防沙背景下大基地风电场线路路径优化研究

刘二伟，晋玉芳，贾天翼，阚童利，陆海梅

（中国华电科工集团新能源技术开发公司，北京 100160）

1 引言

集电线路设计是将风电机组的箱式变压器高压侧电力汇集输送至风电场变电站。风电场集电线路工程与一般电网输送电线路工程不同，风电场集电线路和机组单机的发电量、所处位置、周围地理气候条件、串接风电机组数量等要素相关。我国西北地区风沙化严重，风沙灾害频发会对风电场的线路路径选择造成很大影响。已有的线路规划大多考虑风力、地势和构造，却较少对风沙灾害的影响进行深入探讨，这不仅可能对风电场线路造成严重破坏，还会进一步增加项目经济损失，所以，有必要开展此次研究。

2 防沙背景下大基地风电场线路优化方法

2.1 风电节点输电线布置路径优化模型

能源清洁化转型背景下，以风电光伏为代表的可再生能源持续快速发展，高比例可再生能源并网将是未来电网的一个重要特征。随着风光电源逐渐成为主力电源，其接入及输送网络规划不但要解决电力电量平衡问题，还要应对发电机组环境防沙要求与建设成本问题，这一问题可通过合理的输电线路规划进行一定程度的解决。风电节点的线路铺设路径设计本质上也是路径规划的一种[1]。但是集电线路优化后的线路不是完全闭合循环的，在设计中需要同时考虑路径的权重，以及电气和工程因素的约束[2-3]。所以，需要把总铺设线路的长度和工程建设成本最小化作为模型优化目标，同时在设计中考虑电气和工程因素的多重约束，确保找到最优的拓扑设计。

首先，需要设计出风电场集电线路优化模型，优化模型需要满足以下约束：首先，中高压电气损耗需要低于提前设置的阈值；其次，导线及电缆的电压下降也必须在规定数值以下。典型的风电场的成本函数由路线投资、电气成本、路线穿越禁忌区的成本、路线交叉带来的成本构成。而路线投资由线路成本、升压站进线柜成本、升压站主变压器成本、线路敷设土建成本分别与线路投资折现系数的乘积之和得到。电气成本由电价与电气损耗的乘积得到。

其次，设计风电场集电线路优化模型的约束条件，这里的约束条件由电气约束和工程约束组成。模型中的约束包括每段导线的压降、电力损失率、电流负载等。而过程约束涉及避开河流、湖泊、自然保护区、沼泽地等，减少集电线路与已有交通路线的交叉等。所有这些约束都通过成本惩罚函数融入成本优化模型中[2]。

2.2 基于模糊C 聚类的风电场升压站选址与子域划分

首先，采用模糊C 聚类（Fuzzy c-means algorithm，FCM）算法进行风电场升压站的选址优化，因为FCM 算法具有较好的灵活性，能允许聚类概念存在不确定性，而且对噪声和异常值的适应性强。升压站的选址和风电机组的划分可以视为样本点的分类和中心点确定的问题。FCM 算法会测量每台风电设备与各升压站间的欧几里得距离，同时按照这一指标评估各点的归属度，从而不断更新升压站的位置和归属度，使每台风电设备与相应升压站的欧几里得距离最短，归属度最大。这个设定升压站位置的过程会考虑道路和红线区的影响，如果线路穿过红线区或线路间存在交叉，会对这段线路的长度进行删改，以防止风电设备或升压站之间的连线与道路、红线区交叉。

当风电场升压站的选址完成后，使用迭代自组织数据分析技术算法（Iterative Self Organizing Data Analysis Techniques Algorithm，ISODATA）开展风电设备的子领域划分。预先不能确定划分区域的数量，所以，模糊C 聚类算法并不适用于这一场景中。为实现更精细的分区划分，本研究选择ISODATA 聚类算法进行风电设备的子领域划分，该算法在这一任务中的计算过程如下。

第一步，对于每个风力发电机组，利用其初始位置设定初始聚类中心。

第二步，根据欧氏距离，分配距离各聚类中心最近的风力发电机组。

第三步，按照所得的各子区域计算每个区域内风电机组到自身中心的距离，并更新新的聚类中心。

第四步，判断当前是否满足聚类的终止条件。如果不满足，返回到第二步继续进行分配；如果满足终止条件，则需进入下一步。

第五步，对各个聚类集进行分析，如果某个聚类的内部差异过大，且大于设定的阈值，则将此聚类进行分裂；当两个聚类数据之间的距离小于设定值时，进行合并当前聚类的操作。

第六步，对更新后的聚类重复第二步～第五步的计算操作，直到迭代次数满足要求，或者设定停止条件被满足，再输出得到的风电机组子域划分结果。

通过这种方式，ISODATA 算法可以有效地进行动态的风电机组子域划分和升压站的优选选址。此外，迭代结果应该被合并和分裂，以提升算法的适应能力，使得算法能对风电机组的分布趋势进行精确的动态反应[3]。

