CN109871972A - 一种风场内风机的优化布置方法和*** - Google Patents

Abstract

本发明公开了一种风场内风机的优化布置方法和***，方法为：获取风场的气象和地理条件，以及待选的风机参数；确定至少一个优化目标及至少一个优化约束；根据风场区域构造矩形区域，将矩形区域划分为若干个网格，设定风机只能位于每个网格的正中央；对应于矩形区域的网格和风场区域的形状，编写有效位置数组矩阵，有效位置数组矩阵中，以待优化的设计变量构造解空间，运用二进制离散粒子群优化算法在解空间中按照目标函数寻找最优风机布置方案，优化后得到最优风机布置方案。

Description

一种风场内风机的优化布置方法和***

技术领域：

本发明涉及风电领域，尤其涉及一种风场内风机的优化布置方法和***。

背景技术：

随着能源需求的不断增大和风电开发风潮的不断升温，风电场的前期规划与开发得到了越来越多的重视。风机的优化布置是风电场前期规划中的关键环节，直接影响了风资源的利用率、土地资源的利用率以及风电场的经济性水平。对于一个总占地面积给定的风电场，若不考虑各风机尾流的相互影响，则布置风机数量越多，总发电量就越大，经济性就越好。但实际情况中，由于尾流效应，上游的风机会对下游风机造成影响——轮毂处风速减小，湍流度增大，所以一个面积固定的风场所能安置的风机数量是有限的，存在一最佳值，使得风场的经济性最好。因此，根据风电场场址处的风能资源情况，在选定风机型号后，合理地确定风机布置数量及位置，对于提高风电场的经济性是非常重要的。

目前工程领域中广泛使用商业软件来解决风电场的规划问题。商业软件具有自动布机方案的功能，即设计人员输入风场装机容量、风机台数、风机间间距等参数后，软件会自动生成布机方案，设计人员往往过分依赖此功能。此自动布机方案的原理是软件首先搜索风电场中发电量最好的第一个机位，搜索到并固定此机位后，软件开始搜索第二个发电量最大的机位，搜索到并固定此机位后，软件继续搜索第三个机位……以此类推，最终生成整个风电场的布局方案。然而此方案局限在了某些风机的单机发电量，没有考虑到整个风场的综合发电量，因此，此布机方法并不属于优化方法，最终得到的布机方案并不是最佳方案。

此外，现有风场的风力发电机普遍为单叶轮风力发电机，发电效率较低，且只能通过调节叶片的倾斜角度、叶轮大小来间接调整发电效率。因此，急需提供一种双叶轮的风机结构，以根据风速做叶轮的选择和调整，间接提高风能利用率，并且对这种双叶轮结构的风机进行优化布置的方法也是一大难题。

发明内容：

本发明的目的在于提供一种风场内风机的优化布置方法和***，通过风电场场址处的风能资源情况，考虑到影响风机布置的多维数据，基于二进制离散粒子群优化算法自动生成度电成本最小或总发电量最大的最优布置方案。同时提出了一种改进后的双叶轮风力发电机及其优化布置方法，大大提高了风能利用效能。

本发明由如下技术方案实施：

第一方面，本发明提供一种风场内风机的优化布置方法，包括：

步骤S1，获取风场的气象和地理条件，以及待选的风机参数；

步骤S2，确定至少一个优化目标及至少一个优化约束；

步骤S3，根据风场区域构造矩形区域，将矩形区域划分为若干个网格，设定风机只能位于每个网格的正中央；

步骤S4，对应于所述矩形区域的网格和所述风场区域的形状，编写有效位置数组矩阵，所述有效位置数组矩阵中，每个元素取值为“1”或“0”，“1”代表可以布置风机的位置，“0”代表不能布置风机的位置，不能布置风机的位置对应于风场区域中地理条件不适合布置风机的地方，及风场区域以外的地方；

步骤S5，以待优化的设计变量构造解空间，运用二进制离散粒子群优化算法在解空间中按照目标函数寻找最优风机布置方案，优化后得到最优风机布置方案。

本发明提供的一种风场内风机的优化布置方法，其技术方案为：获取风场的气象和地理条件，以及待选的风机参数；确定至少一个优化目标及至少一个优化约束；根据风场区域构造矩形区域，将矩形区域划分为若干个网格，设定风机只能位于每个网格的正中央；对应于所述矩形区域的网格和所述风场区域的形状，编写有效位置数组矩阵，所述有效位置数组矩阵中，每个元素取值为“1”或“0”，“1”代表可以布置风机的位置，“0”代表不能布置风机的位置，不能布置风机的位置对应于风场区域中地理条件不适合布置风机的地方，及风场区域以外的地方；以待优化的设计变量构造解空间，运用二进制离散粒子群优化算法在解空间中按照目标函数寻找最优风机布置方案，优化后得到最优风机布置方案。

