[发明专利]一种基于遗传算法的风电场选址方法及装置

说明书

本发明公开了一种基于遗传算法的风电场选址方法及装置，方法包括：S1.建立风电场区域的流场模型，得到风电场的全场空间流场分布；S2.生成风电机组的建设参数，每台风电机组的建设参数构成一条染色体；S3.计算染色体的适应度，并根据每个染色体的适应度计算风电场的全局最优度；S4.判断是否满足预设的收敛条件，是则输出染色体的建设参数作为风电场的选址方案，否则将染色体作为父代染色体群，生成子代染色体，并跳转至步骤S3。具有可实现对风电场区域实现全面搜索，提高风电机组选址位置的精度，以及位置与风电机组的机型、轮毂高度的匹配程序，实现深度优化，有可效提高风电场选址优化效率，实用性好，扩展性高等优点。

技术领域

本发明涉及风电场选址技术领域，尤其涉及一种基于遗传算法的风电场选址方法及装置，特别适合于对风电场的微观选址优化。

背景技术

风能是一种无污染、可再生的新能源，在能源紧缺和传统能源对环境污染严重的现代社会，风电产业成为大力发展的新能源产业之一。风电场微观选址是风电产业合理规划的必要步骤，主要任务是根据具体风电场地形地貌条件和实测风资源情况计算得到全场风资源分布，以此为依据考虑各种限制条件进行风机选型和机位选点设计工作。优秀的微观选址可以使整个风电场具有较好的经济效益，国内外的经验教训表明，风电场微观选址的失误造成的发电量损失和增加的维护费用将远大于对场址进行详细分析、调研的费用。随着国内风资源开发的不断推进，新开发项目风资源条件逐渐变差，不少项目投资评价都处于具备可行性的边缘，因此越来越考验前期的微观选址方案设计。

目前国内风电场微观选址及优化工作主要采用Meteodyn WT和WindSim等软件进行CFD流场模拟及风资源计算，再由人工参与或借用Windfarmer、OpenWind等软件展开微观选址优化工作。但以上过程均不是以风电场投入与产出综合评价为优化目标，亦不能实现机位坐标、机型(单机容量、叶轮直径)、轮毂高度多维度协同考虑综合优化，存在需要大量人工分析介入、优化深度不足等问题。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种可实现对风电场区域实现全面搜索，提高风电机组选址位置的精度，以及位置与风电机组的机型、轮毂高度的匹配程序，实现深度优化，有可效提高风电场选址优化效率，实用性好，扩展性高的于遗传算法的风电场选址方法及装置。

为解决上述技术问题，本发明提出的技术方案为：一种基于遗传算法的风电场选址方法，包括如下步骤：

S1.建立风电场区域的流场模型，得到风电场的全场空间流场分布；

S2.生成风电机组的建设参数，每台风电机组的建设参数构成一条染色体；

S3.计算染色体的适应度，并根据每个染色体的适应度计算风电场的全局最优度；

S4.根据所述全局最优度判断是否满足预设的收敛条件，是则输出染色体的建设参数作为风电场的选址方案，否则将染色体作为父代染色体群，执行交叉、变异操作，生成子代染色体，并跳转至步骤S3。

进一步地，步骤S1中所述流场模型是以CFD流场模拟为基础进行建模而确定。

进一步地，步骤S2中所述建设参数包括风电机组的建设位置、单机容量、叶轮直径、轮毂高度。

进一步地，所述建设位置为所述流场模型中的纵坐标值及横坐标值。

进一步地，步骤S2中所述建设参数的生成满足预设的限制条件，所述限制条件包括：所述建设位置位于预设的建设区域内，和/或所述单机容量满足预设的容量范围，和/或所述叶轮直径满足预设的直径范围，和/或所述轮毂高度满足预设的高度范围，和/或相邻两台风电机组之间的距离满足预设的距离范围。

进一步地，所述染色体的适应度为风电场度电成本的倒数。

进一步地，所述染色体的适应度如式(1)所示：