基于改进的模拟退火算法的风电机组最佳参数选择方法技术

基于改进的模拟退火算法的风电机组最佳参数选择方法，方法包括：根据风电机组的轮毂高度、转子直径和额定功率构建风电机组的能源的平准化成本模型；构建能源的平准化成本模型的优化模型；使用结合遗传算法的模拟退火算法获取优化模型的最优解，得到风电机组的轮毂高度、转子直径和额定功率的最佳设计参数。本公开提出的基于改进的模拟退火算法的风电机组最佳参数选择方法，在最大限度地减少成本的前提下，使用结合遗传算法的模拟退火算法进行风电机组的轮毂高度、转子直径和额定功率的最佳参数选择，找到优化问题的全局最优或近似全局最优解，提高了风电机组的参数选择的优化性能，得到了最大限度节约成本的风电机组的设计参数。参数。参数。

【技术实现步骤摘要】
基于改进的模拟退火算法的风电机组最佳参数选择方法


[0001]本公开涉及风电机组的轮毂高度、转子直径和额定功率最佳选择方法，具体地，本公开根据风力涡轮机位置和风切变系数等已知风力统计数据找到最佳风电机组设计，涉及基于改进的模拟退火算法的风电机组最佳参数选择方法。

技术介绍

[0002]风能被视为未来的主要电力来源之一。因此，在新风电厂(风电场)建设的这种动态条件下，未来的设计应侧重于风电场优化，以提高整体效率并降低成本。
[0003]风电机组优化问题通常是复杂的风电场优化问题的一部分，应该考虑大量的变量。此外，其中一些是相互依赖的。现有技术中有大量论文涉及风电机组的优化问题，例如，对风电机组优化领域的研究主要集中在风电机组的选址、设计、性能和控制策略。此外，现有技术中已经开发了几种用于风电机组设计问题的优化模型和算法，例如，遗传算法，贪心算法，粒子群优化算法，二进制算法，模式搜索算法，极大极小优化算法，是一些用于寻找最佳风电机组设计的方法。
[0004]风电场项目的目标是最大限度地减少投资成本和运营成本，并最大限度地提高年能源产量。换句话说，目标是在投资成本、运营成本和年能源产量的函数中最小化电力成本。轮毂高度、转子直径和额定功率对年能源产量和风电机组成本有显着影响，从而决定了电力成本。风电机组设计应以通过将能源生产量和初始资本成本转换为适当的公共单位来实现最小电力成本的方式进行优化。
[0005]风电组件的优化选择是一项重要的规划任务，需要在项目规划的早期阶段完成。当确定了发展风电场项目的地点后，要选择初步的风电机组模型和初始布局，以估计目标地点的初步年能源产量。根据估计的年能源产量，要进行项目成本效益的经济分析，在此基础上决定进一步发展风电场项目。在风电场项目的早期阶段选择最佳的风电机组模型对于开发风力发电机组布局、城市化项目、并网研究、环境研究、交通研究和其他风电场项目也很重要，因此，有必要明确风电机组的轮毂高度、转子直径和额定功率。
[0006]目前，现有技术中并未涉及在最大限度地减少成本的前提下，风电机组的轮毂高度、转子直径和额定功率的参数的最佳选择方法。

