风电大基地建设破局丨如何进行风电场全局寻优

在平价上网即将到来之际，陆上大基地风电项目建设愈加注重风电场设计的精细化与高效性，以实现风电场全生命周期LCOE最低。

陆上大基地风电项目场区范围较大，形成多种升压站、道路与集电线路方案选择。与此同时，随着机组、塔筒等风电设备产品的日益丰富，风电场设计组合方案增多，形成多种机组产品型号与轮毂高度组合。面临多重变量挑战，目前行业主流的风电场布置方法往往顾此失彼，难以统一考量风电设备、升压站位置、集电线路设计、道路设计等多变量复杂因素，难以捕捉基于全生命周期的多变量全局风电场布置最优方案。

搭载于明阳智能数字规划平台Deep Matrix Space（DMS）之上的全局寻优算法攻克了陆上风电大基地项目工程建设实际应用的难题。采用多维度约束智能动态规划人工智能算法，统一考虑所有变量，代替人工繁琐的规划过程，在保证发电量、考虑后期运维成本的前提下，利用智能算法进行精细化设计与深度优化，在更宽范围内搜寻最优设备选型组合，并实现一键生成最优集电线路、场内道路建设工程方案，获取项目全生命周期最大经济效益。

该算法是如何实现全生命周期的多变量全局风电场布置“最优解”的呢？

全局寻优算法以粒子群优化算法(Particle Swarm Optimization)为框架，借助智能化初始化算法，优先考虑资源条件，生成考虑避让限制性因素后的海量风电机组布置方案，并针对每一个风电机组布置方案逐一计算其理论发电量，采用基于park尾流模型的修正尾流模型计算全场尾流，得出每一方案的实际发电量。

此后，该算法同步进行集电线路布置、道路布置与升压站选址，在PSO粒子群算法的框架下，利用A-star算法综合考虑空间距离、坡度、地表利用类型等因素，充分利用风电场的土地和地形，并结合当地的交通运输和安装条件，在尽量减少机组间尾流影响的情况下在风资源情况较好的地区集中布局机位，并规避项目开发主要限制因素进行场内道路的寻优，多次迭代后得到当前方案下具有最低成本的道路规划。

与此同时，综合运用模糊聚类算法、Delaunay三角剖分、A-star算法、Prim及动态优化等算法，根据实际地形、地质和地域情况，考虑风电场的送变电方案、升压站选址、运输和安装条件进行集电线路全局寻优，获得当前布机方案下的全场集电线路成本最优拓扑《风电大基地建设破局｜如何攻克集电线路优化难题》。


最后，统筹考虑项目实际发电量、集电线路成本、道路成本与运维成本，算出每一个风电机组布置方案的全生命周期LCOE，并针对初始化的海量布机方案，运用PSO粒子群寻优算法，根据全生命周期LCOE值最优原则更新最优风机位置，不断迭代最优方案，直到达到设置地迭代次数或精度要求，获得基于全生命周期的多变量具有最佳经济效益的全局风电场布置方案。


以拟安装125台MySE4.X兆瓦风电机组的陆上某平价大基地风电场项目为例，在项目开发建设时，明阳智能力求寻找投资与资源开发利用量的最优结合点，借助全局寻优算法对风电机组进行优化布置，机位布置结果如图4所示。


全局风电场布置寻优后，该风电场场内道路方案新建进场及场内道路约为83.28公里，扩改建既有道路约27.41公里，场内道路造价较寻优前节省了约1449万元。寻优后，场内集电线路方案共设置21回35kV集电线路，集电线路总长度为166.91km，其中架空线路部分为149.56km,电缆敷设部分为17.35km，集电线路、箱变、升压站等电气等造价节省约3629万元，总投资成本节省约5000万元，度电成本降低2.46%，年等效利用小时数增加100余小时。

明阳智能始终致力于帮助业主获取最优经济效益、最低度电成本的整体解决方案，为陆上大基地风电项目开发建设谋篇布局。