环境影响的风电场双层智能优化方法与装置与流程

1.本发明属于风力发电技术领域，具体涉及一种环境影响的风电场双层智能优化方法与装置。


背景技术：

2.风电场容量和布局的优化是风电场设计者和电网规划者的首要问题。首先，并网的风电场的有功和无功功率输出将对功率流产生很大影响，并反过来影响网络损耗和母线电压。其次，由于所谓的尾流效应，风电场的总功率输出会受到内部风电机组之间相互作用的影响。优化问题涉及各种经济成本和环境影响。现有技术提出了网格和直角坐标下的两架风电机组布局规划模型，通过随机关键遗传算法和粒子群优化算法进行解决。还有的研究了风电场的优化及其在电力系统可靠性分析中的应用，通过粒子群优化算法(pso)求解。还有的研究了差分进化(de)算法在风电场布局优化问题中的利用，并设计了一种新型的编码机制来有效解决该问题。还有的提出了一种多目标优化风电场的风电机组选择方法，通过和谐搜索算法和nsga-ii来解决。
3.目前的研究存在两个重要的缺陷。首先，风电场的容量或安装的风电机组的数量总是分开决定的。然而，在实践中，风电场容量的确定和风电机组的布局规划是相互影响的，需要共同优化以实现低成本的风电场。其次，目标函数通常是在风电场自身成本最小化和发电量最大化之间寻找平衡点，系统运行成本和风电场带来的环境影响很少被考虑，通常体现在以下两个方面：1)由于风电场的存在，电网中的网络损失、发电成本和污染物排放会减少；2)风电场的运行会产生噪音，影响周围的人和动物的健康。因此，在规划阶段，不应忽视风电场对环境造成的积极和消极影响。
4.因此，为了克服现有技术中的缺陷，本发明提出了一种基于环境影响的风电场双层智能优化方法与装置。


技术实现要素：

5.本发明旨在至少解决现有技术中存在的技术问题之一，提供一种环境影响的风电场双层智能优化方法与装置。
6.本发明的一方面，提供一种环境影响的风电场双层智能优化方法，包括下述具体步骤：
7.获取风电场中风电机组的功率；
8.设置所述风电机组的尾流模型；
9.计算所述风电场的输出功率；
10.设置所述风电场的双层结构优化模型；
11.基于郊狼优化算法对所述双层结构优化模型进行优化。
12.可选的，所述获取风电场中风电机组的功率，包括：
13.使用logistic函数表示风电机组功率曲线，具体如下：
[0014][0015]
其中，p
ip
和v
ip
是风电功率曲线拐点处的功率和风速；p
wtr
表示风电机组的额定有功功率，p
wt
(v)表示风电机组在风速v下产生的有功功率。
[0016]
可选的，所述设置所述风电机组的尾流模型，具体如下关系式：
[0017][0018]
其中，v
x,r
是与风电机组距离为x和半径为r处的风速，σ表示尾流的特征宽度，k(x)是x的未确定系数，c
t
是推力系数；
[0019]
v0表示风电机组的风速，rr表示风电机组转子半径，z0表示表面粗糙度长度，zh表示风电机组轮毂高度。
[0020]
可选的，所述计算所述风电场的输出功率表示如下：
[0021][0022]
其中，p
wf
表示风电场总输出功率，p
wt
(vi)表示第i台风电机组的输出功率，n
t
表示风电场中风电机组的总台数；
[0023]
风电场总注入无功功率q
wf
根据下述计算：
[0024]qwf
＝p
wf tanφ
[0025]
其中，φ是风电场的功率因数角。
[0026]
可选的，所述设置所述风电场的双层结构优化模型，包括：
[0027]
设置第一层模型以根据风能综合发电成本优化风电场容量和局部；
[0028]
设置第二层模型以规划电网中发电机的发电计划。
[0029]
可选的，所述第一层模型表达式如下：
[0030]
[0031][0032]
其中，表示风电机组坐标的矩阵，表示噪声接收器坐标的矩阵；f1为单位风能发电成本，由日当量投资c
wt
、电网运行成本co及其环境惩罚成本ce组成；和表示风电机组x轴坐标的上下限，和表示风电机组y轴坐标的上下限，和表示第i台风电机组的x 轴和y轴坐标，和表示第j台风电机组的x轴和y轴坐标，c
wf
表示风电场的容量，和表示风电场容量的上下限，spl表示声压等级，spl