本发明提供的风场内风机的优化布置方法，通过风电场场址处的风能资源情况，考虑到影响风机布置的多维数据，基于二进制离散粒子群优化算法自动生成度电成本最小或总发电量最大的最优布置方案。

进一步地，所述待优化的风场的气象和地理条件包括风场的大小与形状、地表粗糙度z₀、风玫瑰图和风速风频分布，所述从风玫瑰图包括夏季风资源数据和冬季风资源数据。

进一步地，确定至少一个优化目标，具体为：

计算采用成本模型，建立风电场的总建设成本与风机个数的函数，同时基于Jensen尾流模型计算风电场的总发电量；

根据所述风电场的总建设成本与所述风电场的总发电量，计算得到目标函数；

采用遗传算法对所述目标函数进行优化，在初始状态随机生成800个个体组成的初始群体，依次进行个体适应度评价、选择运算、交叉运算、变异运算得到20个最优子代，再循环计算，直至所述目标函数收敛得出最优解，得到所述目标函数的最小值，作为以单位发电量成本最低为优化目标。

进一步地，所述基于Jensen尾流模型计算风电场的总发电量计算，具体为：

以所述风场区域中某台受周边多台机组的尾流影响的风机，得到尾流区的动能损耗，所述尾流区的动能损耗为上游对台风机导致的动能损耗的叠加得到的；

根据所述风电场内安装的风机数量，计算得到风电场的总发电量。

进一步地，所述风场中的风机为双叶轮风力发电机，其包括：

一级叶轮、二级叶轮和叶轮转速合并机构；所述叶轮转速合并机构具有第一输入轴、第二输入轴、第一输出轴和第二输出轴，所述一级叶轮与所述第一输入轴驱动连接，所述二级叶轮与所述第二输入轴驱动连接，所述第一输出轴通过第一离合器与第一发电机的输入轴驱动连接，所述第二输出轴通过第二离合器与所述第二发电机的输入轴驱动连接；

所述一级叶轮与所述二级叶轮同轴连接，所述一级叶轮的叶片长度大于所述二级叶轮的叶片长度，且工作时的旋转方向相反，所述一级叶轮位于所述二级叶轮的前方；

所述叶轮转速合并机构包括同轴设置的太阳轮、齿圈和行星架，所述行星架上设有多个行星轮，所述齿圈设有内齿和外齿，所述行星轮啮合在所述齿圈的内齿和所述太阳轮之间，所述第一输入轴设有驱动齿轮，所述驱动齿轮与所述齿圈的外齿啮合，所述第二输入轴与所述太阳轮的转轴连接，所述行星架的转轴通过中间轴与输出轴驱动连接，所述输出轴的一端形成所述第一输出轴，另一端形成所述第二输出轴；

当风速小于第一阈值时，对一级叶轮和二级叶轮的叶片进行变桨，使一级叶轮停止发电状态，二级叶轮处于旋转发电状态，第一离合器处于啮合状态，第二离合器出去分离状态；

当风速不小于第一阈值且不大于第二阈值时，对一级叶轮和二级叶轮的叶片进行变桨，使一级叶轮和二级叶轮均处于旋转发电状态，第一离合器处于啮合状态，第二离合器处于分离状态；

当风速大于第二阈值时，一级叶轮和二级叶轮均处于旋转发电状态，第一离合器和第二离合器均处于啮合状态。

第二方面，本发明提供了一种风场内风机的优化布置***，包括：

多维数据获取模块，用于获取风场的气象和地理条件，以及待选的风机参数；

优化条件生成模块，用于确定至少一个优化目标及至少一个优化约束；

矩形区域生成模块，用于根据风场区域构造矩形区域，将矩形区域划分为若干个网格，设定风机只能位于每个网格的正中央；

风机位置布置模块，用于对应于所述矩形区域的网格和所述风场区域的形状，编写有效位置数组矩阵，所述有效位置数组矩阵中，每个元素取值为“1”或“0”，“1”代表可以布置风机的位置，“0”代表不能布置风机的位置，不能布置风机的位置对应于风场区域中地理条件不适合布置风机的地方，及风场区域以外的地方；

风机布置方案生成模块，用于以待优化的设计变量构造解空间，运用二进制离散粒子群优化算法在解空间中按照目标函数寻找最优风机布置方案，优化后得到最优风机布置方案。

本发明提供的风场内风机的优化布置***，其技术方案为：通过多维数据获取模块，获取风场的气象和地理条件，以及待选的风机参数；通过优化条件生成模块，确定至少一个优化目标及至少一个优化约束；通过矩形区域生成模块，根据风场区域构造矩形区域，将矩形区域划分为若干个网格，设定风机只能位于每个网格的正中央；通过风机位置布置模块，对应于所述矩形区域的网格和所述风场区域的形状，编写有效位置数组矩阵，所述有效位置数组矩阵中，每个元素取值为“1”或“0”，“1”代表可以布置风机的位置，“0”代表不能布置风机的位置，不能布置风机的位置对应于风场区域中地理条件不适合布置风机的地方，及风场区域以外的地方；通过风机布置方案生成模块，以待优化的设计变量构造解空间，运用二进制离散粒子群优化算法在解空间中按照目标函数寻找最优风机布置方案，优化后得到最优风机布置方案。

