风电场的优化设计方法、系统、电子设备和存储介质.pdf

《风电场的优化设计方法、系统、电子设备和存储介质.pdf》由会员分享，可在线阅读，更多相关《风电场的优化设计方法、系统、电子设备和存储介质.pdf（19页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010176942.0 (22)申请日 2020.03.13 (71)申请人 上海电气风电集团股份有限公司 地址 200233 上海市徐汇区漕宝路115号 (72)发明人 许梦莹蒋勇许移庆 (74)专利代理机构 上海弼兴律师事务所 31283 代理人 薛琦林嵩 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/12(2006.01) (54)发明名称 风电场的优化设计方法、 系统、 电子设备和 存储介质 (57)摘要 本发明公开了一种风电场的优化。

2、设计方法、 系统、 电子设备和存储介质， 所述优化设计方法 包括： 获取风电场对应的n个优化目标； 确定每个 优化目标对应的目标函数和设计变量信息； 采用 智能优化算法获取多个优化目标对应的帕累托 最优解集； 根据预设条件从帕累托最优解集中选 取目标帕累托解； 获取目标帕累托解对应的目标 设计变量值； 根据目标设计变量值对风电场进行 优化布局。 本发明中通过多目标优化算法求解出 一组各子目标尽可能最优的方案集合Pareto最 优解集， 用户可以根据自身偏好选择最终的优化 设计方案， 从而实现对风电场的优化布局设计， 同时也提高了优化设计效率。 权利要求书2页 说明书10页 附图6页 CN 11。

3、1339713 A 2020.06.26 CN 111339713 A 1.一种风电场的优化设计方法， 其特征在于， 所述优化设计方法包括： 获取风电场对应的n个优化目标； 其中， n2且取整数； 确定每个所述优化目标对应的目标函数和设计变量信息； 采用智能优化算法基于所述目标函数和所述设计变量信息进行处理， 获取多个所述优 化目标对应的帕累托最优解集； 其中， 所述帕累托最优解集中不同的帕累托解对应不同的设计变量值； 根据预设条件从所述帕累托最优解集中选取目标帕累托解； 获取所述目标帕累托解对应的目标设计变量值； 根据所述目标设计变量值对所述风电场进行优化布局。 2.如权利要求1所述的风电场。

4、的优化设计方法， 其特征在于， 所述设计变量信息包括设 计变量、 所述设计变量的取值类型、 取值范围以及约束条件。 3.如权利要求2所述的风电场的优化设计方法， 其特征在于， 所述智能优化算法包括目 标遗传算法、 基于群智能的多目标优化算法或快速非支配排序遗传算法。 4.如权利要求3所述的风电场的优化设计方法， 其特征在于， 所述智能优化算法为所述 快速非支配排序遗传算法时， 所述采用智能优化算法基于所述目标函数和所述设计变量信 息进行处理， 获取多个所述优化目标对应的帕累托最优解集的步骤包括： 设置染色体数包括所述设计变量中的机组数量， 以及设置染色体的基因包括所述设计 变量中除所述机组数量。

5、之外的信息并获取对应的设置信息； 采用所述快速非支配排序遗传算法根据所述设置信息进行交叉和/或变异处理以获取 多个所述优化目标对应的所述帕累托最优解集。 5.一种风电场的优化设计系统， 其特征在于， 所述优化设计系统包括优化目标获取模 块、 确定模块、 最优解集获取模块、 目标帕累托解选取模块、 设计变量获取模块和布局模块； 所述优化目标获取模块用于获取风电场对应的n个优化目标； 其中， n2且取整数； 所述确定模块用于确定每个所述优化目标对应的目标函数和设计变量信息； 所述最优解集获取模块用于采用智能优化算法基于所述目标函数和所述设计变量信 息进行处理， 获取多个所述优化目标对应的帕累托最优。

6、解集； 其中， 所述帕累托最优解集中不同的帕累托解对应不同的设计变量值； 所述目标帕累托解选取模块用于根据预设条件从所述帕累托最优解集中选取目标帕 累托解； 所述设计变量获取模块用于获取所述目标帕累托解对应的目标设计变量值； 所述布局模块用于根据所述目标设计变量值对所述风电场进行优化布局。 6.如权利要求5所述的风电场的优化设计系统， 其特征在于， 所述设计变量信息包括设 计变量、 所述设计变量的取值类型、 取值范围以及约束条件。 7.如权利要求6所述的风电场的优化设计系统， 其特征在于， 所述智能优化算法包括目 标遗传算法、 基于群智能的多目标优化算法或快速非支配排序遗传算法。 8.如权利要。

