[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

本發明公開了一種基于數據驅動進化算法的風電機組最優布局方法，屬于發電、變電或配電的技術領域。本發明以最大化風電場輸出功率為目標函數，以風力機之間安全距離，風電場區域限制為約束條件，建立風電場機組布局優化的約束目標優化模型；基于一種改進的參數自適應的差分進化算法求解風電機組布局優化模型，采用機器學習模型廣義回歸神經網絡作為優化目標函數的代理模型，采用數據驅動方法提升進化算法迭代效率。本發明優化效率高，對于復雜的布局優化模型效果顯著。

技術領域

本發明涉及風力機微觀選址技術，具體涉及一種基于數據驅動進化算法的風電機組最優布局方法，屬于發電、變電或配電的技術領域。

背景技術

風力發電是一種技術成熟環境友好且最具規模開發和商業化發展前景的可再生能源發電形式，作為可再生能源主體之一的風電預計長期內仍將保持穩定的增長。

風電場規劃中，在風電場區域內合理排布各風力機的位置是必不可少的一環。在風電場中，風力機從風中獲取能量的同時會在風力機的下游形成風速下降的尾流區，尾流區沿著風向向下游發展。如果下游風力機位于上游風力機的尾流區域內，下游風力機的輸入風速就會低于上游風力機的輸入風速，這種被稱為尾流效應的現象將影響下風向風力機的效率，進而影響風電場的年發電量，降低了風電場的經濟效益。因此，研究風電場的風力機布局優化方法減少尾流損失進而提升風電場產能的目標成為近年來許多學者研究的熱點。

目前，風電場機組布局優化方法大都是改進并應用某種啟發式算法，隨著風電場限制區域擴大及風機數量的增多，風電場布局優化模型朝著精細化準確化的方向發展，優化模型需要考慮更多的約束限制條件且精確計算復雜的目標函數，采用傳統的啟發式算法將出現計算成本過高和尋優能力欠缺的問題。鑒于此，本發明提出了基于數據驅動進化算法的風電場機組布局優化方法。

發明內容

本發明的發明目的是針對上述背景技術的不足，提供一種基于數據驅動進化算法的風電機組最優布局方法，針對考慮尾流效應并以風電場輸出功率為目標函數的風電場布局優化模型，通過參數自適應的差分進化算法減少了風電場布局優化模型的求解時間，解決了現有風電場布局優化模型計算成本高的技術問題。

使用進化算法進化過程中的歷史數據建立機器學習模型廣義回歸神經網絡(GRNN)，起到目標函數代理模型的作用。該方法在風力機數量較多的情況下顯示出優越性，可以較大地提升風電場的總體產能，有效地提升進化算法的進化速率。

本發明為實現上述發明目的采用如下技術方案：

一種基于數據驅動進化算法的風電機組最優布局方法，包括以下3大步驟。

(1)建立風電場風電機組布局優化模型：

風電場風電機組的最佳布局，以最大化風電場N臺風力機的輸出功率為優化目標，每臺風力機的微觀地址以坐標(x_k,y_k)表示，每臺風力機的輸出功率以P_k表示的。在基于坐標的模型下，前兩個約束條件使風機位于風電場限制區域范圍內，保證風力機不會離風電場邊緣太近，影響附近的馬路等工程的建設與運行；第三個約束保證風機k與任何其它風機之間的距離不小于五倍的風機半徑R，進而使得相鄰的風機不會太相近，避免出現安全事故。

(2)構建參數自適應的差分進化算法(ADE，Adaptive?Differential?Evolution)：在基本差分進化算法的基礎上，依次構建了參數自適應差分進化算法的各主要環節，包括：(21)種群初始化、(22)變異操作、(23)交叉操作、(24)選擇操作以及(25)參數自適應機制。

(21)種群初始化：

記初始種群為：