防沙背景下大基地風電場線路路徑優化研究

劉二偉，晉玉芳，賈天翼，闞童利，陸海梅

（中國華電科工集團新能源技術開發公司，北京 100160）

1 引言

集電線路設計是將風電機組的箱式變壓器高壓側電力匯集輸送至風電場變電站。風電場集電線路工程與一般電網輸送電線路工程不同，風電場集電線路和機組單機的發電量、所處位置、周圍地理氣候條件、串接風電機組數量等要素相關。我國西北地區風沙化嚴重，風沙災害頻發會對風電場的線路路徑選擇造成很大影響。已有的線路規劃大多考慮風力、地勢和構造，卻較少對風沙災害的影響進行深入探討，這不僅可能對風電場線路造成嚴重破壞，還會進一步增加項目經濟損失，所以，有必要開展此次研究。

2 防沙背景下大基地風電場線路優化方法

2.1 風電節點輸電線布置路徑優化模型

能源清潔化轉型背景下，以風電光伏為代表的可再生能源持續快速發展，高比例可再生能源并網將是未來電網的一個重要特征。隨著風光電源逐漸成為主力電源，其接入及輸送網絡規劃不但要解決電力電量平衡問題，還要應對發電機組環境防沙要求與建設成本問題，這一問題可通過合理的輸電線路規劃進行一定程度的解決。風電節點的線路鋪設路徑設計本質上也是路徑規劃的一種[1]。但是集電線路優化后的線路不是完全閉合循環的，在設計中需要同時考慮路徑的權重，以及電氣和工程因素的約束[2-3]。所以，需要把總鋪設線路的長度和工程建設成本最小化作為模型優化目標，同時在設計中考慮電氣和工程因素的多重約束，確保找到最優的拓撲設計。

首先，需要設計出風電場集電線路優化模型，優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置的閾值；其次，導線及電纜的電壓下降也必須在規定數值以下。典型的風電場的成本函數由路線投資、電氣成本、路線穿越禁忌區的成本、路線交叉帶來的成本構成。而路線投資由線路成本、升壓站進線柜成本、升壓站主變壓器成本、線路敷設土建成本分別與線路投資折現系數的乘積之和得到。電氣成本由電價與電氣損耗的乘積得到。

其次，設計風電場集電線路優化模型的約束條件，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線的壓降、電力損失率、電流負載等。而過程約束涉及避開河流、湖泊、自然保護區、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成本懲罰函數融入成本優化模型中[2]。

2.2 基于模糊C 聚類的風電場升壓站選址與子域劃分

首先，采用模糊C 聚類（Fuzzy c-means algorithm，FCM）算法進行風電場升壓站的選址優化，因為FCM 算法具有較好的靈活性，能允許聚類概念存在不確定性，而且對噪聲和異常值的適應性強。升壓站的選址和風電機組的劃分可以視為樣本點的分類和中心點確定的問題。FCM 算法會測量每臺風電設備與各升壓站間的歐幾里得距離，同時按照這一指標評估各點的歸屬度，從而不斷更新升壓站的位置和歸屬度，使每臺風電設備與相應升壓站的歐幾里得距離最短，歸屬度最大。這個設定升壓站位置的過程會考慮道路和紅線區的影響，如果線路穿過紅線區或線路間存在交叉，會對這段線路的長度進行刪改，以防止風電設備或升壓站之間的連線與道路、紅線區交叉。

當風電場升壓站的選址完成后，使用迭代自組織數據分析技術算法（Iterative Self Organizing Data Analysis Techniques Algorithm，ISODATA）開展風電設備的子領域劃分。預先不能確定劃分區域的數量，所以，模糊C 聚類算法并不適用于這一場景中。為實現更精細的分區劃分，本研究選擇ISODATA 聚類算法進行風電設備的子領域劃分，該算法在這一任務中的計算過程如下。

第一步，對于每個風力發電機組，利用其初始位置設定初始聚類中心。

第二步，根據歐氏距離，分配距離各聚類中心最近的風力發電機組。

第三步，按照所得的各子區域計算每個區域內風電機組到自身中心的距離，并更新新的聚類中心。

第四步，判斷當前是否滿足聚類的終止條件。如果不滿足，返回到第二步繼續進行分配；如果滿足終止條件，則需進入下一步。

第五步，對各個聚類集進行分析，如果某個聚類的內部差異過大，且大于設定的閾值，則將此聚類進行分裂；當兩個聚類數據之間的距離小于設定值時，進行合并當前聚類的操作。

第六步，對更新后的聚類重復第二步～第五步的計算操作，直到迭代次數滿足要求，或者設定停止條件被滿足，再輸出得到的風電機組子域劃分結果。

通過這種方式，ISODATA 算法可以有效地進行動態的風電機組子域劃分和升壓站的優選選址。此外，迭代結果應該被合并和分裂，以提升算法的適應能力，使得算法能對風電機組的分布趨勢進行精確的動態反應[3]。

