基于粒子群優(yōu)化算法的風(fēng)力發(fā)電機(jī)組選址規(guī)劃

程 莉，雷 皓，孫文革

（新疆職業(yè)大學(xué) 機(jī)械電子工程學(xué)院，新疆 烏魯木齊 830000）

電能已經(jīng)成為當(dāng)今經(jīng)濟(jì)社會發(fā)展最主要的動力之一，徹底融入人們的日常生活和各類生產(chǎn)活動之中。近年來，聯(lián)合國以及各國之間達(dá)成共識，要降低能源消耗，減少環(huán)境污染。傳統(tǒng)熱力發(fā)電存在能源利用率低，污染嚴(yán)重等問題。為了達(dá)到節(jié)能減排、降低能耗的目的，分布式發(fā)電技術(shù)順勢而生。該技術(shù)具有低污染、高可靠性以及高持續(xù)性等優(yōu)點，在市場中愈發(fā)具有競爭力。

分布式發(fā)電系統(tǒng)中較難解決的關(guān)鍵點是接入位置和接入容量的配置參數(shù)，二者配置不當(dāng)會使分布式發(fā)電系統(tǒng)的能源利用率降低，導(dǎo)致系統(tǒng)的各項性能指標(biāo)均達(dá)不到理想效果，甚至效果極差，從而造成系統(tǒng)不穩(wěn)定。為了使分布式發(fā)電系統(tǒng)更高效和合理的運(yùn)行，解決該系統(tǒng)最佳選址和最佳定容問題十分迫切。

一、風(fēng)力發(fā)電機(jī)組

風(fēng)是可再生能源之一，風(fēng)力發(fā)電機(jī)主要利用風(fēng)的動能，通過將動能轉(zhuǎn)化為電能來進(jìn)行發(fā)電。

（一）風(fēng)力發(fā)電系統(tǒng)的基本結(jié)構(gòu)

風(fēng)力發(fā)電機(jī)的主要部件包括風(fēng)速計、葉片、制動器、控制器、齒輪箱、發(fā)電機(jī)、高速軸、低速軸、機(jī)艙、槳距系統(tǒng)、轉(zhuǎn)子、塔、風(fēng)標(biāo)、偏航驅(qū)動器、偏航電機(jī)等。

（二）風(fēng)力發(fā)電機(jī)類型

根據(jù)葉片的不同類型將風(fēng)力發(fā)電機(jī)進(jìn)行分類，可將其分為水平軸風(fēng)機(jī)和垂直軸風(fēng)機(jī)兩種。目前，垂直軸風(fēng)機(jī)在市場上應(yīng)用更為廣泛。此外，由于應(yīng)用場景不同，所需風(fēng)機(jī)的結(jié)構(gòu)類型以及配備電機(jī)的型號要求也不同。因此，根據(jù)轉(zhuǎn)速的控制方式對風(fēng)力發(fā)電機(jī)進(jìn)行分類，可將其分為恒速恒頻和變速恒頻兩種。

（三）電壓暫降

電壓暫降是指電力系統(tǒng)中某點的電壓方均根值短時間下降然后恢復(fù)正常的一種現(xiàn)象。通常是由于極端天氣、施工及人員誤操作等意外原因所致。在我國，風(fēng)力發(fā)電所產(chǎn)生的電能從生產(chǎn)端到消費(fèi)需要跨越廣闊的區(qū)域范圍，在較長的輸送距離中，不可避免地會受到不同地域環(huán)境、氣候和海拔的影響，從而引起電壓暫緩現(xiàn)象發(fā)生，因此風(fēng)力發(fā)電機(jī)組的選址也成為解決此問題的一種辦法。

