基于Q学习粒子群算法的海上风电场电气系统拓扑优化

戚远航; 侯鹏; 金荣森

doi:10.7500/AEPS20210326005

您当前的位置：

首页 >

文章列表页 >

基于Q学习粒子群算法的海上风电场电气系统拓扑优化

大规模海上风电系统关键技术研究与应用 | 更新时间：2025-06-16

- 基于Q学习粒子群算法的海上风电场电气系统拓扑优化
- Optimization of Electrical System Topology for Offshore Wind Farm Based on Q-learning Particle Swarm Optimization Algorithm
- 电力系统自动化 2021年45卷第21期页码：66-75
- 作者机构：
  
  1.电子科技大学中山学院计算机学院，广东省中山市 528402
  2.上海电气风电集团欧洲科创中心，奥胡斯市 8200，丹麦
  3.香港中文大学（深圳）数据科学学院，广东省深圳市 518712
- 作者简介：
  
  戚远航(1993—)，男，博士，讲师，硕士生导师，主要研究方向：复杂系统建模与优化、智能优化。E-mail：qiyuanhang@zsc.edu.cn
  侯鹏(1986—)，男，通信作者，博士，主要研究方向：大型海上风电场规划、微电网规划与运行优化、多能系统规划与管理、可交易能源电力市场设计。E-mail：392168169@qq.com
  金荣森（1994—），男，博士研究生，主要研究方向：海上风电场风机的海缆拓扑结构优化、单机排序问题。Email：jinrongsen@outlook.com
- 基金信息：
  
  广东省普通高校重点领域专项(2020ZDZX3030)
- DOI：10.7500/AEPS20210326005
  中图分类号：
- 收稿日期：2021-03-26，
  
  修回日期：2021-08-12，
  
  网络出版日期：2021-10-21，
  
  纸质出版日期：2021-11-10
- 稿件说明：
移动端阅览
戚远航,侯鹏,金荣森.基于Q学习粒子群算法的海上风电场电气系统拓扑优化[J].电力系统自动化,2021,45(21):66-75.

QI Yuanhang,HOU Peng,JIN Rongsen.Optimization of Electrical System Topology for Offshore Wind Farm Based on Q-learning Particle Swarm Optimization Algorithm[J].Automation of Electric Power Systems,2021,45(21):66-75.
戚远航,侯鹏,金荣森.基于Q学习粒子群算法的海上风电场电气系统拓扑优化[J].电力系统自动化,2021,45(21):66-75. DOI： 10.7500/AEPS20210326005.

QI Yuanhang,HOU Peng,JIN Rongsen.Optimization of Electrical System Topology for Offshore Wind Farm Based on Q-learning Particle Swarm Optimization Algorithm[J].Automation of Electric Power Systems,2021,45(21):66-75. DOI： 10.7500/AEPS20210326005.

摘要

针对多变电站海上风电场的电气系统拓扑优化，现有的方法一般根据预先确定的变电站个数将整体海上风电场划分为几个固定的子区域，然后分别进行独立的电缆连接布局优化，最终聚合得到整体方案。然而，采用固定的划分策略很难得到全局最优方案。因此，考虑多海上变电站选址、电缆选型、功率损耗等因素，以最小化成本为目标，建立多变电站海上风电场的电缆连接布局优化模型，并提出一种基于Voronoi自适应分区的Q学习粒子群算法进行求解。所提出的算法以Q学习粒子群算法为核心，设计一种基于Voronoi图的自适应分区策略实现自适应分区，并结合相应的编解码策略实现不同分区的电缆连接。最后，通过算例分析证明所提出模型以及算法的有效性。

Abstract

For the electrical system topology optimization of multi-substation offshore wind farms

the current methods are to divide the overall offshore wind farm into several fixed sub-areas according to the predefined number of substations

then independently optimize the cable connection layout in each sub-area and eventually combine all of them as the overall scheme. However

it is often hard to obtain the global optimal scheme due to the fixed partition strategy. Therefore

this paper designs a cable connection layout model for multi-substation offshore wind farms and proposes a Q-learning particle swarm optimization algorithm based on Voronoi adaptive partition

which aims to minimize the total cost considering substation locations

cable type selection

and power loss. Taking the Q-learning particle swarm optimization algorithm as the key

the proposed method designs an adaptive partition strategy based on the Voronoi diagram

which can realize the cable connection in different partitions with coding and decoding strategies. Finally

the case analysis proves the effectiveness of the proposed model and algorithm.

