带罚函数粒子群算法的分散式风电场微观选址系统的制作方法
【专利摘要】本发明涉及风电场微观选址的【技术领域】，特别涉及一种包含了风电场信息采集，风电场风功率预测以及风机站优化定位的分散式风电场微观选址系统，具体是一种基于带罚函数的双适应值粒子群算法的分散式风电场微观选址系统及方法。本发明包括风电场信息采集单元、风电场风功率预测单元、风机站选址定位单元；风电场信息采集单元是由上位机与图像处理芯片相连，风速仪与A/D转换器相连，A/D转换器与上位机相连。本发明能够更快捷地获得拟建风电场区域的风资源数据和地表信息数据，能够准确地对拟建风电场地区进行风资源预测，能对分散式风电场风机站进行优化的选址定位，填补了国内这一【技术领域】的空白，为电力行业作出了较大的贡献。
【专利说明】带罚函数粒子群算法的分散式风电场微观选址系统【技术领域】[0001]本发明涉及风电场微观选址的【技术领域】，特别涉及一种包含了风电场信息采集， 风电场风功率预测以及风机站优化定位的分散式风电场微观选址系统，具体是一种基于带 罚函数的双适应值粒子群算法的分散式风电场微观选址系统及方法。【背景技术】[0002]在全球能源危机日益严重的背景下，风能以其储量大，开发方便，清洁环保等特点 越来越受到人们的重视。我国的风力发电增长迅猛，累计装机容量从2006年的2600兆瓦 增长至2010年的30000兆瓦，并将在“十二五”期间，以每年10000兆瓦以上的新增装机速度持续增长。[0003]风力发电在可再生能源的利用中有着不可估量的发展前景，但是随着风电场的发 展，规模不断增大，风电场所在的地形也越来越复杂，随之而来的问题也就越来越多。其中 风电场微观选址即风机站的定位作为风电场建设项目的前期工程，对风电场效益及风电场 的成败起着重要的作用。但是现在风电场微观选址存在着很多问题，包括对拟建风电场地 区各类数据采集困难，对拟建风电场风资源情况评估不准确，以及风机站优化定位需要用 到国外的WindFarmer、Wasp等软件,核心技术受制于人等情况。另外根据了解，在分散式风 电蓬勃发展的今天还没有特别适合分散式风电场风机站的微观选址方法。
【发明内容】
[0004]为了解决以上微观选址中存在的技术问题，本发明提出了一种带罚函数粒子群算 法的分散式风电场微观选址系统，即一种基于带罚函数的双适应值粒子群算法的分散式风 电场微观选址系统。[0005]本发明的目的是通过下述技术方案实现的:[0006]带罚函数粒子群算法的分散式风电场微观选址系统，包括风电场信息采集单元、 风电场风功率预测单元、风机站选址定位单元；风电场信息采集单元是由上位机与图像处 理芯片相连，风速仪与A/D转换器相连，A/D转换器与上位机相连。[0007]所述的上位机安装有GoogleEarth ;图像处理芯片采用SPCA563B ;风速仪为富源 飞科FY-CW2风速风向仪；A/D转换器采用89C51单片机与德州仪器TLC0831模数转换芯片。[0008]所述的SPCA563B的USB接口与上位机的USB接口相连，进行双向通信，FY-CW2风 速风向仪与89C51的USB接口相连；TLC0831模数转换芯片嵌入89C51单片机中，89C51单 片机与上位机的USB接口相连。[0009]所述的风电场信息采集单元，在确定拟建风电场区域情况下，用于收集拟建风电 场地区风速风向数据，拟建风电场地区粗糙度数据，障碍物数据，地形数据。[0010]所述的风电场的数据采集单元，利用上位机安装的GoogleEarth采集拟建风电场 地区的地表实时信息，将采集到的图片传输至图像处理芯片进行处理，得到拟建风电场地 区粗糙度数据，障碍物数据，地形数据等，再将这些数据传递给上位机进行保存；利用风速风向仪采集到的测风点风数据，经由A/D转换器转换成数字信号，传递给上位机进行保存。[0011]所述的风电场风功率预测单元，用于风功率预测，在全面考虑粗糙度、障碍物、地形高程、尾流作用等因素对风速影响后，对风电场各个点风速进行预测，结合风机功率曲线，得到风电场的各点的风功率密度。[0012]所述的风电场的风功率预测单元，以风场数据采集单元得到的拟建风电场风向风速的数据为基础，综合考虑影响风速的各种因素，给出了影响风速各因素的具体物理模型和受影响后的风速变化公式，根据测风点的风速风向数据预测拟建风电场各个点的风数据，根据风机功率曲线得到各点的风功率，由各点的风功率得到风电场总的输出功率。[0013]所述的风机站选址定位单元，是将基于带罚函数的双适应值粒子群算法应用于分散式风电场风机站的优化定位，提出利用风机站最小间隔、风电场噪声影响作为约束条件， 以该约束条件为第一适应值；分散式风电场风机站设立是在变电站附近有个最优范围的， 以超出分散式风机站最优范围作为罚函数，该罚函数与风电场年发电量结合成为目标函数，以该目标函数为二适应值对风机站进行优化定位。[0014]所述的风机站选址定位单元，提出一种基于带罚函数的双适应值粒子群算法对各个风机站进行优化定位，以风机间最小间距和风电场的噪声影响为约束条件，以该约束条件为第一适应值；以带有罚函数的风电场年发电功率为目标函数，以该目标函数为第二适应值，然后利用带约束的粒子群算法对风机站位置进行迭代优化，最终得到风机站的优化定位;[0015]其中带罚函数的双适应值粒子群速度位置更新方程为:[0016]