本发明提供的风场内风机的优化布置***，通过风电场场址处的风能资源情况，考虑到影响风机布置的多维数据，基于二进制离散粒子群优化算法自动生成度电成本最小或总发电量最大的最优布置方案。

进一步地，所述多维数据获取模块中，所述待优化的风场的气象和地理条件包括风场的大小与形状、地表粗糙度z₀、风玫瑰图和风速风频分布，所述从风玫瑰图包括夏季风资源数据和冬季风资源数据。

进一步地，所述优化条件生成模块，具体用于确定至少一个优化目标：

计算采用成本模型，建立风电场的总建设成本与风机个数的函数，同时基于Jensen尾流模型计算风电场的总发电量；

根据所述风电场的总建设成本与所述风电场的总发电量，计算得到目标函数；

采用遗传算法对所述目标函数进行优化，在初始状态随机生成800个个体组成的初始群体，依次进行个体适应度评价、选择运算、交叉运算、变异运算得到20个最优子代，再循环计算，直至所述目标函数收敛得出最优解，得到所述目标函数的最小值，作为以单位发电量成本最低为优化目标。

进一步地，所述优化条件生成模块，具体用于基于Jensen尾流模型计算风电场的总发电量：

以所述风场区域中某台受周边多台机组的尾流影响的风机，得到尾流区的动能损耗，所述尾流区的动能损耗为上游对台风机导致的动能损耗的叠加得到的；

根据所述风电场内安装的风机数量，计算得到风电场的总发电量。

本发明的优点：

通过风电场场址处的风能资源情况，考虑到影响风机布置的多维数据，基于二进制离散粒子群优化算法自动生成度电成本最小或总发电量最大的最优布置方案。同时通过对双叶轮风机的改进，提高了风能利用效能，也对应提出了一种适用于双叶轮风机风场的优化配置方法。

附图说明：

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所提供的一种基于多维风场数据的风机布置优化方法的流程图；

图2为本发明实施例所提供的一种基于多维风场数据的风机布置优化***的示意图；

图3为本实施例三提供的双叶轮风力发电机的结构示意图；

图4为本实施例三提供的叶轮转速合并机构的原理图。

具体实施方式：

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

第一方面，图1示出了本发明实施例所提供的一种基于多维风场数据的风机布置优化方法的流程图；如图1所示，实施例一提供一种基于多维风场数据的风机布置优化方法，包括：

步骤S1，获取风场的气象和地理条件，以及待选的风机参数；

步骤S2，确定至少一个优化目标及至少一个优化约束；

步骤S3，根据风场区域构造矩形区域，将矩形区域划分为若干个网格，设定风机只能位于每个网格的正中央；

步骤S4，对应于矩形区域的网格和风场区域的形状，编写有效位置数组矩阵，有效位置数组矩阵中，每个元素取值为“1”或“0”，“1”代表可以布置风机的位置，“0”代表不能布置风机的位置，不能布置风机的位置对应于风场区域中地理条件不适合布置风机的地方，及风场区域以外的地方；

步骤S5，以待优化的设计变量构造解空间，运用二进制离散粒子群优化算法在解空间中按照目标函数寻找最优风机布置方案，优化后得到最优风机布置方案。

本发明提供的基于多维风场数据的风机布置优化方法，其技术方案为：获取风场的气象和地理条件，以及待选的风机参数；确定至少一个优化目标及至少一个优化约束；根据风场区域构造矩形区域，将矩形区域划分为若干个网格，设定风机只能位于每个网格的正中央；对应于矩形区域的网格和风场区域的形状，编写有效位置数组矩阵，有效位置数组矩阵中，每个元素取值为“1”或“0”，“1”代表可以布置风机的位置，“0”代表不能布置风机的位置，不能布置风机的位置对应于风场区域中地理条件不适合布置风机的地方，及风场区域以外的地方；以待优化的设计变量构造解空间，运用二进制离散粒子群优化算法在解空间中按照目标函数寻找最优风机布置方案，优化后得到最优风机布置方案。

本发明提供的基于多维风场数据的风机布置优化方法，通过风电场场址处的风能资源情况，考虑到影响风机布置的多维数据，基于二进制离散粒子群优化算法自动生成度电成本最小或总发电量最大的最优布置方案。

其中，以风场区域最大的南北向距离和最大的东西向距离为边长来构造矩形区域。

作为本发明的优选实施例，待优化的风场的气象和地理条件包括风场的大小与形状、地表粗糙度z₀、风玫瑰图和风速风频分布，从风玫瑰图包括夏季风资源数据和冬季风资源数据。

考虑到夏季与冬季主导风能方向基本垂直的特点，利用夏季风资源数据和冬季风资源数据得到的尾流值进行比较，对相差超过第一阈值及利用夏季风资源计算得到的单机尾流超过第二阈值的风机位置进行重新优化，主要是适当增加垂直冬季主导风能方向风机间距，适当减小平行冬季主导风能方向风机间距。

