[發明專利]一種風力發電機排布選型的優化方法和系統

有效

• 申請號: 201710123848.7
• 申請日: 2017-03-03
• 公開（公告）號: CN106875068B
• 公開（公告）日: 2019-12-10
• 發明（設計）人: 葉毅;楊秦敏;唐曉宇;李思亮;申云
• 申請（專利權）人: 風脈能源(武漢)股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00;G06N3/12
• 代理公司: 11212 北京輕創知識產權代理有限公司
• 代理人: 陳衛

1.一種風力發電機排布選型的優化方法，其特征在于，包括以下步驟：

步驟1，獲取至少一個風機排布方案，并將每個風機排布方案作為遺傳算法的一個染色體；

步驟2，根據預設的分群式粒子群算法，生成每個染色體對應的最優風機選型方案和所述最優風機選型方案對應的適應度，并將適應度作為所述染色體的適應度；

步驟3，根據所述遺傳算法和所有染色體的適應度，計算遺傳算法的第一全局最優適應度，并獲取所述第一全局最優適應度對應的目標染色體，然后輸出所述目標染色體對應的風機排布方案作為目標排布方案，輸出所述目標染色體對應的最優風機選型方案作為目標選型方案；

所述步驟1具體為：

S101，獲取風電場區域的橫縱坐標范圍和至少一個風機排布方案；

S102，根據風機排布方案和橫縱坐標范圍生成所述風電場區域內風機的初始位置矩陣；

S103，對所述初始位置矩陣的每一行進行二進制編碼，并將所述初始位置矩陣中每行的編碼結果作為遺傳算法的一個染色體；

所述初始位置矩陣的每行代表一個風機排布方案；

所述步驟2具體為：

S201，獲取風機的初始選型結果；

S202，根據所述初始選型結果確定分群式粒子群算法的搜索空間，并將所述搜索空間劃分為至少一個獨立的子空間；

S203，根據所述初始選型結果預測所述初始位置矩陣中所述染色體對應的至少一個風機選型方案，并將所述風機選型方案作為所述染色體的粒子分配到對應的子空間中，一個所述粒子表示一個風機選型方案；

S204，對所述子空間內粒子的速度和粒子在子空間的位置進行隨機初始化，然后根據預設的適應度計算函數計算每個粒子采用對應的風機排布方案且在子空間的當前位置的適應度，并獲取每個粒子的個體最優適應度和子空間內所有粒子的第二全局最優適應度，將所述第二全局最優適應度對應的粒子位置作為所述子空間的當前群體最優位置；

S205，根據所述個體最優適應度、所述第二全局最優適應度和預設進化規則，對子空間內每個粒子的速度和位置進行不斷進化，以優化所述當前群體最優位置，直到達到預設的進化終止條件，然后執行S206；

S206，比較所有子空間的當前群體最優位置，并從所有的當前群體最優位置中獲取所述染色體在所述搜索空間的目標最優位置，并將所述目標最優位置對應的適應度作為所述染色體的適應度，所述目標最優位置即為所述染色體對應的最優風機選型方案。

2.根據權利要求1所述的風力發電機排布選型的優化方法，其特征在于，所述步驟3具體為：

S301，獲取所述初始位置矩陣中所有染色體的適應度和目標最優位置；

S302，根據所有染色體的適應度計算所述遺傳算法的第一全局最優適應度，并獲取遺傳算法的迭代次數和所述遺傳算法的第一全局最優適應度對應的目標染色體；

S303，判斷迭代次數是否達到預設的迭代次數閾值，若是，則輸出所述目標染色體對應的風機排布方案作為目標排布方案，并輸出所述目標染色體對應的目標最優位置作為目標選型方案，若否，則執行S304；

S304，將步驟1生成的所有染色體作為父代染色體群，并進行交叉和變異操作后生成子代染色體，然后根據所述子代染色體對所述初始位置矩陣進行更新，并返回至步驟S203。

3.根據權利要求1所述的風力發電機排布選型的優化方法，其特征在于，步驟S203中，根據風機型號和風機安裝的機艙高度預測風機選型方案，并將風機型號相同且機艙高度不同、風機型號不同且機艙高度相同和風機型號不同且機艙高度不同的方案均認定為不同的風機選型方案。

4.根據權利要求1～3任一所述的風力發電機排布選型的優化方法，其特征在于，步驟S204中，所述適應度為所述粒子采用對應的風機排布方案和選型方案計算出的度電成本的倒數，所述適應度計算函數如下：

其中，CoE是年發電成本，AEP是風電場年平均發電量，C_i是每臺風機的購買年均成本，C_O&M是風電場的年度運維成本，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電量，N是風電場風機總臺數。