2.3 基于聚類與粒子群的風電場集電線路徑優化方法

完成上述步驟后，即可采用粒子群（Particle Swarm Optimization，PSO）與Prim 算法完成線路敷設路徑規劃工作，這里利用離散PSO 優化輸出后者計算參數的方式來融合這兩種算法，從而對每個風力發電節點的線路敷設路線進行優化布局。粒子群算法在經典PSO 算法計算流程中，個體的運動速度和實時位置是獨立的。而離散PSO 算法對粒子的位置與速度的更新方式進行了一些改進。離散PSO 中，位置用于描述離散數據的分布，這點與傳統PSO 算法不同，而前者的速度則影響位置數據的更新。

在優化計算過程中，規劃模型會在指定區域內按照隨機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劃模型中設置的各種條件。而離散PSO 則會一直更新算法參數，從而生成當前線路的最優方案。在算法更新過程中，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，無視線路之間的交叉情形。優化算法會輸出各個子領域內的連線布置方案，但是這一算法的局部控制力存在一定補助，所以，這里采用Prim 算法檢測各電力傳輸路線，在這一算法的迭代計算過程中，會選出最小代價的路徑對應的點，并將其添加到最小生成樹，以達到盡可能使得局部支線最優的效果。

3 風電節點電力網敷設路徑優化方法的項目測試

這里選用國內新疆某風電項目對此次研究設計的風電場線路優化模型進行測試。該項目中共含有80 臺風電機組，其點位排布如圖1 所示。選定項目的數據和設計出的規劃模型以及后續的對比模型均被輸入電腦中，并使用Python3.0 語言進行計算。實驗的硬件與軟件環境如下：Windows 10 專業版、運行內存8.0 GB、磁盤內存1 024 GB，數據庫MySQL5.7。觀察圖1 可知，由于該項目區域中存在風沙災害頻發區，路線規劃與升壓站選定時應考慮這一因素的影響。

圖1 風電場項目的機位點布置位置分布

使用此次研究設計的模型計算后得到的規劃結果如圖2所示。

圖2 風電場項目線路規劃結果

如圖2 所示，此次規劃出的線路方案有效降低了風沙頻發區對各點位的影響，且規劃后的各點位大致均勻分布于升壓站周圍。這有效降低了路線建設成本和維護管理成本，且風力發電電量在傳輸過程中的損耗也較低。從定性角度看，規劃結果較為合理。

下面再從定量角度分析此次研究設計的規劃模型，以及根據業內常用的斑馬優化算法、粒子群算法、蟻群算法構建的對比模型在規劃結果上的區別。這里為提升對比結果的可靠性，每種規劃方案均重復運行10 次，且各種相對指標的對比對象均為人工規劃的數據。圖3 中抗風沙能力為5 位行業內的專家的評價分數，打分范圍為[0，2]數值越高，代表抗風沙能力越強。

圖3 各規劃模型的規劃結果對比

觀察圖3 可知，人工規劃方法由于被選為參照對象，各項指標數值均為1.0。斑馬算法計算出的路線相對最長路線為0.85，低于所有對比方法，說明該方法規劃出的整體路線最短。而且從成本角度看，斑馬算法設計路線的相對建設總成本、相對線路投資、相對電氣成本、相對路線交叉成本、相對穿越風沙區成本數值均為所有方法中最低的，說明該方法從成本角度看較為節省。但斑馬算法規劃路線的抗風沙能力評分為0.76 也是所有算法中最低的，也明顯低于人工規劃方法，說明該方法的防風沙能力最差，有悖于此次研究的初衷，整體不滿足規劃要求。蟻群算法的抗風沙能力評分為1.13，但設計路線的相對建設總成本、相對線路投資、相對電氣成本、相對路線交叉成本、相對穿越風沙區成本數值分別為1.24、1.13、1.48、1.29、1.18、1.35 均大幅度高于人工規劃方法，說明該方法雖然能提升規劃路線的整體抗風沙能力，但需要額外消耗較大的成本。而此次研究設計的算法模型，抗風沙能力評分為1.58，高于所有對比方法，且相對建設總成本、相對線路投資、相對電氣成本、相對路線交叉成本、相對穿越風沙區成本數值分別為1.03、1.01、1.01、1.05、1.02，各項成本僅比人工規劃方法高出5%以內，整體規劃效果最優。

4 結語

此次研究設計了一項基于改進PSO 算法的風電場線路智能規劃模型，測試結果如下：斑馬算法相對建設總成本最低，說明該方法從成本角度看較為節省，但抗風沙能力評分為0.76，也是所有算法中最低的，不滿足規劃要求。蟻群算法的抗風沙能力評分為1.13，但設計路線的相對建設總成本、相對線路投資、相對電氣成本、相對路線交叉成本、相對穿越風沙區成本數值分別為1.24、1.13、1.48、1.29、1.18、1.35，均大幅度高于人工規劃方法，說明該方法雖然能提升規劃路線的整體抗風沙能力，但需要額外消耗較大的成本。而此次研究設計的算法模型的抗風沙能力評分為1.58，高于所有對比方法，且各項成本僅比人工規劃方法高出5%以內，整體規劃效果最優。項目計算結果顯示，此次研究設計方法具有較好的防風沙能力，且綜合成本較低。但本研究缺點在于沒能收集更多風電場項目進行驗證，后續將在其他風電項目樣本中進行模擬以驗證本線路路徑優化研究成果。