其中，待选的风机参数包括轮毂直径D₀、轮毂高度h和功率-速度曲线。

其中，至少一个优化约束为风机最小间距，风机最小间距根据风场的地形、土壤承受能力、和/或风机所承受的动载荷来确定，风机最小间距也可简化为m倍的风机风轮直径，m的取值在3到5之间。

其中，网格的边长等于风机最小间距。

其中，待优化的设计变量包括风场中装机的总台数及每台风机的具体布置位置。

其中，目标函数为度电成本最低或总发电量最大。

作为本发明的优选实施例，确定至少一个优化目标，具体为：

计算采用成本模型，建立风电场的总建设成本与风机个数的函数，同时基于Jensen尾流模型计算风电场的总发电量；

根据风电场的总建设成本与风电场的总发电量，计算得到目标函数；

采用遗传算法对目标函数进行优化，在初始状态随机生成800个个体组成的初始群体，依次进行个体适应度评价、选择运算、交叉运算、变异运算得到20个最优子代，再循环计算，直至目标函数收敛得出最优解，得到目标函数的最小值，作为以单位发电量成本最低为优化目标。

作为本发明的优选实施例，基于Jensen尾流模型计算风电场的总发电量计算，具体为：

以风场区域中某台受周边多台机组的尾流影响的风机，得到尾流区的动能损耗，尾流区的动能损耗为上游对台风机导致的动能损耗的叠加得到的；

根据风电场内安装的风机数量，计算得到风电场的总发电量。

其中，尾流区的动能损耗通过以下公式计算得到：

当风电场内安装N台风机时，整个风电场总发电量为：

作为本发明的优选实施例，风电场的总建设成本，具体为：

获取单个风机的投资成本量钢化，及在风电场内安装大量风机的成本占风场总投资的比例；

根据风电场内安装的风机数量，结合单个风机的投资成本量钢化和风电场内安装大量风机的成本占风场总投资的比例，计算得到风电场的总建设成本。

假设风电场的总投资成本仅是与布置的风机个数相关的函数，如果单个风机的投资成本量钢化为单位1，布置大量风机时最多可降低单机投资成本至2/3，风电场投资成本可通过下式表达：

其中，f_c为风电场投资成本，N_t为风机总个数。

其中，步骤S5中，二进制离散粒子群优化算法包括以下子步骤，

(a)种群内设有若干个粒子，每个粒子代表一种风机布置方案；每个粒子都有一个位置矢量和速度矢量，并含若干个维度，维度数与有效位置数组矩阵中所有元素的个数相同，每个维度的取值为1或0，分别对应可以安放与不可以安放风机的位置；

(b)随机产生种群中各粒子的初始位置与初始速度，限定任意时刻粒子的最大速度，设定迭代终止条件；

(c)记录当前迭代步数，计算当前迭代步数下各粒子的目标函数值，更新各粒子的历史最优值，更新当前迭代步数下的全局最优值；

(d)依次判断有效位置数组矩阵各元素是否为0：若为0，则强制更新与该元素相对应的粒子维度的值为0；若不为0，则根据式1更新粒子的速度，根据式2更新粒子的位置：

其中：v^new、x^new为更新后的粒子速度、位置；v^old、x^old，为上一迭代步数中粒子的速度、位置；i为粒子编号；d为粒子维度；w为惯性权重；c1、c2、c3为学习因子；r1、r2、ρ为介于0与1之间的随机数；p_id，编号i的粒子的d d维度的历史最佳取值；p_gd为当前迭代步数下全体粒子的d维度的最佳取值；

每次迭代时，按照式(7)动态调整式(4)中的惯性权重w值：

其中：w_max、w_min为最大、最小惯性权重限定值；N_cur为当前迭代步数；N为最大迭代步数；

(e)重新评价各粒子的目标函数值，并据此更新各粒子的历史最优值及粒子群的全局最优值；

(f)判断程序是否收敛，当已达到最大迭代步数或已满足收敛条件时算法迭代结束，否则转向第(d)步。

其中，任意时刻粒子的最大速度V_max为可行解区域的20％～40％。

其中，迭代终止条件为迭代次数达到最大迭代次数。

综合考虑到计算速度与准确性，优选地，对单风机尾流优选使用解析形式的尾流模型来描述风机的尾流效应，如PARK尾流模型、修正PARK尾流模型等。在PARK模型及修正PARK模型中，近尾流区域内的流体计算特性不考虑湍流效应的影响，认为风轮后风速沿截面均匀分布，尾流影响区域随距风轮平面的距离线性扩张。对于上下游风机的直线距离大于4倍的风轮直径的情形：

D(x)＝D₀+2KX(8)

