摘 要：該文以復(fù)雜山地風(fēng)電場(chǎng)機(jī)組尾流后發(fā)電量最優(yōu)為目標(biāo)函數(shù)，以單個(gè)機(jī)組的發(fā)電量和安全性為個(gè)體適應(yīng)度，創(chuàng)新性地提出一種基于尾流后發(fā)電量最優(yōu)兼顧安全性的復(fù)雜山地風(fēng)電場(chǎng)微觀選址方法。經(jīng)實(shí)際復(fù)雜山地風(fēng)電場(chǎng)的應(yīng)用分析發(fā)現(xiàn)，全場(chǎng)年凈發(fā)電量相比于傳統(tǒng)人工經(jīng)驗(yàn)排布方法提升1.6%，各機(jī)組安全性識(shí)別指標(biāo)均處于高風(fēng)險(xiǎn)閾值之下，降低機(jī)組運(yùn)行風(fēng)險(xiǎn)。研究表明，該方法在復(fù)雜山地風(fēng)電場(chǎng)的微觀選址中具有較強(qiáng)的指導(dǎo)性和實(shí)用性，可用于實(shí)際風(fēng)電場(chǎng)微觀選址機(jī)組排布優(yōu)化及安全保障。

關(guān)鍵詞：風(fēng)電場(chǎng)；微觀選址；遺傳算法；山地；安全性；CFD仿真；葉輪面

中圖分類號(hào)：TM614" " " " " " " " "文獻(xiàn)標(biāo)志碼：A

DOI：10.19912/j.0254-0096.tynxb.2023-0535

文章編號(hào)：0254-0096（2024）08-0486-08

北京金風(fēng)科創(chuàng)風(fēng)電設(shè)備有限公司，北京 100176

0 引 言

風(fēng)資源微觀選址是提高風(fēng)電場(chǎng)發(fā)電效益和規(guī)避風(fēng)電場(chǎng)安全問題的必要步驟［1-2］。風(fēng)電機(jī)組的優(yōu)化排布方法是保證風(fēng)電場(chǎng)區(qū)域風(fēng)資源充分利用和功率曲線最優(yōu)的關(guān)鍵方法。在復(fù)雜山地風(fēng)電場(chǎng)，機(jī)組位置處的瞬時(shí)風(fēng)況極其復(fù)雜多變，且伴隨著大湍流和強(qiáng)烈的回流區(qū)，復(fù)雜的地形和瞬態(tài)極端風(fēng)況導(dǎo)致機(jī)組存在安全性、發(fā)電量損失等故障和風(fēng)險(xiǎn)［3］。因此，實(shí)現(xiàn)全場(chǎng)發(fā)電量最優(yōu)并兼顧機(jī)組安全性是復(fù)雜山地風(fēng)電場(chǎng)微觀選址階段亟需解決的問題。

風(fēng)電場(chǎng)的微觀選址涉及到多變量和多物理場(chǎng)的因素，目前，國(guó)內(nèi)外的風(fēng)電機(jī)組優(yōu)化排布方法主要以全場(chǎng)的發(fā)電量最優(yōu)為目標(biāo)，采用人工方法［4］、傳統(tǒng)遺傳算法［5］、粒子群優(yōu)化算法［6］等，部分方法會(huì)導(dǎo)致優(yōu)化排布陷入局部最優(yōu)的困境。萬春秋等［7］將基于最小風(fēng)電機(jī)組間距將風(fēng)電場(chǎng)區(qū)域通過網(wǎng)格劃分方法確定風(fēng)電機(jī)組排布的可選點(diǎn)位，采用粒子群優(yōu)化算法得到平坦地形下風(fēng)電場(chǎng)的優(yōu)化排布方案；Mosetti等［8］在遺傳算法的基礎(chǔ)上引入Jensen尾流模型，以最小安裝成本和最優(yōu)發(fā)電量為目標(biāo)實(shí)現(xiàn)全場(chǎng)的排布方案，并在正方形風(fēng)電場(chǎng)區(qū)域下驗(yàn)證了優(yōu)化排布的效果。事實(shí)上，上述研究均使用平坦地形，采用風(fēng)能圖譜的方法量化不同點(diǎn)位處的風(fēng)場(chǎng)參數(shù)，很難在實(shí)際工程化風(fēng)電場(chǎng)機(jī)組優(yōu)化排布中產(chǎn)生收益。近年來，隨著CFD在風(fēng)電場(chǎng)中資源評(píng)估和安全性評(píng)估方面的應(yīng)用，CFD技術(shù)已成為實(shí)現(xiàn)復(fù)雜山地下風(fēng)電場(chǎng)機(jī)組的優(yōu)化排布的重要途徑。Allen等［9］耦合CFD和伴隨法實(shí)現(xiàn)復(fù)雜地形下多臺(tái)機(jī)組發(fā)電量的最優(yōu)排布，證明了地形的復(fù)雜程度會(huì)顯著影響局部的流動(dòng)特性；許昌等［10-13］以風(fēng)電場(chǎng)邊界和風(fēng)電機(jī)組間最小距離為約束條件，以遺傳算法搜索尾流最小方案，從而提出一種基于CFD的復(fù)雜地形下風(fēng)電機(jī)組優(yōu)化方法。

