防沙背景下大基地風(fēng)電場(chǎng)線路路徑優(yōu)化研究

劉二偉，晉玉芳，賈天翼，闞童利，陸海梅

（中國(guó)華電科工集團(tuán)新能源技術(shù)開(kāi)發(fā)公司，北京 100160）

1 引言

集電線路設(shè)計(jì)是將風(fēng)電機(jī)組的箱式變壓器高壓側(cè)電力匯集輸送至風(fēng)電場(chǎng)變電站。風(fēng)電場(chǎng)集電線路工程與一般電網(wǎng)輸送電線路工程不同，風(fēng)電場(chǎng)集電線路和機(jī)組單機(jī)的發(fā)電量、所處位置、周?chē)乩須夂驐l件、串接風(fēng)電機(jī)組數(shù)量等要素相關(guān)。我國(guó)西北地區(qū)風(fēng)沙化嚴(yán)重，風(fēng)沙災(zāi)害頻發(fā)會(huì)對(duì)風(fēng)電場(chǎng)的線路路徑選擇造成很大影響。已有的線路規(guī)劃大多考慮風(fēng)力、地勢(shì)和構(gòu)造，卻較少對(duì)風(fēng)沙災(zāi)害的影響進(jìn)行深入探討，這不僅可能對(duì)風(fēng)電場(chǎng)線路造成嚴(yán)重破壞，還會(huì)進(jìn)一步增加項(xiàng)目經(jīng)濟(jì)損失，所以，有必要開(kāi)展此次研究。

2 防沙背景下大基地風(fēng)電場(chǎng)線路優(yōu)化方法

2.1 風(fēng)電節(jié)點(diǎn)輸電線布置路徑優(yōu)化模型

能源清潔化轉(zhuǎn)型背景下，以風(fēng)電光伏為代表的可再生能源持續(xù)快速發(fā)展，高比例可再生能源并網(wǎng)將是未來(lái)電網(wǎng)的一個(gè)重要特征。隨著風(fēng)光電源逐漸成為主力電源，其接入及輸送網(wǎng)絡(luò)規(guī)劃不但要解決電力電量平衡問(wèn)題，還要應(yīng)對(duì)發(fā)電機(jī)組環(huán)境防沙要求與建設(shè)成本問(wèn)題，這一問(wèn)題可通過(guò)合理的輸電線路規(guī)劃進(jìn)行一定程度的解決。風(fēng)電節(jié)點(diǎn)的線路鋪設(shè)路徑設(shè)計(jì)本質(zhì)上也是路徑規(guī)劃的一種[1]。但是集電線路優(yōu)化后的線路不是完全閉合循環(huán)的，在設(shè)計(jì)中需要同時(shí)考慮路徑的權(quán)重，以及電氣和工程因素的約束[2-3]。所以，需要把總鋪設(shè)線路的長(zhǎng)度和工程建設(shè)成本最小化作為模型優(yōu)化目標(biāo)，同時(shí)在設(shè)計(jì)中考慮電氣和工程因素的多重約束，確保找到最優(yōu)的拓?fù)湓O(shè)計(jì)。

首先，需要設(shè)計(jì)出風(fēng)電場(chǎng)集電線路優(yōu)化模型，優(yōu)化模型需要滿足以下約束：首先，中高壓電氣損耗需要低于提前設(shè)置的閾值；其次，導(dǎo)線及電纜的電壓下降也必須在規(guī)定數(shù)值以下。典型的風(fēng)電場(chǎng)的成本函數(shù)由路線投資、電氣成本、路線穿越禁忌區(qū)的成本、路線交叉帶來(lái)的成本構(gòu)成。而路線投資由線路成本、升壓站進(jìn)線柜成本、升壓站主變壓器成本、線路敷設(shè)土建成本分別與線路投資折現(xiàn)系數(shù)的乘積之和得到。電氣成本由電價(jià)與電氣損耗的乘積得到。

其次，設(shè)計(jì)風(fēng)電場(chǎng)集電線路優(yōu)化模型的約束條件，這里的約束條件由電氣約束和工程約束組成。模型中的約束包括每段導(dǎo)線的壓降、電力損失率、電流負(fù)載等。而過(guò)程約束涉及避開(kāi)河流、湖泊、自然保護(hù)區(qū)、沼澤地等，減少集電線路與已有交通路線的交叉等。所有這些約束都通過(guò)成本懲罰函數(shù)融入成本優(yōu)化模型中[2]。

