[發明專利]一種基于數據驅動進化算法的風電機組最優布局方法

有效

• 申請號: 202010111340.7
• 申請日: 2020-02-24
• 公開（公告）號: CN111310884B
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 龍寰;李培坤;顧偉
• 申請（專利權）人: 東南大學
• 主分類號: G06N3/006
• 分類號: G06N3/006;G06N3/047;G06N3/044;G06N3/08;G06Q10/04;G06Q50/06
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 熊玉瑋

1.一種基于數據驅動進化算法的風電機組最優布局方法，其特征在于，采用參數自適應差分進化算法優化表征風力機組布局方案的種群，在參數自適應差分進化算法當前迭代運算獲得的優化種群滿足樣本數最低要求時，預處理當前迭代運算中交叉操作產生的所有試驗個體，采用廣義回歸神經網絡預評估參數自適應差分進化算法的目標函數得到當前迭代運算產生的所有試驗個體的預測適應值，根據預測適應值預篩選出表征候選布局位置佳的試驗個體，對預篩選出的試驗個體和上一次迭代運算產生的優化種群進行選擇操作生成下一代優化種群，以每次迭代運算結束后產生的優化種群以及優化種群中所有個體的真實適應值為優化廣義回歸神經網絡參數的數據集。

2.根據權利要求1所述一種基于數據驅動進化算法的風電機組最優布局方法，其特征在于，所述參數自適應差分進化算法引入表征因個體而異的差分向量獲得變異個體，在交叉操作中以風力機位置坐標為最小交叉單位獲得試驗個體，對試驗個體不符合風場布局限制條件時將差分向量縮小一倍后重新進行變異操作、交叉操作直至獲得的試驗個體滿足風場布局限制條件，對于優化前種群中的每一個目標個體，將適應值未超過試驗個體的目標個體替換為試驗個體。

3.根據權利要求1所述一種基于數據驅動進化算法的風電機組最優布局方法，其特征在于，引入表征因個體而異的差分向量獲得變異個體的表達式為：其中，v_i,g為第g代種群中第i個個體的變異個體，i＝1,2,…,NP，NP為種群規模，x_best,g為第g代種群中的最佳個體，mutant為差分向量，F_1i、F_2i為用于第i個個體變異的縮放因子，F_1i的取值根據均值為μ_F1且標準差為σ的正態分布隨機選取，F_2i的取值根據均值為μ_F2且標準差為σ的正態分布隨機選取，x_p1,g為從第g代種群中隨機選取的個體，x_p2,g為打亂風力機順序重新排布x_p1,g生成的新個體，randint(0,1)為介于0和1之間的隨機數。

4.根據權利要求2所述一種基于數據驅動進化算法的風電機組最優布局方法，其特征在于，在交叉操作中以風力機位置坐標為最小交叉單位獲得試驗個體的表達式為：j為個體包含的風力機的序號標記，j_rand為根據個體中各風力機序號隨機生成的數組，j_rand的長度根據均值為μjrand且標準差為σ的正太分布隨機選取，[u_2*j-1,i,g,u_2*j,i,g]為存放交叉操作后第g代種群第i個個體中第j個風力機坐標的數組，[v_2*j-1,i,g,v_2*j,i,g]為存放第g代種群第i個個體的變異個體中第j個風力機坐標的數組，[x_2*j-1,i,g,x_2*j,i,g]為存放第g代種群第i個個體中第j個風力機坐標的數組。

5.根據權利要求2所述一種基于數據驅動進化算法的風電機組最優布局方法，其特征在于，適應值根據參數自適應差分進化算法建立的目標函數確定，目標函數為：其中，P為風力機組輸出功率，P_k為第k臺風力機的輸出功率，(x_k,y_k)為第k臺風力機的位置坐標，(x_m,y_m)為第m臺風力機的位置坐標，x_max、x_min為風力機x軸坐標的最大值和最小值，y_max、y_min為風力機y軸坐標的最大值和最小值，N為風力機總數，R為風力機半徑。