一种基于改进NSGA-Ⅲ的风电机组布局优化方法

本发明属于风电场微观选址，具体涉及一种基于改进nsga-ⅲ的风电机组布局优化方法。

背景技术：

1、在全球变暖和空气污染的背景下，利用可再生能源对于减缓温室效应至关重要。在各种可再生能源中，风能是最有前途的替代能源之一并且风力发电是世界上发展最快的绿色能源技术。在风电场的开发与建设中，风机的微观选址关系着风电场中所有风机的发电效率，尾流效应是影响风电场发电效率的主要因素，上游风力涡轮机从风中提取能量导致其扫过区域后面的风速不足，这损害了下游风力涡轮机的能量捕获。因此，确定风力涡轮机的位置以最大化风电场的功率输出非常重要，这通常被称为布局优化或微观选址问题。风机微观选址问题通常可分为网格模型和坐标模型。在网格模型中，风电场的规划区域被划分为一组小单元，单元格中心是安装风机的潜在点。风电场微观选址优化问题是由mosetti等人首先提出和制定的，并设计了一种遗传算法来解决这个问题，优化的目标是以最低的成本产生最大的电能。为使每个风力涡轮机的尾流损失均匀，提高所有风力涡轮机的运行稳定性，yang等人提出一个新的模型，并采用模拟退火算法进行风电场布局优化，优化目标为总发电量。针对规则对称的山地地形风电场布局问题，田琳琳等人采用修正的jensen尾流模型并根据实际工程经验对风电场的年运行成本进行数学建模，基于非支配排序遗传算法-ⅱ(nsga-ⅱ)进行优化，优化目标为年发电量和年运行成本。chen等人对一维风电场和简单风力条件进行了研究，使用遗传算法对不同高度的风力涡轮机在恒风速和方向、恒风速和不同风向以及不同风速和方向进行风力发电场布局优化，优化目标为总发电量。考虑到涡轮尾流内部的湍流，gao等人开发了一个新的湍流模型，并在此基础上对jensen–gaussian尾流模型进行了改进和验证，然后基于多种群遗传算法(mpga)，将2djensen-gaussian尾流模型应用于风电场中的风力涡轮机布局优化过程，优化目标为总发电量和效率。针对风电场布局的效率问题，moreno等人提出了一种新颖的基于闪电搜索算法的多目标风力发电场布局设计方法，同时考虑了年发电量、风电场总面积和风电场尾迹效应损失三个目标的最小化。有研究学者指出风电场在布局时应考虑对周边环境的影响，kwong等人首次将噪音作为一个目标而不是作为约束来优化，同时采用遗传算法来求解，优化目标为年发电量和噪音。为优化风电场噪音问题，wu等人针对不同场景下的问题分别提出了严格的噪声控制策略和经济补偿控制策略来构建模型，并采用基本粒子群算法及其改进版本来求解；cao等人建立了一个数值优化框架，提出对风电场周围的噪声辐射进行了数值模拟，采用nsga-ii进行求解，优化目标为年发电量和噪声。

2、目前对风电机组布局优化问题的研究主要集中在投资成本和发电量；风电场产生的噪声在之前大多数研究中都是作为一种约束包含在优化模型中。而随着风电场应用的场景越来越复杂，需要考虑更多的目标和约束。风电场微观选址优化问题研究是一项具有挑战性的工作，智能优化方法是求解该类问题的一种很有潜力的方法，然而目前在优化算法方面针对风电场微观选址进行改进的算法较少，鉴于多约束多目标风电场微观选址问题的搜索空间存在多个不可行区域，传统的多目标优化方法很难以达到理想效果。

3、因此，为了克服现有技术中的缺陷，本发明提出了一种基于改进nsga-ⅲ的风电机组布局优化方法。

技术实现思路

1、本发明目的在于克服上述现有研究和技术存在的问题和缺陷，综合考虑了风电场年发电量、总投资成本以及噪声多个目标进行风电机组布局优化，同时对nsga-ⅲ进行改进，提出了多种群nsga-ⅲ(mpnsga-ⅲ)，其在速度和求解质量上都比nsga-ⅲ更有效，实现多种群的协同进化，避免求解多目标优化问题时容易陷入局部最小值的缺点，保持解的多样性，mpnsga-ⅲ最优解是多种群的综合结果，可以获取具有效益更佳的风电机组布局。

