[发明专利]一种基于遗传算法求解风机功率曲线参数模型的改进方法

说明书

技术领域

本发明属于风力发电技术领域，尤其是涉及一种基于遗传算法求解风机功率曲线参数模型的改进方法。

背景技术

目前，随着国家新能源发展战略的提出和实施，我国风电产业进入跨越式发展的阶段。风力发电技术在我国的快速发展，致使风电在我国发电总量中比重逐年增加，风力发电占供电比重迅速增长，风电装机容量也逐年攀升。

其中，风电机组功率特性曲线是考核机组性能、评估机组发电能力和预测年发电量的一项重要指标。风电机组功率特性曲线描述了风电组输出有功功率与风速之间的关系，本质上反映了风电机组的性能；不仅如此，风力发电机组的功率曲线在风场经济性分析活动中也具有重要作用，它不仅能验证风机运行状况是否在厂家标称值以内，还能对比各风机横向数据，早期发现问题，加以排查，减少电量损失。此外，基于实测数据的功率曲线建模还可以提高风电功率预测系统的精度。

风电机组功率曲线模型主要包括参数模型和非参数模型，所谓非参数模型是指系统的数学模型中非显式地包含可估参数，该非参数模型通常以响应曲线或离散值形式表示；而参数模型指用代数方程、微分方程、微分方程组以及传递函数等描述的模型，建立参数模型就在于确定已知模型结构中的各个参数。相比而言，非参数模型在实时控制和适应性控制方面没有形式简单的参数模型使用方便。

遗传算法是采用类似自然界生物遗传的方法，通过模拟自然界对生物的选择，产生适者生存、优胜劣汰的效果，进而实现优化。

自然界对生物的选择作用与生物的适应性紧密相关，生物对自然界的适应能力的强弱决定着其在自然界中的生存机率，适应度低的个体逐渐遭到淘汰，适应度高的个体多数得以生存，经过代代繁衍，生物种群会朝向适应度高的方向发展，总体特征表现为生物体整体的适应性提高，呈现进化趋势。生物的适应性是生物对外习性的体现，对内就体现为生物基因对生物性状的控制。遗传算法模拟自然界生物进化的方法，将待优化问题转化成类似自然界的优胜劣汰的问题，模拟自然选择，选出最优解。

遗传算法将待优化问题中的参变量通过一定规则转换成一组二进制基因序列，一个基因序列代表一个个体，后随机生成多组序列，形成初始种群。通过制定适应度函数、评价函数、设立约束条件等方式来模拟自然界环境对生物的约束，对自然界适应性强弱与基因转化成的参数带入适应度函数所得适应度函数值呈正相关。适应度函数值决定着个体在筛选过程中被保留的机率，适应度越高，被保留机率越大。经过代代遗传，层层筛选，适应度高的个体最终得以保留，适应度低的个体遭到淘汰，最终使得种群基因逐渐趋近最优解，从而实现对任务要求类型的最优化。

对种群基因进行的遗传操作主要有三种：复制、交叉、变异。复制操作是指单个基因的完整保留并进入下一代，个体是否被执行复制操作的判断依据是其适应度值，适应度函数值越高，个体对自然界环境的适应能力越强，能复制进入下一代的机率越大。交叉操作类似于自然界中的生物体交配产生新个体，交叉主体是一对个体的基因，过程是两个个体基因的部分交换，交换根据一定原则进行。变异操作类似于自然界中的基因突变，在遗传算法中主要体现为用于表示基因的数字串上某单点或多点数值的改变，通过这种改变来达到对基因体的改变。在遗传算法中会制定相应的交叉算子、变异算子等。交叉算子用来指定进行交叉操作的个体，并决定个体基因序列中互换的位置；变异算子的作用是决定变异的个体，并决定变异发生在基因串上的位置。

复制、遗传、变异等操作产生了新一代种群，之后计算新种群的适应度函数值和评价函数值，再进行复制、遗传、变异等操作，如此循环，直至满足优化目标。遗传算法的迭代终止条件可以是使种群整体的适应度值满足某个具体要求，也可以是满足具体迭代代数，最终输出的最优解即为优化结果。由于遗传算法的特点，种群数目多数情况比较庞大，适应度函数和评价函数的复杂程度与计算执行时间有直接关系，种群个体数量达到一定值时，一代种群的适应度函数值和评价函数值的计算可能会可提升至秒级甚至分钟级。这样重复地进行几百代甚至几千代的函数值计算，所耗时长将会相当巨大。因此精简计算、缩短计算时间、提高算法执行效率是十分必要的。

遗传算法具体实现流程为：

A.根据待优化问题生成约束函数、目标函数和输出解；

B.随机生成一个种群；

C.计算种群的适应度值；

D.判断是否满足收敛条件或最大代数：是，输出最优解；否，生成新种群返回执行C；

通过对每一代的基因选择，在重复有限次的迭代后，生成的新个体会具有足够高的适应度，从而达到优化目的。