風電場集電線路路徑優化研究

劉軍，劉慶超，魏超

風電場集電線路路徑優化研究

劉軍1，劉慶超2，魏超2

（1.華電新疆發電有限公司，新疆烏魯木齊830063；2.華電電力科學研究院，浙江杭州310030）

風電場集電線路路徑直接影響工程造價，因此如何選擇合理的路徑對于控制工程造價，提高風電場效益具有至關重要作用。本文提出“集電線路全壽命周期運行費用最小”的思想，通過分別建立如下模型：線路投資費用折現函數模型、不同截面及長度線路造價模型、線路長度與線損造價模型、線路回數與造價模型，從而可以實現集電線路路徑優化，為投資者及設計人員提供最佳路徑方案。

粒子群算法；集電線路；路徑優化；遺傳算法

0 引言

風電場集電線路設計過程中，路徑優化及導線選型不僅對工程造價有較大影響，而且還影響著運行后的線路損耗等收益指標，因此集電線路導線選型及路徑優化相關研究對于提高風電場的設計水平具有重要意義[1-3]。主要集中在設計方面，如：集電線路電纜選型，主要通過研究連接風機臺數及通過電流的大小，從而選擇合適的電纜型號；線路整體設計，主要從設計條件出發，針對桿塔分析、導線型號、導線安全系數、防雷及接地等因素進行考慮；接線方式的研究，主要也是從設計角度出發，對如何能夠完成及達到預期標準進行完整設計。以上研究并沒有從風電場節約成本及提高效益角度出發，進行技術經濟比較。

因此本文提出基于“全壽命周期費用最小”思想對集電線路路徑進行優化，針對目前風電場集電線路路徑選擇的主觀性和不合理性，運用優化理論對其進行理論計算分析，從而確定最佳路徑，解決影響集電線路工程造價的決定性問題，達到經濟效益最優的目的。

1 集電線路路徑優化模型

1.1 線路投資費用折現函數

線路投資費用應計算比較資金的等年值，由于該部分費用在工程項目的前期支付，因此應考慮資金的時間價值。線路投資的現值和等年值的轉換系數按下式計算。計算公式如下：

式中K—現值和等年值的轉換系數；

r—資金貼現率；N—分攤年限。

1.2 不同截面及長度線路造價影響模型

1.2.1 截面面積計算模型

風電工程與一般的電網工程不同，風電場的出力受環境、風資源的變化的影響。風電場一般采用架空集電線路方式，存在對導線截面的選取的問題[1]。

對于擁有較大導線截面的架空線路，雖然風電工程一次投資較大，但由于運行中電能損耗較小，因此能降低運行費用。反之，若導線截面較小，雖能使工程造價降低，但會增加其運行費用。因此對風電場架空線路來說，存在導線截面的最佳選擇的問題。導線截面應按“經濟電流密度”來選擇，也就是指年運行費用最低時所對應的電流密度。年運行費最小時所對應的截面積，稱為經濟截面積。經濟電流密度值Ij見表1。

表1 經濟電流密度

目前，國內風電場通常年運行小時數小于3000h，極少風電場年運行小數為3000～5000h，線路類別通常為鋼芯鋁絞線，因此最大負荷利用小時的電流密度值為1.65或1.15。

