一种基于遗传算法的风电场多型号风机优化排布方法
【专利摘要】本发明涉及一种基于遗传算法的风电场多型号风机优化排布方法，包括以下步骤：1)根据风机直径将风电场区域划分成大小相等的正方形网格，随机生成相同行列的整数矩阵作为算法的初始解；2)计算当前代的个体适应度值；3)通过均匀随机选择算子选择参与交叉的父代个体，再利用改进的交叉变异算子生成子代个体；4)对种群中的个体引入修复算子；5)对种群当前代最优解引入Tabu算子，将该最优解作为Tabu算法的初始解，搜索最优解的邻域解；6)判断是否达到最大的迭代次数，若为是，则完成多型号风机优化排布，否则返回步骤2)。与现有技术相比，本发明具有编码方式直观、性能指标好、局部搜索能力强、扩展性高、实用性强等优点。
【专利说明】一种基于遗传算法的风电场多型号风机优化排布方法
【技术领域】
[0001]本发明涉及一种风电场多型号风机优化排布方法，尤其是涉及一种基于遗传算法的风电场多型号风机优化排布方法。
【背景技术】
[0002]风电场微观选址技术是风电产业合理规划的关键科学问题，可以从根本上杜绝风机选型、选址的失误，排布优化方法是提高风电场风能资源利用率和功率输出的关键方法，有助于实现风电场建设的合理决策与科学发展。然而如何充分利用风电场不同高度的风能资源，进一步提高风电场的经济效益仍然是微观选址领域的难题之一。
[0003]实际风电场的选址主要包括宏观选址和微观选址两部分。风电场宏观选址是风电场场址选择，即在一个较大的地区内，通过对若干场址的风能资源和其它建设条件的分析比较，确定风电场的建设地点、开发价值、开发策略和开发步骤的过程，对项目经济可行性起重要作用。风电场微观选址是在宏观选址的基础上根据给定风电场的风向、风速、地形、地貌等特征以及风机特性，确定风机安装数量和位置，从而使整个风电场产能最优，具有较好的经济效益，同时满足其他经济、社会、环境指标的要求。
[0004]由于风电场微观选址优化是一种非线性、强耦合问题，涉及地理、气象、流体、机电等因素，无法通过传统的最优控制方法获得确切的解，因而必须运用先进控制理论进行优化决策。目前，国内外就该研究方向已有一些指导性的研究成果，所采用的优化方法主要包括遗传算法、粒子群优化算法、蒙特卡洛模拟法等，研究对象大多为单一型号风机组成的风电场。选择这样的研究对象虽然降低了算法设计和实际风电场建设难度，然而在近地层中，由于风切变效应使得风速随高度显著变化，具体表现为风速随高度的升高而增加，因此仅包含单一型号风机的风电场会在一定程度上影响风电场功率输出和风能资源利用率，从而降低整个风电场的产能效率和经济指标。
[0005]与本发明相关的文献和专利中，文献J.Castro Mora, J.M.Calero Baron,J.M.Riquelme Santos,and M.Burgos Payan," An evolutive algorithm for wind farmoptimal design, " Neurocomputing, pp.2651-2658, 2007 提出了多型号风机优化排布问题的解决方法，但文献中的优化结果中风机台数较少且并未考虑尾流影响，不符合实际风电场建设要求；专利《一种基于实数编码遗传算法的风电场微观选址优化方法》(申请公布号为CN102142103A)提出了使用实数编码方式的遗传算法解决风电场微观选址优化，但其研究对象为单一型号组成的风电场，并未考虑多型号风机的优化排布，不能充分利用不同高度的风能资源。
【发明内容】
[0006]本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种编码方式直观、性能指标好、局部搜索能力强、扩展性高、实用性强的基于遗传算法的风电场多型号风机优化排布方法。[0007]本发明的目的可以通过以下技术方案来实现:
[0008]一种基于遗传算法的风电场多型号风机优化排布方法，其特征在于，包括以下步骤:
[0009]1)根据风机直径将风电场区域划分成大小相等的正方形网格，随机生成相同行列的整数矩阵作为算法的初始解，矩阵中元素的数值代表对应网格中风机的信息；
[0010]2)计算当前代的个体适应度值；
[0011]3)根据计算出的个体适应度值，通过均匀随机选择算子选择参与交叉的父代个体，再利用改进的交叉变异算子生成子代个体；
[0012]4)对种群中的个体引入修复算子，将不满足风机最小约束距离的排布方式修复为合理可行的排布；
[0013]5)对种群当前代最优解引入Tabu算子，将该最优解作为Tabu算法的初始解，搜索最优解的邻域解；
[0014]6)判断是否达到最大的迭代次数，若为是，则完成多型号风机优化排布，否则返回步骤2)。
[0015]所述的网格中风机的信息包括网格中是否放置风机以及放置风机的具体型号。
[0016]所述的个体适应度值计算如下:
[0017]个体适应度值通过计算个体的净现值NPV来表示，适应度值最高的个体即NPV值最大的个体，NPV的计算公式为:
[0018]
【权利要求】
1.一种基于遗传算法的风电场多型号风机优化排布方法，其特征在于，包括以下步骤: 1)根据风机直径将风电场区域划分成大小相等的正方形网格，随机生成相同行列的整数矩阵作为算法的初始解，矩阵中元素的数值代表对应网格中风机的信息； 2)计算当前代的个体适应度值； 3)根据计算出的个体适应度值，通过均匀随机选择算子选择参与交叉的父代个体，再利用改进的交叉变异算子生成子代个体； 4)对种群中的个体引入修复算子，将不满足风机最小约束距离的排布方式修复为合理可行的排布； 5)对种群当前代最优解引入Tabu算子，将该最优解作为Tabu算法的初始解，搜索最优解的邻域解； 6)判断是否达到最大的迭代次数，若为是，则完成多型号风机优化排布，否则返回步骤2)。
2.根据权利要求1所述的一种基于遗传算法的风电场多型号风机优化排布方法，其特征在于，所述的网格中风机的信息包括网格中是否放置风机以及放置风机的具体型号。
3.根据权利要求1所述的一种基于遗传算法的风电场多型号风机优化排布方法，其特征在于，所述的个体适应度值计算如下: 个体适应度值通过计算个体的净现值NPV来表示，适应度值最高的个体即NPV值最大的个体，NPV的计算公式为:
4.根据权利要求1所述的一种基于遗传算法的风电场多型号风机优化排布方法，其特征在于，所述的搜索最优解的邻域解具体为: 对于当前最优排布结果，在可移动的网格邻域内对风机位置进行微调，通过比较调整前后排布结果的适应度值大小得出种群中最优解。
5.根据权利要求1所述的一种基于遗传算法的风电场多型号风机优化排布方法，其特征在于，所述的修复算子具体为: 由于多型号风机间高度和直径的差别，所划分的网格长宽以直径较小风机最小约束距离为准，而直径较大的风机的最小安全距离需要保证风机间距大于两个网格的长度，修复算子以逆时针的顺序轮询每个网格中，若网格中放置直径较大的风机，则其周围不能放置任何风机，从而确保风机的排布能够满足各自的最小约束距离。
【文档编号】G06F17/50GK103793566SQ201410041331
【公开日】2014年5月14日 申请日期:2014年1月28日 优先权日:2014年1月28日
【发明者】王峻, 段彬 申请人:同济大学