總結(jié)國(guó)內(nèi)外研究結(jié)果，可知復(fù)雜山地下風(fēng)電場(chǎng)微觀選址階段機(jī)組優(yōu)化排布的工程化應(yīng)用存在以下缺陷：1）復(fù)雜山地下風(fēng)電場(chǎng)的風(fēng)資源分布不均，采用網(wǎng)格劃分的機(jī)位信息會(huì)導(dǎo)致最優(yōu)風(fēng)速點(diǎn)位丟失；2）實(shí)際復(fù)雜山地風(fēng)電場(chǎng)場(chǎng)區(qū)范圍不規(guī)則，且風(fēng)電場(chǎng)區(qū)域內(nèi)存在生態(tài)紅線和耕地區(qū)域需進(jìn)行避讓；3）基于全場(chǎng)發(fā)電量最優(yōu)的目標(biāo)函數(shù)過于單一，微觀選址階段機(jī)組的安全評(píng)估不可忽略。因此，本文提出一種基于發(fā)電量最優(yōu)和安全性的復(fù)雜山地風(fēng)電場(chǎng)機(jī)組優(yōu)化排布方法。該方法可考慮不同風(fēng)向下上游機(jī)組對(duì)下游尾流的影響，進(jìn)而實(shí)現(xiàn)全場(chǎng)的發(fā)電量最優(yōu)。此外，該方法可考慮排布方案的機(jī)組安全性和場(chǎng)區(qū)范圍不規(guī)則性，顯著提高全場(chǎng)發(fā)電量水平，降低全場(chǎng)機(jī)組安全性風(fēng)險(xiǎn)，實(shí)例驗(yàn)證結(jié)果表明，該方法在復(fù)雜山地風(fēng)電場(chǎng)的機(jī)組優(yōu)化排布上具有較高的應(yīng)用價(jià)值。

1 理論方法

1.1 RANS理論方法

本文基于OpenFOAM中穩(wěn)態(tài)的simpleFOAM求解器，在k-ε模型上附加大氣穩(wěn)定度的影響源項(xiàng)，公式［14-15］為：

[??tk+?（kui）?xi=??xjv+vtσk?k?xj+Gk-ε+Sk] （1）

[??tε+?（εui）?xi=??xjv+vtσε?ε?xj+Cε，1Gkεk-Cε，2ε2k+Sε] （2）

[vt=Cμk2ε] （3）

[Gk=vt?ui?xj+?uj?xi?ui?xj] （4）

式中：[k]——湍動(dòng)能，m2/s2；[ε]——湍流耗散率，m2/s3；[ui]——風(fēng)速，m/s；[Cε，1]、[Cε，2]——模型常數(shù)；[v]、[vt]——?jiǎng)恿︷ざ群屯膭?dòng)黏度，m2/s；[σk]、[σε]——湍動(dòng)能和耗散率對(duì)應(yīng)的Prandtl數(shù)；[Sk]——考慮大氣穩(wěn)定度[k]方程的源項(xiàng)，m2/s3；[Sε]——考慮大氣穩(wěn)定度[ε]方程產(chǎn)生的源項(xiàng)，m2/s4。理論方法可參考Van der Laan等［16］和Breedt等［17］的研究。

本文在求解算法方面采用smoothSolver方法進(jìn)行速度場(chǎng)的求解，采用GAMG方法進(jìn)行壓力場(chǎng)的求解，速度和壓力的解耦通過simple算法，湍動(dòng)能和湍流耗散率的求解采用smoothSolver方法。對(duì)于邊界條件的處理，入口采用考慮大氣熱力穩(wěn)定度3層風(fēng)廓線的速度進(jìn)口邊界條件，出口為正常出口邊界條件，風(fēng)電場(chǎng)區(qū)域的上邊界和側(cè)邊界均采用對(duì)稱邊界條件，底部邊界為固定值邊界條件。