2、本发明的目的通过以下的技术方案实现：一种基于改进nsga-ⅲ的风电机组布局优化方法，该方法包括以下具体步骤：

3、步骤1：构建出风电场的风电机组布局优化模型；

4、

5、风电场风电机组的最佳布局，以最大化风电场nwt台风电机组的年发电量，最小化风电场总投资成本以及风电场噪声为优化目标，每台风力机的微观地址以坐标(xi,yi)表示，风电场的年发电量以paep表示，风电场总投资成本以ctotal表示，风电场噪声以lnoise表示。前两个约束条件使风机位于风电场限制区域范围内，xmin,xmax,ymin和ymax分别是风电场规划区域的下限和上限；第三个约束保证风电机组之间的距离不小于十倍的风机半径rr。

6、步骤2：初始化三个种群为p1[x1…xn],p2[y1…yn],p3[z1…zn]；设置种群最大迭代数gmax；每个种群中的个体就是一个风电机组布局；

7、步骤3：在多个种群中找出满足步骤1中约束的所有个体的集合x＝{x1,x2,x3,…}。每个xn∈x包含wt坐标(x,y)；

8、步骤4：评估多个种群中每个xn∈x的风电机组布局优化模型{paep ctotal lnoise}中的三个目标，计算三个目标的适应度值；

9、步骤5：在多个种群中同时根据{paep ctotal lnoise}将ⅹ映射到帕累托(pareto)前沿，通过非支配排序方法生成各种群中的pareto最优解集

10、步骤6：将各种群所得出的帕累托最优集进行非支配排序得到的最终解集作为风电机组布局方案，在达到gmax前跳转执行步骤3至步骤6。

技术特征：

1.一种基于改进nsga-ⅲ的风电机组布局优化方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的方法，其特征在于：所述的构建出风电场的风电机组布局优化模型，包括：

3.根据权利要求1任一项所述的方法，其特征在于：所述初始化三个种群为p1[x1…xn],p2[y1…yn],p3[z1…zn]；设置种群最大迭代数gmax；每个种群中的个体就是一个风电机组布局；三个种群的交叉方式均采用单点交叉，变异概率分别为0.025，0.05，0.1。

4.根据权利要求1至3任一项所述的方法，其特征在于：所述在多个种群中找出满足权利要求1中约束的所有个体的集合x＝{x1，x2，x3，...}；每个xn∈x包含wt坐标(x,y)；其中集合x就是一组风电机组布局方式。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述评估多个种群中每个xn∈x的风电机组布局优化模型{paep ctotal lnoise}中的三个目标，计算三个目标的适应度值。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述在多个种群中根据{paepctotal lnoise}将ⅹ映射到帕累托(pareto)前沿，通过非支配排序方法生成pareto最优解集

7.根据权利要求1至6任一项所述的方法，其特征在于，所述将各种群所得出的帕累托最优集进行非支配排序得到的最终解集作为风电机组布局方案，在达到gmax前跳转至步骤3执行。

技术总结
一种基于改进NSGA‑Ⅲ的风电机组布局优化方法，通过对风电场年发电量、总投资成本以及噪声多个目标进行风电机组布局优化，在速度和求解质量上都比NSGA‑Ⅲ更有效，实现多种群的协同进化，避免求解多目标优化问题时容易陷入局部最小值的缺点，保持解的多样性，MPNSGA‑Ⅲ最优解是多种群的综合结果，可以获取具有效益更佳的风电机组布局。本发明对比了NSGA‑Ⅲ和MPNSGA‑Ⅲ在具体实施例中风电机组布局优化的结果，验证了MPNSGA‑Ⅲ在风电场风电机组布局优化中的有效性。研究表明，MPNSGA‑Ⅲ的最佳结果在每个目标上都优于NSGA‑Ⅲ，其中年发电量增加了约10104MW，投资总成本每天节省约约为276欧元，噪声值也降低了35.94dB。当确定风电场边界并获得风力条件时，MPNSGA‑Ⅲ可以应用于任何实际风电场中的风电机组布局优化。

技术研发人员：董明刚,刘琼
受保护的技术使用者：桂林理工大学
技术研发日：
技术公布日：2024/1/13