一种风机排布优化方法与流程

1.本发明属于风力发电技术领域，具体涉及一种风机排布优化方法。


背景技术：

2.风能开发的需求越来越大，其核心在于在建设风电场前需对风机的排布方案进行合理优化，保证控制成本的同时使风能利用率尽可能高。但由于风机群之间的尾流影响，导致风机排布方案寻优过程十分复杂，难以获取全局最优的排布方案。
3.遗传算法是最常用的一种优化算法，已被广泛用于风机排布方案优化求解。现有遗传算法针对种群的所有个体均进行计算，耗时非常长，且变异率为固定，导致算法极易陷入局部最优，获取的风机排布方案并非最优，使得其在风机排布方案的优化上仍存在非常大的改进空间。因此，如何尽量减少遗传算法的耗时并尽可能获取全局最优解，对于提升风机排布方案的效果非常重要。
4.因此，本发明提出一种风机排布优化方法。


技术实现要素：

5.为了克服上述现有技术存在的不足，本发明提供了一种风机排布优化方法。
6.为了实现上述目的，本发明提供如下技术方案：
7.一种风机排布优化方法，包括以下步骤：
8.获取目标风电场的地理信息系统的三维点云数据和风数据；
9.根据地理信息系统的三维点云数据建立cfd模型，模拟风场的空间分布；
10.将风场模拟结果与所述风数据中的的单点风速风向数据进行结合，获取风电场空间分布风速和风向时程信息；
11.根据风电场空间分布风速和风向时程信息，利用改进遗传算法优化风机排布，获得优化后的风机排布结果。
12.优选地，所述根据地理信息系统的三维点云数据建立cfd模型，模拟风场的空间分布，具体包括以下步骤：
13.根据地理信息系统的三维点云数据建立cfd模型，并对计算区域进行网格划分；
14.基于网格划分结果，利用雷诺时均法rans对风场进行模拟，模拟时湍流模型选用realizable k-ε，模拟十六个风向角下风场的空间分布。
15.优选地，所述将风场模拟结果与所述风数据中的的单点风速风向数据进行结合，获取风电场空间分布风速和风向时程信息，具体包括以下步骤：
16.剔除地形对观测的单点风速风向数据的影响，得到全域风气候信息u
10,open
；
[0017][0018]
式中，u
station
为单点实测风速数据，z
0,station
为观测站地面粗糙长度，z
station
为观测点离地高度，z
d,station
为观测站零平面位移高度；
[0019]
将rans模拟结果与全域风气候信息进行结合，获取风电场空间分布的空间任意点的风速时程信息；
[0020]
风电场空间分布风速时程信息的计算公式为：
[0021][0022]
式中，u(x,i)为风速时程的第i个值，u
10,in
是cfd模拟入口的10m高度风速，u
10,open
(i)为剔除局部地形后的10m高度风速，u
cfd
(x,θi)是第i个风速对应的风向角θi下的cfd模拟风速。
[0023]
优选地，所述根据风电场空间分布风速和风向时程信息，利用改进遗传算法优化风机排布，获得优化后的风机排布结果，包括以下步骤：
[0024]
确定风机排布优化涉及的相关参数，遗传算法将区域划分为等距的网格，并假设每个网格中心有两种可能性，安装风机和不安装风机，分别对应1和0，即“基因”，每个个体对应一种风机排布方案，由一串“基因”组成；
[0025]
种群初始化通过随机的方式给定，每个“基因”随机赋值为0或1；
[0026]
基于唯一处理计算个体适应度，得到完全不重复的种群个体；
[0027]
利用轮盘选择法进行随机个体选择；
[0028]
对每两个个体进行随机交叉，即为两个个体对应位置的“基因”进行互换；对随机交叉后的每个个体赋予一定的随时间变化的变异率，公式如下；
[0029][0030]
式中，p
mut
为时变变异率，iteration为当前迭代的步数，n
iter
为总迭代步数，r1为初始变异率，r2为最终变异率；
[0031]
当计算次数达到设定值时，得到的风机排布优化方案。
[0032]
优选地，所述基于唯一处理计算个体适应度，包括以下步骤：
[0033]
考虑风机尾流效应，计算每台风机受上游风机尾流影响后的折减风速，折减风速的计算公式如下：
[0034][0035][0036]
式中，v为考虑风机尾流效应后的折减风速时程，u为风速时程数据，c
t
为风机推力系数，kg为与地面粗糙长度有关的尾流扩散率，εg是与风机推力系数相关的参数，s是下游风机离上游的水平距离，d为叶片直径，r为尾流风机中心离上游风机影响区域的径向距离；
[0037]
根据每台风机轮毂高度的风机折减风速，计算每台风机的年发电量，求和即为整个风电场的年发电；
[0038]
[0039]
式中，aep为风电场的年发电量，n
tur
为风机数量，n为样本长度，p为厂家给定的风机功率曲线，vj为风机折减风速，p
rated
为风机的额定发电功率，nh为样本对应的小时数量，x
turbine
为风机的水平坐标；
[0040]
根据风机排布方案，计算风电场的建设成本，并结合年发电量，确定个体适应度；
[0041]
fitness＝1/objective＝aep/cost
[0042]
cost＝fcr
×
icc+aoe
[0043][0044]
