基于遗传算法的风电场优化排布方法研究.docVIP

基于遗传算法的风电场优化排布方法研究 　　摘 要：在风电场设计中，考虑等风速同风向、变风速同风向和变风速变风向三种简化的风流模式，采用修正的尾流模型模拟机组之间尾流的相互干扰效应，使用遗传算法优化风电扬机组的排布，以单位发电量所消耗的成本最低为目标。文章对采用遗传算法进行风电场优化排布的方法进行了研究，建立了数学模型以及求解方法，可为将来真实风场的风机排布提供参考依据。 　　关键词：遗传算法；风电场；尾流模型；优化排布 　　1 概述 　　在风电场场址范围内，考虑由环境引发的自然风的变化及由风机自身引发的风扰动（即尾流因素），如何排列布置风力发电机组，使整个风电场年发电量最大，从而降低能源的生产成本以获得较好的经济效益是风电场设计关注的重要问题。 　　对于范围一定的风电场，如果不考虑风经过风机受到的影响，理论上风场内布置的风机数量越多，平均的单位度电投资越低，风电场的经济性越好。但是当风经过风机后，风轮不仅转化了部分风能，同时对风形成了扰动，导致空气湍流增大，因此在风机下游侧的风速比上游侧会有一定程度的突变减小。经过风机后，随着距离的增加，风速逐渐恢复，其恢复程度与上下游风机的间距有关。如果风机布置过密，风机间的间距太小，经过上游风机影响后的风速来不及恢复，将造成到达下游风机的风速较低，从而导致单位电量效益较小、单位电量投资成本较大，经济性较差。而如果风机布置过于稀疏，同范围下风电场的总装机容量就会过小，同时道路、集电线路等投资成本和运行维护费用均因距离的增加而增高，风电场经济性较差。文章对基于遗传算法的风电场风机优化排布方法进行了研究，建立了数学模型和求解方法，合理确定风机布置数量和布置方案。 　　2 问题研究现状 　　目前国内主要采用商业软件进行风电场的发电量计算，风机的优化排布主要依靠经验，缺乏基本理论的学术研究。对于地形平坦的风电场，当主风向为一个方向时，风机在平行主风向上间距为5D～9D（D为叶轮直径，下同），在垂直主风向间距为3D～5D。 　　在国外，已采用数学建模和优化方法相结合的方法来对风电场微观选址进行优化，例如，1994年Mosetti G等和2005年Grady S A等将风场划分成网格结构，考虑3种不同的风流边界条件，尾流效应的模拟采用Jensen尾流模型，以单位电量所消耗的加权投资成本值最小为目标，应用遗传算法对风电场进行微观选址。 　　Mosettietal.等首次将遗传算法引入到了风电场优化排布问题的研究之中，以单位发电量所消耗的加权成本值为目标函数进行了优化。 　　文章作者建立的数学物理模型如下： 　　（1）假设某风电场为边长2km的方形区域，地表粗糙度取为0.3，风场内布置相同机型的风电机组，轮毂高度为60m，风轮直径为40m。 　　（2）计算时，将风况简化为3种模型入流条件： 　　条件A单风向固定风速，u0=12m/s； 　　条件B多风向固定风速，单位递增角度为10°的36个方向的混合风，平均风速u0=12m/s； 　　条件C多风向多风速，分别设置风速8m/s、12m/s、17m/s，各风速均设有单位递增角度为10°的36个方向，且在270°～350°设置高速风为高频主导风，平均风速u0=12m/s。 　　（3）将该风电场划分为10×10的网状栅格，每个栅格代表一个可能的风机安装区域，单位栅格面积为5倍的风轮直径即200m，在单位栅格中心位置布置风机。以一种风机布置方案作为单一个体，用二进制字符串表示该个体，1代表网格内有风机，0代表网格内无风机。 　　（4）计算采用成本模型，建立风电场的总建设成本与风机个数的函数，同时基于Jensen尾流模型计算风电场的总发电量计算。最终将I=■定为目标函数进行优化，并以单位发电量成本最低为优化目标。 　　采用遗传算法对目标函数进行优化。在初始状态由程序随机生成600个个体组成初始群体，依次进行个体适应度评价、选择运算、交叉运算、变异运算得到20个最优子代，再循环计算，直至函数收敛得出最优解，即得出目标函数的最小值。为了充分计算以寻找最优解，优化时终止进化代数分别取情景A为3000、情景B为3000、情景C为2500。 　　3 数学模型的构建 　　风电场风机优化布置的数学模型分为以下四个部分：（1）尾流模型；（2）风机成本-效益模型；（3）风电场增量装机效益评价模型；（4）遗传算法求解模型。其中尾流效应的模拟是整个风电场发电量效益预测的基础，其合理性将直接影响到风电场效益估算的正确性。风电场风机成本-效益模型结合尾流模型对发电量效益进行估算，对投资成本进行估算，其合理性影响经济性评价结论。风电场增量装机效益评价方法通过对不同风机布置方案进行对比分析，而遗传算法求解模型则作为一种获取最优风机布置方案的手段，推动增量装机效益