1.2 風(fēng)場(chǎng)參數(shù)修正處理方法

以風(fēng)電場(chǎng)中測(cè)風(fēng)塔數(shù)據(jù)或者雷達(dá)數(shù)據(jù)為基礎(chǔ)，通過風(fēng)場(chǎng)參數(shù)外推得到風(fēng)電場(chǎng)其他位置處的時(shí)序和統(tǒng)計(jì)風(fēng)場(chǎng)參數(shù)，風(fēng)電場(chǎng)所有網(wǎng)格節(jié)點(diǎn)的外推公式分別如式（5）和式（6）所示［18］。

[up=upcfdumcfdum] （5）

[Ip-Im=upcfdumcfd（Ipcfd-Imcfd）] （6）

式中：[up]——修正后網(wǎng)格點(diǎn)的水平風(fēng)速，m/s；[um]——測(cè)風(fēng)塔的實(shí)測(cè)水平風(fēng)速，m/s；[upcfd]——網(wǎng)格點(diǎn)的CFD仿真水平風(fēng)速，m/s；[upcfd]——測(cè)風(fēng)塔位置的CFD仿真水平風(fēng)速，m/s；[Ip]——修正后網(wǎng)格點(diǎn)的湍流；[Im]——測(cè)風(fēng)塔的實(shí)測(cè)湍流；[Ipcfd]——網(wǎng)格點(diǎn)的CFD仿真湍流；[Imcfd]——測(cè)風(fēng)塔位置的CFD仿真湍流。

1.3 尾流模型和發(fā)電量模型

本文使用改進(jìn)Jensen尾流模型，馮居等［19］在傳統(tǒng)Jensen模型基礎(chǔ)上考慮復(fù)雜山地對(duì)尾跡變化的影響，尾跡中心線距離地面位置和輪轂高度保持一致。在尾流區(qū)給定流向位置x處，徑向尾流速度尾流虧損率的計(jì)算公式如式（7）所示［20］。

[UwU∞=1-1-1-Ct1+2kdxD] （7）

其中，

[kd=0.5lnHz0] （8）

式中：[Uw]、[U∞]——徑向速度和自由流速度，m/s；[Ct]——輪轂中心高度風(fēng)速對(duì)應(yīng)的推力系數(shù)；[kd]——擴(kuò)散系數(shù)；[H]、[z0]——輪轂中心高度和機(jī)組位置的粗糙度，m；[D]——葉輪直徑，m。

圖1顯示了復(fù)雜山地項(xiàng)目尾流區(qū)域和輪轂中心高度速度流線。在實(shí)際計(jì)算中機(jī)組之間的尾流影響存在3種情況：即A機(jī)組尾流區(qū)和B機(jī)組不重疊，A機(jī)組尾流區(qū)和C機(jī)組部分重疊，B機(jī)組尾流區(qū)和C機(jī)組完全重疊?？煽闯?，所計(jì)算機(jī)組會(huì)受到多個(gè)機(jī)組尾流的共同影響。因此，針對(duì)于[j]機(jī)組尾流區(qū)流向x處的徑向速度[Ujw]計(jì)算公式如式（9）、式（10）所示［20-21］。

[Ujw=Uj-i=1，i≠jn（Ui-Uij）2] （9）

[Uij=Ui1-1-1-Ct1+2kdxDAoverlap，ijAj] （10）

式中：[n]——機(jī)組總數(shù)；[Ui]、[Uj]——[i]機(jī)組和[j]機(jī)組的自由流速度，m/s；[Uij]——[i]機(jī)組的尾流區(qū)在機(jī)組[j]處的徑向速度，m/s；[Aoverlap，ij]——[i]機(jī)組尾流區(qū)和[j]機(jī)組葉輪重疊區(qū)域面積，m2；[Aj]——[j]機(jī)組葉輪面積，m2。

基于不同扇區(qū)的風(fēng)頻和風(fēng)速對(duì)應(yīng)的功率曲線，考慮切入風(fēng)速[Ucut-in]和切出風(fēng)速[Ucut-out]，場(chǎng)區(qū)的發(fā)電量計(jì)算公式為：

[PAEP=i=1Ntm=1Nθn=1NuPi（Un）fi（Un，θm）] （11）

式中：[Nt]——風(fēng)電場(chǎng)中機(jī)組數(shù)量；[Nθ]——扇區(qū)數(shù)量；[Nu]——風(fēng)速段數(shù)量；[Pi（Un）]——風(fēng)速為[Un]時(shí)對(duì)應(yīng)的功率，W；[fi（Un，θm）]——[θm]扇區(qū)角度下風(fēng)速[Un]的頻率。

