大型风电基地功率汇集系统拓扑结构分层优化设计及其优化设计方法

摘要

本发明公开了一种大型风电基地功率汇集系统拓扑结构分层优化设计及其优化设计方法，其特点是该优化设计包括两个方面：其一是大型风电基地的风电场与汇集站以及不同电压等级汇集站之间拓扑结构优化设计；其二是大型风电基地的风电场内部风电机组之间以及风电机组与变电站之间拓扑结构优化设计；所述优化设计方法包括三个步骤：其一是采用改进单亲遗传算法得到经济性指标Ctotal；其二是采用蒙特卡洛法得到可靠性指标R；其三是根据经济性指标和可靠性指标，以min(OBJ)＝λ1Ctotal+λ2R为评估原则，确定功率汇集系统拓扑结构，其中OBJ为拓扑结构评估指标，Ctotal为经济性指标，R为可靠性指标。

说明书

技术领域

本发明涉及大型风电基地功率汇集系统拓扑结构分层优化设计及其优化设计方 法，属于电网划技术领域。

背景技术

随着对风资源的大量开发利用以及风力发电技术的发展，大规模集中式开发成为 目前风力发电的主要形式。由于受到风资源和负荷分布条件的限制，目前风电基地距离负 荷中心较远，大规模的风电无法就地消纳，因此大型风电基地中的风电场需要在内部汇集 并升压为不同电压等级后并入公共电网，再输送到负荷中心进行消纳。而大型风电基地包 含数量众多的风电场、不同电压等级汇集站、汇集导线等，风电场内部则包含数量较多的风 电机组、配套升压变、不同电压等级变电站、汇集电缆等。这些电气设备之间的不同汇集方 式对整个功率汇集系统的经济性和可靠性都有较大影响，并最终影响整个风电基地的投资 收益。

目前对风电场内部功率汇集系统进行优化设计的方法较多，而针对大型风电基地 内部风电场之间功率汇集系统拓扑结构优化设计则较少。前者所采用的方法主要是建立功 率汇集系统的数学模型，然后运用智能优化算法进行求解，但是这些方法往往只考虑了整 个功率汇集系统的经济性条件，并未涉及整个功率汇集系统拓扑结构的可靠性；所采用的 优化算法主要是遗传算法，但是传统遗传算法是基于双亲繁殖方式，它在求解组合优化问 题时会造成染色体基因的重复和缺失；针对该问题，有学者开始使用单亲遗传算法，但是简 单单亲遗传算法则存在寻优效率较低、早熟收敛的问题。

发明内容

本发明目的是针对现有技术的不足而提供的一种大型风电基地功率汇集系统拓 扑结构分层优化设计及其优化设计方法，其特点是以经济性为目标函数运用多精英协同进 化思想加快单亲遗传算法的寻优效率，引入模拟退火算法的退火选择机制，改善遗传算法 的早熟收敛问题；对形成的拓扑结构采用蒙特卡洛法进行可靠性分析得到可靠性指标，将 经济性和可靠性指标共同作为功率汇集系统拓扑结构评估指标。采用大型风电基地功率汇 集系统拓结构分层优化设计方法，可使得大型风电基地功率汇集系统更加经济可靠。

本发明的目的由以下技术措施实现：

大型风电基地功率汇集系统拓扑结构分层优化设计包括两个方面：其一是大型风 电基地的风电场与汇集站以及不同电压等级汇集站之间拓扑结构优化设计；其二是大型风 电基地的风电场内部风电机组之间以及风电机组与变电站之间拓扑结构优化设计；所述大 型风电基地包含多个不同电压等级的汇集站，汇集站以下则汇集不同容量的风电场，不同 电压等级的汇集站通过汇集导线采用优化设计出的拓扑结构连接；所述风电场内部包含不 同电压等级的变电站及数量众多的风电机组，风电机组之间、风电机组与变电站以及不同 电压等级的变电站之间采用优化设计出的拓扑结构通过汇集电缆连接。

大型风电基地功率汇集系统拓扑结构分层优化设计方法包括以下步骤：

1)采用改进的单亲遗传算法以经济性指标为目标函数进行拓扑结构优化设计，得 到经济性指标C_total。

(1)建立大型风电基地拓扑结构优化数学模型

a)风电场内部集电系统拓扑结构优化设计方法的数学模型为：

min(C_total)(1)

其中C_total为风电场内部集电系统投资成本，计算公式为：

$\begin{array}{c}{C}_{total}=C_0+C_{GT}+C_{CABLE}+C_S\\ =\frac{r{(1+r)}^N}{{(1+r)}^N}·\frac{100}{100-PR}·C_{inv}\\ ={\mathrm{KC}}_{inv}\end{array}---\left(2\right)$