其中，D(x)为风机下游x处的尾流影响区域的直径，U(x)为风机下游x处的风机轮毂处的风速，U0是来流速度，Ct是推力系数，D0是风轮直径，k是尾流扩展系数，h是轮毂高度，zo是地表粗糙度，A是经验常数(一般取0.5)。

对于下游风机同时位于多个上游风机尾流区内的情况，本发明建议采用速度亏损平方线性叠加的方式来处理尾流重叠区的速度计算问题。使用式(11)来计算下游风机的入流风速：

其中：U₀为自由来流风速，U_i为各个上游风机轮毂处的风速，U为下游风机轮毂处的风速。

参见图2，第二方面，本发明提供一种基于多维风场数据的风机布置优化***100，包括：

多维数据获取模块101，用于获取风场的气象和地理条件，以及待选的风机参数；

优化条件生成模块102，用于确定至少一个优化目标及至少一个优化约束；

矩形区域生成模块103，用于根据风场区域构造矩形区域，将矩形区域划分为若干个网格，设定风机只能位于每个网格的正中央；

风机位置布置模块104，用于对应于矩形区域的网格和风场区域的形状，编写有效位置数组矩阵，有效位置数组矩阵中，每个元素取值为“1”或“0”，“1”代表可以布置风机的位置，“0”代表不能布置风机的位置，不能布置风机的位置对应于风场区域中地理条件不适合布置风机的地方，及风场区域以外的地方；

风机布置方案生成模块105，用于以待优化的设计变量构造解空间，运用二进制离散粒子群优化算法在解空间中按照目标函数寻找最优风机布置方案，优化后得到最优风机布置方案。

本发明提供的基于多维风场数据的风机布置优化***100，其技术方案为：通过多维数据获取模块101，获取风场的气象和地理条件，以及待选的风机参数；通过优化条件生成模块102，确定至少一个优化目标及至少一个优化约束；通过矩形区域生成模块103，根据风场区域构造矩形区域，将矩形区域划分为若干个网格，设定风机只能位于每个网格的正中央；通过风机位置布置模块104，对应于矩形区域的网格和风场区域的形状，编写有效位置数组矩阵，有效位置数组矩阵中，每个元素取值为“1”或“0”，“1”代表可以布置风机的位置，“0”代表不能布置风机的位置，不能布置风机的位置对应于风场区域中地理条件不适合布置风机的地方，及风场区域以外的地方；通过风机布置方案生成模块105，以待优化的设计变量构造解空间，运用二进制离散粒子群优化算法在解空间中按照目标函数寻找最优风机布置方案，优化后得到最优风机布置方案。

本发明提供的基于多维风场数据的风机布置优化***，通过风电场场址处的风能资源情况，考虑到影响风机布置的多维数据，基于二进制离散粒子群优化算法自动生成度电成本最小或总发电量最大的最优布置方案。

作为本发明的优选实施例，多维数据获取模块101中，待优化的风场的气象和地理条件包括风场的大小与形状、地表粗糙度z₀、风玫瑰图和风速风频分布，从风玫瑰图包括夏季风资源数据和冬季风资源数据。

作为本发明的优选实施例，优化条件生成模块102，具体用于确定至少一个优化目标：

计算采用成本模型，建立风电场的总建设成本与风机个数的函数，同时基于Jensen尾流模型计算风电场的总发电量；

根据风电场的总建设成本与风电场的总发电量，计算得到目标函数；

采用遗传算法对目标函数进行优化，在初始状态随机生成800个个体组成的初始群体，依次进行个体适应度评价、选择运算、交叉运算、变异运算得到20个最优子代，再循环计算，直至目标函数收敛得出最优解，得到目标函数的最小值，作为以单位发电量成本最低为优化目标。

作为本发明的优选实施例，优化条件生成模块102，具体用于基于Jensen尾流模型计算风电场的总发电量：

以风场区域中某台受周边多台机组的尾流影响的风机，得到尾流区的动能损耗，尾流区的动能损耗为上游对台风机导致的动能损耗的叠加得到的；

根据风电场内安装的风机数量，计算得到风电场的总发电量。

作为本发明的优选实施例，优化条件生成模块，具体用于风电场的总建设成本计算：

获取单个风机的投资成本量钢化，及在风电场内安装大量风机的成本占风场总投资的比例；

根据风电场内安装的风机数量，结合单个风机的投资成本量钢化和风电场内安装大量风机的成本占风场总投资的比例，计算得到风电场的总建设成本。

与现有技术相比，本发明的有益效果为：

通过风电场场址处的风能资源情况，考虑到影响风机布置的多维数据，基于二进制离散粒子群优化算法自动生成度电成本最小或总发电量最大的最优布置方案。

实施例二

作为本发明的优选实施例，其中，至少一个优化目标选自由最小度电成本、最大总发电量、最大容量因数、最小尾流损失、最大内部收益率、最大开发商费、最大净现值及其组合所组成的组。