1.4 機(jī)組點(diǎn)位安全性模型

復(fù)雜山地風(fēng)電場(chǎng)存在故障頻發(fā)的情況，為保證復(fù)雜山地機(jī)組排布的安全性，本文建立機(jī)組安全性模型。圖2為機(jī)組葉輪面坐標(biāo)系和網(wǎng)格劃分示意圖。不同于傳統(tǒng)機(jī)組的安全問題的分析方法，本文在機(jī)組點(diǎn)位根據(jù)葉輪直徑和輪轂高度建立葉輪面網(wǎng)格，通過分析和載荷仿真相關(guān)4種風(fēng)場(chǎng)參數(shù)在葉輪面上的分布來量化安全性問題，包括水平平均風(fēng)速、湍流強(qiáng)度、入流角、風(fēng)偏轉(zhuǎn)。其中風(fēng)偏轉(zhuǎn)表示葉輪面所有節(jié)點(diǎn)的水平風(fēng)向相對(duì)于輪轂中心水平風(fēng)向的差值。圖3顯示復(fù)雜山地風(fēng)電場(chǎng)下機(jī)組葉輪面上風(fēng)場(chǎng)參數(shù)分布不平衡性?？煽闯鲇捎诘匦蔚挠绊?，整個(gè)葉輪面的風(fēng)場(chǎng)參數(shù)不平衡現(xiàn)象明顯。下葉尖附近區(qū)域平均風(fēng)速較低，湍流強(qiáng)度較大，入流角和風(fēng)偏轉(zhuǎn)也存在極值。

為量化風(fēng)場(chǎng)參數(shù)的不平衡性以及和故障的相關(guān)性，以葉輪面輪轂中心來流方向下葉輪面能量不平衡為依據(jù)，考慮4種風(fēng)場(chǎng)參數(shù)對(duì)能量不平衡的貢獻(xiàn)率，進(jìn)而形成機(jī)組葉輪面能量不平衡指數(shù)，公式為：

[IEITV=max[θinc_kθveer_kIk（u2k-u2hub）]2] （12）

式中：[θinc_k]——葉輪面[k]節(jié)點(diǎn)位置處外推修正后的入流角，（ °）；[θveer_k]——葉輪面[k]節(jié)點(diǎn)位置處外推修正后的風(fēng)偏轉(zhuǎn)，（ °）；[Ik]——葉輪面[k]節(jié)點(diǎn)位置處外推修正后的湍流強(qiáng)度；[uk]——葉輪面[k]節(jié)點(diǎn)位置處外推修正后的風(fēng)速，m/s；[uhub]——輪轂中心位置外推修正的風(fēng)速，m/s。對(duì)于復(fù)雜山地項(xiàng)目中機(jī)組的葉輪面能量不平衡指數(shù)，通過設(shè)定閾值確定機(jī)組的安全性。

為確定葉輪面能量不平衡指數(shù)的閾值，結(jié)合機(jī)組現(xiàn)場(chǎng)運(yùn)行數(shù)據(jù)，分析5個(gè)實(shí)際運(yùn)行項(xiàng)目中100個(gè)機(jī)組的能量不平衡指數(shù)和實(shí)際運(yùn)行情況，通過統(tǒng)計(jì)方法確定閾值。所有機(jī)組單機(jī)容量為2.5 MW，輪轂高度為90 m，風(fēng)輪直徑為140 m。安全性模型的能量不平衡指數(shù)和機(jī)組實(shí)際運(yùn)行發(fā)生振動(dòng)故障的結(jié)果如圖4所示。由圖4可看出，將能量不平衡指數(shù)的閾值設(shè)定為500 m3/s3，安全性模型可明顯區(qū)分出故障機(jī)組和正常機(jī)組。對(duì)比結(jié)果充分驗(yàn)證了該模型的可靠性和合理性。

通過識(shí)別率、識(shí)別準(zhǔn)確率和識(shí)別誤判率3個(gè)指標(biāo)來量化安全性模型對(duì)于振動(dòng)故障的識(shí)別結(jié)果，如表1所示?？煽闯?，安全模型對(duì)于振動(dòng)故障的識(shí)別率為93.8%，誤判率為3%。這說明安全性模型對(duì)于振動(dòng)故障識(shí)別具有較高的準(zhǔn)確率，可很好地量化復(fù)雜山地下機(jī)組安全風(fēng)險(xiǎn)。