式中，fitness表示个体适应度，用单位成本发电量表示，值越大表示结果越好；objective表示目标值，是适应度的倒数；cost表示风电场的建设成本，需考虑初始投资成本icc和年成本aoe；fcr表示折算率，含义为将初始投资成本折算到年成本的系数，与利率和风机运行寿命有关；a表示将全部费用折算到每年等额年金值，p表示将全部费用折算到第1年年初的现值，i表示年利率，n表示风机运行寿命。
[0045]
本发明提供的风机排布优化方法具有以下有益效果：
[0046]
该方法针对风机排布优化计算效率低和容易陷入局部最优的问题，提出对种群进行唯一化处理的方式加大计算效率，同时提出随时间变化的变异率以尽量避免优化过程陷入局部最优，提出的高效优化算法可很大程度得到比传统算法更佳的风机排布方案。该方法大幅提高遗传算法的计算效率，同时尽可能获取全局最优风机排布结果。
附图说明
[0047]
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1为本发明公开的风机排布优化方法的流程图；
[0049]
图2改进遗传算法优化流程图；
[0050]
图3为实施例1的目标风电场地形海拔高度云图；
[0051]
图4为实施例1的风机排布方案对比图。
具体实施方式
[0052]
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0053]
本发明提供了一种风机排布优化方法，如图1所示，包括以下步骤：
[0054]
步骤a.获取目标风电场的地理信息系统的三维点云数据和风数据，地理信息系统的三维点云数据简称gis三维点云数据。
[0055]
具体地，地理信息系统(geographic information system，gis)通常包括地形高程信息，可用于对目标风电场进行数值建模，结合观测得到的单点风速和风向数据，可用于重现整个风电场的空间分布风速、风向时程信息。
[0056]
步骤b.根据地理信息系统的三维点云数据建立cfd模型，模拟风场的空间分布。
[0057]
具体地，如何针对目标风电场进行cfd建模并准确模拟整个风电场的空间风速分布，对于计算指定风机排布方案下的风力发电量十分重要，模拟过程包括：
[0058]
根据gis三维点云数据建立cfd模型，并对计算区域进行网格划分。
[0059]
基于网格划分结果，利用雷诺时均法(reynoldaveraged navier-stokes，rans)对风场进行模拟，湍流模型选用realizable k-ε，模拟十六个风向角下风场的空间分布。
[0060]
步骤c.获取风电场空间分布风速和风向时程信息。
[0061]
具体包括：将rans模拟结果与观测的风数据中的单点风速风向数据进行结合，可获取风电场空间分布风速和风向时程信息。由于地形会显著影响观测风数据，因此需先剔除地形对观测数据的影响，再进行相应变换，具体如下。
[0062][0063][0064]
式中，u(x,i)为风速时程的第i个值，u
10,in
是cfd模拟入口的10m高度风速，u
10,open
(i)为剔除局部地形后的10m高度风速，u
cfd
(x,θi)是第i个风速对应的风向角θi下的cfd模拟风速，u
station
为单点实测风速数据，z
0,station
为观测站地面粗糙长度，z
station
为观测点离地高度，z
d,station
为观测站零平面位移高度。
[0065]
根据上面的公式可将单点实测风速数据u
station
剔除局部地形影响，得到全域风气候(global wind climate，gwc)信息u
10,open
，再与cfd模拟结果u
cfd
结合，可计算空间任意点的风速时程信息u(x,i)。公式(2)中的u
10,open
就是全域风气候信息，是剔除了局地地形影响的数据。
[0066]
步骤d.根据风电场空间分布风速和风向时程信息，利用改进遗传算法优化风机排布，获得优化后的风机排布结果。
[0067]
上述风速时程数据未考虑风机之间的尾流效应，由于不同风机排布方案的尾流效应差异非常大，因此需要基于遗传算法对每种风机排布方案分别考虑风机尾流效应，计算风电场的年发电量。但由于传统遗传算法在计算发电量时，将种群中每个个体均进行了计算，且个体的变异率为定值，不利于风机排布方案的全局寻优。因此，提出改进遗传算法对风机排布方案进行优化，详细流程如图2。
[0068]
(d1)参数设置
[0069]
确定风机排布优化涉及的相关参数，如风机参数及算法参数等。需要注意的是，遗传算法将区域划分为等距的网格，并假设每个网格中心有两种可能性，安装风机和不安装风机，分别对应1和0，即“基因”。因此，每个个体对应一种风机排布方案，由一串“基因”组成。
[0070]
(d2)种群初始化
[0071]
种群初始化通过随机的方式给定，每个“基因”随机赋值为0或1。
[0072]
(d3)基于唯一处理计算个体适应度
[0073]
首先，需考虑风机尾流效应，得到折减后的风速时程，计算每个个体的年发电量，结合风电场的建设运维成本，计算个体的适应度。折减风速的相关计算公式如下：
[0074][0075][0076]