基于成本考虑，确定优化目标，由于风机优化问题的重点在于风机布置方案的优化(即台数与位置的优化)，故只需考虑与风机设备相关的投资成本(约占风场总投资的2/3)，则可假设成本模型只与风机型号及台数有关，投资总成本Cost_total如式(12)所示：

其中：Cost_total为投资总成本，Cost_t为单台风机的成本，N_t为风电场风机布置台数。

若在优化中仅涉及到某一种机型，则可将Cost_t记为单位1，将式(12)进一步简写为式(13)：

本实施例中，优化目标采用度电成本最小为优化目标，因为度电成本直接反映了风电场的经济性。

当采用度电成本最小为优化目标时，可定义目标函数如式(14)所示：

其中，fitness为目标函数值，Ptotal表示某已知的布置方案的总发电量，Cost表示发电成本(由式12或13给出)。

当布置方案已知时，总发电量Ptotal按照如下步骤进行计算：

1)将该已知布置方案中的风机按照来流风向从上游到下游进行排序；

2)通过式2与式4依次计算出每台风机轮毂处的风速U_i；

3)由风机功率曲线插值求出每台风机在风速U_i下的风机功率P(U_i)；

4)计算出每个风向下所有风机的总发电量P_dir，见式(15)：

其中，f(U)为风速概率分布函数，U_in与U_out分别为风机的切入和切出风速；

5)依照上述步骤计算出各个风向的总发电量之后，即可计算出每种风况下的总发电量：

式中，f_dir(j)为各个风向的频率(由风玫瑰图给出)，数字16表示将360°均分为16个方向。

实施例三

由于目标函数为度电成本最低或总发电量最大，且尾流模型对风电场产量的影响较大，如果不考虑尾流模型则进行风电场发电量计算得到的理论结果比实际风电场产量偏大，所以风电场排布时必须要考虑尾流模型的影响，通过常采用Jensen尾流模型计算发电量；然后对现有的风电机组排布进行优化，本实施例中基于上述实施例中的风机布置优化方法，进行进行一步改进，具体方案如下：

a、计算风资源地图；

计算风资源的地图，对风场进行优化排布以获得最大产出。风资源地图显示给定区域的风资源，一般用来进行风电场的优化排布。

b、在背景地图上显示风资源地图；

c、为优化计算定义风机区域属性；

优化计算是在一个或多个设定的风机区域内，比如上述实施例中的矩形区域，根据不同参数(例如风机数目、风机间距、及尾流效应对风场排布的影响等)计算风电场最优排布。

d、优化风电场机位排布；

通过上述步骤后，通过WindPRO软件中快速优化和完全优化两种方法来优化风电机组排布。每一种优化都会将一系列的风机放置在最佳点，排布方式既服从间距要求又考虑尾流衰减模型。其中完全优化时间长，但优化后的结果比随机模型产量大，风机效率也高。

基于本实施例中方法，考虑到风资源地图与背景地图的位置关系，对风机排布从空间上进行了整体的考量，使排布结果更优选。

实施例四

在本实施例中，实施例一中所述的基于多维风场数据的风机布置优化方法及***，其所适用的风机可以是下述特定结构的双叶轮风力发电机，该结构的风力发电机对风能利用率有较为显著的提升。

参见图3、4，其中图3为本实施例提供的双叶轮风力发电机的结构示意图，图4为本实施例提供的叶轮转速合并机构的原理图。

为了有效利用风能，提高发电功率，本实施例提供了下述风力发电机，包括：一级叶轮1、二级叶轮2和叶轮转速合并机构；所述叶轮转速合并机构具有第一输入轴31、第二输入轴32、第一输出轴41和第二输出轴42，所述一级叶轮1与所述第一输入轴31驱动连接，所述二级叶轮2与所述第二输入轴32驱动连接，所述第一输出轴41通过第一离合器与第一发电机的输入轴驱动连接，所述第二输出轴42通过第二离合器与所述第二发电机的输入轴驱动连接。

所述一级叶轮1与所述二级叶轮2同轴连接，所述一级叶轮1的叶片长度大于所述二级叶轮2的叶片长度，且工作时的旋转方向相反，所述一级叶轮1位于所述二级叶轮2的前方。

工作时，气流先通过一级叶轮1，再通过二级叶轮2，二级叶轮2的直径小于一级叶轮1，因此，二级叶轮2工作所需的最低风速也小于一级叶轮1。为了增加机头工作时的稳定性，一级叶轮1与二级叶轮2的转动方向相反，从而抵消扭矩。

其中，叶轮转速合并机构能够将一级叶轮1和二级叶轮2的转速合并，从而获得更大的输出转速，驱动发电机工作，从而有效利用剩余风能，提高发电效率。

所述叶轮转速合并机构包括同轴设置的太阳轮51、齿圈52和行星架53，所述行星架53上设有多个行星轮54，所述齿圈52设有内齿和外齿，所述行星轮54啮合在所述齿圈52的内齿和所述太阳轮51之间，所述第一输入轴31设有驱动齿轮55，所述驱动齿轮55与所述齿圈52的外齿啮合，所述第二输入轴32与所述太阳轮51的转轴连接，所述行星架53的转轴通过中间轴6与输出轴驱动连接，所述输出轴的一端形成所述第一输出轴41，另一端形成所述第二输出轴42。