1.5 基于遺傳算法的優(yōu)化排布方法

圖5顯示了基于尾流后發(fā)電量最優(yōu)和安全性的風(fēng)電場(chǎng)微觀選址流程。在微觀選址階段，根據(jù)地形條件信息、場(chǎng)區(qū)范圍信息確定CFD仿真范圍，對(duì)水平方向按每扇區(qū)22.5°劃分16個(gè)扇區(qū)進(jìn)行CFD仿真，根據(jù)測(cè)風(fēng)塔位置處的仿真結(jié)果和測(cè)風(fēng)數(shù)據(jù)修正所有扇區(qū)所有網(wǎng)格點(diǎn)數(shù)據(jù)?；陲L(fēng)電場(chǎng)仿真結(jié)果、機(jī)組選型數(shù)據(jù)、功率曲線等使用遺傳算法進(jìn)行機(jī)組優(yōu)化排布。

在優(yōu)化算法中，首先在選擇的風(fēng)電場(chǎng)區(qū)，通過蒙特卡洛方法隨機(jī)生成一系列的機(jī)位點(diǎn)。初始生成的機(jī)位點(diǎn)數(shù)量會(huì)影響整體的計(jì)算效果，對(duì)于風(fēng)電場(chǎng)區(qū)域較大的項(xiàng)目，需要增加限制性因素以及設(shè)置合理最小風(fēng)速來確保計(jì)算的準(zhǔn)確性。由于復(fù)雜山地風(fēng)電場(chǎng)中機(jī)位點(diǎn)風(fēng)速差異較大，會(huì)極大地影響優(yōu)化收斂效率，因此本文將復(fù)雜山地風(fēng)電場(chǎng)全場(chǎng)的平均風(fēng)速設(shè)定為最小風(fēng)速，去掉低風(fēng)速位置點(diǎn)，提高優(yōu)化效率。

不同于傳統(tǒng)基于遺傳算法的優(yōu)化排布方法，在個(gè)體適應(yīng)度的評(píng)價(jià)時(shí)，以發(fā)電量為目標(biāo)函數(shù)，同樣需要利用機(jī)組安全性識(shí)別模型評(píng)估方案中各點(diǎn)位的安全性，對(duì)于不滿足安全性的機(jī)組，在初始點(diǎn)位庫(kù)中選擇合適點(diǎn)位進(jìn)行替換。最終直到前后代發(fā)電量誤差低于設(shè)定值或者達(dá)到迭代次數(shù)，則輸出最終方案發(fā)電量和安全性指標(biāo)。

2 工程實(shí)例應(yīng)用

本文選取中國(guó)西北某復(fù)雜山地風(fēng)電場(chǎng)，詳細(xì)分析基于發(fā)電量最優(yōu)和安全性最優(yōu)的復(fù)雜山地風(fēng)電場(chǎng)的微觀選址方法。圖6顯示了西北某復(fù)雜山地風(fēng)電場(chǎng)的場(chǎng)區(qū)范圍和CFD仿真區(qū)域。在實(shí)際的風(fēng)電場(chǎng)開發(fā)中，由于需要避讓生態(tài)紅線等，因此排除限制區(qū)域，最終的風(fēng)電場(chǎng)場(chǎng)區(qū)范圍通常是不規(guī)則的區(qū)域。

圖7顯示了風(fēng)電場(chǎng)場(chǎng)區(qū)內(nèi)測(cè)風(fēng)塔數(shù)據(jù)的風(fēng)能玫瑰圖，可看出，場(chǎng)區(qū)風(fēng)向較為集中，主風(fēng)向?yàn)楸憋L(fēng)。風(fēng)電場(chǎng)內(nèi)總?cè)萘繛?0 MW。規(guī)劃20臺(tái)單機(jī)容量為2500 kW的機(jī)組，機(jī)組的輪轂高度為90 m，葉輪直徑為140 m。

2.1 CFD結(jié)果分析

根據(jù)風(fēng)電場(chǎng)的場(chǎng)區(qū)范圍設(shè)置CFD仿真區(qū)域。通過RANS方法評(píng)估16個(gè)扇區(qū)的風(fēng)資源分布。由于評(píng)估機(jī)組的安全性時(shí)需考慮整個(gè)葉輪面風(fēng)場(chǎng)參數(shù)分布，因此根據(jù)風(fēng)電場(chǎng)場(chǎng)區(qū)范圍和機(jī)組上下葉尖高度，選取關(guān)鍵空間范圍用于修正遺傳算法中發(fā)電量計(jì)算和安全性計(jì)算，如表2所示。