技术实现思路

[0007]本公开旨在至少解决现有技术中存在的技术问题之一，提供基于改进的模拟退火算法的风电机组最佳参数选择方法，包括：
[0008]S100：根据风电机组的轮毂高度、转子直径和额定功率构建风电机组的能源的平准化成本模型；
[0009]S200：构建所述能源的平准化成本模型的优化模型；
[0010]S300：使用结合遗传算法的模拟退火算法获取所述优化模型的最优解，得到所述风电机组的轮毂高度、转子直径和额定功率的最佳设计参数。
[0011]进一步的，所述步骤S300中使用结合遗传算法的模拟退火算法获取所述优化模型的最优解，得到所述风电机组的轮毂高度、转子直径和额定功率的最佳设计参数，包括：
[0012]S310：初始化控制参数，所述控制参数包括：种群个体大小sizepop，最大进化次数MAXGEN，温度冷却系数k，退火初始温度T0，终止温度T
end
；
[0013]S320：随机初始化种群，所述种群代表所述风电机组的轮毂高度、转子直径和额定功率的设计参数，计算每个所述种群个体的目标函数f
i
，其中i＝1，2，
…
，sizepop；
[0014]S330：设循环计数变量gen＝0；
[0015]S340：对所述种群实施至少一种遗传操作，根据模拟退火算法对所述种群个体进行选择操作；
[0016]S350：若gen＜MAXGEN，则gen＝gen+1，转至步骤S340；否则，转至步骤S360；
[0017]S360：若T
i
<T
end
，其中，i＝0,1,2，
…
，sizepop，则算法成功结束，返回全局最优解；否则，执行降温操作T
i+1
＝kT
i
，其中，其中，i＝0,1,2，
…
，sizepop，转至步骤S330。
[0018]进一步的，所述步骤S340中根据模拟退火算法对所述种群个体进行选择操作，包括：
[0019]计算每一个所述种群个体的目标函数值f
′
i
；
[0020]若f
′
i
>f
i
，则以模拟退火算法生成新个体替换旧个体；
[0021]否则，以概率P＝exp((f
i
‑
f
′
i
)T
i
)接受新个体，舍弃旧个体，其中，T
i
为模拟退火算法生成新个体后的i状态下的温度。
[0022]进一步的，所述步骤S310中控制参数还包括交叉概率P
c
，变异概率P
m
，所述步骤S340中遗传操作包括选择、交叉和变异，所述对所述种群实施遗传操作包括：
[0023]根据选择算子采用随机遍历抽样对所述种群实施交叉遗传操作；
[0024]根据所述交叉概率P
c
对所述种群实施交叉遗传操作；
[0025]根据所述变异概率P
m
对所述种群实施变异遗传操作。
[0026]进一步的，所述步骤S200中构建所述能源的平准化成本模型的优化模型，包括：根据能源的平准化成本最小化，构建所述能源的平准化成本模型的优化模型。
[0027]进一步的，步骤S100中所述能源的平准化成本模型为：
[0028][0029]其中，I
total
是总的投资成本，p
rir
是实际利率，n是风电机组的经济寿命，t是一个寿命中的年份，W
t
是年产电量，M
t
是年运营成本。
[0030]进一步的，所述年产电量W
t
和所述年运营成本M
t
在整个观察期内是恒定的，所述能源的平准化成本模型为：
[0031][0032]其中，a是年金系数：
[0033][0034]进一步的，所述总的投资成本为：
[0035][0036]其中，h是轮毂高度，D是转子直径，P
n
是额定功率，是涡轮机系统成本，I
transportation
(P
n
)是运输成本，I
installation
(D,h)是安装成本；
[0037]年运营成本为：
[0038]M
t
＝k
t
·
W
t
[0039]其中，k
t
是成本因素；
[0040]年产电量为：
[0041][0042]其中，T
year
是一年中的小时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进的模拟退火算法的风电机组最佳参数选择方法，其特征在于，所述方法包括：S100：根据风电机组的轮毂高度、转子直径和额定功率构建风电机组的能源的平准化成本模型；S200：构建所述能源的平准化成本模型的优化模型；S300：使用结合遗传算法的模拟退火算法获取所述优化模型的最优解，得到所述风电机组的轮毂高度、转子直径和额定功率的最佳设计参数。2.根据权利要求1所述的基于改进的模拟退火算法的风电机组最佳参数选择方法，其特征在于，所述步骤S300中使用结合遗传算法的模拟退火算法获取所述优化模型的最优解，得到所述风电机组的轮毂高度、转子直径和额定功率的最佳设计参数，包括：S310：初始化控制参数，所述控制参数包括：种群个体大小sizepop，最大进化次数MAXGEN，温度冷却系数k，退火初始温度T0，终止温度T
end
；S320：随机初始化种群，所述种群代表所述风电机组的轮毂高度、转子直径和额定功率的设计参数，计算每个所述种群个体的目标函数f
i
，其中，i＝1，2，
…
，sizepop；S330：设循环计数变量gen＝0；S340：对所述种群实施至少一种遗传操作，根据模拟退火算法对所述种群个体进行选择操作；S350：若gen＜MAXGEN，则gen＝gen+1，转至步骤S340；否则，转至步骤S360；S360：若T
i
<T
end
，其中，i＝0,1,2，
…
，sizepop，则算法成功结束，返回全局最优解；否则，执行降温操作T
i+1
＝kT
i
，其中，其中，i＝0,1,2，
…
，sizepop，转至步骤S330。3.根据权利要求2所述的基于改进的模拟退火算法的风电机组最佳参数选择方法，其特征在于，所述步骤S340中根据模拟退火算法对所述种群个体进行选择操作，包括：计算每一个所述种群个体的目标函数值f
i
′
；若f
i
′
>f
i
，则以模拟退火算法生成新个体替换旧个体；否则，以概率P＝exp((f
i
‑
f
i
′
)T
i
)接受新个体，舍弃旧个体，其中，T
i
为模拟退火算法生成新个体后的i状态下的温度。4.根据权利要求2或3所述的基于改进的模拟退火算法的风电机组最佳参数选择方法，其特征在于，所述步骤S310中控制参数还包括交叉概率P
c
，变异概率P
m
，所述步骤S340中遗传操作包括选择、交叉和变异，所述对所述种群实施遗传操作包括：根据选择算子采用随机遍历抽样对所述种群实施交叉遗传操作；根据所述交叉概率P
c
对...

【专利技术属性】
技术研发人员：曹乃虹，李志杰，杨振勇，严亮，杨继明，吴华，徐文海，王自强，徐明寿，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：