一种基于改进JAYA算法的风电场微观选址方法与流程

本发明涉及风力发电，具体涉及一种基于改进jaya算法的风电场微观选址方法。

背景技术：

1、海上风电场具有风速高、湍流小、对环境影响小等优势，正逐步走向深远海。在深远海环境中，风切变效应显著，提高轮毂高度可以捕获更高风速，但也会增加塔架成本。同时，风机之间的尾流效应会导致下游风机来流风速降低，从而降低整场发电量。因此，在微观选址阶段，需要同时优化风机的水平排布（坐标）和轮毂高度，以平衡建设成本与发电收益。

2、为了解决上述问题，申请号为cn202510936857.2的中国专利申请公开了一种基于多目标遗传算法的风电场微观选址优化方法，该方法采用多目标算法与ihho混合优化框架，该方法需要设置遗传算子、ihho参数等多个控制参数，算法结构异常复杂；此外，其采用bp尾流模型，需预先训练神经网络，进一步增加了计算开销。每次迭代还需对所有风机排序、进行尾流叠加计算，整体计算量大，难以满足大规模风电场微观选址对高效计算的要求，工程实用成本较高。

3、申请号为cn202511281096.8的中国专利申请公开了一种考虑规则布局的海上风电场微观选址优化方法，将混合整数规划、遗传算法与麻雀搜索算法结合，该方法需依次构建并求解多个子模型，算法过程复杂。同时，其依赖尾流模型与平方和叠加的逐点计算，且需分段线性化处理功率曲线，进一步加剧了计算负担。整体上该方法结构复杂、参数众多，计算成本高，难以满足大规模风电场快速微观选址的工程实用需求。

4、申请号为cn202510021410.2的中国专利申请公开了一种基于改进尾流模型的近海风电场微观选址的策略，沿袭传统微观选址做法，将风机轮毂高度设为固定值或未纳入优化变量。在近海尤其是深远海风切变显著区域，风机高度固定，无法利用高空气流的速度增益，也未能通过高度差主动调控尾流分布，导致风能捕获不充分、下游机组功率亏损严重，能量利用率较低，限制了风电场整体发电效率的提升。

5、申请号为cn202111210478.3的中国专利申请公开了风电场的微观选址评估方法和装置、计算机可读存储介质法，依赖cfd模型进行风资源评估与微观选址，虽能提升精度，但cfd方法需求解大量网格单元的纳维-斯托克斯方程，在需反复迭代优化的场景下，计算资源消耗巨大，工程实用成本极高。此外，该方法对操作人员专业要求高，参数整定复杂，难以满足工程前期快速方案比选的需求，降低了技术推广的可行性。

6、综上，传统的风机排布优化方法多采用遗传算法、粒子群算法等启发式算法，但存在收敛速度慢、容易陷入局部最优等问题。此外，现有方法大多将风机高度设为固定值，或单独优化高度，未能将水平位置与高度耦合优化。针对深远海风切变明显的场景，缺乏一种能够同时优化位置和高度、兼顾主风向与副主风向发电效益的智能排布方法。

技术实现思路

1、针对上述存在的问题，本技术提出一种基于改进jaya算法的风电场微观选址方法。优化风电场中风机位置的水平以及垂直排布，结合尾流效应模型，从而提高风电场的年发电量。

2、本发明的一种基于改进jaya算法的风电场微观选址方法，该方法包括以下步骤：

3、s1、基于logistic混沌映射生成jaya算法的初始种群，所述初始种群的每个个体包含风电场所有风机的x坐标、y坐标和轮毂高度；

4、s2、结合风机坐标和轮毂高度计算风速，以主风向和副主风向上的平准化度电成本为适应度函数，计算所述初始种群中每个个体的适应度值；

5、s3、将当前迭代次数设为=1，以步骤s1生成的初始种群作为当前种群、以步骤s2计算得到的各初始种群中每个个体的适应度决定的最优个体作为当前全局最优解，开始迭代优化生成候选子代个体；

6、s4、将步骤s3生成的候选子代个体与上一代种群个体进行适应度比较，对超出搜索空间边界的变量进行反射边界处理，对适应度排名靠后的劣势个体施加基于logistic混沌映射的局部微调扰动；

7、s5、迭代完成后输出当前种群中的最优个体作为风电场微观选址方案，所述最优个体包含各台风机的优化x坐标、优化y坐标和优化轮毂高度。

8、进一步地，步骤s1基于logistic混沌映射的风电场风机排布的初始种群生成，其具体步骤为：

9、s1-1、进行参数初始化，确定种群个体数量、风机数量、空间上下限种群数量、迭代次数，最大迭代次数；

10、s1-2、使用logistic混沌映射生成初始种群的随机序列，并确定随机序列内部之间的关系为：

11、

12、

13、

14、......