lim
表示升压等级的下限，n
t
表示风电场中风电机组的数量，表示第t小时的第m(n)条母线电压，和表示第t小时的第m(n)条母线电压的上下限，表示第t 小时第m条和第n条总线之间的电压相角差；g
mn
表示线mn 的电导率，b
mn
表示线mn的电感，表示第t小时第m台发电机的无功输出，和表示第t小时第m台发电机的无功输出的上下限，q
ld,m(j)
表示第t小时第m(j-th)条母线的无功负载值；表示第t小时风电场的无功输出；表示第t小时第mn条线路的无功潮流及其上下限，表示第t小时第mn条线路的有功潮流及其上下限；
[0033]
wt的最小数量和最大数量由下式计算
[0034][0035]
其中，round是舍入函数；是风电机组的额定有功功率；是风电场输出功率的上下限。
[0036]
可选的，所述第一层模型中的约束由两部分构成，具体包括：
[0037]
风电场规划区的边界、风电机组之间的最小允许距离、风电场容量的下限和上限
以及风电场在每个nr受体的spl限制；以及，
[0038]
有功和无功功率平衡、母线电压幅值和相位角约束、常规发电机的有功和无功功率输出约束以及母线有功和无功功率流约束。
[0039]
可选的，所述第二层模型表达式如下：
[0040][0041]
其中，表示为二次函数：
[0042]ao,i
,a
1,i
,a
2,i
(
ò
/mw)是第i个发电机的成本系数；
[0043]
是第t小时污染物排放的惩罚成本，表示为其中，ρi(
ò
/mw)是单位罚款价格；
[0044]
是第i台发电机在第t小时释放的污染物量，通过下式进行评估：
[0045]
其中，b
o,i
,b
1,i
,b
2,i
(lb/mw)是第i台发电机的排放系数。
[0046]
可选的，所述基于郊狼优化算法对所述双层结构优化模型进行优化，包括：
[0047]
随机初始化郊狼群并随机分组；
[0048]
组内郊狼成长；
[0049]
郊狼的生与死；
[0050]
郊狼被驱离与接纳。
[0051]
本发明的另一方面，提供一种环境影响的风电场双层智能优化装置，包括：获取模块、尾流模型模块、计算模块、双层结构优化模型模块以及优化模块；其中，
[0052]
所述获取模块，用于获取风电场中风电机组的功率；
[0053]
所述尾流模型模块，用于设置所述风电机组的尾流模型；
[0054]
所述计算模块，用于计算所述风电场的输出功率；
[0055]
所述双层结构优化模型，用于设置所述风电场的双层结构优化模型；
[0056]
所述优化模块，用于基于郊狼优化算法对所述双层结构优化模型进行优化。
[0057]
本发明提供一种环境影响的风电场双层智能优化方法，包括下述具体步骤：获取风电场中风电机组的功率；设置所述风电机组的尾流模型；计算所述风电场的输出功率；设置所述风电场的双层结构优化模型；基于郊狼优化算法对所述双层结构优化模型进行优化。本发明提出的双层次优化模型比单层比优化模型能够在规划阶段减小风电场对环境的不利影响。
附图说明
[0058]
图1为本发明一实施例的一种环境影响的风电场双层智能优化方法的流程框图；
[0059]
图2为本发明另一实施例的高斯尾流模型示意图；
[0060]
图3为本发明另一实施例的一种环境影响的风电场双层智能优化装置示意图；
[0061]
图4为本发明另一实施例的风电场的规划区域示意图；
[0062]
图5为本发明另一实施例的风电机组的功率输出和声功率发射曲线图。
具体实施方式
[0063]
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护范围。
[0064]
如图1所示，本发明的一方面，提供一种环境影响的风电场双层智能优化方法s100，包括下述具体步骤s110～s150：
[0065]
s110、获取风电场中风电机组的功率。
[0066]
具体的，本实施例使用logistic函数表示风电机组功率曲线，具体如下：
[0067][0068]
其中，p
ip
和v
ip
是风电功率曲线拐点处的功率和风速；p
wtr
表示风电机组的额定有功功率，p
wt
(v)表示风电机组在风速v下产生的有功功率。