2.2 基于模糊C 聚類(lèi)的風(fēng)電場(chǎng)升壓站選址與子域劃分

首先，采用模糊C 聚類(lèi)（Fuzzy c-means algorithm，F(xiàn)CM）算法進(jìn)行風(fēng)電場(chǎng)升壓站的選址優(yōu)化，因?yàn)镕CM 算法具有較好的靈活性，能允許聚類(lèi)概念存在不確定性，而且對(duì)噪聲和異常值的適應(yīng)性強(qiáng)。升壓站的選址和風(fēng)電機(jī)組的劃分可以視為樣本點(diǎn)的分類(lèi)和中心點(diǎn)確定的問(wèn)題。FCM 算法會(huì)測(cè)量每臺(tái)風(fēng)電設(shè)備與各升壓站間的歐幾里得距離，同時(shí)按照這一指標(biāo)評(píng)估各點(diǎn)的歸屬度，從而不斷更新升壓站的位置和歸屬度，使每臺(tái)風(fēng)電設(shè)備與相應(yīng)升壓站的歐幾里得距離最短，歸屬度最大。這個(gè)設(shè)定升壓站位置的過(guò)程會(huì)考慮道路和紅線區(qū)的影響，如果線路穿過(guò)紅線區(qū)或線路間存在交叉，會(huì)對(duì)這段線路的長(zhǎng)度進(jìn)行刪改，以防止風(fēng)電設(shè)備或升壓站之間的連線與道路、紅線區(qū)交叉。

當(dāng)風(fēng)電場(chǎng)升壓站的選址完成后，使用迭代自組織數(shù)據(jù)分析技術(shù)算法（Iterative Self Organizing Data Analysis Techniques Algorithm，ISODATA）開(kāi)展風(fēng)電設(shè)備的子領(lǐng)域劃分。預(yù)先不能確定劃分區(qū)域的數(shù)量，所以，模糊C 聚類(lèi)算法并不適用于這一場(chǎng)景中。為實(shí)現(xiàn)更精細(xì)的分區(qū)劃分，本研究選擇ISODATA 聚類(lèi)算法進(jìn)行風(fēng)電設(shè)備的子領(lǐng)域劃分，該算法在這一任務(wù)中的計(jì)算過(guò)程如下。

第一步，對(duì)于每個(gè)風(fēng)力發(fā)電機(jī)組，利用其初始位置設(shè)定初始聚類(lèi)中心。

第二步，根據(jù)歐氏距離，分配距離各聚類(lèi)中心最近的風(fēng)力發(fā)電機(jī)組。

第三步，按照所得的各子區(qū)域計(jì)算每個(gè)區(qū)域內(nèi)風(fēng)電機(jī)組到自身中心的距離，并更新新的聚類(lèi)中心。

第四步，判斷當(dāng)前是否滿足聚類(lèi)的終止條件。如果不滿足，返回到第二步繼續(xù)進(jìn)行分配；如果滿足終止條件，則需進(jìn)入下一步。

第五步，對(duì)各個(gè)聚類(lèi)集進(jìn)行分析，如果某個(gè)聚類(lèi)的內(nèi)部差異過(guò)大，且大于設(shè)定的閾值，則將此聚類(lèi)進(jìn)行分裂；當(dāng)兩個(gè)聚類(lèi)數(shù)據(jù)之間的距離小于設(shè)定值時(shí)，進(jìn)行合并當(dāng)前聚類(lèi)的操作。

第六步，對(duì)更新后的聚類(lèi)重復(fù)第二步～第五步的計(jì)算操作，直到迭代次數(shù)滿足要求，或者設(shè)定停止條件被滿足，再輸出得到的風(fēng)電機(jī)組子域劃分結(jié)果。

通過(guò)這種方式，ISODATA 算法可以有效地進(jìn)行動(dòng)態(tài)的風(fēng)電機(jī)組子域劃分和升壓站的優(yōu)選選址。此外，迭代結(jié)果應(yīng)該被合并和分裂，以提升算法的適應(yīng)能力，使得算法能對(duì)風(fēng)電機(jī)組的分布趨勢(shì)進(jìn)行精確的動(dòng)態(tài)反應(yīng)[3]。

