在平價(jià)上網(wǎng)即將到來(lái)之際,陸上大基地風(fēng)電項(xiàng)目建設(shè)愈加注重風(fēng)電場(chǎng)設(shè)計(jì)的精細(xì)化與高效性,以實(shí)現(xiàn)風(fēng)電場(chǎng)全生命周期LCOE最低。
陸上大基地風(fēng)電項(xiàng)目場(chǎng)區(qū)范圍較大,形成多種升壓站、道路與集電線路方案選擇。與此同時(shí),隨著機(jī)組、塔筒等風(fēng)電設(shè)備產(chǎn)品的日益豐富,風(fēng)電場(chǎng)設(shè)計(jì)組合方案增多,形成多種機(jī)組產(chǎn)品型號(hào)與輪轂高度組合。面臨多重變量挑戰(zhàn),目前行業(yè)主流的風(fēng)電場(chǎng)布置方法往往顧此失彼,難以統(tǒng)一考量風(fēng)電設(shè)備、升壓站位置、集電線路設(shè)計(jì)、道路設(shè)計(jì)等多變量復(fù)雜因素,難以捕捉基于全生命周期的多變量全局風(fēng)電場(chǎng)布置最優(yōu)方案。
搭載于明陽(yáng)智能數(shù)字規(guī)劃平臺(tái)Deep Matrix Space(DMS)之上的全局尋優(yōu)算法攻克了陸上風(fēng)電大基地項(xiàng)目工程建設(shè)實(shí)際應(yīng)用的難題。采用多維度約束智能動(dòng)態(tài)規(guī)劃人工智能算法,統(tǒng)一考慮所有變量,代替人工繁瑣的規(guī)劃過(guò)程,在保證發(fā)電量、考慮后期運(yùn)維成本的前提下,利用智能算法進(jìn)行精細(xì)化設(shè)計(jì)與深度優(yōu)化,在更寬范圍內(nèi)搜尋最優(yōu)設(shè)備選型組合,并實(shí)現(xiàn)一鍵生成最優(yōu)集電線路、場(chǎng)內(nèi)道路建設(shè)工程方案,獲取項(xiàng)目全生命周期最大經(jīng)濟(jì)效益。
該算法是如何實(shí)現(xiàn)全生命周期的多變量全局風(fēng)電場(chǎng)布置“最優(yōu)解”的呢?
全局尋優(yōu)算法以粒子群優(yōu)化算法(Particle Swarm Optimization)為框架,借助智能化初始化算法,優(yōu)先考慮資源條件,生成考慮避讓限制性因素后的海量風(fēng)電機(jī)組布置方案,并針對(duì)每一個(gè)風(fēng)電機(jī)組布置方案逐一計(jì)算其理論發(fā)電量,采用基于park尾流模型的修正尾流模型計(jì)算全場(chǎng)尾流,得出每一方案的實(shí)際發(fā)電量。
此后,該算法同步進(jìn)行集電線路布置、道路布置與升壓站選址,在PSO粒子群算法的框架下,利用A-star算法綜合考慮空間距離、坡度、地表利用類型等因素,充分利用風(fēng)電場(chǎng)的土地和地形,并結(jié)合當(dāng)?shù)氐慕煌ㄟ\(yùn)輸和安裝條件,在盡量減少機(jī)組間尾流影響的情況下在風(fēng)資源情況較好的地區(qū)集中布局機(jī)位,并規(guī)避項(xiàng)目開(kāi)發(fā)主要限制因素進(jìn)行場(chǎng)內(nèi)道路的尋優(yōu),多次迭代后得到當(dāng)前方案下具有最低成本的道路規(guī)劃。
與此同時(shí),綜合運(yùn)用模糊聚類算法、Delaunay三角剖分、A-star算法、Prim及動(dòng)態(tài)優(yōu)化等算法,根據(jù)實(shí)際地形、地質(zhì)和地域情況,考慮風(fēng)電場(chǎng)的送變電方案、升壓站選址、運(yùn)輸和安裝條件進(jìn)行集電線路全局尋優(yōu),獲得當(dāng)前布機(jī)方案下的全場(chǎng)集電線路成本最優(yōu)拓?fù)洹讹L(fēng)電大基地建設(shè)破局|如何攻克集電線路優(yōu)化難題》。
圖1 風(fēng)電場(chǎng)優(yōu)化布機(jī)算法迭代過(guò)程示意圖