[0069]
s120、设置所述风电机组的尾流模型，如图2所示。
[0070]
高斯尾流模型如图2所示，数学模型表示如下：
[0071][0072]
其中，v
x,r
是与风电机组距离为x和半径为r处的风速，σ表示尾流的特征宽度，k(x)是x的未确定系数，c
t
是推力系数；
[0073]
v0表示风电机组的风速，rr表示风电机组转子半径，z0表示表面粗糙度长度，zh表示风电机组轮毂高度。
[0074]
在这个模型中，由于指数函数的特点，尾流的半径无限扩大。因此，相对于一个给定的风电机组而言，位于下游的所有风电机组都在尾流中，无论它们之间的距离如何，没有
风电机组会部分处于另一个风电机组的尾流中。
[0075]
s130、计算所述风电场的输出功率。
[0076]
对于给定的流入风矢量v＝(v0,θ)，风速v0(m/s)，风向θ(
°
)，风电机组的坐标应根据下式从原布局[x，y]转换到新布局[x
′
，y
′
]。
[0077][0078]
当确定新坐标中风电机组之间的相对距离时，第i个风电机组(i＝1,2,
…
,n
t
)的风速vi可以通过下式计算：
[0079][0080]
其中，t
ij
取值为1。速度亏损只取决于每个风电机组在风电场内的位置和风向。δv
ij
是第i个风电机组由第j个风电机组引起的尾流缺失。
[0081]
风电场的总功率输出p
wf
表示如下：
[0082][0083]
其中，p
wf
表示风电场总输出功率，p
wt
(vi)表示第i台风电机组的输出功率，n
t
表示风电场中风电机组的总台数。
[0084]
当并网时风电场可以被视为pq负载总线。风电场总注入有功功率p
wf
和无功功率q
wf
分别根据和计算。
[0085]qwf
＝p
wf tanφ
ꢀꢀꢀ
(6)
[0086]
其中，φ是风电场的功率因数角。
[0087]
s140、设置所述风电场的双层结构优化模型。
[0088]
在处理多层次变量的复杂优化问题时，双层优化比单层优化有两个优势。首先，它明显降低了计算规模，减少了所开发模型的复杂性。此外，它大大减轻了通信网络的负荷。第一层和第二层模型之间的互动机制如下。第一层制定了风电场规模和风电场微观选址的整体优化方案，目标是使风电的综合发电成本最小，决定最优的风电场容量、风电场数量和布局。第二层嵌套在第一层中，通过采购电网中其他发电机的最优发电计划，为第一层模型产生最小的运行和环境惩罚成本。从第二层模型获取的发电计划受第一层模型结果的影响，包括风电机组的集成和布置方案。此外，第一层模型的优化结果与从第二层模型获得的发电量和环境惩罚成本有关。
[0089]
第一、设置第一层模型，为了以最小的风能综合发电成本优化风电场容量和布局，第一层问题被表述如下：
[0090]
[0091][0092]
其中，表示风电机组坐标的矩阵，表示噪声接收器坐标的矩阵；f1为单位风能发电成本，由日当量投资c
wt
、电网运行成本co及其环境惩罚成本ce组成。和表示风电机组x轴坐标的上下限，和表示风电机组y轴坐标的上下限，和表示第i台风电机组的x轴和y 轴坐标，和表示第j台风电机组的x轴和y轴坐标，c
wf
表示风电场的容量，和表示风电场容量的上下限，spl表示声压等级，spl
lim
表示升压等级的下限，n
t
表示风电场中风电机组的数量，表示第t小时的第m(n)条母线电压，和表示第t小时的第m(n)条母线电压的上下限，表示第t小时第m条和第n条总线之间的电压相角差。g
mn
表示线mn的电导率，b
mn
表示线mn的电感，表示第t小时第m台发电机的无功输出，和表示第t小时第m台发电机的无功输出的上下限，q
ld,m(j)
表示第t小时第m(j-th)条母线的无功负载值。表示第t小时风电场的无功输出。表示第t 小时第mn条线路的无功潮流及其上下限，表示第t 小时第mn条线路的有功潮流及其上下限；
[0093]
wt的最小数量和最大数量由下式计算：
[0094][0095]
其中，round是舍入函数，是风电机组的额定有功功率。是风电场输出功率的上下限。
[0096]
第一层模型中的约束由两部分构成。
[0097]