2.3 基于聚类与粒子群的风电场集电线路径优化方法

完成上述步骤后，即可采用粒子群（Particle Swarm Optimization，PSO）与Prim 算法完成线路敷设路径规划工作，这里利用离散PSO 优化输出后者计算参数的方式来融合这两种算法，从而对每个风力发电节点的线路敷设路线进行优化布局。粒子群算法在经典PSO 算法计算流程中，个体的运动速度和实时位置是独立的。而离散PSO 算法对粒子的位置与速度的更新方式进行了一些改进。离散PSO 中，位置用于描述离散数据的分布，这点与传统PSO 算法不同，而前者的速度则影响位置数据的更新。

在优化计算过程中，规划模型会在指定区域内按照随机生成方式形成线路排布方案，这些初始方案同样需要满足规划模型中设置的各种条件。而离散PSO 则会一直更新算法参数，从而生成当前线路的最优方案。在算法更新过程中，需要考虑以下因素：红线地理范围、道路因素与电力限制条件，无视线路之间的交叉情形。优化算法会输出各个子领域内的连线布置方案，但是这一算法的局部控制力存在一定补助，所以，这里采用Prim 算法检测各电力传输路线，在这一算法的迭代计算过程中，会选出最小代价的路径对应的点，并将其添加到最小生成树，以达到尽可能使得局部支线最优的效果。

3 风电节点电力网敷设路径优化方法的项目测试

这里选用国内新疆某风电项目对此次研究设计的风电场线路优化模型进行测试。该项目中共含有80 台风电机组，其点位排布如图1 所示。选定项目的数据和设计出的规划模型以及后续的对比模型均被输入电脑中，并使用Python3.0 语言进行计算。实验的硬件与软件环境如下：Windows 10 专业版、运行内存8.0 GB、磁盘内存1 024 GB，数据库MySQL5.7。观察图1 可知，由于该项目区域中存在风沙灾害频发区，路线规划与升压站选定时应考虑这一因素的影响。

图1 风电场项目的机位点布置位置分布

使用此次研究设计的模型计算后得到的规划结果如图2所示。

图2 风电场项目线路规划结果

如图2 所示，此次规划出的线路方案有效降低了风沙频发区对各点位的影响，且规划后的各点位大致均匀分布于升压站周围。这有效降低了路线建设成本和维护管理成本，且风力发电电量在传输过程中的损耗也较低。从定性角度看，规划结果较为合理。

下面再从定量角度分析此次研究设计的规划模型，以及根据业内常用的斑马优化算法、粒子群算法、蚁群算法构建的对比模型在规划结果上的区别。这里为提升对比结果的可靠性，每种规划方案均重复运行10 次，且各种相对指标的对比对象均为人工规划的数据。图3 中抗风沙能力为5 位行业内的专家的评价分数，打分范围为[0，2]数值越高，代表抗风沙能力越强。

图3 各规划模型的规划结果对比

观察图3 可知，人工规划方法由于被选为参照对象，各项指标数值均为1.0。斑马算法计算出的路线相对最长路线为0.85，低于所有对比方法，说明该方法规划出的整体路线最短。而且从成本角度看，斑马算法设计路线的相对建设总成本、相对线路投资、相对电气成本、相对路线交叉成本、相对穿越风沙区成本数值均为所有方法中最低的，说明该方法从成本角度看较为节省。但斑马算法规划路线的抗风沙能力评分为0.76 也是所有算法中最低的，也明显低于人工规划方法，说明该方法的防风沙能力最差，有悖于此次研究的初衷，整体不满足规划要求。蚁群算法的抗风沙能力评分为1.13，但设计路线的相对建设总成本、相对线路投资、相对电气成本、相对路线交叉成本、相对穿越风沙区成本数值分别为1.24、1.13、1.48、1.29、1.18、1.35 均大幅度高于人工规划方法，说明该方法虽然能提升规划路线的整体抗风沙能力，但需要额外消耗较大的成本。而此次研究设计的算法模型，抗风沙能力评分为1.58，高于所有对比方法，且相对建设总成本、相对线路投资、相对电气成本、相对路线交叉成本、相对穿越风沙区成本数值分别为1.03、1.01、1.01、1.05、1.02，各项成本仅比人工规划方法高出5%以内，整体规划效果最优。

4 结语

此次研究设计了一项基于改进PSO 算法的风电场线路智能规划模型，测试结果如下：斑马算法相对建设总成本最低，说明该方法从成本角度看较为节省，但抗风沙能力评分为0.76，也是所有算法中最低的，不满足规划要求。蚁群算法的抗风沙能力评分为1.13，但设计路线的相对建设总成本、相对线路投资、相对电气成本、相对路线交叉成本、相对穿越风沙区成本数值分别为1.24、1.13、1.48、1.29、1.18、1.35，均大幅度高于人工规划方法，说明该方法虽然能提升规划路线的整体抗风沙能力，但需要额外消耗较大的成本。而此次研究设计的算法模型的抗风沙能力评分为1.58，高于所有对比方法，且各项成本仅比人工规划方法高出5%以内，整体规划效果最优。项目计算结果显示，此次研究设计方法具有较好的防风沙能力，且综合成本较低。但本研究缺点在于没能收集更多风电场项目进行验证，后续将在其他风电项目样本中进行模拟以验证本线路路径优化研究成果。