基于測(cè)風(fēng)數(shù)據(jù)修正風(fēng)電場(chǎng)場(chǎng)區(qū)范圍內(nèi)的仿真結(jié)果。圖8顯示了風(fēng)電場(chǎng)地面高度90 m等值面上修正后的平均風(fēng)速和湍流強(qiáng)度分布，可看出，由于復(fù)雜山地的影響，場(chǎng)區(qū)內(nèi)風(fēng)資源分布不均。風(fēng)速小的區(qū)域湍流強(qiáng)度明顯偏高。和平原下機(jī)組優(yōu)化排布不同，復(fù)雜地形下機(jī)組的優(yōu)化排布不僅需考慮尾流效應(yīng)的影響，還需考慮風(fēng)資源分布不均的影響。

2.2 遺傳算法優(yōu)化方案

基于空間范圍內(nèi)風(fēng)資源評(píng)估結(jié)果，通過基于發(fā)電量最優(yōu)和安全性的遺傳排布算法進(jìn)行機(jī)組的優(yōu)化排布。圖9顯示了修正遺傳算法過程中全場(chǎng)年凈發(fā)電量變化?？煽闯觯顑?yōu)方案的年發(fā)電量隨著迭代步數(shù)增加逐漸增加，在1250步時(shí)處于穩(wěn)定狀態(tài)。此時(shí)，已達(dá)到最優(yōu)排布方案。年發(fā)電量最小值的波動(dòng)也說明該修正遺傳算法在發(fā)電量計(jì)算是考慮了全局最優(yōu)。

圖10顯示了復(fù)雜山地風(fēng)電場(chǎng)人工經(jīng)驗(yàn)排布（圓圈）和本文算法排布方案（點(diǎn)）對(duì)比。可看出，人工經(jīng)驗(yàn)排布和修正遺傳算法排布方案的機(jī)位點(diǎn)均處于局部山頂。但由于主風(fēng)向尾流區(qū)的影響，修正后的遺傳算法可更好的量化尾流后的損失，從而提升全場(chǎng)的發(fā)電量。

表3為復(fù)雜山地風(fēng)電場(chǎng)優(yōu)化前后年凈發(fā)電量對(duì)比?？煽闯?，通過本文修正遺傳算法可將發(fā)電量提升1.6%，具有明顯的工程實(shí)用價(jià)值。圖11為復(fù)雜山地風(fēng)電場(chǎng)0°扇區(qū)下優(yōu)化方案的機(jī)組尾流分布。優(yōu)化方案中在主風(fēng)能扇區(qū)下的機(jī)組之間尾流影響較小，只有個(gè)別機(jī)組處于別的機(jī)組的尾流影響區(qū)。這也是該方案明顯優(yōu)于人工排布方案的原因。

2.3 安全性識(shí)別

不同于其他排布方案，本文方法創(chuàng)新性地考慮排布方案中各機(jī)組安全性評(píng)估，即保證機(jī)組安全性的前提下實(shí)現(xiàn)尾流后全場(chǎng)發(fā)電量最優(yōu)。在復(fù)雜山地風(fēng)電場(chǎng)下，機(jī)組的安全性和適應(yīng)性易受到地形引起的復(fù)雜風(fēng)況的影響。

在機(jī)組排布過程中，通過對(duì)當(dāng)前方案中每個(gè)點(diǎn)位建立葉輪面風(fēng)場(chǎng)參數(shù)并構(gòu)建葉輪面能量不平衡指標(biāo)。一旦識(shí)別指標(biāo)超出閾值，則從方案中剔除該點(diǎn)位，并在數(shù)據(jù)庫(kù)中選取合適的個(gè)體點(diǎn)位進(jìn)行代替。這可保證所有方案中機(jī)組的安全性和適應(yīng)性均可滿足要求。圖12顯示了優(yōu)化排布方案后各點(diǎn)位能量不平衡指標(biāo)，圖中虛線代表閾值，最終方案中所有機(jī)組的能量不平衡指標(biāo)均低于閾值。這表明復(fù)雜山地風(fēng)電場(chǎng)下機(jī)組的安全性得到保證。