7、求7所述的风电场的优化设计系统， 其特征在于， 所述智能优化算法为所述 快速非支配排序遗传算法时， 所述最优解集获取模块包括设置单元和最优解集获取单元； 所述设置单元用于设置染色体数包括所述设计变量中的机组数量， 以及设置染色体的 基因包括所述设计变量中除所述机组数量之外的信息并获取对应的设置信息； 权利要求书 1/2 页 2 CN 111339713 A 2 所述最优解集获取单元用于采用所述快速非支配排序遗传算法根据所述设置信息进 行交叉和/或变异处理以获取多个所述优化目标对应的所述帕累托最优解集。 9.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 。

8、其特征在于， 所述处理器执行计算机程序时实现权利要求1-4中任一项所述的风电 场的优化设计方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1-4中任一项所述的风电场的优化设计方法的步骤。 权利要求书 2/2 页 3 CN 111339713 A 3 风电场的优化设计方法、 系统、 电子设备和存储介质 技术领域 0001 本发明涉及风电场设计技术领域， 特别涉及一种风电场的优化设计方法、 系统、 电 子设备和存储介质。 背景技术 0002 风电场设计所包含的设计参数很多， 如机组布局、 机型选择、 轮毂高度选择等。 目 前研。

9、究较多的是机组的布局优化， 而且通常以单目标优化的方式进行， 优化目标可以为年 发电量最大、 度电成本最低、 净现值最大等， 同时考虑场区边界、 尾流影响、 环境影响等设计 约束条件。 单目标设计的方案往往由于追求单一目标的最优化而导致其他方面恶化， 如选 择年发电量为目标时， 为了追求发电量的最大化， 可能将机组布置在施工成本很大的位置， 从而导致风电场投资成本陡增、 度电成本增加等。 0003 随着业界对风电场精细化设计的重视程度越来越高， 考虑单一目标的设计方法已 不能满足市场需求， 需要综合考虑发电量、 成本、 环境影响等多个目标以获得各目标均衡的 全局最优解， 从而达到全生命周期的综。

10、合效用最大化。 目前， 风电场多目标优化设计主要通 过赋予权重的方式将多目标优化问题转化为单目标问题， 但是， 这种依赖于权重的方法效 果好坏主要取决于专家的主观判断， 因此无法做到相对客观的平衡各优化目标， 从而无法 满足实际优化设计需求。 发明内容 0004 本发明要解决的技术问题是为了克服现有技术中风电场的优化设计方法存在主 要依赖于专家的主观判断、 无法做到相对客观的平衡各优化目标， 无法满足实际优化设计 需求的缺陷， 目的在于提供一种风电场的优化设计方法、 系统、 电子设备和存储介质。 0005 本发明是通过下述技术方案来解决上述技术问题： 0006 本发明提供一种风电场的优化设计方。

11、法， 所述优化设计方法包括： 0007 获取风电场对应的n个优化目标； 其中， n2且取整数； 0008 确定每个所述优化目标对应的目标函数和设计变量信息； 0009 采用智能优化算法基于所述目标函数和所述设计变量信息进行处理， 获取多个所 述优化目标对应的帕累托最优解集； 0010 其中， 所述帕累托最优解集中不同的帕累托解对应不同的设计变量值； 0011 根据预设条件从所述帕累托最优解集中选取目标帕累托解； 0012 获取所述目标帕累托解对应的目标设计变量值； 0013 根据所述目标设计变量值对所述风电场进行优化布局。 0014 较佳地， 所述设计变量信息包括设计变量、 所述设计变量的取值。

12、类型、 取值范围以 及约束条件。 0015 较佳地， 所述智能优化算法包括目标遗传算法、 基于群智能的多目标优化算法或 快速非支配排序遗传算法。 说明书 1/10 页 4 CN 111339713 A 4 0016 较佳地， 所述智能优化算法为所述快速非支配排序遗传算法时， 所述采用智能优 化算法基于所述目标函数和所述设计变量信息进行处理， 获取多个所述优化目标对应的帕 累托最优解集的步骤包括： 0017 设置染色体数包括所述设计变量中的机组数量， 以及设置染色体的基因包括所述 设计变量中除所述机组数量之外的信息并获取对应的设置信息； 0018 采用所述快速非支配排序遗传算法根据所述设置信息进。

