本发明涉及风力发电技术领域，特别是涉及一种基于多种群遗传算法的风机排布方法及装置。
背景技术：
随着风电行业竞价上网政策的推进，提高收益降低成本的需求越来越迫切，以往风机排布中大多采取手工排布，主观因素影响较大，难以实现机位排布真正最优化。将智能算法引入到风机排布中，自动搜索最优风机布局，能够更加充分利用风电场资源，提高经济效益。
智能优化算法，尤其是遗传算法在各行业得到了较广泛的应用。已有部分基于遗传算法进行风机排布的文章出现。但单纯应用遗传算法容易陷入局部收敛，例如在风电场内某个高点密集区域算法自动搜索到了几个发电量较高的布机位置，并经过与周围位置的比较发现这个排布方案是最优的便停止搜索。然而，在间隔一定距离以外还有更好的位置，这就是所谓的局部收敛。
技术实现要素：
本发明要解决的技术问题是提供一种基于多种群遗传算法的风机排布方法及装置，从而解决原有的风机排布方式的局部收敛问题，达到全局最优。
为解决上述技术问题，本发明提供了一种基于多种群遗传算法的风机排布方法，所述方法包括：随机生成多个初始种群，每个种群内的染色体以机位位置为染色体编码，以发电量为适值函数；对各个种群采用遗传算法进行优化；对各个种群均完成一次优化，将染色体在各个种群之间进行转移；从各个种群中选取最优染色体，加入精华种群；以精华种群中染色体所代表的位置为最优机位位置。
在一些实施方式中，还包括：在从各个种群中选取最优染色体，加入精华种群之后，重复执行种群优化、染色体转移、最优染色体选取及精华种群加入的操作，直至精华种群中的染色体数量达到数量要求。
在一些实施方式中，从各个种群中选取最优染色体，加入精华种群，包括：每个种群中选取一个最优染色体；在这几个最优染色体中选取一个最优染色体将其置入精华种群。
在一些实施方式中，对各个种群采用遗传算法进行优化，包括：采用遗传算法对各个种群进行优化，所述传统遗传算法包括：简单遗传算法、小生境遗传算法、免疫遗传算法。
在一些实施方式中，对各个种群均完成一次优化，将染色体在各个种群之间进行转移，包括：完成一次遗传算法优化后，对每个种群，选择其最优机位替换下一个种群中的最差机位。
在一些实施方式中，所述最优机位及最差机位参照适值函数确定。
在一些实施方式中，所述遗传算法采用的目标函数为目标发电量。
在一些实施方式中，还包括：在随机生成多个种群之前，建立机位位置的数据矩阵，矩阵内存储各网格位置。
此外，本发明还提供了一种基于多种群遗传算法的风机排布装置，所述装置包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据前文所述的基于多种群遗传算法的风机排布方法。
采用这样的设计后，本发明至少具有以下优点：
目前行业内机位排布通常由人工完成，但在竞价上网的大背景下这种风机排布方式难以实现经济效益最大化。遗传算法在风机排布中的应用可以大幅提高排布的准确性提高效率，但传统的遗传算法容易发生局部收敛问题。根据本发明可以用多种群遗传算法对风电场内各种可能的机位排布方案进行智能择优，实现机位排布的自动化，可以大幅提高机位排布的合理性，提高风电场经济效益并一定程度上避免了局部收敛。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明提供的基于多种群遗传算法的风机排布方法的流程图；
图2是本发明提供的风电场机位网格示意图；
图3是本发明提供的基于多种群遗传算法的风机排布方法的流程图；
图4是本发明提供的基于多种群遗传算法的风机排布装置的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
图1示出了本发明提供的基于多种群遗传算法的风机排布方法的流程图。参见图1，基于多种群遗传算法的风机排布方法包括：
s1，随机生成多个初始种群，每个种群内的染色体以机位位置为染色体编码，以发电量为适值函数。
s2，对各个种群采用遗传算法进行优化。
s3，对各个种群均完成一次优化，将染色体在各个种群之间进行转移。
s4，从各个种群中选取最优染色体，加入精华种群。
s5，以精华种群中染色体所代表的位置为最优机位位置。
由于首先在各个种群中运行优化过程，再在完成一次种群内的优化后，将染色体在各个种群之间进行转移，并且从优化后的种群中分别择优选取最优染色体，并将选取的最优染色体加入到精华种群中，使得精华种群中包含的，由染色体代表的最优机位位置解不再仅仅是风电场中机位位置的局部最优解，而是全局的机位位置最优解。
优选的，在执行图1示出的方法的各个步骤之前，为了各个机位位置的表示和存储的方便，还需要将风电场的整个场区进行网格划分，也就是建立机位位置的数据矩阵。建立上述的数据矩阵之后，机位位置的存储就体现为数据矩阵的存储。
图2示出了上述的数据矩阵。参见图2，整个风电场被划分为若干个相等大小的网格，以网格为单位进行机位位置的存储。也就是说，在后续的遗传算法优化过程中，参与优化的染色体的编码是以网格的形式表示的。
图1所示出的过程在实际应用中需要被重复的执行。具体的，一旦初始种群被随机生成之后，之后的s2及s3步骤的操作需要被重复的执行。这主要是因为每次选取的加入到精华种群中的最优染色的数目是有限的，对s2及s3的操作仅仅执行一次往往不能达到精华种群中染色体的数目要求。这样一来，通过该风电场的机位排布方法得到的机位数量不能满足风电场整体的机位数量要求。
具体的，s2及s3的操作通常需要被重复执行2次到5次，才能够完成精华种群的选取工作。