cstr.1涉及1)风电场规划区的边界、2)风电机组之间的最小允许距离、3)风电场
容量的下限和上限以及4)风电场在每个 nr受体的spl限制，限制在低于40db(a)。
[0098]
spl(t,rk)是整个风电场的等效连续顺风向倍频带spl，计算如下：
[0099][0100]
其中，是每个接收器位置处的等效连续顺风倍频程spl，针对标称中频(63hz-8khz)的八个倍频程j中每个倍频程的每个声源计算。
[0101]
每个倍频程(lf)的spl可以表示如下：
[0102]
lf＝lw d
c-aw(f)
ꢀꢀꢀ
(10)
[0103]
其中，lw是噪声源发出的倍频带声功率，dc是对非全向源的指向性修正(本研究中dc被设定为0)，aw(f)是倍频带衰减。
[0104]
cstr.2是第t小时的功率流约束集合，包括1)有功和无功功率平衡；2)母线电压幅值和相位角约束；3)常规发电机的有功和无功功率输出约束；4)母线有功和无功功率流约束。
[0105]cwt
代表风电机组的每日等效投资成本，表示如下：
[0106][0107]
其中，co是总的运行成本，包括风电场的日常运行和维护成本，电网中其他发电机的发电成本和电网损失成本，表示如下：
[0108][0109]
其中是风电场的每日运维成本，可以通过下式计算：
[0110][0111]
其中opex
unit
(
ò
/mw/yr)是风电场单位年运行和维护成本。可以从第二层模型中获得。是由下式计算的网络损失成本。
[0112][0113]
其中是第t小时的网络损失，可以通过下式计算：
[0114][0115]
其中，可以从第二层模型中获得。可以从风速和风向的典型日曲线中获得。
[0116]ce
是污染物排放惩罚成本，可由下式表示：
[0117][0118]co
和ce均由第二层模型确定，并且对风电场的功率输出敏感。第一层和第二层模型通过co和ce相互交互。
[0119]ewf
是风电场的预期每日能源产量，可以通过下式估算：
[0120][0121]
其中，jpdf(v，θ)代表风速和风向的联合概率分布函数。v
in
和 v
out
是风电机组的切入和切出风速。
[0122]
第二、第二层模型
[0123]
第二层模型的目的是规划电网中其他发电机的发电计划。它被表述为一个最优经济调度模型：
[0124][0125]
其中，表示为二次函数：
[0126]ao,i
,a
1,i
,a
2,i
(
ò
/mw)是第i个发电机的成本系数，根据发电机的属性确定。是第t小时污染物排放的惩罚成本，表示为：
[0127][0128]
其中，ρi(
ò
/mw)是单位罚款价格；
[0129]
是第i台发电机在第t小时释放的污染物量，通过下式进行评估：
[0130]
其中，b
o,i
,b
1,i
,b
2,i
(lb/mw)是第i台发电机的排放系数。
[0131]
这三个约束分别代表电网功率平衡、旋转备用容量限制和发电机输出功率限制。最优发电调度可以由第二层模型决定，第一层模型f1中的分量c0和ce可以相应地从第二层模型中获得。
[0132]
s150、基于郊狼优化算法对所述双层结构优化模型进行优化。
[0133]
需要说明的是，郊狼优化算法(coyote optimization algorithm, coa)是于2018年提出的，模拟郊狼群居生活、成长、生死、被组驱离和接纳等现象的新型智能优化算法。在coa中，每一头郊狼代表一个候选解，每个解向量由郊狼的社会状态因子构成，这些状态因子包括郊狼内在因素和外在因素，每一个状态因子代表一个决策变量，d个状态因子构成了一个含个决策变量的解向量，用社会适应能力衡量每头郊狼。coa主要分为四个步骤：随机初始化郊狼群并随机分组、组内郊狼成长、郊狼的生与死和郊狼被组驱离与接纳。算法的优化过程具体如下：
[0134]
第一、随机初始化郊狼群并随机分组
[0135]
设置参数郊狼组数n
p
、组内郊狼数nc和最大迭代次数n
gen
，对每只郊狼的初始社会状态因素进行随机设置如下述关系式，并计算每头郊狼的社会适应能力，以及进行随机分
组，具体关系式如下：
[0136]
