[发明专利]带罚函数粒子群算法的分散式风电场微观选址系统

权利要求书

1.带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：

包括风电场信息采集单元、风电场风功率预测单元、风机站选址定位单元；风电场信息采集单元是由上位机与图像处理芯片相连，风速仪与A/D转换器相连，A/D转换器与上位机相连。

2.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的上位机安装有Google Earth；图像处理芯片采用SPCA563B；风速仪为富源飞科FY-CW2风速风向仪；A/D转换器采用89C51单片机与德州仪器TLC0831模数转换芯片。

3.根据权利要求2所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的SPCA563B的USB接口与上位机的USB接口相连，进行双向通信，FY-CW2风速风向仪与89C51的USB接口相连；TLC0831模数转换芯片嵌入89C51单片机中，89C51单片机与上位机的USB接口相连。

4.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的风电场信息采集单元，在确定拟建风电场区域情况下，用于收集拟建风电场地区风速风向数据，拟建风电场地区粗糙度数据，障碍物数据，地形数据。

5.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的风电场的数据采集单元，利用上位机安装的Google Earth采集拟建风电场地区的地表实时信息，将采集到的图片传输至图像处理芯片进行处理，得到拟建风电场地区粗糙度数据，障碍物数据，地形数据等，再将这些数据传递给上位机进行保存；利用风速风向仪采集到的测风点风数据，经由A/D转换器转换成数字信号，传递给上位机进行保存。

6.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的风电场风功率预测单元，用于风功率预测，在全面考虑粗糙度、障碍物、地形高程、尾流作用等因素对风速影响后，对风电场各个点风速进行预测，结合风机功率曲线，得到风电场的各点的风功率密度。

7.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的风电场的风功率预测单元，以风场数据采集单元得到的拟建风电场风向风速的数据为基础，综合考虑影响风速的各种因素，给出了影响风速各因素的具体物理模型和受影响后的风速变化公式，根据测风点的风速风向数据预测拟建风电场各个点的风数据，根据风机功率曲线得到各点的风功率，由各点的风功率得到风电场总的输出功率。

8.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的风机站选址定位单元，是将基于带罚函数的双适应值粒子群算法应用于分散式风电场风机站的优化定位，提出利用风机站最小间隔、风电场噪声影响作为约束条件，以该约束条件为第一适应值；分散式风电场风机站设立是在变电站附近有个最优范围的，以超出分散式风机站最优范围作为罚函数，该罚函数与风电场年发电量结合成为目标函数，以该目标函数为第二适应值对风机站进行优化定位。

9.根据权利要求1所述的带罚函数粒子群算法的分散式风电场微观选址系统，其特征是：所述的风机站选址定位单元，提出一种基于带罚函数的双适应值粒子群算法对各个风机站进行优化定位，以风机间最小间距和风电场的噪声影响为约束条件，以该约束条件为第一适应值；以带有罚函数的风电场年发电功率为目标函数，以该目标函数为第二适应值，然后利用带约束的粒子群算法对风机站位置进行迭代优化，最终得到风机站的优化定位；

其中带罚函数的双适应值粒子群速度位置更新方程为：

vi(t+1)=ωvi(t)+c1r1(zip(t)-zi(t))+c2r2(zig(t)-zi(t))v<vmaxzi(t+1)=zi(t)+vi(t+1)zmin<z<zmax---(1);]]>

式中：v_i(t+1)为第t+1代粒子的更新速度，z_i(t+1)表示第t+1代粒子的位置，ω为标准粒子群速度更新公式的权重，c₁c₂为学习因子，r₁、r₂为范围（0,1）的随机变量，为个体i的个体最优位置和全局最优位置，z_min、z_max为种群位置上下限，v_max为最大速度；

第一适应值，即风机站位置约束条件为：

f(z)=(xa-xb)2+(ya-yb)2-dmin2≥0Xmin≤xa,xb≤Xmax,Ymin≤ya,yb≤YmaxLA(r)(xa,ya)≤Llimit∀a≠b,a,b∈{1,...N}---(2);]]>

式中：f(z)为风机位置约束不等式组，（x_a，x_b），（y_a，y_b）分别为风机a，风机b的坐标，X_min、X_max为风电场横向坐标的上下限，Y_min、Y_max为风电场坐标位置的上下限，d_min为风机间最小距离，L_A(r)(x_a,y_a)为距风机a距离r处的风机噪声，L_limit为风机噪声影响限值；

第二适应值，即带有罚函数的风电场的输出功率为：

P(N)=Σp=1Mρp[ΣiN∫vinvoutc(v)Pi(vnp)dv]+KΣiM[|Xi|+|Yi|]---(3);]]>

式中：为风电场的输出功率，为罚函数，|X_i|+|Y_i|为第i台风机到最优位置的距离；

带罚函数的双适应值粒子群算法进行风机站定位步骤如下：

步骤1：设置种群参数。包括种群规模N，种群位置上下限（X_max，Y_max）、（X_min，Y_min），最大速度v_max，最大迭代次数T_max，粒子群速度位置更新公式权重、学习因子，最优值误差限ε等；

步骤2：获得满足第一适应值的初始位置z(t)和速度v(t)；随机初始化种群每个个体的初始位置z_i和速度v_i，根据约束条件f(z)计算每个个体的第一适应值，如果该个体满足约足约束，记为f(z)＝0；如果该个体不满足约束，记为f(z)≠0，如果某一个体f(z)＝0，则该个体可作为初始位置，初始速度不变，如果某一个体f(z)≠0，则按照公式（1）对该个体的速度位置进行更新，直到其满足f(z)＝0，至此，获得满足第一适应值的初始种群位置z(t)和速度v(t)；

步骤3：种群迭代过程；通过公式（1）更新种群中每个个体的速度位置，获得新种群位置z(t+1)和速度v(t+1)。若某个个体f(z_i)=0，则继续，若f(z_i)≠0，则按照公式（1）对该个体的速度位置进行更新，直到其满足f(z_i)＝0；

将满足第一适应值的z(t+1)与粒子自身经历最好位置和种群经历的最好位置进行比较，对于∀zi(t+1)∈z(t+1),]]>如果Pi(zi(t+1))>P(zip(t))]]>则有zip(t+1)=zi(t+1),]]>即单个个体最优位置被改进，否则zip(t+1)=zip(t),]]>即单个个体最优位置不变；如果P_N(z_i(t+1))＞P_N(z^g(t))，则有z^g(t+1)＝z_i(t+1)，即种群经历最好位置被改进，否则z^g(t+1)＝z_i(t)，即种群经历最好位置不变；

步骤4：对收敛条件进行判断；当最终最优值(ε为最优值误差限）时，停止迭代，输出优化结果或者满足如果t+1＝T_max，也将停止迭代，输出优化结果，否则继续迭代，转至步骤3；

输出的优化结果为满足风机站位置约束条件且风电场年输出功率最大的风电场各风机站优化的位置坐标。