2.3 基于聚類(lèi)與粒子群的風(fēng)電場(chǎng)集電線路徑優(yōu)化方法

完成上述步驟后，即可采用粒子群（Particle Swarm Optimization，PSO）與Prim 算法完成線路敷設(shè)路徑規(guī)劃工作，這里利用離散PSO 優(yōu)化輸出后者計(jì)算參數(shù)的方式來(lái)融合這兩種算法，從而對(duì)每個(gè)風(fēng)力發(fā)電節(jié)點(diǎn)的線路敷設(shè)路線進(jìn)行優(yōu)化布局。粒子群算法在經(jīng)典PSO 算法計(jì)算流程中，個(gè)體的運(yùn)動(dòng)速度和實(shí)時(shí)位置是獨(dú)立的。而離散PSO 算法對(duì)粒子的位置與速度的更新方式進(jìn)行了一些改進(jìn)。離散PSO 中，位置用于描述離散數(shù)據(jù)的分布，這點(diǎn)與傳統(tǒng)PSO 算法不同，而前者的速度則影響位置數(shù)據(jù)的更新。

在優(yōu)化計(jì)算過(guò)程中，規(guī)劃模型會(huì)在指定區(qū)域內(nèi)按照隨機(jī)生成方式形成線路排布方案，這些初始方案同樣需要滿足規(guī)劃模型中設(shè)置的各種條件。而離散PSO 則會(huì)一直更新算法參數(shù)，從而生成當(dāng)前線路的最優(yōu)方案。在算法更新過(guò)程中，需要考慮以下因素：紅線地理范圍、道路因素與電力限制條件，無(wú)視線路之間的交叉情形。優(yōu)化算法會(huì)輸出各個(gè)子領(lǐng)域內(nèi)的連線布置方案，但是這一算法的局部控制力存在一定補(bǔ)助，所以，這里采用Prim 算法檢測(cè)各電力傳輸路線，在這一算法的迭代計(jì)算過(guò)程中，會(huì)選出最小代價(jià)的路徑對(duì)應(yīng)的點(diǎn)，并將其添加到最小生成樹(shù)，以達(dá)到盡可能使得局部支線最優(yōu)的效果。

3 風(fēng)電節(jié)點(diǎn)電力網(wǎng)敷設(shè)路徑優(yōu)化方法的項(xiàng)目測(cè)試

這里選用國(guó)內(nèi)新疆某風(fēng)電項(xiàng)目對(duì)此次研究設(shè)計(jì)的風(fēng)電場(chǎng)線路優(yōu)化模型進(jìn)行測(cè)試。該項(xiàng)目中共含有80 臺(tái)風(fēng)電機(jī)組，其點(diǎn)位排布如圖1 所示。選定項(xiàng)目的數(shù)據(jù)和設(shè)計(jì)出的規(guī)劃模型以及后續(xù)的對(duì)比模型均被輸入電腦中，并使用Python3.0 語(yǔ)言進(jìn)行計(jì)算。實(shí)驗(yàn)的硬件與軟件環(huán)境如下：Windows 10 專(zhuān)業(yè)版、運(yùn)行內(nèi)存8.0 GB、磁盤(pán)內(nèi)存1 024 GB，數(shù)據(jù)庫(kù)MySQL5.7。觀察圖1 可知，由于該項(xiàng)目區(qū)域中存在風(fēng)沙災(zāi)害頻發(fā)區(qū)，路線規(guī)劃與升壓站選定時(shí)應(yīng)考慮這一因素的影響。

圖1 風(fēng)電場(chǎng)項(xiàng)目的機(jī)位點(diǎn)布置位置分布

使用此次研究設(shè)計(jì)的模型計(jì)算后得到的規(guī)劃結(jié)果如圖2所示。

圖2 風(fēng)電場(chǎng)項(xiàng)目線路規(guī)劃結(jié)果

如圖2 所示，此次規(guī)劃出的線路方案有效降低了風(fēng)沙頻發(fā)區(qū)對(duì)各點(diǎn)位的影響，且規(guī)劃后的各點(diǎn)位大致均勻分布于升壓站周?chē)?。這有效降低了路線建設(shè)成本和維護(hù)管理成本，且風(fēng)力發(fā)電電量在傳輸過(guò)程中的損耗也較低。從定性角度看，規(guī)劃結(jié)果較為合理。

下面再?gòu)亩拷嵌确治龃舜窝芯吭O(shè)計(jì)的規(guī)劃模型，以及根據(jù)業(yè)內(nèi)常用的斑馬優(yōu)化算法、粒子群算法、蟻群算法構(gòu)建的對(duì)比模型在規(guī)劃結(jié)果上的區(qū)別。這里為提升對(duì)比結(jié)果的可靠性，每種規(guī)劃方案均重復(fù)運(yùn)行10 次，且各種相對(duì)指標(biāo)的對(duì)比對(duì)象均為人工規(guī)劃的數(shù)據(jù)。圖3 中抗風(fēng)沙能力為5 位行業(yè)內(nèi)的專(zhuān)家的評(píng)價(jià)分?jǐn)?shù)，打分范圍為[0，2]數(shù)值越高，代表抗風(fēng)沙能力越強(qiáng)。