13、行交叉和/或变异处理以 获取多个所述优化目标对应的所述帕累托最优解集。 0019 本发明还提供一种风电场的优化设计系统， 所述优化设计系统包括优化目标获取 模块、 确定模块、 最优解集获取模块、 目标帕累托解选取模块、 设计变量获取模块和布局模 块； 0020 所述优化目标获取模块用于获取风电场对应的n个优化目标； 其中， n2且取整 数； 0021 所述确定模块用于确定每个所述优化目标对应的目标函数和设计变量信息； 0022 所述最优解集获取模块用于采用智能优化算法基于所述目标函数和所述设计变 量信息进行处理， 获取多个所述优化目标对应的帕累托最优解集； 0023 其中， 所述帕累托最优解集。

14、中不同的帕累托解对应不同的设计变量值； 0024 所述目标帕累托解选取模块用于根据预设条件从所述帕累托最优解集中选取目 标帕累托解； 0025 所述设计变量获取模块用于获取所述目标帕累托解对应的目标设计变量值； 0026 所述布局模块用于根据所述目标设计变量值对所述风电场进行优化布局。 0027 较佳地， 所述设计变量信息包括设计变量、 所述设计变量的取值类型、 取值范围以 及约束条件。 0028 较佳地， 所述智能优化算法包括目标遗传算法、 基于群智能的多目标优化算法或 快速非支配排序遗传算法。 0029 较佳地， 所述智能优化算法为所述快速非支配排序遗传算法时， 所述最优解集获 取模块包括。

15、设置单元和最优解集获取单元； 0030 所述设置单元用于设置染色体数包括所述设计变量中的机组数量， 以及设置染色 体的基因包括所述设计变量中除所述机组数量之外的信息并获取对应的设置信息； 0031 所述最优解集获取单元用于采用所述快速非支配排序遗传算法根据所述设置信 息进行交叉和/或变异处理以获取多个所述优化目标对应的所述帕累托最优解集。 0032 本发明还提供一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理 器上运行的计算机程序， 所述处理器执行计算机程序时实现上述的风电场的优化设计方 法。 0033 本发明还提供一种计算机可读存储介质， 其上存储有计算机程序， 所述计算机程 。

16、序被处理器执行时实现上述的风电场的优化设计方法的步骤。 0034 本发明的积极进步效果在于： 0035 本发明中， 基于智能优化算法(如NSGA-II快速非支配排序遗传算法)求解出一组 各子目标尽可能最优的方案集合Pareto(帕累托)最优解集(Pareto前沿)， 用户可根据自身 偏好选择最终的优化设计方案， 进而实现对风电场的优化布局设计， 同时也提高了优化设 说明书 2/10 页 5 CN 111339713 A 5 计效率。 附图说明 0036 图1为本发明实施例1的风电场的优化设计方法的流程图。 0037 图2为本发明实施例2的风电场的优化设计方法的流程图。 0038 图3为本发明实。

17、施例2的风电场的优化设计方法中Pareto前沿示意图。 0039 图4为本发明实施例3的风电场的优化设计系统的模块示意图。 0040 图5为本发明实施例4的风电场的优化设计系统的模块示意图。 0041 图6为本发明实施例5的实现风电场的优化设计方法的电子设备的结构示意图。 具体实施方式 0042 下面通过实施例的方式进一步说明本发明， 但并不因此将本发明限制在所述的实 施例范围之中。 0043 实施例1 0044 如图1所示， 本实施例的风电场的优化设计方法包括： 0045 S101、 获取风电场对应的n个优化目标； 其中， n2且取整数； 0046 其中， 优化目标的选取根据实际的业务需求确。

18、定。 0047 S102、 确定每个优化目标对应的目标函数和设计变量信息； 0048 其中， 设计变量信息包括但不限于设计变量、 设计变量的取值类型、 设计变量的取 值范围和设计变量的约束条件。 0049 具体地， 多目标优化问题的一般描述为： 0050 0051 其中， X为设计变量组成的向量， fm(X)表示第m个目标函数， F(X)为目标函数向量， gj(X)为j个不等式约束函数， hk(X)为k个等式约束函数， p和q均取整数。 0052 在风电场设计中， 设计变量包括： 机组数量、 机组位置、 机型、 轮毂高度、 基础型式 等； 优化目标包括： 年发电量、 度电成本、 净现值、 噪音。

19、水平、 电磁干扰等。 针对不同的优化目 标， 其所涉及的设计变量也会有所不同。 常见的约束条件包括： 机组间间距至少大于3倍叶 轮直径、 风电场边界、 不可安装风机区域、 容量系数大于30等。 0053 S103、 采用智能优化算法基于目标函数和设计变量信息进行处理， 获取多个优化 目标对应的帕累托最优解集， 该帕累托最优解集为一组各子目标尽可能最优的方案集合， 保证最优个体多样性， 从而为决策者提供不同偏好选择。 0054 其中， 帕累托最优解集中不同的帕累托解对应不同的设计变量值。 0055 另外， 智能优化算法包括但限于目标遗传算法、 基于群智能的多目标优化算法或 快速非支配排序遗传算法。

