风电场调度优化基于改进遗传算法

风力发电最大功率跟踪

        风电机组是将风能转变为机械能的装置，风电机组将风能转变为机械能的大小与风速的3次方有关，其关系可用式(1-1)表示。

      风能利用系数与桨距角和叶尖速比之间的关系如式（1-2）所示：

      对于双馈风机（DFIG）而言，桨距角仅在风机启动阶段以及输入风速超过额定风速后进行调节，在来流风速处于切入风速与额定风速之间时，风电机组的桨距角固定为0，此时主要通过调节风轮转速，改变叶尖速比实现对风电机组的控制。这种情况下桨距角=0，风电机组的风能利用率只与叶尖速比有关 。在某一确定风速及转速下，风能利用系数可以达到最大值。因此，可以通过调节风电机组的转速，来获取确定风速下的最大风能利用系数。

改进遗传算法

        遗传算法通常要解决以下问题：确定编码方案，适应度函数标定，选择遗传操作方式及相关控制参数，停止准则确定等。相应的，为改进标准遗传算法的实际计算性能，很多学者的改进工作也是分别从参数编码、初始种群设定、适应度函数标定、遗传操作算子、控制参数的选择以及遗传算法的结构等方面提出的。其改进的基本途径概括起来主要有以下几个方面：

（1）改进遗传算法的组成成分或使用技术，如选用优化控制参数，适合问题特性的编码技术等；

（2）采用混合遗传算法(Hybrid Genetic Algorithm)；

（3）采用动态自适应技术，在进化过程中调整算法控制参数和编码精度；

（4）采用非标准的遗传操作算子；

（5）采用并行算法。

      经证明，标准遗传算法在任何情况下（交叉概率、变异概率、任意初始化、任意交叉算子、任意适应度函数）都是不收敛的，即不能搜索到全局最优解；而通过改进的遗传算法，即在选择作用前（或后）保留当前最优解，则能保证收敛到全局最优解。

      风电场采用16台1.5MW的双馈风机，呈规则4×4分布的24MW风电场，风电场参数如所示。

风机台数	每台额定功率	机组间距	额定风速	叶片半径	风轮中心高度
16,台	1.5,MW	300,m	11,m/s	31.5,m	70,m

     风向角为0°，初始风速为10.5m/s时，以最大风功率追踪控制策略的各台风电机组输入风速如表3-2所示，各台风电机组输出功率如表3-3所示，其中各台风电机组的轴向诱导因子均为0.33。

	第一台	第二台	第三台	第四台
线路1	1.3834,MW	1.3834,MW	1.3834,MW	1.3834,MW
线路2	0.3807,MW	0.3807,MW	0.3807,MW	0.3807,MW
线路3	0.2837,MW	0.2837,MW	0.2837,MW	0.2837,MW
线路4	0.2492,MW	0.2492,MW	0.2492,MW	0.2492,MW
合计（总功率）	9.1883,MW

        改进的遗传算法采用MATLAB遗传算法工具箱函数，引入代沟的概念，在选择之前保留父代种群中适应度较高的部分个体，舍弃掉的部分由子代中适应度较高的个体补全，完成重插入，具体比例由代沟值确定，由此确保了父代较好的个体能够保留下来，使算法最终可以收敛；放弃轮盘赌选择算法，使用随机遍历抽样(SUS)，使选择具有零偏差。

	第一台	第二台	第三台	第四台
线路1	1.1618,MW	1.1661,MW	1.1618,MW	1.1618,MW
线路2	0.5029,MW	0.4972,MW	0.4998,MW	0.4998,MW
线路3	0.5498,MW	0.5422,MW	0.5520,MW	0.5520,MW
线路4	0.6900,MW	0.6990,MW	0.6910,MW	0.6909,MW
合计（总功率）	11.6179,MW

       改进遗传算法优化后的风电场总功率为11.6179MW，与使用最大风功率追踪控制策略相比提升了2.4296MW，与标准遗传算法优化相比提升了1.4789MW，风电场整体输出功率提升26.44%。

 

function [v,B]=Ashad(x1,y1,x2,y2,v0,a)
D=63;Ct=4*a*(1-a);                           %%初始条件
rx=0.5*D+abs(x2-x1)*0.04;                    %尾流半径
v=v0*(1-((0.5*D/rx)^2)*(1-(1-Ct)^0.5));
y=((rx)^2-(0.5*D)^2-y1^2+y2^2)/(2*(y2-y1));
z=((0.5*D)^2-(y-y2)^2)^0.5;
d=abs(y2-y1);
A=((rx)^2)*acos((d^2+(rx)^2-(0.5*D)^2)/(2*d*rx))+((0.5*D)^2)*acos((d^2+(0.5*D)^2-(rx)^2)/(2*d*rx))-d*z;
B=A/(2*pi*(0.5*D)^2);                        %尾流遮挡面积与风轮面积之比
end


function v=wake_speed(x,y,v0,a,a0)                       %%计算一台风机风机前尾流风速
x=x-1;y=y-1;D=300;R=31.5;
X=x*D*cos(a)+y*D*sin(a);                                 %根据风向偏角进行坐标变换
Y=y*D*cos(a)-x*D*sin(a);
i=0;j=0;v2=0;
for m=1:4    
    for n=1:4                                            %循环计算每台风机的尾流影响
        k=i*D*cos(a)+j*D*sin(a);l=-i*D*sin(a)+j*D*cos(a);
        if (X-k) > 0                                     %判断两台风机上下游位置关系
            rx=R+(X-k)*0.04;
            if ((Y+R) < (l-rx)) || ((Y-R) > (l+rx))      %判断是否无尾流遮挡并计算
                v1=v0;
                b=0;
            else

v0=10.5;a=0;    %%初始风速风向
N=16;    %变量个数
MaxGen=400;    %最大遗传代数
NinD=200;    %种群规模
ChromLen=8;    %二进制编码长度
GGAP=0.9;    %代沟
FielD=[rep([ChromLen],[1,N]);rep([0;1/3],[1,N]);rep([1;0;1;1],[1,N])]; %建立区域描述器
Chrom=crtbp(NinD,N*ChromLen);    %创建初始种群
gen=0;
trace=zeros(MaxGen,2);tr1=zeros(MaxGen,2); tr2=zeros(MaxGen,2);tr3=zeros(MaxGen,2);tr4=zeros(MaxGen,2);   %跟踪初始值
x=bs2rv(Chrom,FielD);    %解码
ObjV=zeros(NinD,1);s=1;

for m=1:NinD
    [P,Pz,v]=Pmax(v0,a,x(s,:));
    ObjV(s)=Pz;
    s=s+1;
end    %计算初始种群的目标函数值
while gen < MaxGen,