15、

16、式中，为经过映射的序列第步的值；为控制参数，介于0到4之间，为logistic混沌映射函数，为0到1之间随机数；

17、s1-3、将logistic混沌映射结合风电场的风机位置高度相关参数经过如下计算得到初始随机种群矩阵：

18、设风电场规划安装风机数量为，也即单个种群个体包含n台风机，每台风机需优化三个变量：水平x坐标、水平y坐标和轮毂高度，因此，单个种群个体的变量维度为；种群个体数量为，则需生成的混沌序列总长度为；

19、故初始随机种群矩阵为一个行d列的矩阵，每行代表一个种群个体，每个种群个体为一个风电场风机布置方案，列信息里包含n台风机的x坐标、y坐标和轮毂高度；对于第i个种群个体第k台风机，k=1,2,...,n，其x坐标为，y坐标为，高度值为；

20、将s1-2生成的logistic混沌序列，先按行优先顺序填入一个大小为的矩阵z，此时z存的是归一化混沌值，以表示矩阵的第行第列，其中第行代表第个种群个体，第列代表该种群个体的第维变量对应的归一化混沌值，；

21、对于初始随机种群矩阵第个种群个体的第维变量，按以下规则公式计算全部元素值：

22、（1）风机x坐标和y坐标的映射：

23、矩阵中第i个个体的x坐标公式为：

24、

25、矩阵中第i个个体的y坐标公式为：

26、

27、式中，分别为风电场区域x方向的下界和上界；分别为y方向的下界和上界；

28、（2）风机轮毂高度的映射：

29、轮毂高度仅取两个可选值，低轮毂高度和高轮毂高度；对于对应轮毂高度的维度，采用阈值判断方式，以表示矩阵的第行第列，若，则轮毂高度取；若,则轮毂高度取，故其公式为：

30、 。

31、经上述计算得到第i个种群个体的第k台风机的x坐标、y坐标和轮毂高度值，也即、、，k=1,2,...,n，i=1,2,...，即得到矩阵的第i行；种群个体数量为，矩阵行数为，计算次可得矩阵其余行的信息进而得到矩阵的全部元素值。

32、进一步地，步骤s2的具体步骤为：

33、s2-1、根据s1-3得到的风电场风机轮毂高度，即低轮毂高度或高轮毂高度以及风电场场址处测风塔的开源风速风向实测数据，通过风电场尾流模型计算各个风机受上游风机影响下的风速：

34、首先计算风机受单台上游风机影响下的风速，下游风机受单台上游风机尾流效应影响下的风速表示为：

35、

36、

37、

38、式中，为推力系数，通常从制造商提供的推力系数曲线中获取；为风机的叶片半径；β为尾流衰减系数；为风机轮毂高度，取值为低轮毂高度或高轮毂高度；为地面粗糙度，本发明取0.04；为尾流影响因子； 为前后风机阴影面积； 为尾流区域面积，表示自然风速；

39、然后计算风机受多台上游风机尾流影响下的风速：风电场中下游风机往往受到上游多台风机尾流效应的共同影响，即尾流叠加效应，通常采用能量亏损的平方和叠加方法来计算复合尾流速度，得受多台上游风机影响下的下游风力机的风速为：

40、

41、式中：为下游风机受到上游单台风机尾流效应影响后的风速；尾流影响因子也对应于上游第s台风机；表示风机数量；

42、s2-2、上述s2-1得到的是测风塔高度处的风速，先利用幂律风切变模型计算风机轮毂高度处风速，并结合风机受多台上游风机影响下的风速公式，计算风机d受上游风机影响下的轮毂高度的风速：