20、。 0056 S104、 根据预设条件从帕累托最优解集中选取目标帕累托解； 0057 S105、 获取目标帕累托解对应的目标设计变量值； 说明书 3/10 页 6 CN 111339713 A 6 0058 S106、 根据目标设计变量值对风电场进行优化布局。 0059 本实施例中， 基于智能优化算法求解出一组各子目标尽可能最优的方案集合 Pareto最优解集(Pareto前沿)， 用户可根据自身偏好选择最终的优化设计方案， 进而实现 对风电场的优化布局设计， 同时也提高了优化设计效率。 0060 实施例2 0061 如图2所示， 本实施例的风电场的优化设计方法是对实施例1的进一步改进， 具体。

21、 地： 0062 步骤S103包括： 0063 S1031、 采用NSGA-II快速非支配排序遗传算法基于目标函数和设计变量信息进行 处理， 获取多个优化目标对应的帕累托最优解集。 0064 其中， 通过设置染色体数包括设计变量中的机组数量， 以及设置染色体的基因包 括设计变量中除机组数量之外的信息并获取对应的设置信息； 0065 采用快速非支配排序遗传算法根据设置信息进行交叉和/或变异处理以获取多个 优化目标对应的帕累托最优解集。 0066 具体地， 选择NSGA-II快速非支配排序遗传算法， 并基于设计变量进行算法设置的 过程如下： 0067 将NSGA-II快速非支配排序遗传算法中每个个。

22、体(对应多个机组)作为一个设计方 案， 染色体数为机组数量， 染色体的基因包括机位坐标(x， y)、 机型、 轮毂高度、 基础型式等。 遗传算法最重要的是选择、 交叉、 变异， 对于本实施例的风电场多目标优化的设计问题， 主 要涉及对交叉和变异算法进行设置。 0068 (1)交叉： 对于非支配排序中的两个个体a1， a2， 分别将其染色体(即所有机组)按 照机位坐标进行排序。 对于a1， a2中位置相近的机组， 比较其f1(优化目标， 如年发电量、 度 电成本)的大小， 并采用a2中f1比对应的a1中大的机组替换对应的a1的机组。 完成替换后， 检查a1是否满足约束条件： 例如， 若两两机组间。

23、距不满足约束， 则删除相近机组中f1较小的 机组， 并随机生成新的满足约束的机组。 当完成约束条件检查后， 即完成交叉。 0069 (2)变异： 变异针对单个个体a而言， 每个染色体都有发生变异的概率P1(二进制向 量， 长度为机组数量， 0为不发生变异， 1为发生变异)。 对于每个染色体， 各基因也有变异的 概率P2(二进制向量， 长度为设计变量个数， 0为不发生变异， 1为发生变异)。 0070 对于发生变异的基因， 离散型则随机从其待选参数中选择， 对于连续型则需有特 定的公式， 在风电场多目标优化问题中机位点坐标为连续型， 其变异公式如下： 0071 Z(x， y)Z0(x， y)+D。

24、* 0072 其中， Z(x， y)为变异后的坐标点位置， Z0(x， y)为变异前的坐标点位置， D为常数， 可设置为风电场的平均直径， 为01间的随机数。 0073 采用NSGA-II快速非支配排序遗传算法基于上述的交叉和变异算法的设置求解出 多个优化目标对应的帕累托最优解集。 0074 下面结合实例具体说明： 0075 (1)选取优化目标， 并确定目标函数以及设计变量信息 0076 说明书 4/10 页 7 CN 111339713 A 7 0077 0078 其中， AEP： 年发电量， N： 风机数量， Umax:机组运行最大风速， ： 空气密度， A： 扫风面 积， Cp:风能利用。

25、系数， 与空气密度和风速相关， P(U， )： 风向下出现U风速的概率， LCOE： 度 电成本， FCR： 固定开支费率， ICC： 初始投资成本， 与机型、 机组数量、 基础类型、 轮毂高度等 相关， AOE： 年运行成本。 0079 发电量的设计变量为： 机型、 机组数量、 机位点坐标、 轮毂高度。 度电成本的设计变 量为： 机型、 机组数量、 轮毂高度、 基础类型。 其中， 机型、 机组数量、 基础类型为离散整数型， 机位点坐标为连续数， 轮毂高度可为离散值或连续值。 其中， 发电量计算的输入文件为风功 率图谱， 包含了风电场各点位的风速、 风频等信息， 另外还需要采用尾流模型来计算此。

