基于粒子群優化算法的風力發電機組選址規劃

程 莉，雷 皓，孫文革

（新疆職業大學 機械電子工程學院，新疆 烏魯木齊 830000）

電能已經成為當今經濟社會發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活動之中。近年來，聯合國以及各國之間達成共識，要降低能源消耗，減少環境污染。傳統熱力發電存在能源利用率低，污染嚴重等問題。為了達到節能減排、降低能耗的目的，分布式發電技術順勢而生。該技術具有低污染、高可靠性以及高持續性等優點，在市場中愈發具有競爭力。

分布式發電系統中較難解決的關鍵點是接入位置和接入容量的配置參數，二者配置不當會使分布式發電系統的能源利用率降低，導致系統的各項性能指標均達不到理想效果，甚至效果極差，從而造成系統不穩定。為了使分布式發電系統更高效和合理的運行，解決該系統最佳選址和最佳定容問題十分迫切。

一、風力發電機組

風是可再生能源之一，風力發電機主要利用風的動能，通過將動能轉化為電能來進行發電。

（一）風力發電系統的基本結構

風力發電機的主要部件包括風速計、葉片、制動器、控制器、齒輪箱、發電機、高速軸、低速軸、機艙、槳距系統、轉子、塔、風標、偏航驅動器、偏航電機等。

（二）風力發電機類型

根據葉片的不同類型將風力發電機進行分類，可將其分為水平軸風機和垂直軸風機兩種。目前，垂直軸風機在市場上應用更為廣泛。此外，由于應用場景不同，所需風機的結構類型以及配備電機的型號要求也不同。因此，根據轉速的控制方式對風力發電機進行分類，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中某點的電壓方均根值短時間下降然后恢復正常的一種現象。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，風力發電所產生的電能從生產端到消費需要跨越廣闊的區域范圍，在較長的輸送距離中，不可避免地會受到不同地域環境、氣候和海拔的影響，從而引起電壓暫緩現象發生，因此風力發電機組的選址也成為解決此問題的一種辦法。

二、粒子群優化算法

粒子群優化算法是一種基于群體搜索求解全局最優化問題的算法，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解。

（一）粒子群優化算法基本原理

在粒子群算法中，群體中的每個粒子都存在著某種聯系，信息能夠在每個個體間進行傳遞，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行初始化處理。在此過程中，最為關鍵的特征為粒子的位置，關鍵的節點為速度和適應度。其次，在確認最優方案時，通過最優粒子的特征參數來調整剩余的粒子參數讓其趨近于最優值，實現整體的優化。在這種情況下，由于控制變量的參數范圍會縮減到最小，因此粒子群也實現了整體的進化。

對于常見的非線性優化問題以及組合優化等問題，此算法能夠令整體結構通過智能優化處理后在最短時間內達到最優解，優化效果極佳。如今，此算法已廣泛應用于多個領域，取得了顯著的效果。

（二）粒子群優化算法參數選擇

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

圖1 粒子群優化算法流程示意圖

1.種群粒子數量范圍

PSO 優化算法的首要問題就是種群內粒子數量的設定，為了保證粒子在空間范圍內具有足夠的搜索能力，提高搜索效率，理論上應該將粒子的數量提高到足夠多，但系統承載能力有限，無法在數據量過大的情況下依然保證整體的運行速度，所以根據經驗設定種群初始的粒子數量為100 個。

2.慣性因子

根據鄭州大學施俊等人的實驗數據以及大量經驗可知，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，本文設定的慣性因子更新的表達式如下：

式中：ωmax——慣性因子達到最大值時的節點，ωmax——慣性因子達到最小值時的節點，T——進化次數，Tmax——群落更新的總次數。

調研對比多種類似實驗數據的收斂特征，ω 的取值在不超過0.9 的范圍內，該算法收斂效果最好。

3.學習因子

C1和C2為學習因子，通過不同的取值可改變粒子運行的尺度。C1和C2分別作為個體粒子和群體粒子最優位置的關鍵影響因素，其數值的選擇一般要在1～4 的范圍內，這樣可以保證系統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輸出結果和收斂速度的重要因素，速度過大，粒子在搜索時會產生飛躍，導致錯過最優節點，無法獲得最優解；相反，若粒子的搜索速度過小，雖然最終可以獲得準確的最優解，但其收斂速度會大大降低，導致效率低，成本增加。所以粒子搜索的速度需要盡可能保證在合理區間內。