43、首先计算风机轮毂高度处风速，带入风机功率曲线，计算风功率，其中，不同高度风速的转换计算采用幂律风切变模型，具体公式表示为：

44、

45、式中：为风机轮毂高度处的实际高度风速；为参考高度处的风速；γ为风切变指数，本发明取0.14；

46、然后结合风机受多台上游风机影响下的风速公式，计算风机d受多台上游风机影响下的轮毂高度的风速：

47、种群中第i个种群个体的变量维度为d=3n，对于第k台风机，k=1,2,...,n，其x坐标为，y坐标为，高度值为，设上游风机s的x坐标、y坐标和轮毂高度为；下游风机d的x坐标、y坐标和轮毂高度为；

48、为方便计算，将以北为0°的坐标轴逆时针旋转角度，先进行风机s和风机d的坐标旋转，、为风机s和d逆时针旋转下的x坐标，为风机s和d逆时针旋转下的y坐标，其公式为：

49、

50、式中为主风向角；

51、计算上下游风机s和d相对x、y距离、：

52、

53、

54、结合受多台上游风机影响下的下游风力机的风速公式与风机轮毂高度风速公式，得到风机d受多台上游风机影响下的轮毂高度处的风速公式为：

55、

56、s2-3、根据s2-2计算得到的各风机受多台上游风机影响下的轮毂高度处的风速，结合风机的功率曲线，由切入风速、额定风速、切出风速及额定功率定义，采用标准分段插值法获得每台风机在各风况下的功率，风机d功率p公式为：

57、 。

58、s2-4、将计算所得的风电场各个风机功率带入风机年发电量计算，得到风力发电场的年理论发电量，风机年发电量计算公式为：

59、

60、式中：为风机台数；为年小时数（8760h）；为风机在风速下的输出功率，由s2-3确定；为轮毂高度处风速的概率密度函数，采用双参数威布尔分布：

61、

62、式中：为形状参数，为尺度参数，由场址测风数据拟合得到；

63、s2-5、计算风电场全寿命周期成本，其公式为：

64、

65、式中：为初始投资成本，为运营维护成本，为退役拆除成本。式中各分量分别为：

66、

67、式中：为单台风机基础施工成本，为海上升压站成本，为场内集电线路成本。

68、

69、式中：为风电场设计寿命，通常为20-25年；为第t年的运维费用（含日常维护、大部件更换、保险等）；为折现率。

70、

71、式中：为设备拆除费用，为材料回收残值。

72、s2-6、以平准化度电成本（lcoe）最小化为优化目标，并作为算法适应度函数，公式为：

73、

74、式中：为风电场主风向的年总发电量；为风电场副主风向的年总发电量。

75、进一步地，步骤s3的以初始种群作为当前种群、以初始种群中的最优个体作为当前全局最优解，开始迭代优化生成候选子代个体，其步骤为：

76、s3-1、获取步骤s1生成的初始种群及步骤s2计算得到的各初始个体的适应度，将当前迭代次数设为=1，以初始种群作为当前种群、以初始种群中的最优个体作为当前全局最优解，并设置随迭代次数线性递减的概率阈值，开始迭代优化；

77、s3-2、根据迭代次数生成策略判断概率序列，计算每个种群个体的适应度，并将迭代次数增加一次；

78、s3-3、判断概率序列当前值大小，若，则执行s3-4，反之执行s3-5；

79、s3-4、基于历史学习策略执行全局搜索，利用历史种群个体与当前个体的差分向量生成候选子代个体；

80、s3-5、基于上、下局部吸引点执行局部搜索，利用当前全局最优解、当前全局最差解和种群平均解构造上局部吸引点和下局部吸引点，生成候选子代个体。

81、进一步地，所述随迭代次数线性递减的概率阈值的计算公式为：

82、

83、式中：和分别为预设的最大和最小概率阈值（本发明取，），为当前迭代次数，为最大迭代次数。

84、进一步地，s3-4所述全局搜索步骤为：

85、s3-4-1、计算历史解与当前解的差分向量，其中历史解的由下式生成：

86、

87、式中：为历史解经过重新排列而形成的一个序列；为一随机值序列；

88、s3-4-2、计算下一代个体，下一代个体计达算表式为：

89、

90、式中：为[0,1]之间均匀分布的随机数；

91、进一步地，s3-5所述局部搜索步骤为：

92、s3-5-1、计算平均解、上局部吸引点以及下局部吸引点，其值分别为：

93、

94、

95、

96、式中：、、、为[0,1]之间均匀分布的随机数；和分别为当前全局最优解和最差解；为平均解，若为第一次迭代，则将s1初始种群所有个体加权平均得到；若不为第一次迭代，则为当前种群所有个体加权平均得到；