26、机位 点的风速U。 0080 约束条件为： 机组间距大于3D， 机位点坐标位于特定区域中， 风电场容量不得大于 50MW。 0081 (2)选取NSGA-II快速非支配排序遗传算法基于设计变量进行算法设置 0082 将NSGA-II快速非支配排序遗传算法中每个个体(对应多个机组)作为一个设计方 案， 染色体数为机组数量， 染色体的基因包括机位坐标(x， y)、 机型、 轮毂高度、 基础型式等。 遗传算法最重要的是选择、 交叉、 变异， 对于本实施例的风电场多目标优化的设计问题， 主 要涉及对交叉和变异算法进行设置。 0083 假设备选机型3种(取值为2， 2.5， 3MW)， 基础类型3种(取。

27、值为1， 2， 3)， 轮毂高度3种 (取值为80， 90， 100)， 机组数量的最大值对应机型为25， 20， 16。 0084 交叉： 对于非支配排序中的两个个体a1， a2， 分别将其染色体(即所有机组)按照机 位坐标进行排序。 对于a1， a2中位置相近的机组， 比较其f1(优化目标， 如年发电量、 度电成 本)的大小， 并采用a2中f1比对应的a1中大的机组替换对应的a1的机组。 完成替换后， 检查 a1是否满足约束条件： 例如， 若两两机组间距不满足约束， 则删除相近机组中f1较小的机 组， 并随机生成新的满足约束的机组。 若风电场容量大于50MW， 则删除发电量最小的机组。 当。

28、完成约束条件检查后， 即完成交叉。 0085 变异： 变异针对单个个体a而言， 每个染色体都有发生变异的概率P1(二进制向量， 长度为机组数量， 0为不发生变异， 1为发生变异)。 对于每个染色体， 各基因也有变异的概率 P2(二进制向量， 长度为设计变量个数， 0为不发生变异， 1为发生变异)。 0086 对于发生变异的基因， 离散型则随机从其待选参数中选择， 对于连续型则需有特 定的公式， 在风电场多目标优化问题中机位点坐标为连续型， 其变异公式如下： 0087 Z(x， y)Z0(x， y)+D* 0088 其中， Z(x， y)为变异后的坐标点位置， Z0(x， y)为变异前的坐标点位。

29、置， D为常数， 可设置为风电场的平均直径， 为01间的随机数。 0089 交叉变异的基本作用就是改变设计参数的值， 从而找到能得到AEPmax和LCOEmin 的解。 0090 (3)采用NSGA-II快速非支配排序遗传算法基于上述的交叉和变异算法的设置求 解出并输出多个优化目标对应的Pareto最优解集 0091 Pareto最优解集为多个风电场设计方案对应的目标值， 此时， Pareto最优解集为 说明书 5/10 页 8 CN 111339713 A 8 多组(AEP， LCOE)， 每组(AEP， LCOE)对应具体的设计方案(几台机组， 机组类型、 基础类型、 轮 毂高度、 机组的。

30、机位点坐标)。 0092 (4)用户根据自身偏好从Pareto最优解集中选取目标帕累托解以及该目标帕累托 解对应的目标设计变量值 0093 如图3所示， 横轴表示目标函数f1(AEP)， 纵轴表示目标函数f2(LCOE)， 曲线上每个 点对应一个Pareto解， 所有Pareto解构成Pareto最优解集(Pareto前沿)； 其中， 每个Pareto 解对应一组(AEP， LCOE)。 0094 用户可根据自身喜好选择， 若用户倾向于侧重AEP， 就选择AEP较高， LCOE较低的解 即可； 反之， 若用户倾向于侧重LCOE， 就选择LCOE较高， AEP较低的解即可。 0095 本实施例中。

31、， 基于NSGA-II快速非支配排序遗传算法求解出一组各子目标尽可能 最优的方案集合Pareto最优解集(Pareto前沿)， 用户可根据自身偏好选择最终的优化设计 方案， 进而实现对风电场的优化布局设计， 同时也提高了优化设计效率。 0096 实施例3 0097 如图4所示， 本实施例的风电场的优化设计系统包括优化目标获取模块1、 确定模 块2、 最优解集获取模块3、 目标帕累托解选取模块4、 设计变量获取模块5和布局模块6。 0098 优化目标获取模块1用于获取风电场对应的n个优化目标； 其中， n2且取整数； 0099 其中， 优化目标的选取根据实际的业务需求确定。 0100 确定模块2。