二、粒子群優(yōu)化算法

粒子群優(yōu)化算法是一種基于群體搜索求解全局最優(yōu)化問題的算法，其核心在于利用群體之中每個個體間的信息傳遞及共享找到最優(yōu)解。

（一）粒子群優(yōu)化算法基本原理

在粒子群算法中，群體中的每個粒子都存在著某種聯(lián)系，信息能夠在每個個體間進(jìn)行傳遞，因此能夠基于眾多個體的決策找到最佳的解決方案。首先，對群體中的每個粒子進(jìn)行初始化處理。在此過程中，最為關(guān)鍵的特征為粒子的位置，關(guān)鍵的節(jié)點為速度和適應(yīng)度。其次，在確認(rèn)最優(yōu)方案時，通過最優(yōu)粒子的特征參數(shù)來調(diào)整剩余的粒子參數(shù)讓其趨近于最優(yōu)值，實現(xiàn)整體的優(yōu)化。在這種情況下，由于控制變量的參數(shù)范圍會縮減到最小，因此粒子群也實現(xiàn)了整體的進(jìn)化。

對于常見的非線性優(yōu)化問題以及組合優(yōu)化等問題，此算法能夠令整體結(jié)構(gòu)通過智能優(yōu)化處理后在最短時間內(nèi)達(dá)到最優(yōu)解，優(yōu)化效果極佳。如今，此算法已廣泛應(yīng)用于多個領(lǐng)域，取得了顯著的效果。

（二）粒子群優(yōu)化算法參數(shù)選擇

本文所建立的粒子群算法是基于PSO 算法進(jìn)行迭代更新的，因此合適的參數(shù)選取對該算法收斂的速度和準(zhǔn)確性有著很大的影響。綜合考慮二者，針對該算法的參數(shù)值選擇及設(shè)定如圖1所示。

圖1 粒子群優(yōu)化算法流程示意圖

1.種群粒子數(shù)量范圍

PSO 優(yōu)化算法的首要問題就是種群內(nèi)粒子數(shù)量的設(shè)定，為了保證粒子在空間范圍內(nèi)具有足夠的搜索能力，提高搜索效率，理論上應(yīng)該將粒子的數(shù)量提高到足夠多，但系統(tǒng)承載能力有限，無法在數(shù)據(jù)量過大的情況下依然保證整體的運(yùn)行速度，所以根據(jù)經(jīng)驗設(shè)定種群初始的粒子數(shù)量為100 個。

2.慣性因子

根據(jù)鄭州大學(xué)施俊等人的實驗數(shù)據(jù)以及大量經(jīng)驗可知，隨著粒子群體的不斷迭代更新，其慣性因子也會逐漸降低活躍性，此時該算法的收斂特征逐漸顯現(xiàn)，本文設(shè)定的慣性因子更新的表達(dá)式如下：

式中：ωmax——慣性因子達(dá)到最大值時的節(jié)點，ωmax——慣性因子達(dá)到最小值時的節(jié)點，T——進(jìn)化次數(shù)，Tmax——群落更新的總次數(shù)。

調(diào)研對比多種類似實驗數(shù)據(jù)的收斂特征，ω 的取值在不超過0.9 的范圍內(nèi)，該算法收斂效果最好。

3.學(xué)習(xí)因子

C1和C2為學(xué)習(xí)因子，通過不同的取值可改變粒子運(yùn)行的尺度。C1和C2分別作為個體粒子和群體粒子最優(yōu)位置的關(guān)鍵影響因素，其數(shù)值的選擇一般要在1～4 的范圍內(nèi)，這樣可以保證系統(tǒng)的粒子和粒子群在搜索過程中速度具備良好的變化趨勢。

4.速度限制

粒子的搜索速度是影響系統(tǒng)輸出結(jié)果和收斂速度的重要因素，速度過大，粒子在搜索時會產(chǎn)生飛躍，導(dǎo)致錯過最優(yōu)節(jié)點，無法獲得最優(yōu)解；相反，若粒子的搜索速度過小，雖然最終可以獲得準(zhǔn)確的最優(yōu)解，但其收斂速度會大大降低，導(dǎo)致效率低，成本增加。所以粒子搜索的速度需要盡可能保證在合理區(qū)間內(nèi)。

5.更新次數(shù)