socj＝lbj rj*(ub
j-lbj)
ꢀꢀꢀ
(22)
[0137]
其中，lbj和ubj分别表示郊狼第j个状态因子的下界和上界， j＝1,2...,d，rj为[0,1]内均匀分布的随机数。
[0138]
第二、组内郊狼成长
[0139]
确定组内最优狼alpha，计算组文化趋势以及随机选择两头郊狼，并由这四种因素影响郊狼的成长，组文化趋势的计算如下：
[0140]
cultj＝median(aj)
ꢀꢀꢀ
(23)
[0141]
其中，a是一个nc行d列的矩阵，代表nc个解向量，aj表示矩阵a的第j列，median表示取中位；其中，
[0142]
在郊狼的成长过程中，首先计算组内最优郊狼alpha与组内一头随机选择郊狼的差异δ1，组文化趋势与组内另一头随机郊狼的差异δ2，且组内郊狼在δ1和δ2的影响下成长，如下关系式：
[0143]
δ1＝lbest-soc
r1
,δ2＝cult-soc
r2
ꢀꢀꢀ
(24)
[0144]
new_socc＝socc s1*δ1 s2*δ2ꢀꢀꢀ
(25)
[0145]
其中，r1和r2代表两头不同的随机郊狼标号，l
best
代表组内最优郊狼alpha狼；s1和s2分别是δ1和δ2的随机权重，s1和s2为 [0,1]内均匀分布的随机数。
[0146]
组内每头郊狼成长之后，采用下述关系式对其计算社会适应能力并采用贪婪选择，通过保留优质郊狼参与组内其余郊狼成长，加快算法收敛速度：
[0147][0148]
第三、郊狼的生与死
[0149]
应当理解的是，自然界中两个重要的演变过程是出生和死亡，在coa中郊狼的年龄以年为单位。在每组郊狼成长后，产生一只新生郊狼。郊狼的出生和死亡如下表1所示。
[0150]
表1 郊狼的出生和死亡过程
[0151][0152]
具体的，新郊狼的出生受两个随机选择父母郊狼的社会条件和社会环境共同影响。新生郊狼产生的方式如下所示：
[0153]
[0154]
其中，cr1和cr2是第p组内的两头随机不同的郊狼，j1和j2是新生郊狼的两个随机维度，ps是分散概率，pa是关联概率，分散和关联概率大小影响了新生郊狼的多样性。rj是决策变量第维在取值范围内的随机数，rndj是[0,1]内均匀分布的随机数。
[0155]
ps＝1/d
[0156]
pa＝(1-ps)/2
ꢀꢀꢀ
(28)
[0157]
其中ω表示与新生的狼相比适应能力更差的郊狼群，该组中的郊狼数量，新生郊狼的年龄为0。
[0158]
第四、郊狼被驱离和接纳
[0159]
最初郊狼被随机分配到各组，但是郊狼有时会离开，然后加入到其他组内。郊狼被组驱离和被接纳的概率用pe表示。这种机制有助于coa各组之间进行信息交流，促使种群中郊狼之间相互影响。
[0160][0161]
在初始化并随机分组后，郊狼成长、郊狼生死、郊狼被驱离和接纳这三个步骤依次不断进行。如果达到迭代终止条件则输出最优郊狼。否则跳转到第二步骤。
[0162]
如图3所示，本发明的另一方面，提供一种环境影响的风电场双层智能优化装置200，包括：获取模块210、尾流模型模块220、计算模块230、双层结构优化模型模块240以及优化模块250；其中，获取模块210，用于获取风电场中风电机组的功率；尾流模型模块220，用于设置所述风电机组的尾流模型；计算模块230，用于计算所述风电场的输出功率；双层结构优化模型240，用于设置所述风电场的双层结构优化模型；优化模块250，用于基于郊狼优化算法对所述双层结构优化模型进行优化。
[0163]
需要说明的是，本实施例的装置采用的方法参考前文记载，在此不再赘述。
[0164]
下面将以具体实施例对环境影响的风电场双层智能优化方法进行说明：
[0165]
一、测试系统和数据源
[0166]
要优化的风电场占据一个矩形区域，其基本信息在表2中给出。风电场的规划区域在图4中给出，其中边界上的红点表示噪声接收器。在风电场布局规划阶段，附近的所有住宅都被视为潜在的噪声接收器。以蓝色圆圈标记的1-8号接收器位于八个典型方向(nw、n、ne、e、se、s、sw、w)。
[0167]
表2 风电场信息
[0168][0169]
