基于粒子群算法的风电场微观选址优化方法研究

风电场微观优化选址是根据给定风电场的风向、风速、地形、地貌以及风机特性，确定风机数量和位置，从而使整个风电场产能最优，同时满足其他经济、社会或环境指标的要求。本课题建立微观选址优化问题的数学模型，首次应用粒子群优化算法进行微观选址的优化研究，以实现风机组的最优布局，提高风电场发电量和经济效益。此外，本课题针对微观选址问题的特点，从中提炼关键问题，对粒子群优化算法的约束处理技术、初始解产生方式及变异方式进行理论探索，并最终应用于微观选址优化研究。

风电场微观优化选址是根据给定风电场的风向、风速、地形、地貌以及风机特性，确定风机数量和位置，从而使整个风电场产能最优，同时满足其他经济、社会或环境指标的要求。本课题建立了微观选址优化问题的数学模型，首次应用粒子群优化算法进行微观选址的优化研究，实现了风机组的最优布局，提高了风电场发电量和经济效益。此外，本课题还针对微观选址问题的特点，从中提炼了关键问题，对粒子群优化算法的约束处理技术、初始解产生方式及变异方式进行理论探索，并最终应用于微观选址优化研究。本课题主要的研究工作和创新成果如下：.1. 改进了用于微观选址的风电场数学模型。该模型考虑了风能的全年变化特性、风机尾流的三维描述以及风机功率曲线，解决了先前研究中风能特征描述简单、风机尾流影响两维描述和风机能量变换过于简化的问题，提高了服务于优化算法的模型的精度和可靠性。.2. 提出了连续空间微观选址优化方法。该方法基于上述改进的风电场模型，以风电场发电量最大为优化目标，以风机之间的最小允许距离为约束条件，在连续空间进行风机的优化排布。与前人研究中采用的离散网格微观选址优化方法相比，该方法大幅度提高了风机选址的自由度，从而提高了优化性能。.3. 提出了基于收缩因子粒子群的微观选址算法。针对微观选址优化问题的非解析、多约束的特点，提出基于收缩因子形式粒子群的静态评价粒子群算法、动态评价粒子群算法和高斯变异粒子群算法。与已有的经验算法和离散网格算法相比，该算法大幅度提高了微观选址方案的风能利用效率，特别适用于风机台数少或排布稀疏的风电场。.4. 提出了高斯粒子群微观选址算法。针对排布密集风电场风机尾流强耦合的问题，该算法利用差分进化较强的局部搜索能力，提出基于差分变异和差分局部搜索的高斯粒子群的优化迭代。与上述基于收缩因子粒子群的算法相比，该算法显著提高了微观选址优化的性能和鲁棒性。