最后,統(tǒng)籌考慮項(xiàng)目實(shí)際發(fā)電量、集電線路成本、道路成本與運(yùn)維成本,算出每一個(gè)風(fēng)電機(jī)組布置方案的全生命周期LCOE,并針對(duì)初始化的海量布機(jī)方案,運(yùn)用PSO粒子群尋優(yōu)算法,根據(jù)全生命周期LCOE值最優(yōu)原則更新最優(yōu)風(fēng)機(jī)位置,不斷迭代最優(yōu)方案,直到達(dá)到設(shè)置地迭代次數(shù)或精度要求,獲得基于全生命周期的多變量具有最佳經(jīng)濟(jì)效益的全局風(fēng)電場(chǎng)布置方案。
以擬安裝125臺(tái)MySE4.X兆瓦風(fēng)電機(jī)組的陸上某平價(jià)大基地風(fēng)電場(chǎng)項(xiàng)目為例,在項(xiàng)目開(kāi)發(fā)建設(shè)時(shí),明陽(yáng)智能力求尋找投資與資源開(kāi)發(fā)利用量的最優(yōu)結(jié)合點(diǎn),借助全局尋優(yōu)算法對(duì)風(fēng)電機(jī)組進(jìn)行優(yōu)化布置,機(jī)位布置結(jié)果如圖4所示。
全局風(fēng)電場(chǎng)布置尋優(yōu)后,該風(fēng)電場(chǎng)場(chǎng)內(nèi)道路方案新建進(jìn)場(chǎng)及場(chǎng)內(nèi)道路約為83.28公里,擴(kuò)改建既有道路約27.41公里,場(chǎng)內(nèi)道路造價(jià)較尋優(yōu)前節(jié)省了約1449萬(wàn)元。尋優(yōu)后,場(chǎng)內(nèi)集電線路方案共設(shè)置21回35kV集電線路,集電線路總長(zhǎng)度為166.91km,其中架空線路部分為149.56km,電纜敷設(shè)部分為17.35km,集電線路、箱變、升壓站等電氣等造價(jià)節(jié)省約3629萬(wàn)元,總投資成本節(jié)省約5000萬(wàn)元,度電成本降低2.46%,年等效利用小時(shí)數(shù)增加100余小時(shí)。
明陽(yáng)智能始終致力于幫助業(yè)主獲取最優(yōu)經(jīng)濟(jì)效益、最低度電成本的整體解決方案,為陸上大基地風(fēng)電項(xiàng)目開(kāi)發(fā)建設(shè)謀篇布局。
陸上大基地風(fēng)電項(xiàng)目場(chǎng)區(qū)范圍較大,形成多種升壓站、道路與集電線路方案選擇。與此同時(shí),隨著機(jī)組、塔筒等風(fēng)電設(shè)備產(chǎn)品的日益豐富,風(fēng)電場(chǎng)設(shè)計(jì)組合方案增多,形成多種機(jī)組產(chǎn)品型號(hào)與輪轂高度組合。面臨多重變量挑戰(zhàn),目前行業(yè)主流的風(fēng)電場(chǎng)布置方法往往顧此失彼,難以統(tǒng)一考量風(fēng)電設(shè)備、升壓站位置、集電線路設(shè)計(jì)、道路設(shè)計(jì)等多變量復(fù)雜因素,難以捕捉基于全生命周期的多變量全局風(fēng)電場(chǎng)布置最優(yōu)方案。
搭載于明陽(yáng)智能數(shù)字規(guī)劃平臺(tái)Deep Matrix Space(DMS)之上的全局尋優(yōu)算法攻克了陸上風(fēng)電大基地項(xiàng)目工程建設(shè)實(shí)際應(yīng)用的難題。采用多維度約束智能動(dòng)態(tài)規(guī)劃人工智能算法,統(tǒng)一考慮所有變量,代替人工繁瑣的規(guī)劃過(guò)程,在保證發(fā)電量、考慮后期運(yùn)維成本的前提下,利用智能算法進(jìn)行精細(xì)化設(shè)計(jì)與深度優(yōu)化,在更寬范圍內(nèi)搜尋最優(yōu)設(shè)備選型組合,并實(shí)現(xiàn)一鍵生成最優(yōu)集電線路、場(chǎng)內(nèi)道路建設(shè)工程方案,獲取項(xiàng)目全生命周期最大經(jīng)濟(jì)效益。
該算法是如何實(shí)現(xiàn)全生命周期的多變量全局風(fēng)電場(chǎng)布置“最優(yōu)解”的呢?