當已知經濟電流密度和線路最大工作電流時可計算出經濟截面積Sj，即：Sj=Ig/Ij。Ig為計算工作電流，由下式計算得到：

式中Igm—第m條集電線路計算工作電流，A；

Pi—第i臺機組功率，kW；

α—功率因數；

U—集電線路電壓等級，kV；

n—風機臺數，也可表示集電線路回數。

因此第m條集電線路截面面積為：Sjm=Igm/Ij。

1.2.2 線路長度計算模型

線路長度指不同回數線路連接各個風機至升壓站線路的總長度。

通常各個風機位置及升壓站進線點的坐標為（x，y），因此兩點間的距離為[5，6]：

式中l—（xi，yi）與（xi+1，yi+1）兩點間的距離。因此計算單條集電線路長度模型如下：

式中lm—第m條線路總長度，km；

x0，y0—升壓站進線點坐標；

xi，yi—第m條線路連接的從升壓站至各個風機點的順序坐標，其中i，j=1……n。

1.2.3 線路截面、長度與線路造價函數模型

根據《電力裝置性材料價格》（2006年版）提供的不同型號架空線價格，可建立截面面積與線路造價的函數模型，如下[7]：

式中A—線路總投資，元；

m—線路回數；

Am—第m條線路總投資，元。

1.3 線路長度與線損函數模型

線損是電能在電力網傳輸，分配過程中客觀存在的能量損失現象。集電線路線損主要因素是：各線路中箱變出線至開關柜進線之間線路的電能損失。計算公式如下[8～10]：

式中P—線路年損耗；

Rm—第m條線路電阻，Ω；

h—年運行小時數。

式中rm—第m條線路每千米電阻。

1.4 線路回數與造價函數模型

線路回數的多少影響接入升壓站中的開關柜數量，通常線路1條，進線1條，其相關函數如下：

式中Cm—線路為m條時開關柜總造價，元；

c—單臺開關柜價格，元。

1.5 集電線路規劃模型

根據以上各個函數模型，可以建立集電線路路徑優化模型，其數學描述如下：

式中F—總費用，不同回路集電線路投資費用的等年值和年線損費用之和；

B—電價，元/kWh。

2 基于遺傳算法混合粒子群算法的風電場路徑優化

2.1 基于粒子群的混合遺傳算法描述

傳統PSO（Particle Swarm Optimization）算法公式如下[11]：

對傳統PSO算法引入GA算法后的主要變動如下[11，12]：

交叉操作：將用粒子歷史最優和粒子當前做交叉，如果得到的結果更優，則更新粒子，否則保持粒子當前狀態。再用粒子群最優和粒子當前做交叉，如果得到的結果更優，更新粒子，否則保持粒子當前狀態。

誘導矩陣：誘導矩陣的作用是，誘導粒子的變異方向。誘導矩陣為（34，K）型，行數即為誘導粒子的維數，即對每個風機及升壓站進行誘導。列表示誘導的結果，對于某行的任一列的值，表示該行標號的風機，下一連接的風機的可能編號。列如：K取5，第i（i為1～34的值）行為（3，5，7，8，2），則可以看出風機i后面連接風機3的概率最大，其次是5，再次是7、8、2。誘導矩陣是固定的，可以根據經驗來設定，比如風機4，按照經驗可能的連接為2，3，5，7，8，而其中最可能連接的順序為3，5，7，8，2。則誘導矩陣的第4行就為（3，5，7，8，2）。誘導矩陣的作用在于用人的經驗去影響變異，加快求解的速度。本次的誘導矩陣取值是靠風機間的距離得出的，風機離得越近，誘導的概率越大。

變異操作：按一定概率選取粒子，隨機選取粒子的解的某一位A，有概率的參考誘導矩陣，將該位的下一位C間插入另一值B，然后修復解，將另外一個B的位置刪除，則得到變異的解。計算變異后的適應值，如果比變異前的更優，則替換。

2.2 基于粒子群的混合遺傳算法主要步驟

本文在Matlab中編程實現基于粒子群的混合遺傳算法，步驟如下[13，14]：Step1，初始化粒子群m，隨機生成m個1到33+M-1的排列，計算每個粒子的個體極值Pi，并初始化為Xi，將全局極值g初始化為所有粒子中適應值評價最好的Xi。生成誘導矩陣K；Step2，每個粒子同它的粒子歷史最優進行雜交，如果雜交結果的適應值優于粒子的當前適應值，則將粒子替換為雜交后的更優結果。對每個粒子，有一定概率對它進行變異，變異概率參照誘導矩陣，如果變異結果的適應值優于粒子的適應值，則將粒子替換為雜交后的更優結果；Step3，更新個體極值Pi：對每個粒子，將其適應值和個體極值Pi比較，如果優于Pi，則替換Pi；Step4，更新全局極值g：對每個粒子，將其適應值與全局極值比較g，如果優于g，則替換g；Step6，檢查終止條件，若滿足條件，則終止迭代，否則返回Step2。

3 實例分析

3.1 基本參數

擬建風電場一期裝機容量為49.5MW，安裝33臺風力發電機組，單機容量為1500kW，風電機組接線方式采用一機一變單元接線方式。各個風機機位坐標見表2。

升壓站坐標為：644000，4829000。

表2 機位坐標

其他參數設置見表3。

表3 其他參數設置表

3.2 運算結果

首先選取粒子群規模為50，迭代次數為100，取回路數為1-33進行循環，發現比較優的結果處于6-9回路之間。然后選取粒子群規模為500，迭代次數為1000，回路數為6-9，進行迭代，并且運行3次，觀察迭代結果，發現7回路數總為最優。

選取粒子群規模為500，迭代次數為2000，回路數為7。運行程序10次。結果見表4。

觀察結果，發現其中最優解為289362.0210元。運行10次共得到3次。最優解如圖1所示。

最優解為（1，2，3，34，13，4，5，6，7，35，12，11，10，9，8，36，15，16，17，18，19，37，14，23，22，21，20，38，24，26，27，28，29，39，25，33，32，31，30）