例如，太阳轮51的转速为n1，齿圈52的转速为n2，行星架53的转速为n3，齿圈52内齿和太阳轮51的齿数比值为a，n3＝(n1+a*n2)/(1+a)。从而实现转速和力矩的叠加。

在一个示例中，一级叶轮的叶片长度75m，二级叶轮的叶片长度35m。在一个发电机工作的情况下，且当仅有一级叶轮工作时，风机的启动风速4m/s，额定风速15m/s，安全风速25m/s，额定功率3MW，当仅有二级叶轮工作时，风机的启动风速3m/s，额定风速10m/s，安全风速25m/s，额定功率1.5MW。

由于低风速工作中，第一叶轮工作中的能量损耗较大，且功率低，为了使该风力发电机能够适应较大范围的风速，有效利用风资源，上述风力发电机的控制中涉及两个阈值，第一阈值为6m/s，第二阈值为10m/s。

具体控制方法如下：获得风速，当风速小于第一阈值时，对一级叶轮1和二级叶轮2的叶片进行变桨，使一级叶轮1停止发电状态，二级叶轮2处于旋转发电状态，第一离合器处于啮合状态，第二离合器处于分离状态。从而在低风速时启动风机进行发电，并减小风机发电过程中的内耗，提高发电效率。

当风速不小于第一阈值且不大于第二阈值时，对一级叶轮1和二级叶轮2的叶片进行变桨，使一级叶轮1和二级叶轮2均处于旋转发电状态，第一离合器处于啮合状态，第二离合器处于分离状态。从而通过第一叶轮进行高功率发电，并通过第二叶轮有效利用剩余风能。在该模式下，风机的最大功率能够达到4MW。

当风速大于第二阈值时，一级叶轮1和二级叶轮2均处于旋转发电状态，第一离合器和第二离合器均处于啮合状态。风速较大超过单台发电机所需的额定风速10m/s时，利用两台发电机同时发电，可达到最大发电功率为8MW，能够有效利用风能，提高发电功率，且不会增加叶轮的直径，避免叶片太长，增加制造、运输、和安装维护成本。

由于一级叶轮1的直径较大，当风力小于第一阈值时无法驱动一级叶轮1转动，因此调节一级叶轮1的桨叶，减小迎风面积，使气流经过一级叶轮1，直接驱动二级叶轮2转动，且为了减小启动风速，第二离合器处于分离状态，仅第一发电机工作。

当风力增大到第一阈值和第二阈值时，第一叶轮也开始转动，并通过第二叶轮有效利用剩余风能，第一叶轮和第二叶轮的转速经叶轮转速合并机构叠加后驱动第一发电机工作。

当风力继续增大到大于第二阈值后，由于叶轮的转速不能无限提升，但驱动力提高，将第二离合器啮合，同时驱动第一发电机和第二发电机发电，提高发电效率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种风场内风机的优化布置方法，其特征在于，包括：

步骤S1，获取风场的气象和地理条件，以及待选的风机参数；

步骤S2，确定至少一个优化目标及至少一个优化约束；

步骤S3，根据风场区域构造矩形区域，将矩形区域划分为若干个网格，设定风机只能位于每个网格的正中央；

步骤S4，对应于所述矩形区域的网格和所述风场区域的形状，编写有效位置数组矩阵，所述有效位置数组矩阵中，每个元素取值为“1”或“0”，“1”代表可以布置风机的位置，“0”代表不能布置风机的位置，不能布置风机的位置对应于风场区域中地理条件不适合布置风机的地方，及风场区域以外的地方；

步骤S5，以待优化的设计变量构造解空间，运用二进制离散粒子群优化算法在解空间中按照目标函数寻找最优风机布置方案，优化后得到最优风机布置方案。

2.根据要求要求1所述的风场内风机的优化布置方法，其特征在于，

所述待优化的风场的气象和地理条件包括风场的大小与形状、地表粗糙度z₀、风玫瑰图和风速风频分布，所述从风玫瑰图包括夏季风资源数据和冬季风资源数据。

3.根据权利要求1所述的风场内风机的优化布置方法，其特征在于，

确定至少一个优化目标，具体为：

计算采用成本模型，建立风电场的总建设成本与风机个数的函数，同时基于Jensen尾流模型计算风电场的总发电量；

根据所述风电场的总建设成本与所述风电场的总发电量，计算得到目标函数；

采用遗传算法对所述目标函数进行优化，在初始状态随机生成800个个体组成的初始群体，依次进行个体适应度评价、选择运算、交叉运算、变异运算得到20个最优子代，再循环计算，直至所述目标函数收敛得出最优解，得到所述目标函数的最小值，作为以单位发电量成本最低为优化目标。

