遺傳算法在風電場優化設計中的應用——以華能哈密煙墩風電場項目為例

□張亞洲

在宏觀選址及風場容量確定的情況下，風機排布是評價風場項目經濟性的一個重要指標。風場優化布置過程中，需要綜合考慮風場容量、最優發電量、機組安全性及成本等因素。不論海上陸上，還是不同地形地貌及敏感性環境的風場，微觀選址中，在滿足環評、安全性及成本的要求下，需要反復進行風機排布優化及評價。目前風機排布大多依賴風資源評估軟件和經驗，他們共同點是使用Jackson -Hunt 或者CFD 模型來生成風圖譜文件進行優化，而且其優化大多是局部最優。傳統經驗一般在垂直于主風向列距采用3 到5 倍葉輪直徑，主風向行距采用5 到10 倍葉輪直徑。而采用遺傳算法這種方式后，可以找到最優排布，能得到風電場全局最優發電量結果。本文以華能哈密煙墩風電場項目作為研究對象，探索風場排布的新方法，以提高風場發電量并創造良好的經濟效益。

一、遺傳算法的技術原理及其主要用途

遺傳算法不同于傳統風場優化排布方法，該算法基于風電場測量風速進行相對高度指數模型校正，得到風機點位處輪轂高度風速;利用BLADE 軟件計算風場空氣密度下滿足計算精度的離散化功率曲線;采用修正的PARK 尾流模型，處于多臺風機影響中的機組尾流計算采用差方累加方式，部分影響的機組尾流計算采用面積系數法修正;以風機坐標為目標的實數編碼代替二進制編碼，用風場總的發電量為目標函數;使用MATLAB 中遺傳算法庫，得出最優微觀選址結果。

二、遺傳算法在風電場優化設計應用中的創新點

將遺傳算法應用于風電場微觀選址，使風電場最終優化布局更加優化。遺傳算法應用于華能哈密煙墩風電場項目，具體表現出如下幾點創新:

(一)采用遺傳算法進行風電場排布優化。傳統算法的搜索方式屬于單點搜索，而遺傳算法具有同時處理群體中多個個體及良好的全局搜索特性，可以解決不連續、不可微和非線性的問題。將該算法應用于風電場風機排布，可以獲得綜合的最優發電量結果，更加滿足工程要求。

(二)采用實數編碼方式。編碼前需要將風場進行網格劃分，以華能哈密煙墩風場項目為例，風場范圍為6km×8km的矩形區域，風場需要排布67 臺SL3000/113/90 風電機組，若網格劃分精度為25 米，則共有76，800 個網格。每個網格均可放置風機點位。遺傳算法多采用二進制編碼，而若采取該方式，每個個體基因長度為76，800 點。本文探索出采用實數編碼方式，原理是將每個風機坐標作為個體基因，這時基因長度僅僅為67 點，顯然采用實數編碼比二進制編碼基因長度大大減少，節約了大量計算時間。

(三)選用修正PARK 模型。尾流模型對整場發電量評估結果準確性十分重要，合適的模型需要兼顧滿足風機尾流實際情況和計算機資源限制。本文選用修正PARK 模型，該模型已通過風洞試驗驗證，計算精度優于傳統PARK 模型，更適合應用風電場排布優化。

(四)目標函數是風場的整體發電量最優。目標函數的選擇對風電場排布優化結果至關重要。本文研究的創新點之一，在于提出對各個風向扇區分別進行風速分布與功率曲線積分，然后再對各個風向扇區進行積分，最后采用所有風機發電量求和的方法來定義目標函數，計算結果更加準確。

圖1 華能煙墩風電場原優化排布

三、遺傳算法應用于風電場優化設計中的成效分析

(一)遺傳算法在華能哈密煙墩風場排布中的優化設計。采用遺傳算法對華能哈密煙墩風電場項目進行優化，在實際運行中取得了一定的成效。如圖1、2 所示，分別是華能哈密煙墩風電場項目，風電場原優化排布和原優化布置場區內理論集電線路。

圖2 原優化布置場區內理論集電線路

通過應用遺傳算法對其進行優化設計，風電場實現如圖3、4 所示的新排布。

圖3 應用遺傳算法后風電場排布

圖4 遺傳算法優化排布后風電場區內理論集電線路

(二)華能哈密煙墩風電場項目優化前后的成效比對。采用遺傳算法對風電場結果重新排布，經過比較，優化之后的華能哈密煙墩風電場項目，發電量有了一定的提升;尾流損失系數降低等，具體如表1 所示。通過表1 可以看出，采用遺傳算法優化華能哈密煙墩風電場布置后，相比傳統排布發電量增加了1．06%，并且場內集電線路長度縮短了6．4km。經過分析，在該風況下，主要由于將原來5 列風機排布優化成4 列，并調整行列角度。在保證安全距離和載荷的情況下，遺傳算法排布優化會使多數風機布置靠近風場邊緣，中間位置風機相對較少。因此采用遺傳算法調整的優化布置結果更好，有利于提高風場經濟性。

表1 優化前后各指標值情況

四、結語

風電場開發過程中需要進行宏觀選址和微觀選址。宏觀選址是在一個較大區域內，綜合考察風能資源、地理條件、電網及氣象等因素。微觀選址是在特定宏觀選址小區域中確定風電機組的臺數及布置方案，一般業主會委托給設計院和主機廠商來完成。微觀選址的失誤一方面會造成發電量的損失，另一方面導致風電機組載荷較大，故障率高，因此風電場的微觀選址需要更加重視。在風電場排布優化過程中，行業內使用遺傳算法在實際工程項目中還沒有大規模應用，主要是使用該方法較傳統軟件方法，時間較長，并且對經驗要求較高，目前多處于理論研究階段。隨著風場開發向精細化發展，開發公司對經濟性要求越來越高，相信具有全局優化功能的遺傳算法會更多地應用在工程實踐上，創造更多的經濟效益。

［1］蘇偉．一種代理遺傳算法及其在氣動優化設計中的應用［J］．西北工業大學學報，2008，4:303 ～307

［2］向婷．遺傳算法的一種改進實現［J］．西華師范大學學報(自然科學版)，2014，12:398 ～403

［3］楊勇，譚烈剛．風電機組選型及風電場優化設計研究［J］．電子制作，2015，1:34

［4］彭濤，王斌．接入風電場的電力系統無功優化研究［J］．浙江電力，2014，1:9 ～12，37

［5］劉子俊．基于遺傳算法和神經網絡的分時段風速預測方法［J］．江蘇機電工程，2015，1:6 ～8