式中C₀为风电机组固定成本；C_GT为风电机组配套箱变成本；C_CABLE为汇集导线成本； C_S为变电站成本；N为风电场生命周期；r为利率；PR为利润百分比；C_inv为风电场集电系统必 要的投资。

风电机组配套箱变成本C_GT可表示为：

C_GT＝N_TC_T(3)

式中N_T为配套箱变数目，其中C_T为配套箱变单价。

由于每一段馈线上所连接风电机组数目取决于该段导线所能传输的最大容量，因 此每一段馈线上不同汇集处根据传输容量不同可以选择不同截面类型导线，从而节约汇集 导线成本，C_CABLE可表示为：

$C\left(F_{j,i}\right)=\underset{m=1}{\overset{{\mathrm{NF}}_{\left(j,i\right)}}{\Sigma }}{C}_{CB\left(type\right)}{d}_m---\left(4\right)$

式中C_CB(type)为第j条馈线第m段导线的造价；d_m为导线长度；NF_(j,i)为第j条馈线分 段数。

进一步可将经济性优化问题表示为：

$\begin{array}{c}\min \left[C_{total}\right]\\ \min \left[K\left(\underset{j=1}{\overset{N_s}{\Sigma }}\underset{i=1}{\overset{N_{Fi}}{\Sigma }}C\left(F_{j,i}\right)+\underset{j=1}{\overset{N_s}{\Sigma }}{C}_{si}+C_{GT}+C_0\right)\right]\end{array}---\left(5\right)$

式中N_S为变电站或汇集站数目；N_Fi为第i座变电站或汇集站馈线数目；C(F_j,i)为第 i座变电站或汇集站第j段馈线成本；C_si为第i座变电站或汇集站成本。

b)风电基地功率汇集系统拓扑结构优化设计数学模型：min(C_total)

其中C_total为风电基地功率汇集系统投资成本，可表示为：

C_total＝C₁+C₂(6)

式中C₁为风电基地汇集站投资成本，C₂为汇集导线成本。

C₁可表示为：

C₁＝N*P(7)

式中N为汇集站数目，P为单个汇集站成本。

C₂可表示为：

C₂＝p₁*l(8)

式中p₁为汇集导线单位造价，l为汇集导线长度。

约束条件为：

式中I_Lm为F_j,i段馈线中第m小段正常运行时的电流，I_rated(type)为该类型导线电 流的额定值；X为变电站、汇集站和风电机组抽象点集合。

(2)确定风电场内部风电机组、不同电压等级变电站和不同电压等级汇集站的地 理位置分布，确定遗传算法的种群规模N、子种群数M、最大迭代次数iter、模拟退火算法初 始温度T、温度衰减率k。

(3)确定染色体编码方法，针对风电机组、升压变电站和汇集站的实际地理位置分 布，可以对它们进行顺序编号，故采用自然数编码，其优点是染色体基因与电气设备序号为 一一对应关系，在整个遗传操作过程中不需要进行复杂的编码和解码操作，故而能提高整 个算法的寻优效率。

(4)随机产生种群规模为N的初始种群，染色体长度为电气设备数目。

(5)确定单亲遗传算法适应度函数：

$fitness=\frac{1}{C_{total}}---\left(10\right)$

(6)根据适应度计算公式计算个体适应度并将种群分为M个子种群，对每个子种群 单独进行确定式采样选择操作，根据公式确定各个个体在下一代群体中的期 望生存数目，其中f_i为个体适应度，N为种群规模，计算可以确定出下一代种群中个 体数目，其中表示取整运算，对N_i的小数部分进行降序排列，顺序选取前个个 体进入下一代种群，由此可确定参与下一步遗传操作的父代个体。

(7)为避免子种群内最优个体在交叉遗传操作中被破坏，因此在进行交叉操作之 前分别保存每个子种群内适应度最优个体local_best，然后对每个子种群内父代个体进行 交叉操作，产生新一代临时子种群，为避免算法“早熟”，陷入局部最优解，将父代种群与临 时种群采用模拟退火算法中的Meteopolis原则，以概率p接受子种群中的后代个体作为新 个体，并将最优个体local_best替换后代个体中适应度最差个体，进而产生新种群，在所有 子种群都完成更新操作后形成新一代种群，其中Meteopolis选择操作为：

