微观选址优化

贪婪算法优化

该方法实现了对风电场中风力机布局的自动优化,目标是最大化发电功率或者最小化投入产出比。传统的遗传算法虽然对于很多优化问题都十分有效,但它需要一个大规模的种群以及上百代的进化过程,在复杂地形上应用时计算量较大。而仿生方法则是贪婪算法的基本思想,能够比较快速地结合流场计算结果和风力机尾流模型,对复杂地形上风电场中的风力机布局进行自动优化,减小尾流干扰,提高发电效率。我们的相关论文:

在优化算法中应用了我们还开发的反尾流模型,该模型通过模拟虚拟的反向尾流,确定各风力机的依赖区域,从而使得风力机能够在尽量避开其它风力机尾流的同时,避免自身尾流影响其它风力机。我们的以下两篇论文分别介绍了反尾流模型在平坦地形和复杂地形上的应用。

上述反尾流模型的主要作用在于,在尝试添加新风力机的阶段,能够在不计算新风力机尾流的情况下,预先评估新风力机对原有风力机的影响。在未采用此模型的贪婪算法中,仅考虑了新风力机受到的尾流影响。如果要在原始的贪婪算法中考虑新风力机对其它风力机的影响,一般来说需要遍历所有可用位置,这将耗费巨大的计算量。然而,若所优化的问题满足“子模”属性,则可利用懒惰贪婪算法快速寻找最优位置。我们在下面的论文中简要分析了风电场微观选址优化问题满足“子模”属性的情况,并利用懒惰贪婪算法进行了风力机布局的优化。

平坦地形算例

与虚拟粒子尾流模型相结合的仿生优化方法,虽然其宗旨是在复杂地形上优化风力机布局,但是它也是能够在平坦地形上使用的。下面是与以往算法的优化结果的比较,风况是36个方向均为12m/s。

优化方法 以往算法 贪婪算法
优化得到的布局
采用线性模型计算发电量 17241千瓦 17467千瓦(提高1.3%)
采用粒子模型计算发电量 17405千瓦 18003千瓦(提高3.4%)

复杂地形算例

线性模型不能在复杂地形上使用,这里采用贪婪算法和粒子模型进行优化,得到的结果如下。

风况 单风向(X轴正向) 12m/s 36个风向 均匀分布 12m/s
优化得到的布局
采用粒子模型计算发电功率 16520千瓦 18127千瓦

计算速度快

由于采用了虚拟粒子模型,优化网格仅用于统计粒子数目,增加网格数目并不会显著增加计算量。因此本方法的空间精度可以非常高(甚至与实数编码的遗传算法相媲美),但计算速度仍然很快。以下是测试结果。

优化网格数 30×30 50×50 70×70 90×90 110×110 130×130
得到布局的发电功率(千瓦) 15996 16520 16576 16553 16628 16544
计算耗时(秒) 41.6 42.2 42.9 43.0 44.0 44.8

粒子群算法

我们将高斯粒子群算法应用于风电场微观选址优化,并提出了若干算法改进方案:

不规则区域

本方法可以适用任何边界形状的区域,区域与区域还可以嵌套(例如:一块区域内部可挖掉若干块,再里面又可填充若干小块)。互不相连的区域之间也会计算尾流影响。

详情请看我们的论文:

编码方式和网格划分

在应用各种优化方法的过程中,风电场布局方案可用实数方式或二进制方式编码。实数编码是直接包含了各台风力机的空间坐标。而二进制编码则是先将风电场区域离散化为网格,再依次用0或1表示网格节点上是否安装风力机。实数编码覆盖了更为广阔的搜索范围,理论上能够找到更好的解,但需要首先固定风力机数目。二进制编码的优化结果依赖于网格的精度和形式,但它可以自动寻找最佳风力机数目。我们开发了结合二者的组合编码方式,可以综合二者的优点。详细内容请看我们的论文:

  • Binary-real coding genetic algorithm for wind turbine positioning in wind farm. Journal of Renewable and Sustainable Energy 6:053115, 2014.
    http://dx.doi.org/10.1063/1.4896599

对于二进制编码而言,网格的选取是一个重要环节,我们分析了各种网格形式对优化结果的影响。详情请参考我们的论文:

风向敏感性问题

由于风力机尾流干扰,即使在平坦地形上,在不同风向下,同一风电场的发电功率也可能有较大变化。为了降低在风向脉动时发电量的波动,在优化风电场风力机布局时,不仅要考虑总发电功率最大,还要考虑在风向变化时发电功率变化尽量平缓。由于尾流模型计算量大,同时对大量不同风向进行综合优化将耗费很大计算机内存和时间。据此我们提出了一种近似且快速的方法,在采用任意其它优化方法(以最大化发电功率为目标)得到风力机布局之后,利用粒子群算法进行风力机位置微调,在几乎不影响平均发电功率的情况下,大大降低风电场整体发电功率对于来风方向的敏感性。详情请看我们的论文:

三维优化

通过混用不同塔架高度的风力机,更加充分地利用整个三维空间中的风能资源,适用于如下情形:

  1. 已经有建好的大型风电场,在其中插播小型风力机,在不影响原有风力机的情况下,进一步增加总发电功率。
  2. 混用多种型号的风力机,利用三维空间的特点,进一步减小尾流干扰,提高发电效率。
  3. 如果风力机轮毂高度可以在生产时各不相同,则可以更加自由地在三维空间中排布风机,优化算法也有可能找到更好地方案。

在以上所有的情形中,由于风力机高度可变,均包含了成本因素考虑,得到的结果能够综合考虑投入与产出。我们的如下两篇论文分别阐述了我们提出的用于三维微观选址优化的拟合法和迭代法:

风电场道路设计

我们提出了基于等高线的风电场路网自动优化算法,能够配合微观选址优化算法,在优化风力机位置的同时生成最优路网设计,以降低道路建设成本。

微观选址优化.txt · 最后更改: 2016/01/14 13:49 由 smx