32、用于确定每个优化目标对应的目标函数和设计变量信息； 0101 其中， 设计变量信息包括但不限于设计变量、 设计变量的取值类型、 设计变量的取 值范围和设计变量的约束条件。 0102 具体地， 多目标优化问题的一般描述为： 0103 0104 其中， X为设计变量组成的向量， fm(X)表示第m个目标函数， F(X)为目标函数向量， gj(X)为j个不等式约束函数， hk(X)为k个等式约束函数， p和q均取整数。 0105 在风电场设计中， 设计变量包括： 机组数量、 机组位置、 机型、 轮毂高度、 基础型式 等； 优化目标包括： 年发电量、 度电成本、 净现值、 噪音水平、 电磁干扰等。 针。

33、对不同的优化目 标， 其所涉及的设计变量也会有所不同。 常见的约束条件包括： 机组间间距至少大于3倍叶 轮直径、 风电场边界、 不可安装风机区域、 容量系数大于30等。 0106 最优解集获取模块3用于采用智能优化算法基于目标函数和设计变量信息进行处 理， 获取多个优化目标对应的帕累托最优解集； 0107 其中， 帕累托最优解集中不同的帕累托解对应不同的设计变量值。 0108 智能优化算法包括但不限于目标遗传算法、 基于群智能的多目标优化算法或快速 非支配排序遗传算法。 0109 目标帕累托解选取模块4用于根据预设条件从帕累托最优解集中选取目标帕累托 解； 0110 设计变量获取模块5用于获取。

34、目标帕累托解对应的目标设计变量值； 说明书 6/10 页 9 CN 111339713 A 9 0111 布局模块6用于根据目标设计变量值对风电场进行优化布局。 0112 本实施例中， 基于NSGA-II快速非支配排序遗传算法求解出一组各子目标尽可能 最优的方案集合Pareto最优解集(Pareto前沿)， 用户可根据自身偏好选择最终的优化设计 方案， 进而实现对风电场的优化布局设计， 同时也提高了优化设计效率。 0113 实施例4 0114 如图5所示， 本实施例的风电场的优化设计系统是对实施例3的进一步改进， 具体 地： 0115 最优解集获取模块3用于采用NSGA-II快速非支配排序遗传。

35、算法基于目标函数和 设计变量信息进行处理， 获取多个优化目标对应的帕累托最优解集。 0116 其中最优解集获取模块3包括设置单元7和最优解集获取单元8。 0117 设置单元7用于设置染色体数包括设计变量中的机组数量， 以及设置染色体的基 因包括设计变量中除机组数量之外的信息并获取对应的设置信息； 0118 最优解集获取单元8用于采用快速非支配排序遗传算法根据设置信息进行交叉 和/或变异处理以获取多个优化目标对应的帕累托最优解集。 0119 具体地， 选择NSGA-II快速非支配排序遗传算法， 并基于设计变量进行算法设置： 0120 将NSGA-II快速非支配排序遗传算法中每个个体(对应多个机组。

36、)作为一个设计方 案， 染色体数为机组数量， 染色体的基因包括机位坐标(x， y)、 机型、 轮毂高度、 基础型式等。 遗传算法最重要的是选择、 交叉、 变异， 对于本实施例的风电场多目标优化的设计问题， 主 要涉及对交叉和变异算法进行设置。 0121 (1)交叉： 对于非支配排序中的两个个体a1， a2， 分别将其染色体(即所有机组)按 照机位坐标进行排序。 对于a1， a2中位置相近的机组， 比较其f1(优化目标， 如年发电量、 度 电成本)的大小， 并采用a2中f1比对应的a1中大的机组替换对应的a1的机组。 完成替换后， 检查a1是否满足约束条件： 例如， 若两两机组间距不满足约束， 。

37、则删除相近机组中f1较小的 机组， 并随机生成新的满足约束的机组。 当完成约束条件检查后， 即完成交叉。 0122 (2)变异： 变异针对单个个体a而言， 每个染色体都有发生变异的概率P1(二进制向 量， 长度为机组数量， 0为不发生变异， 1为发生变异)。 对于每个染色体， 各基因也有变异的 概率P2(二进制向量， 长度为设计变量个数， 0为不发生变异， 1为发生变异)。 0123 对于发生变异的基因， 离散型则随机从其待选参数中选择， 对于连续型则需有特 定的公式， 在风电场多目标优化问题中机位点坐标为连续型， 其变异公式如下： 0124 Z(x， y)Z0(x， y)+D* 0125 其。

