基于cfd和改进pso的复杂地形风电场微观选址方法
【专利摘要】本发明公开了基于CFD和改进PSO的复杂地形风电场微观选址方法，属于风电场微观选址的【技术领域】，利用CFD对复杂地形风电场进行数值模拟得到风资源分布，提取风力发电机组轮毂高度处对应的CFD数值模拟结果，建立尾流模型、风电场模型、目标函数，利用结合了小生境技术、混沌变异、惩罚操作的改进PSO求解粒子群速度与位置更新方程，再结合尾流模型迭代求解目标函数生成最优分布结果。本发明将CFD数值模拟结果应用于复杂地形风电场的微观选址优化，充分考虑了风能分布和尾流的影响，并对风电场的布局进行优化；通过种群多样性的提升，粒子混沌的变异和种群移动维度的改变使整个收敛过程保持高效性。
【专利说明】基于CFD和改进PSO的复杂地形风电场微观选址方法
【技术领域】
[0001]本发明公开了基于CFD和改进PSO的复杂地形风电场微观选址方法,属于风电场微观选址的【技术领域】。
【背景技术】
[0002]对复杂地形的微观选址常采用基于高度变化的Lissaman线性模型，风速的大小由所在位置的高程决定，并且呈一个指数的变化。WAsP软件就是基于这样的模型，在平坦地形条件下，WAsP软件能够准确预测风能的分布情况，但是在复杂地形条件下，利用WAsP软件计算出来的风能分布与实际相比存在较大的误差，这是由于在复杂地形条件下，向风坡的气流产生抬升，压力增高并可能产生回流；在背风坡，由于负压的影响会发生气流的分离，风速的大小和方向也会发生改变，这些都难以采用常规的线性模型描述。国内外已有一些关于风电场微观选址及其优化的文献，这些研究内容大多数都是在Lissaman线性模型的基础上建立的，所建立的风电场布置方案和风能计算结果对复杂地形都有待于进一步提闻。
[0003]计算流体力学(CFD, Computational Fluid Dynamics)方法能够模拟大气边界层中的湍流以及在复杂地形条件下的流体分离、环绕等现象，进而准确得到复杂地形条件下的风资源分布° 文献(Zhang Xiaodong.CFD simulation of neutral ABL flows [D].TechnicalUniversity of Denmark, 2009.)通过实例证实计算流体力学(CFD)方法在复杂地形条件下可以得到准确的风资源分布；文献(Christos Chourpouliadis, Eleni 1annou, AndreasKoras,et al.Comparative study of the power production and noise emission fromtwo wind farms [J].Energy conversion and management, 2012, I (60): 233-242.)分别用Lissaman线性模型和CFD方法计算复杂风电场的风能分布，通过与风电场的实际运行数据相比较，验证CFD方法的准确性；文献(赵永锋.复杂地形风场CFD模拟方法研究[D].北京，华北电力大学，2011)详细分析了复杂地形的流场，并给出不同复杂地形条件下不同的湍流模型及尺度对数值计算精度的影响，完善了复杂地形流场数值模拟的方法。通过CFD对风电场进行数值计算得到风电场风能分布，进而对风电场微观选址进行优化可以提高风电场风能利用效率，但这方面的研究还比较少。
【发明内容】
[0004]本发明所要解决的技术问题是针对上述【背景技术】的不足，提供了基于CFD和改进PSO的复杂地形风电场微观选址方法。
[0005]本发明为实现上述发明目的采用如下技术方案:
[0006]基于CFD和改进PSO的复杂地形风电场微观选址方法，包括如下步骤:
[0007]步骤1，利用CFD对复杂地形风电场进行数值模拟得到风资源分布；
[0008]步骤2，提取风力发电机组轮毂高度处对应的CFD数值模拟结果；
[0009]步骤3，建立尾流模型以修正CFD数值模拟结果；[0010]步骤4，建立功率风电场模型，依据修正后的CFD数值模拟结果以及风电场平均输出功率最大原则构建目标函数；
[0011]步骤5，以风资源分布为粒子群速度与位置初始量，利用结合了小生境技术、混沌变异、惩罚操作的改进PSO求解粒子群速度与位置更新方程，再结合尾流模型迭代求解目标函数生成最优分布结果。
[0012]作为所述复杂地形风电场微观选址方法的进一步优化方案，步骤5所述粒子群速度与位置更新方程为:
【权利要求】
1.基于CFD和改进PSO的复杂地形风电场微观选址方法，其特征在于包括如下步骤: 步骤1，利用CFD对复杂地形风电场进行数值模拟得到风资源分布； 步骤2，提取风力发电机组轮毂高度处对应的CFD数值模拟结果； 步骤3，建立尾流模型以修正CFD数值模拟结果； 步骤4，建立功率风电场模型，依据修正后的CFD数值模拟结果以及风电场平均输出功率最大原则构建目标函数； 步骤5，以风资源分布为粒子群速度与位置初始量，利用结合了小生境技术、混沌变异、惩罚操作的改进PSO求解粒子群速度与位置更新方程，再结合尾流模型迭代求解目标函数生成最优分布结果。
2.根据权利要求1所述的复杂地形风电场微观选址方法，其特征在于:步骤5所述粒子群速度与位置更新方程为:
3.根据权利要求2所述的复杂地形风电场微观选址方法，其特征在于，步骤5利用M代迭代的改进PSO求解符合目标函数要求的粒子群速度与位置更新方程，改进PSO每隔N代进行一次信息共享，M为N的整数倍， 第i次迭代过程具体如下，i〈M: 步骤5-1，在i为N的整数倍时，通过小生境技术将所有粒子进行分类，确定每类粒子的最优粒子； 步骤5-2，对每一类粒子进行混沌变异确定最优粒子: 步骤a，生成混沌序列； 步骤b，对混沌序列进行变异，重新确定最优粒子； 步骤C，计算线性递减的移动维度； 步骤d，由粒子群算法寻找风机位置最优解； 步骤5-3，i取值加I，返回步骤5-1。
4.根据权利要求1所述的复杂地形风电场微观选址方法，其特征在于:步骤3建立的尾流模型为Jensen尾流模型。
5.根据权利要求1所述的复杂地形风电场微观选址方法，其特征在于:步骤4利用基于概率密度的风功率计算方法，根据风速的威尔布分布概率确定风电场平均输出功率。
6.根据权利要求1或4或5所述的复杂地形风电场微观选址方法，其特征在于步骤I的具体方法为:将复杂地形的地理信息转换为坐标矩阵，建立复杂地形的物理模型并划分网格，求解流体动力学标准的Navier-Stokes方程组以及标准k_ ε模型得到风资源分布。
【文档编号】G06Q10/04GK103996074SQ201410191773
【公开日】2014年8月20日 申请日期:2014年5月7日 优先权日:2014年5月7日
【发明者】许昌, 杨建川, 李辰奇, 郭苏, 韩星星, 王欣, 刘德有, 郑源 申请人:河海大学