$p=\left(\begin{array}{cc}1& f\left(x^{\prime }\right)\ge f\left(x\right)\\ \exp \left(\frac{f\left(x\right)-f\left(x^{\prime }\right)}{T}\right)& f\left(x^{\prime }\right)<f\left(x\right)\end{array}\right)---\left(11\right)$

式中f(x')为临时种群中新个体适应度，f(x)为父代个体适应度，当新个体适应度 大于且等于父代个体适应度时，完全接受该个体，否则以概率接受该个体。

(8)计算T＝kT，更新冷却温度T，判断迭代次数是否大于最大迭代次数，若是则输 出最终结果，否则，重新计算新种群中个体适应度并进行下一次迭代循环，直到迭代次数大 于最大迭代次数。

2)采用蒙特卡洛法进行可靠性分析得到可靠性指标R。

(1)以等效故障受阻容量S_EQ为可靠性指标，考察拓扑结构可靠性，确定仿真次数n， 其中S_EQ计算如下：

$S_{EQ}=\frac{{\int }_0^n[\left(P-P\left(t\right)\right)\times 1]dt}{n}---\left(12\right)$

式中n为仿真次数，P为装机容量，P(t)为每次仿真过程中功率汇集点处功率。

(2)随机产生风电机组、汇集站和汇集导线随机故障，判断系统中各元件状态，并 进行拓扑结构连通性判断，根据拓扑连通性计算可靠性指标R。

3)根据上述所得经济性和可靠性指标，以min(OBJ)＝λ₁C_total+λ₂R为评估原则，确 定功率汇集系统拓扑结构，其中OBJ为拓扑结构评估指标，C_total为经济性指标，R为可靠性指 标。

本发明具有以下优点：

1.在考虑经济性指标的同时考虑可靠性指标，可对经济性指标和可靠性指标权重 的不同灵活设置λ₁和λ₂。

2.使用改进的单亲遗传算法，采用多种群多精英协同进化，可加快算法收敛速度； 在遗传操作过程中引入模拟退火算法Meteopolis原则，可避免遗传算法陷入局部最优解。

具体有效性对比如图6所示。

附图说明

图1为本发明技术方案流程图。

1、输入参数，2、产生初始种群，3、计算个体适应度，4、分组遗传操作，5、终止条件 判断，6、输出最优拓扑，7、计算经济性指标C_total，8、计算可靠性指标R，9、输出最终结果。

图2为风电基地汇集站分布示意图。

图3为风电场内部风机分布示意图。

图4为风电场内部集电系统拓扑结构优化结果。

图5为风电基地功率汇集系统拓扑结构优化结果。

图6为技术方案对比图。

曲线1为常规单亲遗传算法；图2多种群多精英协同进化算法；图3为本发明技术方 案。

具体实施方式

下面通过实施例对本发明进行具体的描述，有必要在此指出的是本实施例只用于 对本发明进行进一步说明，但不能理解为对本发明保护范围的限制，该领域的技术熟练人 员可以根据上述本发明的内容对本发明做出一些非本质性的改进和调整。

实施例1

如图1所示：输入参数1与产生初始种群2连接，初始种群2与计算每个个体适应度3 连接，计算每个个体适应度3与分组遗传操作4连接，分组遗传操作4与终止条件判断5连接， 若满足迭代终止条件，则终止条件判断5与得到最优拓扑结构6连接；否则跳转计算每个个 体适应度3，得到最优拓扑结构6分别与经济性优化指标7和可靠性评估指标8连接，经济性 优化指标7和可靠性评估指标8与汇集系统最优拓扑9连接。

如图3所示：某一110kV汇集站下风电场内部风电机组、变电站位置分布，该风电场 装机容量为100MW，单台风机容量为2MW，每台风机配置一台10kV升压变压器就地升压为 10kV，以10台风机为一组汇集接入35kV变电站，经过一台100MVA主变升压为110kV接入 110kV汇集站。

以图3所示风电场为例采用本发明技术方案进行拓扑结构优化设计的具体实施步 骤为：

1)输入风机、升压变电站和汇集站坐标，设定最大迭代次数iter等于300，种群规 模N等于64，子种群数M等于8，模拟退火算法初始温度T等于300，温度衰减率k等于0.95。

2)以功率汇集系统投资成本C_total作为遗传算法目标函数，适应度函数为 以投资成本最少为原则设计拓扑结构。其中C_total计算为：

$\min \left[K\left(\underset{j=1}{\overset{N_s}{\Sigma }}\underset{i=1}{\overset{N_{Fi}}{\Sigma }}C\left(F_{j,i}\right)+\underset{j=1}{\overset{N_s}{\Sigma }}{C}_{si}+C_{GT}+C_0\right)\right]$