38、中， Z(x， y)为变异后的坐标点位置， Z0(x， y)为变异前的坐标点位置， D为常数， 可设置为风电场的平均直径， 为01间的随机数。 0126 采用NSGA-II快速非支配排序遗传算法基于上述的交叉和变异算法的设置求解出 多个优化目标对应的帕累托最优解集。 0127 下面结合实例具体说明： 0128 (1)选取优化目标， 并确定目标函数以及设计变量信息 0129 说明书 7/10 页 10 CN 111339713 A 10 0130 0131 其中， AEP： 年发电量， N： 风机数量， Umax:机组运行最大风速， ： 空气密度， A： 扫风面 积， Cp:风能利用系数， 与空。

39、气密度和风速相关， P(U， )： 风向下出现U风速的概率， LCOE： 度 电成本， FCR： 固定开支费率， ICC： 初始投资成本， 与机型、 机组数量、 基础类型、 轮毂高度等 相关， AOE： 年运行成本。 0132 发电量的设计变量为： 机型、 机组数量、 机位点坐标、 轮毂高度。 度电成本的设计变 量为： 机型、 机组数量、 轮毂高度、 基础类型。 其中， 机型、 机组数量、 基础类型为离散整数型， 机位点坐标为连续数， 轮毂高度可为离散值或连续值。 其中， 发电量计算的输入文件为风功 率图谱， 包含了风电场各点位的风速、 风频等信息， 另外还需要采用尾流模型来计算此机位 点的风。

40、速U。 0133 约束条件为： 机组间距大于3D， 机位点坐标位于特定区域中， 风电场容量不得大于 50MW。 0134 (2)选取NSGA-II快速非支配排序遗传算法基于设计变量进行算法设置 0135 将NSGA-II快速非支配排序遗传算法中每个个体(对应多个机组)作为一个设计方 案， 染色体数为机组数量， 染色体的基因包括机位坐标(x， y)、 机型、 轮毂高度、 基础型式等。 遗传算法最重要的是选择、 交叉、 变异， 对于本实施例的风电场多目标优化的设计问题， 主 要涉及对交叉和变异算法进行设置。 0136 假设备选机型3种(取值为2， 2.5， 3MW)， 基础类型3种(取值为1， 2。

41、， 3)， 轮毂高度3种 (取值为80， 90， 100)， 机组数量的最大值对应机型为25， 20， 16。 0137 交叉： 对于非支配排序中的两个个体a1， a2， 分别将其染色体(即所有机组)按照机 位坐标进行排序。 对于a1， a2中位置相近的机组， 比较其f1(优化目标， 如年发电量、 度电成 本)的大小， 并采用a2中f1比对应的a1中大的机组替换对应的a1的机组。 完成替换后， 检查 a1是否满足约束条件： 例如， 若两两机组间距不满足约束， 则删除相近机组中f1较小的机 组， 并随机生成新的满足约束的机组。 若风电场容量大于50MW， 则删除发电量最小的机组。 当完成约束条件。

42、检查后， 即完成交叉。 0138 变异： 变异针对单个个体a而言， 每个染色体都有发生变异的概率P1(二进制向量， 长度为机组数量， 0为不发生变异， 1为发生变异)。 对于每个染色体， 各基因也有变异的概率 P2(二进制向量， 长度为设计变量个数， 0为不发生变异， 1为发生变异)。 0139 对于发生变异的基因， 离散型则随机从其待选参数中选择， 对于连续型则需有特 定的公式， 在风电场多目标优化问题中机位点坐标为连续型， 其变异公式如下： 0140 Z(x， y)Z0(x， y)+D* 0141 其中， Z(x， y)为变异后的坐标点位置， Z0(x， y)为变异前的坐标点位置， D为常。

43、数， 可设置为风电场的平均直径， 为01间的随机数。 0142 交叉变异的基本作用就是改变设计参数的值， 从而找到能得到AEPmax和LCOEmin 的解。 0143 (3)采用NSGA-II快速非支配排序遗传算法基于上述的交叉和变异算法的设置求 解出并输出多个优化目标对应的Pareto最优解集 0144 Pareto最优解集为多个风电场设计方案对应的目标值， 此时， Pareto最优解集为 说明书 8/10 页 11 CN 111339713 A 11 多组(AEP， LCOE)， 每组(AEP， LCOE)对应具体的设计方案(几台机组， 机组类型、 基础类型、 轮 毂高度、 机组的机位点坐。