3 結(jié)論和展望

本文創(chuàng)造性地提出一種基于尾流后發(fā)電量最優(yōu)兼顧安全性的復(fù)雜山地風(fēng)電場(chǎng)微觀選址方法。以CFD仿真結(jié)果為依據(jù)，選取合適的空間區(qū)域數(shù)據(jù)作為風(fēng)資源數(shù)據(jù)庫(kù)用于算法中機(jī)組發(fā)電量計(jì)算和安全性計(jì)算。采用修正后的遺傳算法，相比于傳統(tǒng)的排布方法，以復(fù)雜山地風(fēng)電場(chǎng)機(jī)組尾流后發(fā)電量最優(yōu)為目標(biāo)函數(shù)，以單個(gè)機(jī)組的發(fā)電量和安全性為個(gè)體適應(yīng)度。在考慮尾流后發(fā)電量最優(yōu)的基礎(chǔ)上兼顧機(jī)組安全性，為復(fù)雜山地風(fēng)電場(chǎng)的微觀選址提供了更實(shí)用性的方法。經(jīng)西北復(fù)雜山地項(xiàng)目實(shí)際案例驗(yàn)證，本文提出的微觀選址方法得到的全場(chǎng)年凈發(fā)電量相比于傳統(tǒng)人工經(jīng)驗(yàn)排布方法提升了1.6%。

通過本文提出的機(jī)組葉輪面能量不平衡指標(biāo)，驗(yàn)證了所有機(jī)位點(diǎn)的識(shí)別指標(biāo)均處于閾值之下，保證了復(fù)雜山地風(fēng)電場(chǎng)下的機(jī)組安全性。然而，安全性模型對(duì)于機(jī)組故障識(shí)別仍存在一定誤差，未來可通過分析風(fēng)場(chǎng)參數(shù)和載荷的相關(guān)性從而完善安全性模型。此外，風(fēng)電場(chǎng)建設(shè)成本也是制約風(fēng)電場(chǎng)收益的重要因素，未來可考慮基于發(fā)電量、安全性、成本等建立一套多優(yōu)化目標(biāo)的微觀選址方法。

［參考文獻(xiàn)］

［1］ 賈彥， 劉璇， 李華， 等. 考慮尾流效應(yīng)對(duì)風(fēng)電場(chǎng)機(jī)組布局的影響分析［J］. 可再生能源， 2014，" 32（4）： 429-435.

JIA Y， LIU X， LI H， et al. Analysis of wind farm units layout" considering" wake" effect［J］." Renewable" energy resources， 2014， 32（4）： 429-435.

［2］ 田琳琳， 趙寧， 武從海， 等. 復(fù)雜地形風(fēng)電場(chǎng)的機(jī)組布局優(yōu)化［J］. 南京航空航天大學(xué)學(xué)報(bào)， 2013， 45（4）： 503-509.

TIAN L L， ZHAO N， WU C H， et al. Optimal positioning of wind turbines on complex wind farm［J］. Journal of Nanjing University of Aeronautics amp; Astronautics， 2013， 45（4）： 503-509.

［3］ 薛飛飛， 許昌， 韓星星， 等. 基于CFD的復(fù)雜地形風(fēng)電場(chǎng)地形改造方案研究［J］. 太陽能學(xué)報(bào)， 2017， 38（7）： 1959-1965.

XUE F F， XU C， HAN X X， et al. Terrain modification research in complex terrain wind farm based on CFD［J］. Acta energiae solaris sinica， 2017， 38（7）： 1959-1965.

［4］ 葉超， 楊蘋. 基于枚舉法的地區(qū)電網(wǎng)接納風(fēng)電能力評(píng)估［J］. 可再生能源， 2017， 35（3）： 401-410.

YE C， YANG P. Evaluation on the wind power capacity of regional power grid based on enumeration method［J］. Renewable energy resources， 2017， 35（3）： 401-410.

［5］ CASTRO MORA J， CALERO BARóN J M， RIQUELME SANTOS J M， et al. An evolutive algorithm for wind farm optimal" design［J］. Neurocomputing，" 2007，" 70（16-18）： 2651-2658.

［6］ GRADY S A， HUSSAINI M Y， ABDULLAH M M. Placement of wind turbines using genetic algorithms［J］. Renewable energy， 2005， 30（2）： 259-270.

［7］ WAN C Q， WANG J， YANG G， et al. Optimal micro-siting of wind farms by particle swarm optimization［C］//International Conference in Swarm Intelligence. Berlin， Heidelberg： Springer， 2010： 198-205.

［8］ MOSETTI G， POLONI C， DIVIACCO B. Optimization of wind turbine positioning in large windfarms by means of a genetic" algorithm［J］." Journal" of" wind" engineering" and industrial aerodynamics， 1994， 51（1）： 105-116.

［9］ ALLEN J， KING R， BARTER G. Wind farm simulation and layout optimization in complex terrain［J］. Journal of physics： conference series， 2020， 1452（1）： 012066.

［10］ 許昌， 楊建川， 李辰奇， 等. 復(fù)雜地形風(fēng)電場(chǎng)微觀選址優(yōu)化［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2013， 33（31）： 58-64， 7.