全局尋優(yōu)算法以粒子群優(yōu)化算法(Particle Swarm Optimization)為框架,借助智能化初始化算法,優(yōu)先考慮資源條件,生成考慮避讓限制性因素后的海量風(fēng)電機(jī)組布置方案,并針對(duì)每一個(gè)風(fēng)電機(jī)組布置方案逐一計(jì)算其理論發(fā)電量,采用基于park尾流模型的修正尾流模型計(jì)算全場(chǎng)尾流,得出每一方案的實(shí)際發(fā)電量。
此后,該算法同步進(jìn)行集電線路布置、道路布置與升壓站選址,在PSO粒子群算法的框架下,利用A-star算法綜合考慮空間距離、坡度、地表利用類型等因素,充分利用風(fēng)電場(chǎng)的土地和地形,并結(jié)合當(dāng)?shù)氐慕煌ㄟ\(yùn)輸和安裝條件,在盡量減少機(jī)組間尾流影響的情況下在風(fēng)資源情況較好的地區(qū)集中布局機(jī)位,并規(guī)避項(xiàng)目開(kāi)發(fā)主要限制因素進(jìn)行場(chǎng)內(nèi)道路的尋優(yōu),多次迭代后得到當(dāng)前方案下具有最低成本的道路規(guī)劃。
與此同時(shí),綜合運(yùn)用模糊聚類算法、Delaunay三角剖分、A-star算法、Prim及動(dòng)態(tài)優(yōu)化等算法,根據(jù)實(shí)際地形、地質(zhì)和地域情況,考慮風(fēng)電場(chǎng)的送變電方案、升壓站選址、運(yùn)輸和安裝條件進(jìn)行集電線路全局尋優(yōu),獲得當(dāng)前布機(jī)方案下的全場(chǎng)集電線路成本最優(yōu)拓?fù)洹讹L(fēng)電大基地建設(shè)破局|如何攻克集電線路優(yōu)化難題》。
圖1 風(fēng)電場(chǎng)優(yōu)化布機(jī)算法迭代過(guò)程示意圖
(總投資僅包含風(fēng)電機(jī)組、道路、集電線路、風(fēng)機(jī)基礎(chǔ)、塔筒成本與運(yùn)維成本現(xiàn)值)
最后,統(tǒng)籌考慮項(xiàng)目實(shí)際發(fā)電量、集電線路成本、道路成本與運(yùn)維成本,算出每一個(gè)風(fēng)電機(jī)組布置方案的全生命周期LCOE,并針對(duì)初始化的海量布機(jī)方案,運(yùn)用PSO粒子群尋優(yōu)算法,根據(jù)全生命周期LCOE值最優(yōu)原則更新最優(yōu)風(fēng)機(jī)位置,不斷迭代最優(yōu)方案,直到達(dá)到設(shè)置地迭代次數(shù)或精度要求,獲得基于全生命周期的多變量具有最佳經(jīng)濟(jì)效益的全局風(fēng)電場(chǎng)布置方案。
圖2 風(fēng)電場(chǎng)優(yōu)化布機(jī)算法LCOE結(jié)果示意圖
以擬安裝125臺(tái)MySE4.X兆瓦風(fēng)電機(jī)組的陸上某平價(jià)大基地風(fēng)電場(chǎng)項(xiàng)目為例,在項(xiàng)目開(kāi)發(fā)建設(shè)時(shí),明陽(yáng)智能力求尋找投資與資源開(kāi)發(fā)利用量的最優(yōu)結(jié)合點(diǎn),借助全局尋優(yōu)算法對(duì)風(fēng)電機(jī)組進(jìn)行優(yōu)化布置,機(jī)位布置結(jié)果如圖4所示。
圖3尋優(yōu)后機(jī)位布置圖
全局風(fēng)電場(chǎng)布置尋優(yōu)后,該風(fēng)電場(chǎng)場(chǎng)內(nèi)道路方案新建進(jìn)場(chǎng)及場(chǎng)內(nèi)道路約為83.28公里,擴(kuò)改建既有道路約27.41公里,場(chǎng)內(nèi)道路造價(jià)較尋優(yōu)前節(jié)省了約1449萬(wàn)元。尋優(yōu)后,場(chǎng)內(nèi)集電線路方案共設(shè)置21回35kV集電線路,集電線路總長(zhǎng)度為166.91km,其中架空線路部分為149.56km,電纜敷設(shè)部分為17.35km,集電線路、箱變、升壓站等電氣等造價(jià)節(jié)省約3629萬(wàn)元,總投資成本節(jié)省約5000萬(wàn)元,度電成本降低2.46%,年等效利用小時(shí)數(shù)增加100余小時(shí)。
明陽(yáng)智能始終致力于幫助業(yè)主獲取最優(yōu)經(jīng)濟(jì)效益、最低度電成本的整體解決方案,為陸上大基地風(fēng)電項(xiàng)目開(kāi)發(fā)建設(shè)謀篇布局。