44、标)。 0145 (4)用户根据自身偏好从Pareto最优解集中选取目标帕累托解以及该目标帕累托 解对应的目标设计变量值 0146 如图3所示， 横轴表示目标函数f1(AEP)， 纵轴表示目标函数f2(LCOE)， 曲线上每个 点对应一个Pareto解， 所有Pareto解构成Pareto最优解集(Pareto前沿)； 其中， 每个Pareto 解对应一组(AEP， LCOE)。 0147 用户可根据自身喜好选择， 若用户倾向于侧重AEP， 就选择AEP较高， LCOE较低的解 即可； 反之， 若用户倾向于侧重LCOE， 就选择LCOE较高， AEP较低的解即可。 0148 本实施例中， 基于。

45、NSGA-II快速非支配排序遗传算法求解出一组各子目标尽可能 最优的方案集合Pareto最优解集(Pareto前沿)， 用户可根据自身偏好选择最终的优化设计 方案， 进而实现对风电场的优化布局设计， 同时也提高了优化设计效率。 0149 实施例5 0150 图6为本发明实施例5提供的一种电子设备的结构示意图。 电子设备包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算机程序， 处理器执行程序时实现实施 例1或2中任意一实施例中的风电场的优化设计方法。 图6显示的电子设备30仅仅是一个示 例， 不应对本发明实施例的功能和使用范围带来任何限制。 0151 如图6所示， 电子设备30可以以。

46、通用计算设备的形式表现， 例如其可以为服务器设 备。 电子设备30的组件可以包括但不限于： 上述至少一个处理器31、 上述至少一个存储器 32、 连接不同系统组件(包括存储器32和处理器31)的总线33。 0152 总线33包括数据总线、 地址总线和控制总线。 0153 存储器32可以包括易失性存储器， 例如随机存取存储器(RAM)321和/或高速缓存 存储器322， 还可以进一步包括只读存储器(ROM)323。 0154 存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325， 这 样的程序模块324包括但不限于： 操作系统、 一个或者多个应用程序、 其它程序模块以及程。

47、 序数据， 这些示例中的每一个或某种组合中可能包括网络环境的实现。 0155 处理器31通过运行存储在存储器32中的计算机程序， 从而执行各种功能应用以及 数据处理， 例如本发明实施例1或2中任意一实施例中的风电场的优化设计方法。 0156 电子设备30也可以与一个或多个外部设备34(例如键盘、 指向设备等)通信。 这种 通信可以通过输入/输出(I/O)接口35进行。 并且， 模型生成的设备30还可以通过网络适配 器36与一个或者多个网络(例如局域网(LAN)， 广域网(WAN)和/或公共网络， 例如因特网)通 信。 如图6所示， 网络适配器36通过总线33与模型生成的设备30的其它模块通信。。

48、 应当明白， 尽管图中未示出， 可以结合模型生成的设备30使用其它硬件和/或软件模块， 包括但不限 于： 微代码、 设备驱动器、 冗余处理器、 外部磁盘驱动阵列、 RAID(磁盘阵列)系统、 磁带驱动 器以及数据备份存储系统等。 0157 应当注意， 尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模 块， 但是这种划分仅仅是示例性的并非强制性的。 实际上， 根据本发明的实施方式， 上文描 述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。 反之， 上文描述 的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。 说明书 9/10 页 12 CN 1。

49、11339713 A 12 0158 实施例6 0159 本实施例提供了一种计算机可读存储介质， 其上存储有计算机程序， 程序被处理 器执行时实现实施例1或2中任意一实施例中的风电场的优化设计方法中的步骤。 0160 其中， 可读存储介质可以采用的更具体可以包括但不限于： 便携式盘、 硬盘、 随机 存取存储器、 只读存储器、 可擦拭可编程只读存储器、 光存储器件、 磁存储器件或上述的任 意合适的组合。 0161 在可能的实施方式中， 本发明还可以实现为一种程序产品的形式， 其包括程序代 码， 当程序产品在终端设备上运行时， 程序代码用于使终端设备执行实现实施例1或2中任 意一实施例中的风电场的。

50、优化设计方法中的步骤。 0162 其中， 可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序 代码， 程序代码可以完全地在用户设备上执行、 部分地在用户设备上执行、 作为一个独立的 软件包执行、 部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。 0163 虽然以上描述了本发明的具体实施方式， 但是本领域的技术人员应当理解， 这仅 是举例说明， 本发明的保护范围是由所附权利要求书限定的。 本领域的技术人员在不背离 本发明的原理和实质的前提下， 可以对这些实施方式做出多种变更或修改， 但这些变更和 修改均落入本发明的保护范围。 说明书 10/10 页 13 CN 1113。