更新次數(shù)的合理設(shè)定也會影響系統(tǒng)輸出結(jié)果，當(dāng)算法迭代到設(shè)定的最大更新測試時，系統(tǒng)會停止搜索。與速度限制相反，更新次數(shù)增加，則計算量增大，計算效率低，且輸出結(jié)果的穩(wěn)定性會下降；更新次數(shù)越小，結(jié)果的精確性就越低。因此根據(jù)經(jīng)驗，一般將群落的更新次數(shù)設(shè)定在100～500 次，這樣無論問題復(fù)雜與否，都能保證輸出結(jié)果有較好的效果。

三、基于粒子群優(yōu)化算法的風(fēng)力發(fā)電機(jī)組選址規(guī)劃

（一）目標(biāo)函數(shù)

本文主要解決的問題是風(fēng)力發(fā)電機(jī)的定容選址優(yōu)化，其影響因素包括風(fēng)力發(fā)電機(jī)組的基本費(fèi)用、電壓暫降經(jīng)濟(jì)損失、電網(wǎng)網(wǎng)損經(jīng)濟(jì)損失、風(fēng)能資源豐富性、容量系數(shù)和風(fēng)向穩(wěn)定性等，其中后三者是地理因素。本文所研究的問題是在特定地理位置的前提下進(jìn)行的，地理因素對該問題的影響較小，本文不予考慮，假定該地區(qū)風(fēng)速保持不變。選取風(fēng)力發(fā)電機(jī)組的基本費(fèi)用、電壓暫降經(jīng)濟(jì)損失、電網(wǎng)網(wǎng)損經(jīng)濟(jì)損失作為風(fēng)力發(fā)電機(jī)的定容選址優(yōu)化問題的關(guān)鍵影響因素。

1.風(fēng)力發(fā)電機(jī)組的基本費(fèi)用

風(fēng)力發(fā)電機(jī)組的基本費(fèi)用組成應(yīng)當(dāng)從該系統(tǒng)的全壽命周期進(jìn)行分析，囊括了該發(fā)電機(jī)組從設(shè)計、制造、安裝、運(yùn)行、維修、保養(yǎng)、廢棄、回收等整個生命周期所消耗的成本之和，將經(jīng)濟(jì)性、可靠性等評價指標(biāo)也都轉(zhuǎn)換成等效費(fèi)用。

f(Xi(t+1))是t+1 時刻粒子位置分量上的適應(yīng)度函數(shù)，本文選取均方根誤差函數(shù)作為適應(yīng)度函數(shù)。

2.配電網(wǎng)的網(wǎng)絡(luò)損耗經(jīng)濟(jì)損失

評價配電網(wǎng)在某一運(yùn)行方式下的經(jīng)濟(jì)性能的重要指標(biāo)就是網(wǎng)絡(luò)損耗，而分布式電源合理布置接入可以在一定程度上降低配電網(wǎng)的網(wǎng)絡(luò)損耗，從而提高電力輸出能力以及配電網(wǎng)的經(jīng)濟(jì)性。結(jié)合上述分析和經(jīng)驗，本文選取的優(yōu)化之一便是網(wǎng)絡(luò)損耗經(jīng)濟(jì)損失。

該公式為群體最優(yōu)值更新公式。該算法隨機(jī)設(shè)置粒子的初始位置，之后利用PSO 算法迭代更新粒子的位置，通過計算粒子位置的適應(yīng)度，判斷粒子是否收斂到目標(biāo)位置，得到最優(yōu)解。