安装在风电场中的风电机组参数在表3中给出。该风电机组的功率输出和声功率发射率曲线如图5所示。
[0170]
表3 风电机组参数
[0171][0172]
风电场应该集成在ieee 30总线测试系统中。该系统中发电机的参数在表4中给出。
[0173]
表4 发电机组参数
[0174][0175]
使用在z
ref
＝62m处平均风速为10m/s，湍流强度为20％的湍流风。wga的参数设置为下式：
[0176]nwg
＝120,ng＝10,w＝0.7298,r＝1.5931,m＝0.85,it
max
＝250
ꢀꢀꢀ
(30)
[0177]
二、考虑环境影响的并网风电场的容量和布局优化
[0178]
首先，本发明建立了考虑环境影响的并网风电场的容量和布局双层优化模型，模型具体表示如下：
[0179]
1)第一层模型
[0180]
为了以最小的风能综合发电成本优化风电场容量和布局，第一层问题被表述如下：
[0181]
[0182][0183]
其中，表示风电机组坐标的矩阵，表示噪声接收器坐标的矩阵；f1为单位风能发电成本，由日当量投资c
wt
、电网运行成本co及其环境惩罚成本ce组成。wt的最小和最大数量由下式计算
[0184][0185]
其中，round是舍入函数。是风电机组的额定有功功率。是风电场输出功率的上下限。
[0186]
第一层模型中的约束由两部分构成。
[0187]
cstr.1涉及1)风电场规划区的边界、2)风电机组之间的最小允许距离、3)风电场容量的下限和上限以及4)风电场在每个 nr受体的spl限制，限制在低于40db(a)。
[0188]
spl(t,rk)是整个风电场的等效连续顺风向倍频带spl，计算如下：
[0189][0190]
其中，是每个接收器位置处的等效连续顺风倍频程spl，针对标称中频(63hz-8khz)的八个倍频程j中每个倍频程的每个声源计算。
[0191]
每个倍频程(lf)的spl可以表示如下：
[0192]
lf＝lw d
c-aw(f)
ꢀꢀꢀ
(34)
[0193]
其中，lw是噪声源发出的倍频带声功率，dc是对非全向源的指向性修正(本研究中dc被设定为0)，aw(f)是倍频带衰减。
[0194]
cstr.2是第t小时的功率流约束集合，包括1)有功和无功功率平衡；2)母线电压幅
值和相位角约束；3)常规发电机的有功和无功功率输出约束；4)母线有功和无功功率流约束。
[0195]cwt
代表风电机组的每日等效投资成本，表示如下：
[0196][0197]
其中，co是总的运行成本，包括风电场的日常运行和维护成本，电网中其他发电机的发电成本和电网损失成本，表示如下：
[0198][0199]
其中是风电场的每日运维成本，可以通过下式计算：
[0200][0201]
其中opex
unit
(
ò
/mw/yr)是风电场单位年运行和维护成本。可以从第二层模型中获得。是由下式计算的网络损失成本。
[0202][0203]
其中是第t小时的网络损失，可以通过下式计算：
[0204][0205]
其中，可以从第二层模型中获得。可以从风速和风向的典型日曲线中获得。
[0206]ce
是污染物排放惩罚成本，可由下式表示：
[0207][0208]co
和ce均由第二层模型确定，并且对风电场的功率输出敏感。第一层和第二层模型通过co和ce相互交互。
[0209]ewf
是风电场的预期每日能源产量，可以通过下式估算：
[0210][0211]
其中，jpdf(v，θ)代表风速和风向的联合概率分布函数。v
in
和 v
out
是风电机组的切入和切出风速。
[0212]
第二层模型
[0213]
第二层模型的目的是规划电网中其他发电机的发电计划。它被表述为一个最优经济调度模型：
[0214]
[0215][0216]
其中，表示为二次函数：
[0217]ao,i
,a
1,i
,a
2,i
(
ò
/mw)是第i个发电机的成本系数，根据发电机的属性确定。
[0218]
是第t小时污染物排放的惩罚成本，表示为：
[0219][0220]
其中，ρi(
ò
/mw)是单位罚款价格；
[0221]