【权利要求】
1.带罚函数粒子群算法的分散式风电场微观选址系统，其特征是:包括风电场信息采集单元、风电场风功率预测单元、风机站选址定位单元；风电场信息采集单元是由上位机与图像处理芯片相连，风速仪与A/D转换器相连，A/D转换器与上位机相连。
2.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是:所述的上位机安装有Google Earth ;图像处理芯片采用SPCA563B ;风速仪为富源飞科 FY-CW2风速风向仪；A/D转换器采用89C51单片机与德州仪器TLC0831模数转换芯片。
3.根据权利要求2所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是:所述的SPCA563B的USB接口与上位机的USB接口相连，进行双向通信，FY-CW2风速风向仪与89C51的USB接口相连；TLC0831模数转换芯片嵌入89C51单片机中，89C51单片机与上位机的USB接口相连。
4.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是:所述的风电场信息采集单元，在确定拟建风电场区域情况下，用于收集拟建风电场地区风速风向数据，拟建风电场地区粗糙度数据，障碍物数据，地形数据。
5.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是:所述的风电场的数据采集单元，利用上位机安装的Google Earth采集拟建风电场地区的地表实时信息，将采集到的图片传输至图像处理芯片进行处理，得到拟建风电场地区粗糙度数据，障碍物数据，地形数据等，再将这些数据传递给上位机进行保存；利用风速风向仪采集到的测风点风数据，经由A/D转换器转换成数字信号，传递给上位机进行保存。
6.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是:所述的风电场风功率预测单元，用于风功率预测，在全面考虑粗糙度、障碍物、地形高程、尾流作用等因素对风速影响后，对风电场各个点风速进行预测，结合风机功率曲线，得到风电场的各点的风功率密度。
7.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是:所述的风电场的风功率预测单元，以风场数据采集单元得到的拟建风电场风向风速的数据为基础，综合考虑影响风速的各种因素，给出了影响风速各因素的具体物理模型和受影响后的风速变化公式，根据测风点的风速风向数据预测拟建风电场各个点的风数据，根据风机功率曲线得到各点的风功率，由各点的风功率得到风电场总的输出功率。
8.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是:所述的风机站选址定位单元，是将基于带罚函数的双适应值粒子群算法应用于分散式风电场风机站的优化定位，提出利用风机站最小间隔、风电场噪声影响作为约束条件，以该约束条件为第一适应值；分散式风电场风机站设立是在变电站附近有个最优范围的，以超出分散式风机站最优范围作为罚函数，该罚函数与风电场年发电量结合成为目标函数，以该目标函数为第二适应值对风机站进行优化定位。
9.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是:所述的风机站选址定位单元，提出一种基于带罚函数的双适应值粒子群算法对各个风机站进行优化定位，以风机间最小间距和风电场的噪声影响为约束条件，以该约束条件为第一适应值；以带有罚函数的风电场年发电功率为目标函数，以该目标函数为第二适应值， 然后利用带约束的粒子群算法对风机站位置进行迭代优化，最终得到风机站的优化定位；其中带罚函数的双适应值粒子群速度位置更新方程为:
【文档编号】G06Q10/04GK103559552SQ201310484782
【公开日】2014年2月5日 申请日期:2013年10月16日 优先权日:2013年10月16日
【发明者】刘劲松, 杨珺, 黄旭, 张化光, 王刚, 孙秋野, 张涛, 范子强, 戈阳阳, 王智良, 孙峰, 李福贺 申请人:国家电网公司, 国网辽宁省电力有限公司电力科学研究院, 东北电力科学研究院有限公司, 东北大学