XU C， YANG J C， LI C Q， et al. Optimization of wind farm" layout" in" complex" terrain［J］. Proceedings" of" the CSEE， 2013， 33（31）： 58-64， 7.

［11］ 許昌， 楊建川， 韓星星， 等. 基于CFD和NCPSO的復(fù)雜地形風(fēng)電場(chǎng)微觀選址優(yōu)化［J］. 太陽能學(xué)報(bào)， 2015， 36（12）： 2844-2851.

XU C， YANG J C， HAN X X， et al. Optimization of windfarm micrositting in complex terrain based on CFD and NCPSO［J］. Acta energiae solaris sinica， 2015， 36（12）： 2844-2851.

［12］ 許昌， 陳丹丹， 韓星星， 等. 復(fù)雜地形風(fēng)電場(chǎng)一體化優(yōu)化設(shè)計(jì)研究［J］. 太陽能學(xué)報(bào)， 2017， 38（12）： 3368-3375.

XU C， CHEN D D， HAN X X， et al. Study of integrated optimization design of wind farm in complex terrain［J］. Acta energiae solaris sinica， 2017， 38（12）： 3368-3375.

［13］ 嚴(yán)彥， 許昌， 劉德有， 等. 基于遺傳算法的風(fēng)電場(chǎng)微觀選址優(yōu)化研究［J］. 太陽能學(xué)報(bào)， 2013， 34（3）： 526-532.

YAN Y， XU C， LIU D Y， et al. Optimization research of wind farm micro sitting based on genetic algorithm［J］. Acta energiae solaris sinica， 2013， 34（3）： 526-532.

［14］ LAUNDER B E， SHARMA B I. Application of the energy-dissipation model of turbulence to the calculation of flow near a spinning disc［J］. Letters in heat amp; mass transfer， 1974， 1： 131-137.

［15］ ALINOT C， MASSON C. k-ε model for the atmospheric boundary layer under various thermal stratifications［J］. Journal of solar energy engineering， 2005， 127（4）： 438-443.

［16］ VAN DER LAAN M P， KELLY M C， S?RENSEN N N. A new k-epsilon model consistent with Monin-Obukhov similarity theory［J］. Wind energy， 2017， 20（3）： 479-489.

［17］ BREEDT H J， CRAIG K J， JOTHIPRAKASAM V D. Monin-Obukhov similarity theory and its application to wind flow modelling over complex terrain［J］. Journal of wind engineering and industrial aerodynamics， 2018， 182： 308-321.

［18］ RAMECHECANDANE S， GRAVDAHL A R. Numerical investigations on wind flow over complex terrain［J］. Wind engineering， 2012， 36（3）： 273-295.

［19］ FENG J， SHEN W Z. Wind farm layout optimization in complex terrain： a preliminary study on a Gaussian hill［J］. Journal of physics： conference series， 2014， 524（1）： 012146.

［20］ HU W C， YANG Q S， CHEN H P， et al. A novel approach for wind farm micro-siting in complex terrain based" on" an" improved" genetic" algorithm［J］." Energy， 2022， 251： 123970.

［21］ WANG L Y， TAN A C C， CHOLETTE M， et al. Comparison of the effectiveness of analytical wake models for wind farm with constant and variable hub heights［J］. Energy conversion and management， 2016， 124： 189-202.

MICRO SITTING STUDY IN COMPLEX MOUNTATAINOUS WIND FARM BASED ON OPTIMAL POWER GENERATION AND SECURITY

Li Jinzhui，Jiang Hongchao

（Beijing Goldwind Science amp; Creation Windpower Equipment Co.， Ltd.， Beijing 100176， China）

Abstract：The interaction of wake effects and complex topography in mountainous wind farms poses challenges to power generation and escalates the risk of turbine failure. This paper proposes a novel micro-siting method designed for complex mountainous wind farms，which takes maximizing energy yield and ensuring turbine safety as the objective function. The proposed methodology takes power generation and safety performance of each turbine as the individual fitness. A case study on an actual operational wind farm reveals that the implementation of this method obtains a 1.6% increase in annual net power generation compared to conventional empirical approaches. Furthermore， the method ensures that safety identification indicators for each turbine remain beneath established high-risk thresholds， affirming the comprehensive safety status of the wind farm. The demonstrated results indicate that the method can serve as an instructive and practical tool for micro-siting optimization and risk mitigation in complex mountainous wind environments.

Keywords：wind farm； micro sitting； genetic algorithm； mountainous； security； CFD simulation； rotor plane