4.根据权利要求3所述的风场内风机的优化布置方法，其特征在于，

所述基于Jensen尾流模型计算风电场的总发电量计算，具体为：

以所述风场区域中某台受周边多台机组的尾流影响的风机，得到尾流区的动能损耗，所述尾流区的动能损耗为上游对台风机导致的动能损耗的叠加得到的；

根据所述风电场内安装的风机数量，计算得到风电场的总发电量。

5.根据权利要求1-4任意一项所述的风场内风机的优化布置方法，其特征在于，

所述风场中的风机为双叶轮风力发电机，其包括：

一级叶轮、二级叶轮和叶轮转速合并机构；所述叶轮转速合并机构具有第一输入轴、第二输入轴、第一输出轴和第二输出轴，所述一级叶轮与所述第一输入轴驱动连接，所述二级叶轮与所述第二输入轴驱动连接，所述第一输出轴通过第一离合器与第一发电机的输入轴驱动连接，所述第二输出轴通过第二离合器与所述第二发电机的输入轴驱动连接；

所述一级叶轮与所述二级叶轮同轴连接，所述一级叶轮的叶片长度大于所述二级叶轮的叶片长度，且工作时的旋转方向相反，所述一级叶轮位于所述二级叶轮的前方；

所述叶轮转速合并机构包括同轴设置的太阳轮、齿圈和行星架，所述行星架上设有多个行星轮，所述齿圈设有内齿和外齿，所述行星轮啮合在所述齿圈的内齿和所述太阳轮之间，所述第一输入轴设有驱动齿轮，所述驱动齿轮与所述齿圈的外齿啮合，所述第二输入轴与所述太阳轮的转轴连接，所述行星架的转轴通过中间轴与输出轴驱动连接，所述输出轴的一端形成所述第一输出轴，另一端形成所述第二输出轴；

当风速小于第一阈值时，对一级叶轮和二级叶轮的叶片进行变桨，使一级叶轮停止发电状态，二级叶轮处于旋转发电状态，第一离合器处于啮合状态，第二离合器出去分离状态；

当风速不小于第一阈值且不大于第二阈值时，对一级叶轮和二级叶轮的叶片进行变桨，使一级叶轮和二级叶轮均处于旋转发电状态，第一离合器处于啮合状态，第二离合器处于分离状态；

当风速大于第二阈值时，一级叶轮和二级叶轮均处于旋转发电状态，第一离合器和第二离合器均处于啮合状态。

6.一种风场内风机的优化布置***，其特征在于，包括：

多维数据获取模块，用于获取风场的气象和地理条件，以及待选的风机参数；

优化条件生成模块，用于确定至少一个优化目标及至少一个优化约束；

矩形区域生成模块，用于根据风场区域构造矩形区域，将矩形区域划分为若干个网格，设定风机只能位于每个网格的正中央；

风机位置布置模块，用于对应于所述矩形区域的网格和所述风场区域的形状，编写有效位置数组矩阵，所述有效位置数组矩阵中，每个元素取值为“1”或“0”，“1”代表可以布置风机的位置，“0”代表不能布置风机的位置，不能布置风机的位置对应于风场区域中地理条件不适合布置风机的地方，及风场区域以外的地方；

风机布置方案生成模块，用于以待优化的设计变量构造解空间，运用二进制离散粒子群优化算法在解空间中按照目标函数寻找最优风机布置方案，优化后得到最优风机布置方案。

7.根据要求要求6所述的风场内风机的优化布置***，其特征在于，

所述多维数据获取模块中，所述待优化的风场的气象和地理条件包括风场的大小与形状、地表粗糙度z₀、风玫瑰图和风速风频分布，所述从风玫瑰图包括夏季风资源数据和冬季风资源数据。

8.根据权利要求6所述的风场内风机的优化布置***，其特征在于，

所述优化条件生成模块，具体用于确定至少一个优化目标：

计算采用成本模型，建立风电场的总建设成本与风机个数的函数，同时基于Jensen尾流模型计算风电场的总发电量；

根据所述风电场的总建设成本与所述风电场的总发电量，计算得到目标函数；

采用遗传算法对所述目标函数进行优化，在初始状态随机生成800个个体组成的初始群体，依次进行个体适应度评价、选择运算、交叉运算、变异运算得到20个最优子代，再循环计算，直至所述目标函数收敛得出最优解，得到所述目标函数的最小值，作为以单位发电量成本最低为优化目标。

9.根据权利要求8所述的风场内风机的优化布置***，其特征在于，

所述优化条件生成模块，具体用于基于Jensen尾流模型计算风电场的总发电量：

以所述风场区域中某台受周边多台机组的尾流影响的风机，得到尾流区的动能损耗，所述尾流区的动能损耗为上游对台风机导致的动能损耗的叠加得到的；

根据所述风电场内安装的风机数量，计算得到风电场的总发电量。