97、s3-5-2、基于对平均解、上局部吸引点和下局部吸引点的定义，计算下一代个体，下一代个体计达算表式为：

98、

99、式中：、为[0,1]之间均匀分布的随机数；为本次迭代更新时第个体的值；为下一次迭代更新时第个体的值。

100、进一步地，s4所述反射边界处理策略步骤为：

101、s4-1-1、记录反射次数=1，，判断矩阵z中个体值与搜索空间边界、大小，若对应代表x坐标，则、为；

102、s4-1-2、若对应代表y坐标，则、为，当若 ，即低于下界，执行 s4-1-3；若 ，即高于上界，执行s4-1-4；

103、s4-1-3、将执行如下计算，使其反射回下界内侧： = 2*，执行s4-1-5;

104、s4-1-4、将执行如下计算，使其反射回上界内侧：= 2*，执行s4-1-5;

105、s4-1-5、将反射次数增加一次，并判断当前迭代次数与大小关系，若，则判断当前个体值是否满足,不满足则执行s4-1-2，满足则结束反射处理步骤；若>,则重新进行初始化：

106、，表示0到1之间的一个随机数，为0到之间的随机数。

107、进一步地，所述局部微调扰动的步骤为：

108、s4-2-1、筛选劣势个体：将当前种群中所有个体按适应度值从小到大排序，选取适应度排名靠后的%的个体作为微调对象，的取值范围为5~20，本发明取=10；

109、s4-2-2、触发条件判断：仅当当前迭代次数为预设间隔的整数倍时触发微调，的取值范围为3~10，本发明取=5；若当前迭代次数不满足触发条件，则跳过本策略，直接进入s7；

110、s4-2-3、自适应混沌微调：对选中的劣势个体，在其当前风机排布坐标附近施加基于logistic混沌映射的微小扰动，扰动公式为：

111、

112、式中，为经过扰动后的新值（仅对x坐标和y坐标施加扰动，轮毂高度维不参与扰动）；为步骤s1-2中logistic混沌映射产生的混沌值，为自适应扰动幅度系数，随迭代次数线性递减，其公式为：

113、式中：的取值范围为0.05~0.2，的取值范围为0.005~0.02，为当前迭代次数，为最大迭代次数，本发明取=0.1，=0.01。

114、s4-2-4、边界约束处理：微调后的个体若超出风电场规划边界，按所述反射边界策略处理进行处理。

115、本发明还提供一种风电场微观选址优化系统，包括：

116、数据输入模块，用于获取风电场场址处的风资源数据、风机参数以及风电场规划边界数据；

117、种群初始化模块，用于执行基于logistic混沌映射生成风电场风机排布的初始种群；

118、适应度计算模块，用于执行以主风向和副主风向上的单位成本为适应度函数，计算种群中个体的适应度；

119、迭代优化模块，用于执行基于历史学习策略对风电场风机布置进行种群迭代优化，并在迭代过程中采用线性递减的概率阈值动态调整全局搜索与局部搜索的分配比例，对超出边界的个体采用反射边界处理策略，对适应度排名靠后的个体采用局部微调扰动策略；

120、结果输出模块，用于输出优化后的风机排布坐标和轮毂高度。

121、与现有技术相比，本发明具有以下优点：

122、1、混沌初始化：利用logistic序列生成初始种群，避免随机初始化的聚集现象，提高全局收敛能力。

123、2、高度-位置联合优化：将风机轮毂高度作为优化变量同时参与排布迭代，能够自适应深远海风切变环境，比固定高度方案提高年发电量5%~12%。

124、3、双风向适应度：不仅考虑主风向发电量，还兼顾副主风向，使得最终排布对主次风向均较友好，减少因风向变化导致的发电量剧烈波动。

125、4、历史学习策略：全局搜索中引入历史解差分向量，可以加速收敛；局部搜索中构造上下吸引子，避免陷入局部最优。

126、5、工程成本耦合：将塔架高度成本线性纳入目标函数，避免了盲目增高塔架，实现了经济性与发电量的平衡。