是第i台发电机在第t小时释放的污染物量，通过下式进行评估：
[0222]
其中，b
o,i
,b
1,i
,b
2,i
(lb/mw)是第i台发电机的排放系数。
[0223]
这三个约束分别代表电网功率平衡、旋转备用容量限制和发电机输出功率限制。最优发电调度可以由第二层模型决定，第一层模型f1中的分量c0和ce可以相应地从第二层模型中获得。
[0224]
之后，基于郊狼优化算法对所述双层结构优化模型进行优化： 1)初始化并随机分组
[0225]
设置参数郊狼组数n
p
、组内郊狼数nc和最大迭代次数n
gen
，对每只郊狼的初始社会状态因素进行随机设置如下述关系式，并计算每头郊狼的社会适应能力，以及进行随机分组，具体关系式如下：
[0226]
socj＝lbj rj*(ub
j-lbj)
ꢀꢀꢀ
(46)
[0227]
其中，lbj和ubj分别表示郊狼第j个状态因子的下界和上界， j＝1,2...,d，rj为[0,1]内均匀分布的随机数。
[0228]
2)组内郊狼成长。
[0229]
确定组内最优狼alpha，计算组文化趋势以及随机选择两头郊狼，并由这四种因素影响郊狼的成长，组文化趋势的计算如下：
[0230]
cultj＝median(aj)
ꢀꢀꢀ
(47)
[0231]
其中，a是一个nc行d列的矩阵，代表nc个解向量，aj表示矩阵a的第j列，median表示取中位；其中，
[0232]
在郊狼的成长过程中，首先计算组内最优郊狼alpha与组内一头随机选择郊狼的差异δ1，组文化趋势与组内另一头随机郊狼的差异δ2，且组内郊狼在δ1和δ2的影响下成长，如下关系式：
[0233]
δ1＝lbest-soc
r1
,δ2＝cult-soc
r2
ꢀꢀꢀ
(48)
[0234]
new-socc＝socc s1*δ1 s2*δ2ꢀꢀꢀ
(49)
[0235]
其中，r1和r2代表两头不同的随机郊狼标号，l
best
代表组内最优郊狼alpha狼；s1和
s2分别是δ1和δ2的随机权重，s1和s2为 [0,1]内均匀分布的随机数；
[0236]
组内每头郊狼成长之后，采用下述关系式对其计算社会适应能力并采用贪婪选择，通过保留优质郊狼参与组内其余郊狼成长，加快算法收敛速度：
[0237][0238]
3)郊狼生与死
[0239]
自然界中两个重要的演变过程是出生和死亡，在coa中郊狼的年龄以年为单位。在每组郊狼成长后，产生一只新生郊狼。郊狼的出生和死亡如下表5所示：
[0240]
表5 郊狼的出生和死亡过程
[0241][0242]
新郊狼的出生受两个随机选择父母郊狼的社会条件和社会环境共同影响。新生郊狼产生的方式如下所示：
[0243][0244]
其中，cr1和cr2是第p组内的两头随机不同的郊狼，j1和j2是新生郊狼的两个随机维度，ps是分散概率，pa是关联概率，分散和关联概率大小影响了新生郊狼的多样性。rj是决策变量第维在取值范围内的随机数，rndj是[0,1]内均匀分布的随机数。
[0245]
ps＝1/d
[0246]
pa＝(1-ps)/2
ꢀꢀꢀ
(52)
[0247]
其中，ω表示与新生的狼相比适应能力更差的郊狼群，该组中的郊狼数量，新生郊狼的年龄为0。
[0248]
4)郊狼被驱离和接纳
[0249]
最初郊狼被随机分配到各组，但是郊狼有时会离开，然后加入到其他组内。郊狼被组驱离和被接纳的概率用pe表示。这种机制有助于coa各组之间进行信息交流，促使种群中郊狼之间相互影响。
[0250][0251]
在初始化并随机分组后，郊狼成长、郊狼生死、郊狼被驱离和接纳这三个步骤依次不断进行。如果达到迭代终止条件则输出最优郊狼。否则跳转到第二步骤。
[0252]
最终，郊狼优化算法获得风电场的最佳布局和容量。
[0253]
本发明提供一种环境影响的风电场双层智能优化方法与装置，相对于现有技术而言具有以下有益效果：本发明的方法考虑了环境影响的并网风电场的容量和布局优化，且基于的双层次优化模型比单层比优化模型能够在规划阶段减小风电场对环境的不利影响。
[0254]
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。