3.因電壓暫降出現(xiàn)造成的敏感負(fù)荷經(jīng)濟(jì)損失

在某一特定接入方案下，在考慮多場景的影響后，調(diào)整敏感負(fù)荷電壓暫降經(jīng)濟(jì)損失的計算公式。

式中，Vid(t)——當(dāng)前時刻粒子的位置分量，Vid(t+1)——t+1 時刻的粒子速度。

（二）約束條件

1.電壓變量不等式約束

所有節(jié)點電壓必須滿足以下條件：

2.支路電流約束

3.系統(tǒng)所安裝的風(fēng)力發(fā)電機(jī)組總?cè)萘?/p>

通常情況下，配電網(wǎng)的風(fēng)力發(fā)電機(jī)總裝機(jī)容量不能超過電網(wǎng)最大容量的10%～25%。

（三）算例分析

本研究中的風(fēng)力發(fā)電機(jī)不同接入方案，主要是通過風(fēng)力發(fā)電機(jī)組臺數(shù)和接入點的變化進(jìn)行設(shè)計的。配電系統(tǒng)中的IEEE33 節(jié)點有4 條母線可接入風(fēng)力發(fā)電機(jī)，而每條母線最大又可接入8 臺發(fā)電機(jī)，因此每條母線接入的風(fēng)力發(fā)電機(jī)數(shù)在0～8 范圍內(nèi)隨機(jī)取值，以此可計算出風(fēng)力發(fā)電機(jī)接入方案共有153 000。

為了使評價優(yōu)化后的粒子群算法的參數(shù)優(yōu)化訓(xùn)練具有較好的效果，實驗中粒子群優(yōu)化方法選用PSO-Resnet 網(wǎng)絡(luò)參數(shù)，同時使用ADAM 算法對其進(jìn)行參數(shù)的優(yōu)化訓(xùn)練和測試，迭代次數(shù)為400 次，其訓(xùn)練準(zhǔn)確率曲線如圖2所示。

圖2 訓(xùn)練準(zhǔn)確度曲線示意圖

本文為了驗證上述PSO-Resnet 優(yōu)化算法的故障診斷能力，將其結(jié)果和PSO-CNN 優(yōu)化算法進(jìn)行故障識別對比，經(jīng)過400 次迭代更新后，兩種優(yōu)化后的PSO 算法的準(zhǔn)確率曲線如圖3所示。

圖3 訓(xùn)練準(zhǔn)確度曲線示意圖

為了更直觀地觀察對比以上三種優(yōu)化算法的優(yōu)劣，本文對三種算法進(jìn)行了PCA 可視化分析，分別繪制出PSO-Resnet 網(wǎng)絡(luò)、ADAM 優(yōu)化的Resnet 網(wǎng)絡(luò)和PSO-CNN 網(wǎng)絡(luò)通過PCA 降維后的3D 特征圖，如圖4所示。通過對比三組特征可視化圖像，結(jié)果表明，經(jīng)過三種方法優(yōu)化后的算法，雖然都完成了計算和記過輸出，但是經(jīng)過粒子群優(yōu)化后的PSO-Resnet 網(wǎng)絡(luò)模型不僅能夠更為有效地提取樣本特征，并且具備更高的診斷準(zhǔn)確率，其特征的聚合效果也更好。

圖4 特征參數(shù)可視化

四、結(jié)語

為了解決風(fēng)力發(fā)電機(jī)組選址優(yōu)化問題，本文基于粒子群優(yōu)化算法建立了PSO-Resnet 網(wǎng)絡(luò)，并與ADAM 優(yōu)化的Resnet 網(wǎng)絡(luò)和PSO-CNN 網(wǎng)絡(luò)進(jìn)行了實驗對比驗證，得到結(jié)論如下：

第一，在利用粒子群優(yōu)化算法對PSOResnet 網(wǎng)絡(luò)進(jìn)行優(yōu)化過程中，對模型中的閾值和權(quán)重進(jìn)行了參數(shù)設(shè)定，提高了穩(wěn)定性。

第二，通過PSO-Resnet 網(wǎng)絡(luò)，可以有效解決不同類型和復(fù)雜程度的選址問題，并且可以根據(jù)具體的問題和復(fù)雜度進(jìn)行自主優(yōu)化。通過改變訓(xùn)練過程中的組數(shù)和網(wǎng)絡(luò)的主體結(jié)構(gòu)，可以提高模型訓(xùn)練的簡易程度。

第三，通過PCA 可視化分析，將粒子群優(yōu)化算法和PSO-Resnet 網(wǎng)絡(luò)結(jié)合，具有更高的故障診斷準(zhǔn)確率，并且通過實例分析優(yōu)化網(wǎng)絡(luò)，對風(fēng)力發(fā)電機(jī)組選址問題實現(xiàn)了準(zhǔn)確的預(yù)測和確定。