圖3 各規(guī)劃模型的規(guī)劃結(jié)果對(duì)比

觀察圖3 可知，人工規(guī)劃方法由于被選為參照對(duì)象，各項(xiàng)指標(biāo)數(shù)值均為1.0。斑馬算法計(jì)算出的路線相對(duì)最長(zhǎng)路線為0.85，低于所有對(duì)比方法，說(shuō)明該方法規(guī)劃出的整體路線最短。而且從成本角度看，斑馬算法設(shè)計(jì)路線的相對(duì)建設(shè)總成本、相對(duì)線路投資、相對(duì)電氣成本、相對(duì)路線交叉成本、相對(duì)穿越風(fēng)沙區(qū)成本數(shù)值均為所有方法中最低的，說(shuō)明該方法從成本角度看較為節(jié)省。但斑馬算法規(guī)劃路線的抗風(fēng)沙能力評(píng)分為0.76 也是所有算法中最低的，也明顯低于人工規(guī)劃方法，說(shuō)明該方法的防風(fēng)沙能力最差，有悖于此次研究的初衷，整體不滿足規(guī)劃要求。蟻群算法的抗風(fēng)沙能力評(píng)分為1.13，但設(shè)計(jì)路線的相對(duì)建設(shè)總成本、相對(duì)線路投資、相對(duì)電氣成本、相對(duì)路線交叉成本、相對(duì)穿越風(fēng)沙區(qū)成本數(shù)值分別為1.24、1.13、1.48、1.29、1.18、1.35 均大幅度高于人工規(guī)劃方法，說(shuō)明該方法雖然能提升規(guī)劃路線的整體抗風(fēng)沙能力，但需要額外消耗較大的成本。而此次研究設(shè)計(jì)的算法模型，抗風(fēng)沙能力評(píng)分為1.58，高于所有對(duì)比方法，且相對(duì)建設(shè)總成本、相對(duì)線路投資、相對(duì)電氣成本、相對(duì)路線交叉成本、相對(duì)穿越風(fēng)沙區(qū)成本數(shù)值分別為1.03、1.01、1.01、1.05、1.02，各項(xiàng)成本僅比人工規(guī)劃方法高出5%以內(nèi)，整體規(guī)劃效果最優(yōu)。

4 結(jié)語(yǔ)

此次研究設(shè)計(jì)了一項(xiàng)基于改進(jìn)PSO 算法的風(fēng)電場(chǎng)線路智能規(guī)劃模型，測(cè)試結(jié)果如下：斑馬算法相對(duì)建設(shè)總成本最低，說(shuō)明該方法從成本角度看較為節(jié)省，但抗風(fēng)沙能力評(píng)分為0.76，也是所有算法中最低的，不滿足規(guī)劃要求。蟻群算法的抗風(fēng)沙能力評(píng)分為1.13，但設(shè)計(jì)路線的相對(duì)建設(shè)總成本、相對(duì)線路投資、相對(duì)電氣成本、相對(duì)路線交叉成本、相對(duì)穿越風(fēng)沙區(qū)成本數(shù)值分別為1.24、1.13、1.48、1.29、1.18、1.35，均大幅度高于人工規(guī)劃方法，說(shuō)明該方法雖然能提升規(guī)劃路線的整體抗風(fēng)沙能力，但需要額外消耗較大的成本。而此次研究設(shè)計(jì)的算法模型的抗風(fēng)沙能力評(píng)分為1.58，高于所有對(duì)比方法，且各項(xiàng)成本僅比人工規(guī)劃方法高出5%以內(nèi)，整體規(guī)劃效果最優(yōu)。項(xiàng)目計(jì)算結(jié)果顯示，此次研究設(shè)計(jì)方法具有較好的防風(fēng)沙能力，且綜合成本較低。但本研究缺點(diǎn)在于沒(méi)能收集更多風(fēng)電場(chǎng)項(xiàng)目進(jìn)行驗(yàn)證，后續(xù)將在其他風(fēng)電項(xiàng)目樣本中進(jìn)行模擬以驗(yàn)證本線路路徑優(yōu)化研究成果。