5.更新次數

更新次數的合理設定也會影響系統輸出結果，當算法迭代到設定的最大更新測試時，系統會停止搜索。與速度限制相反，更新次數增加，則計算量增大，計算效率低，且輸出結果的穩定性會下降；更新次數越小，結果的精確性就越低。因此根據經驗，一般將群落的更新次數設定在100～500 次，這樣無論問題復雜與否，都能保證輸出結果有較好的效果。

三、基于粒子群優化算法的風力發電機組選址規劃

（一）目標函數

本文主要解決的問題是風力發電機的定容選址優化，其影響因素包括風力發電機組的基本費用、電壓暫降經濟損失、電網網損經濟損失、風能資源豐富性、容量系數和風向穩定性等，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，假定該地區風速保持不變。選取風力發電機組的基本費用、電壓暫降經濟損失、電網網損經濟損失作為風力發電機的定容選址優化問題的關鍵影響因素。

1.風力發電機組的基本費用

風力發電機組的基本費用組成應當從該系統的全壽命周期進行分析，囊括了該發電機組從設計、制造、安裝、運行、維修、保養、廢棄、回收等整個生命周期所消耗的成本之和，將經濟性、可靠性等評價指標也都轉換成等效費用。

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

2.配電網的網絡損耗經濟損失

評價配電網在某一運行方式下的經濟性能的重要指標就是網絡損耗，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的網絡損耗，從而提高電力輸出能力以及配電網的經濟性。結合上述分析和經驗，本文選取的優化之一便是網絡損耗經濟損失。

該公式為群體最優值更新公式。該算法隨機設置粒子的初始位置，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度，判斷粒子是否收斂到目標位置，得到最優解。

3.因電壓暫降出現造成的敏感負荷經濟損失

在某一特定接入方案下，在考慮多場景的影響后，調整敏感負荷電壓暫降經濟損失的計算公式。

式中，Vid(t)——當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

所有節點電壓必須滿足以下條件：

2.支路電流約束

3.系統所安裝的風力發電機組總容量

通常情況下，配電網的風力發電機總裝機容量不能超過電網最大容量的10%～25%。

（三）算例分析

本研究中的風力發電機不同接入方案，主要是通過風力發電機組臺數和接入點的變化進行設計的。配電系統中的IEEE33 節點有4 條母線可接入風力發電機，而每條母線最大又可接入8 臺發電機，因此每條母線接入的風力發電機數在0～8 范圍內隨機取值，以此可計算出風力發電機接入方案共有153 000。

為了使評價優化后的粒子群算法的參數優化訓練具有較好的效果，實驗中粒子群優化方法選用PSO-Resnet 網絡參數，同時使用ADAM 算法對其進行參數的優化訓練和測試，迭代次數為400 次，其訓練準確率曲線如圖2所示。

圖2 訓練準確度曲線示意圖

本文為了驗證上述PSO-Resnet 優化算法的故障診斷能力，將其結果和PSO-CNN 優化算法進行故障識別對比，經過400 次迭代更新后，兩種優化后的PSO 算法的準確率曲線如圖3所示。

圖3 訓練準確度曲線示意圖

為了更直觀地觀察對比以上三種優化算法的優劣，本文對三種算法進行了PCA 可視化分析，分別繪制出PSO-Resnet 網絡、ADAM 優化的Resnet 網絡和PSO-CNN 網絡通過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，結果表明，經過三種方法優化后的算法，雖然都完成了計算和記過輸出，但是經過粒子群優化后的PSO-Resnet 網絡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確率，其特征的聚合效果也更好。

圖4 特征參數可視化

四、結語

為了解決風力發電機組選址優化問題，本文基于粒子群優化算法建立了PSO-Resnet 網絡，并與ADAM 優化的Resnet 網絡和PSO-CNN 網絡進行了實驗對比驗證，得到結論如下：

第一，在利用粒子群優化算法對PSOResnet 網絡進行優化過程中，對模型中的閾值和權重進行了參數設定，提高了穩定性。

第二，通過PSO-Resnet 網絡，可以有效解決不同類型和復雜程度的選址問題，并且可以根據具體的問題和復雜度進行自主優化。通過改變訓練過程中的組數和網絡的主體結構，可以提高模型訓練的簡易程度。

第三，通過PCA 可視化分析，將粒子群優化算法和PSO-Resnet 網絡結合，具有更高的故障診斷準確率，并且通過實例分析優化網絡，對風力發電機組選址問題實現了準確的預測和確定。