式中，v为考虑风机尾流效应后的折减风速时程，u为风速时程数据，c
t
为风机推力系数，kg为与地面粗糙长度有关的尾流扩散率，εg是与风机推力系数相关的参数，s是下游风机离上游的水平距离，d为叶片直径，r为尾流风机中心离上游风机影响区域的径向距离。根据此式，可计算得到每台风机受上游风机尾流影响后的折减风速。由于一台风机可能受多台上游风机影响，因此需再根据能量损失守恒定律，计算每台风机受上游风机群尾流影响后的折减风速。
[0077]
其次，可根据每台风机轮毂高度的风机折减风速，计算每台风机的年发电量，求和即为整个风电场的年发电。
[0078][0079]
式中，aep为风电场的年发电量，n
tur
为风机数量，n为样本长度，p为厂家给定的风机功率曲线，vj为风机折减风速，p
rated
为风机的额定发电功率，nh为样本对应的小时数量，x
turbine
为风机的水平坐标；x
turbine
和前面的x含义相同，加上turbine表示针对风机位置的意思。
[0080]
然后，根据风机排布方案，计算风电场的建设成本，并结合年发电量，确定个体适应度。
[0081]
fitness＝1/objective＝aep/cost
ꢀꢀ
(6)
[0082]
cost＝fcr
×
icc+aoe
ꢀꢀ
(7)
[0083][0084]
式中，fitness表示个体适应度，用单位成本发电量表示，值越大表示结果越好；objective表示目标值，是适应度的倒数；cost表示风电场的建设成本，需考虑初始投资成本icc和年成本aoe；fcr表示折算率，含义为将初始投资成本折算到年成本的系数，与利率和风机运行寿命有关。
[0085]
根据上述计算即可得到种群中每个个体的适应度，然而传统算法是对种群中每个个体均进行计算，耗时极长。由于一段时间迭代后，种群中部分个体会有大量重复，因此针对每个个体均进行计算难以会浪费。本发明提出，对种群先进行唯一处理，得到完全不重复的种群个体，然后再进行适应度的计算，可极大程度增加计算效率。
[0086]
(d4)个体选择
[0087]
适应度越高的个体，被选中的概率越高，用轮盘选择法进行随机选择。
[0088]
(d5)个体交叉
[0089]
为保证将优秀的“基因”(即每个网格点)遗传下来，模仿生物学，对每两个个体进行随机交叉，其内涵即为两个个体对应位置的“基因”进行互换。
[0090]
(d6)基于时变变异率考虑个体变异
[0091]
针对每个个体采用一定的变异率，可以尽量避免陷入局部最优。个体变异通常假定仅有1个“基因”以小概率进行突变，比如由“安装风机”突变为“不安装风机”，或者反过来。传统算法采用常数变异率，通常是0.5％-2％之间，这种处理方式不利于算法的全局寻优。本发明提出随时间变化的变异率，公式如下。
[0092][0093]
式中，p
mut
为时变变异率，iteration为当前迭代的步数，n
iter
为总迭代步数，r1为初始变异率，r2为最终变异率。建议采取r1＝0.5％、r2＝2％，可保证在优化初期尽量将更优的“基因”保存下来，而在优化后期用更高的变异率避免过早陷入局部最优。
[0094]
(d7)判断收敛
[0095]
当计算次数达到设定值时，停止迭代；否则，反复计算步骤(4)-步骤(7)。
[0096]
(d8)输出风机排布方案
[0097]
步骤e.输出得到的风机排布优化方案。
[0098]
还可根据得到的风机排布优化方案，计算风电场的相关参数，包含风电场的年发电量等。
[0099]
优化过程只是为了找到风机排布最优解，计算的参数很少，只算了年发电量；但是确定了最优风机排布方案后，还可以计算尾流损失、风机数量、耗时等。
[0100]
实施例1
[0101]
采用湖南省某风电场为研究对象，采用本发明提出的风机排布优化方法进行风电场微观选址，其地形海拔高度云图如图3所示。
[0102]
针对目标风电场进行全风向rans模拟，结合长期观测风速资料，获取风电场空间分布风速、风向时程信息。然后，分别采用原始遗传算法和改进遗传算法进行风机排布方案优化，两种算法所得排布方案如图4所示，其中图4(a)为始遗传算法的风机排布图，图4(b)为改进遗传算法的的风机排布图。
[0103]
将两种风机排布方案的各项参数进行对比，如表1所示。由表1可知，与原始遗传算法相比，提出的改进遗传算法可减少耗时79％，改善方案排布效果约13％。总体而言，提出的风机排布方案高效算法可大幅减少计算耗时，同时较好地改善了风机排布优化效果。
[0104]
表1风机排布方案参数对比
[0105][0106]
从本实施来看，采用提出的改进遗传算法，在同时考虑风电场发电量和成本的情况下，不仅能将风电场排布效果改善约13％，而且能节约计算耗时约79％。
[0107]
在利用遗传算法对风机排布方案进行优化时，通常计算效率十分低下，本发明提
出针对种群所有个体进行唯一化处理，可大大节省计算耗时，同时提出随时间变化的变异率，可尽量避免优化过程陷入局部最优，本发明提出的方法十分高效，适用于风机排布方案的优化。
[0108]
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。