3)随机产生种群规模为N的个体。

4)分别计算个体适应度。

5)将种群均分为M个子种群，对各个子种群内个体分别采用确定式采样选择操作 选择父代个体，并保存局部最优个体local_best。

6)对各个子种群内父代个体分别进行基因移位、基因换位和基因倒位等遗传操作 产生新个体。

7)计算新个体接受概率p。

$p=\left(\begin{array}{cc}1& f\left(x^{\prime }\right)\ge f\left(x\right)\\ \exp \left(\frac{f\left(x\right)-f\left(x^{\prime }\right)}{T}\right)& f\left(x^{\prime }\right)<f\left(x\right)\end{array}\right)$

以概率p接受新个体，用最优个体local_best替代后代个体中适应度最差的个体 并完成群体更新。

8)以公式T＝kT更新模拟退火算法冷却温度，并判断迭代次数是否大于最大迭代 次数，若是则输出最终结果，否则迭代次数加1并跳转步骤4)。

9)对生成的拓扑结构进行可靠性分析，设定仿真次数n等于1000，产生风机、升压 变压器和汇集站等电气设备随机故障，判断拓扑结构连通性。

10)以公式计算等效故障受阻容量指标S_EQ。

11)根据计算得出的经济性和可靠性指标，以min(OBJ)＝λ₁C_total+λ₂R为评估原则 选择拓扑结构。

根据上述方法和步骤对区域一进行拓扑优化设计，并分别取λ₁＝0.6，λ₂＝0.4可得 出三种典型拓扑结构的经济性、可靠性和OBJ指标如下表所示。

以OBJ最小为原则，该区域拓扑结构为混链形。同理通过整个方法流程可得整个风 电场集电系统拓扑结构如图4所示。

实施例2

如图2所示：某大型风电基地分布情况，其包含一750kV外送通道，三座330kV汇集 站，每个330kV汇集站下包含五个110kV汇集站，每个汇集站下面汇集100MW的风电场容量。 各个区域内110kV汇集站汇集接入到330kV汇集站；三个330kV汇集站汇集接入到750kV外送 通道。

对图2所示风电基地区域一进行拓扑结构优化设计的具体实施步骤为：

1)输入不同电压等级汇集站坐标，设定最大迭代次数iter等于300，种群规模N等 于64，子种群数M等于8，模拟退火算法初始温度T＝300，温度衰减率k等于0.95。

2)以功率汇集系统投资成本C_total作为遗传算法目标函数，适应度函数为 以投资成本最少为原则设计拓扑结构。其中C_total计算为：

C_total＝C₁+C₂

其中C₁＝N*P，C₂＝p₁*l，式中N为汇集站数目，P为单个汇集站成本；N为汇集站数 目，P为单个汇集站成本。

3)随机产生种群规模为N的个体。

4)分别计算个体适应度。

5)将种群均分为M个子种群，对各个子种群内个体分别采用确定式采样选择操作 选择父代个体，并保存局部最优个体local_best。

6)对各个子种群内父代个体分别进行基因移位、基因换位和基因倒位等遗传操作 产生新个体。

7)计算新个体接受概率p。

$p=\left(\begin{array}{cc}1& f\left(x^{\prime }\right)\ge f\left(x\right)\\ \exp \left(\frac{f\left(x\right)-f\left(x^{\prime }\right)}{T}\right)& f\left(x^{\prime }\right)<f\left(x\right)\end{array}\right)$

以概率p接受新个体，用最优个体local_best替代后代个体中适应度最差的个体 并完成群体更新。

8)以公式T＝kT更新模拟退火算法冷却温度，并判断迭代次数是否大于最大迭代 次数，若是则输出最终结果，否则迭代次数加1并跳转步骤4)。

9)对生成的拓扑结构进行可靠性分析，设定仿真次数n等于1000，产生汇集站、汇 集导线和高压断路器等电气设备随机故障，判断拓扑结构连通性。

10)以公式计算等效故障受阻容量指标S_EQ。

11)根据计算得出的经济性和可靠性指标，以min(OBJ)＝λ₁C_total+λ₂R为评估原则 选择拓扑结构。

根据上述步骤对图4所示风电基地区域一进行拓扑结构优化设计，并分别取λ₁＝ 0.3，λ₂＝0.7可得出三种典型拓扑结构的经济性、可靠性和OBJ指标如下表所示。

以OBJ最小为原则，可得该区域拓扑结构为链形。同理通过整个方法流程可得整个 风电基地功率汇集系统拓扑结构如图5所示。