方案為：

0-1-2-3；0-13-4-5-6-7；0-12-11-10-9-8；0-15 -16-17-18-19；0-14-23-22-21-20；0-24-26-27-28-29；0-25-33-32-31-30

圖1 某次尋優結果方案圖

程序實現的收斂圖如圖2所示。

圖2 某次尋優收斂圖

從圖2中可以看出，當迭代次數大于1600時，總價已趨于收斂，程序實現了總價精度達到30萬元以內，可滿足項目的工程造價需求。

4 結語

本文研究并實現了運用改進的PSO算法對風電場集電線路路徑的優化。詳細的分析了路徑優化的過程實現及可以采用的方法，由于風電場集電線路路徑優化問題，是一種類NP問題，并非多項式可表達問題，而是非線性的、離散的、多峰值問題。本文采用粒子群算法是由于其具有算法簡單、計算速度快及收斂性較好的特點，但是傳統的PSO算法還不能滿足設計的要求，因為對于多峰值問題，PSO很容易陷入局部最優，很難求出最優或者近似最優解。因此本文對基本PSO做了進一步的改進，盡可能提高其收斂性能。在實現過程中借助遺傳算法的選擇，交叉及變異等較好方法達到了優化的要求。

[1]王錫凡.電力系統優化規劃[M].北京：水利電力出版社，1990.

[2]蘇志揚.淺談電源規劃與電網規劃[J].電力建設，2004，25（8）.

[3]胡建秀，曾建潮.具有隨機慣性權重的PSO算法[J].計算機仿真，2006，23（8）.

[4]王俊偉，汪定偉.粒子群算法中慣性權重的實驗與分析[J].系統工程學報，2005，20（2）.

[5]王治國，劉吉臻.基于改進PSO算法的快速性廠級負荷優化分配研究[J].華北電力大學學報，2006，33（5）.

[6]任蘋，李楠.集成粒子群優化算法在電網規劃中的應用[J].系統仿真學報，2007，19（10）.

[7]袁曉輝，王乘.粒子群優化算法在電力系統中的應用[J].電網技術，2004，28（19）.

[8]孟懿，孟強，郭福娜.關于電網規劃研究方法的探討[J].黑龍江電力，2007，29（2）.

[9]Sensarma P.S，Rahmani M.A Comprehensive Method for Optimal Expansion Planning Using Particle Swarm Optimization[A].Proceedings of the IEEE Power Engineering Society Transmission and Distribution Coherence [C].New York（USA）：2002.1317～1322.

[10]肖燕，奚杰，陽薇.遺傳算法在電網規劃中的研究與應用[J].華北電力技術，2004，（6）.

[11]Da Silva E.L，Gil H A，Areiza J.M.Transmission network expansion planning under an improved genetic algorithm[A].IEEE Transactions on Power Systems[C].2000，15（8）：1168～1174.

[12]Sensarma P.S，Rahmani M，Carvalho A.A comprehensive method for optimal expansion planning using particle swarm optimization[A].Power Engineering Society Winter Meeting[C].27-31 Jan 2002，IEEE 2002，（2）：317～1322.

[13]Boeringer D.W，Werner D.H.A comparison of particle swarm optimization and genetic algorithms for a phased array synthesis problem[A].Antennas and Propagation Society International Symposium[C].22～27 June 2003，IEEE 2003（1）：181～184.

[14]Y.H.Shi，R.C.Eberhart.A modified particle swarm optimizer[A].in：Proc.of the IEEE Congress on Evolutionary Computation[C].USA：IEEE Service Center，1998.69～73.

Wind Farm Electric Transmission Line Optimization Based on Hybrid Genetic Algorithm and PSO Algorithm

LIU Jun1，LIU Qing-chao2，WEI Chao2
（1.Huadian Xinjiang Power Co.，Ltd，Urumqi 830063，China；2.Huadian Electric Power Research Institute，Hangzhou 310030，China）

As collecting power lines of wind farm has a direct impact on project cost，so how to choose reasonable path is crucial to the cost control and effectiveness improvement of wind farm.This paper proposed a thought about the minimum cost in the whole life-cycle running of collecting power lines，though establishing models below：line investment discounted function model，lines with different sections and length cost model，line length and loss cost model and line circuits and cost model，to realize the collecting circuit path optimization，provide the best path program to investors and designers.

Particle Swarm Optimization；current collection line；path optimization；genetic algorithm

10.3969/J.ISSN.2095-3429.2015.01.008

TM614

A

2095-3429（2015）01-0034-05

2014-09-02

修回日期：2014-12-05

劉軍（1972-），男，湖北武漢人，本科,經濟師,工程師，主要從事電力工程項目管理和造價控制工作。