連，風速儀與A/D轉換器相連，A/D轉換器與上位機相連。

2.根據權利要求1所述的帶罰函數粒子群算法的分散式風電場微觀選址系統，其特征是：所述的上位機安裝有Google?Earth；圖像處理芯片采用SPCA563B；風速儀為富源飛科FY-CW2風速風向儀；A/D轉換器采用89C51單片機與德州儀器TLC0831模數轉換芯片。

3.根據權利要求2所述的帶罰函數粒子群算法的分散式風電場微觀選址系統，其特征是：所述的SPCA563B的USB接口與上位機的USB接口相連，進行雙向通信，FY-CW2風速風向儀與89C51的USB接口相連；TLC0831模數轉換芯片嵌入89C51單片機中，89C51單片機與上位機的USB接口相連。

4.根據權利要求1所述的帶罰函數粒子群算法的分散式風電場微觀選址系統，其特征是：所述的風電場信息采集單元，在確定擬建風電場區域情況下，用于收集擬建風電場地區風速風向數據，擬建風電場地區粗糙度數據，障礙物數據，地形數據。

5.根據權利要求1所述的帶罰函數粒子群算法的分散式風電場微觀選址系統，其特征是：所述的風電場的數據采集單元，利用上位機安裝的Google?Earth采集擬建風電場地區的地表實時信息，將采集到的圖片傳輸至圖像處理芯片進行處理，得到擬建風電場地區粗糙度數據，障礙物數據，地形數據等，再將這些數據傳遞給上位機進行保存；利用風速風向儀采集到的測風點風數據，經由A/D轉換器轉換成數字信號，傳遞給上位機進行保存。

6.根據權利要求1所述的帶罰函數粒子群算法的分散式風電場微觀選址系統，其特征是：所述的風電場風功率預測單元，用于風功率預測，在全面考慮粗糙度、障礙物、地形高程、尾流作用等因素對風速影響后，對風電場各個點風速進行預測，結合風機功率曲線，得到風電場的各點的風功率密度。

7.根據權利要求1所述的帶罰函數粒子群算法的分散式風電場微觀選址系統，其特征是：所述的風電場的風功率預測單元，以風場數據采集單元得到的擬建風電場風向風速的數據為基礎，綜合考慮影響風速的各種因素，給出了影響風速各因素的具體物理模型和受影響后的風速變化公式，根據測風點的風速風向數據預測擬建風電場各個點的風數據，根據風機功率曲線得到各點的風功率，由各點的風功率得到風電場總的輸出功率。

8.根據權利要求1所述的帶罰函數粒子群算法的分散式風電場微觀選址系統，其特征是：所述的風機站選址定位單元，是將基于帶罰函數的雙適應值粒子群算法應用于分散式風電場風機站的優化定位，提出利用風機站最小間隔、風電場噪聲影響作為約束條件，以該約束條件為第一適應值；分散式風電場風機站設立是在變電站附近有個最優范圍的，以超出分散式風機站最優范圍作為罰函數，該罰函數與風電場年發電量結合成為目標函數，以該目標函數為第二適應值對風機站進行優化定位。

9.根據權利要求1所述的帶罰函數粒子群算法的分散式風電場微觀選址系統，其特征是：所述的風機站選址定位單元，提出一種基于帶罰函數的雙適應值粒子群算法對各個風機站進行優化定位，以風機間最小間距和風電場的噪聲影響為約束條件，以該約束條件為第一適應值；以帶有罰函數的風電場年發電功率為目標函數，以該目標函數為第二適應值，然后利用帶約束的粒子群算法對風機站位置進行迭代優化，最終得到風機站的優化定位；

其中帶罰函數的雙適應值粒子群速度位置更新方程為：

vi(t+1)=ωvi(t)+c1r1(zip(t)-zi(t))+c2r2(zig(t)-zi(t))v<vmaxzi(t+1)=zi(t)+vi(t+1)zmin<z<zmax---(1);]]>

式中：v_i(t+1)為第t+1代粒子的更新速度，z_i(t+1)表示第t+1代粒子的位置，ω為標準粒子群速度更新公式的權重，c₁c₂為學習因子，r₁、r₂為范圍（0,1）的隨機變量，為個體i的個體最優位置和全局最優位置，z_min、z_max為種群位置上下限，v_max為最大速度；

第一適應值，即風機站位置約束條件為：

f(z)=(xa-xb)2+(ya-yb)2-dmin2≥0Xmin≤xa,xb≤Xmax,Ymin≤ya,yb≤YmaxLA(r)(xa,ya)≤Llimit∀a≠b,a,b∈{1,...N}---(2);]]>

式中：f(z)為風機位置約束不等式組，（x_a，x_b），（y_a，y_b）分別為風機a，風機b的坐標，X_min、X_max為風電場橫向坐標的上下限，Y_min、Y_max為風電場坐標位置的上下限，d_min為風機間最小距離，L_A(r)(x_a,y_a)為距風機a距離r處的風機噪聲，L_limit為風機噪聲影響限值；

第二適應值，即帶有罰函數的風電場的輸出功率為：

P(N)=Σp=1Mρp[ΣiN∫vinvoutc(v)Pi(vnp)dv]+KΣiM[|Xi|+|Yi|]---(3);]]>

式中：為風電場的輸出功率，為罰函數，|X_i|+|Y_i|為第i臺風機到最優位置的距離；

帶罰函數的雙適應值粒子群算法進行風機站定位步驟如下：

步驟1：設置種群參數。包括種群規模N，種群位置上下限（X_max，Y_max）、（X_min，Y_min），最大速度v_max，最大迭代次數T_max，粒子群速度位置更新公式權重、學習因子，最優值誤差限ε等；

步驟2：獲得滿足第一適應值的初始位置z(t)和速度v(t)；隨機初始化種群每個個體的初始位置z_i和速度v_i，根據約束條件f(z)計算每個個體的第一適應值，如果該個體滿足約足約束，記為f(z)＝0；如果該個體不滿足約束，記為f(z)≠0，如果某一個體f(z)＝0，則該個體可作為初始位置，初始速度不變，如果某一個體f(z)≠0，則按照公式（1）對該個體的速度位置進行更新，直到其滿足f(z)＝0，至此，獲得滿足第一適應值的初始種群位置z(t)和速度v(t)；

步驟3：種群迭代過程；通過公式（1）更新種群中每個個體的速度位置，獲得新種群位置z(t+1)和速度v(t+1)。若某個個體f(z_i)=0，則繼續，若f(z_i)≠0，則按照公式（1）對該個體的速度位置進行更新，直到其滿足f(z_i)＝0；

將滿足第一適應值的z(t+1)與粒子自身經歷最好位置和種群經歷的最好位置進行比較，對于∀zi(t+1)∈z(t+1),]]>如果Pi(zi(t+1))>P(zip(t))]]>則有zip(t+1)=zi(t+1),]]>即單個個體最優位置被改進，否則zip(t+1)=zip(t),]]>即單個個體最優位置不變；如果P_N(z_i(t+1))＞P_N(z^g(t))，則有z^g(t+1)＝z_i(t+1)，即種群經歷最好位置被改進，否則z^g(t+1)＝z_i(t)，即種群經歷最好位置不變；

步驟4：對收斂條件進行判斷；當最終最優值(ε為最優值誤差限）時，停止迭代，輸出優化結果或者滿足如果t+1＝T_max，也將停止迭代，輸出優化結果，否則繼續迭代，轉至步驟3；

輸出的優化結果為滿足風機站位置約束條件且風電場年輸出功率最大的風電場各風機站優化的位置坐標。