[发明专利]一种基于数据驱动进化算法的风电机组最优布局方法

说明书

本发明公开了一种基于数据驱动进化算法的风电机组最优布局方法，属于发电、变电或配电的技术领域。本发明以最大化风电场输出功率为目标函数，以风力机之间安全距离，风电场区域限制为约束条件，建立风电场机组布局优化的约束目标优化模型；基于一种改进的参数自适应的差分进化算法求解风电机组布局优化模型，采用机器学习模型广义回归神经网络作为优化目标函数的代理模型，采用数据驱动方法提升进化算法迭代效率。本发明优化效率高，对于复杂的布局优化模型效果显著。

技术领域

本发明涉及风力机微观选址技术，具体涉及一种基于数据驱动进化算法的风电机组最优布局方法，属于发电、变电或配电的技术领域。

背景技术

风力发电是一种技术成熟环境友好且最具规模开发和商业化发展前景的可再生能源发电形式，作为可再生能源主体之一的风电预计长期内仍将保持稳定的增长。

风电场规划中，在风电场区域内合理排布各风力机的位置是必不可少的一环。在风电场中，风力机从风中获取能量的同时会在风力机的下游形成风速下降的尾流区，尾流区沿着风向向下游发展。如果下游风力机位于上游风力机的尾流区域内，下游风力机的输入风速就会低于上游风力机的输入风速，这种被称为尾流效应的现象将影响下风向风力机的效率，进而影响风电场的年发电量，降低了风电场的经济效益。因此，研究风电场的风力机布局优化方法减少尾流损失进而提升风电场产能的目标成为近年来许多学者研究的热点。

目前，风电场机组布局优化方法大都是改进并应用某种启发式算法，随着风电场限制区域扩大及风机数量的增多，风电场布局优化模型朝着精细化准确化的方向发展，优化模型需要考虑更多的约束限制条件且精确计算复杂的目标函数，采用传统的启发式算法将出现计算成本过高和寻优能力欠缺的问题。鉴于此，本发明提出了基于数据驱动进化算法的风电场机组布局优化方法。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供一种基于数据驱动进化算法的风电机组最优布局方法，针对考虑尾流效应并以风电场输出功率为目标函数的风电场布局优化模型，通过参数自适应的差分进化算法减少了风电场布局优化模型的求解时间，解决了现有风电场布局优化模型计算成本高的技术问题。

使用进化算法进化过程中的历史数据建立机器学习模型广义回归神经网络(GRNN)，起到目标函数代理模型的作用。该方法在风力机数量较多的情况下显示出优越性，可以较大地提升风电场的总体产能，有效地提升进化算法的进化速率。

本发明为实现上述发明目的采用如下技术方案：

一种基于数据驱动进化算法的风电机组最优布局方法，包括以下3大步骤。

(1)建立风电场风电机组布局优化模型：

风电场风电机组的最佳布局，以最大化风电场N台风力机的输出功率为优化目标，每台风力机的微观地址以坐标(x_k,y_k)表示，每台风力机的输出功率以P_k表示的。在基于坐标的模型下，前两个约束条件使风机位于风电场限制区域范围内，保证风力机不会离风电场边缘太近，影响附近的马路等工程的建设与运行；第三个约束保证风机k与任何其它风机之间的距离不小于五倍的风机半径R，进而使得相邻的风机不会太相近，避免出现安全事故。

(2)构建参数自适应的差分进化算法(ADE，Adaptive Differential Evolution)：在基本差分进化算法的基础上，依次构建了参数自适应差分进化算法的各主要环节，包括：(21)种群初始化、(22)变异操作、(23)交叉操作、(24)选择操作以及(25)参数自适应机制。

(21)种群初始化：

记初始种群为：