更进一步的，对各个种群采用遗传算法进行优化，包括：采用遗传算法对各个种群进行优化；完成一次遗传算法优化后，对每个种群，选择其最优机位替换下一个种群中的最差机位。通过上述的优化过程，完成了各个种群内部各个染色体的优化，以及染色体在不同种群之间的转移。
在种群优化的过程中采用的适值函数及目标函数均是发电量。具体的，适值函数是风电场的实时发电量。目标函数则是风电场的目标发电量。
在本发明提供的一种优选实施方式中，基于多种群遗传算法的风机排布方法包括如下步骤：
1)建立机位位置的数据矩阵，矩阵内存储各网格位置、该位置是否适合进行机位排布。
2)随机生成多个初始种群。每个种群都由一定数量随机生成的机位组成，每个机位位置数据视为染色体，各机位发电量作为适值函数，这一组机位作为初始种群。作为解决发电量极大化问题，本算法将目标函数和适值函数都定为发电量。
3)对各种群分别采用传统遗传算法进行优化。
4)完成一次遗传算法优化后，对每个种群，选择其最优机位替换下一个种群中的最差机位(最优最差以适值函数衡量)。
5)每个种群中选取一个最优染色体，在这几个最优染色体中选取一个最优染色体将其置入精华种群。
6)重复步骤2)-5)若干次，直到精华种群中的染色体数量满足要求，且整体迭代次数达到设定要求。
7)此时精华种群即代表了最优机位排布位置方案。
图3同样示出了本发明所提供的基于多种群遗传算法的风机排布方法的流程。参见图3，基于多种群遗传算法的风机排布方法包括：多种群建立、各种群优化、染色体种群间转移、各种群择优选取、添加精华种群、判断精华种群是否收敛的步骤。通过上述各个步骤的操作，基于多种群遗传算法的风机排布方法能够达到机位排布的自动化，可以大幅提高机位排布的合理性，提高风电场经济效益并一定程度上避免了局部收敛。
图4是本发明基于多种群遗传算法的风机排布装置的结构图。参见图4，基于多种群遗传算法的风机排布装置包括：中央处理单元(cpu)401，其可以根据存储在只读存储器(rom)中的程序或者从存储部分408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram403中，还存储有系统操作所需的各种程序和数据。cpu401、rom402以及ram403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
以下部件连接至i/o接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至i/o接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别的，根据本发明实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(cpu)401执行时，执行本发明的方法中限定的上述功能。需要说明的是，本发明的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意结合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何恰当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连的表示的方框实际上可以基本并行的执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。
1.一种基于多种群遗传算法的风机排布方法，其特征在于，包括：
随机生成多个初始种群，每个种群内的染色体以机位位置为染色体编码，以发电量为适值函数；
对各个种群采用遗传算法进行优化；
对各个种群均完成一次优化，将染色体在各个种群之间进行转移；
从各个种群中选取最优染色体，加入精华种群；
以精华种群中染色体所代表的位置为最优机位位置。
2.根据权利要求1所述的基于多种群遗传算法的风机排布方法，其特征在于，还包括：
在从各个种群中选取最优染色体，加入精华种群之后，重复执行种群优化、染色体转移、最优染色体选取及精华种群加入的操作，直至精华种群中的染色体数量达到数量要求。
3.根据权利要求2所述的基于多种群遗传算法的风机排布方法，其特征在于，从各个种群中选取最优染色体，加入精华种群，包括：
每个种群中选取一个最优染色体；
在这几个最优染色体中选取一个最优染色体将其置入精华种群。
4.根据权利要求1所述的基于多种群遗传算法的风机排布方法，其特征在于，对各个种群采用遗传算法进行优化，包括：
采用遗传算法对各个种群进行优化，所述遗传算法包括：简单遗传算法、小生境遗传算法、免疫遗传算法。
5.根据权利要求1所述的基于多种群遗传算法的风机排布方法，其特征在于，对各个种群均完成一次优化，将染色体在各个种群之间进行转移，包括：
完成一次遗传算法优化后，对每个种群，选择其最优机位替换下一个种群中的最差机位。
6.根据权利要求5所述的基于多种群遗传算法的风机排布方法，其特征在于，所述最优机位及最差机位参照适值函数确定。
7.根据权利要求6所述的基于多种群遗传算法的风机排布方法，其特征在于，所述遗传算法采用的目标函数为目标发电量。
8.根据权利要求1所述的基于多种群遗传算法的风机排布方法，其特征在于，还包括：
在随机生成多个种群之前，建立机位位置的数据矩阵，矩阵内存储各网格位置。
9.一种基于多种群遗传算法的风机排布装置，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1至8任意一项所述的基于多种群遗传算法的风机排布方法。
技术总结