关键词

Keywords

references

符杨，徐涵璐，黄玲玲 . 海上风电场集电系统全寿命周期成本分析［J］. 电力系统自动化， 2016 ， 40 （ 21 ）： 161 - 167 .

FU Yang ， XU Hanlu ， HUANG Lingling . Life-cycle cost analysis of power collection system in offshore wind farm ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 21 ）： 161 - 167 .

黄玲玲，曹家麟，符杨 . 海上风电场电气系统现状分析［J］. 电力系统保护与控制， 2014 ， 42 （ 10 ）： 147 - 154 .

HUANG Lingling ， CAO Jialin ， FU Yang . Review of electrical systems for offshore wind farms ［J］. Power System Protection and Control ， 2014 ， 42 （ 10 ）： 147 - 154 .

GONZALEZ-LONGATT F M ， WALL P ， REGULSKI P ， et al . Optimal electric network design for a large offshore wind farm based on a modified genetic algorithm approach ［J］. IEEE Systems Journal ， 2012 ， 6 （ 1 ）： 164 - 172 .

CHEN Y Y ， DONG Z Y ， MENG K ， et al . A novel technique for the optimal design of offshore wind farm electrical layout ［J］. Journal of Modern Power Systems and Clean Energy ， 2013 ， 1 （ 3 ）： 258 - 263 .

AURENHAMMER F . Voronoi diagrams—a survey of a fundamental geometric data structure ［J］. ACM Computing Surveys ， 1991 ， 23 （ 3 ）： 345 - 405 .

STOYAN D . Spatial tessellations：concepts and applications of Voronoi diagrams ［J］. Biometrical Journal ， 2010 ， 36 （ 2 ）： 146 - 146 .

FANG Z X ， TU W ， LI Q Q ， et al . A Voronoi neighborhood-based search heuristic for distance/capacity constrained very large vehicle routing problems ［J］. International Journal of Geographical Information Science ， 2013 ， 27 （ 4 ）： 741 - 764 .

TU W ， FANG Z X ， LI Q Q ， et al . A bi-level Voronoi diagram-based metaheuristic for a large-scale multi-depot vehicle routing problem ［J］. Transportation Research Part E： Logistics and Transportation Review ， 2014 ， 61 ： 84 - 97 .

符杨，杨赛松，魏书荣，等 . 考虑电磁环境约束的大型海上风电场集电网络拓扑博弈优化［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 201 - 208 .

FU Yang ， YANG Saisong ， WEI Shurong ， et al . Game based topology optimization for power collection system of large-scale offshore wind farm considering electromagnetic environment constraints ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 201 - 208 .

王锡凡，王碧阳，王秀丽，等 . 面向低碳的海上风电系统优化规划研究［J］. 电力系统自动化， 2014 ， 38 （ 17 ）： 4 - 13 .

WANG Xifan ， WANG Biyang ， WANG Xiuli ， et al . Study of optimal planning methods for offshore wind power systems oriented low-carbon ［J］. Automation of Electric Power Systems ， 2014 ， 38 （ 17 ）： 4 - 13 .

符杨，刘阳，黄玲玲，等 . 海上风电场集群接入系统组网优化［J］. 中国电机工程学报， 2018 ， 38 （ 12 ）： 3441 - 3450 .

FU Yang ， LIU Yang ， HUANG Lingling ， et al . Optimization of grid integration network for offshore wind farm cluster ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 12 ）： 3441 - 3450 .

王长虹，刘天琪，李保宏 . 多个海上风电场输电组网拓扑研究［J］. 现代电力， 2018 ， 35 （ 5 ）： 56 - 61 .

WANG Changhong ， LIU Tianqi ， LI Baohong . Research on topology of transmission network with multiple offshore wind farms ［J］. Modern Electric Power ， 2018 ， 35 （ 5 ）： 56 - 61 .

汪惟源，乔颖，窦飞，等 . 基于改进遗传算法的海上风电场集电系统拓扑优化［J］. 中国电力， 2019 ， 52 （ 1 ）： 63 - 68 .

WANG Weiyuan ， QIAO Ying ， DOU Fei ， et al . Optimization of offshore wind farm collector systems based on improved genetic algorithm ［J］. Electric Power ， 2019 ， 52 （ 1 ）： 63 - 68 .

HOU P ， HU W H ， CHEN Z . Optimisation for offshore wind farm cable connection layout using adaptive particle swarm optimisation minimum spanning tree method ［J］. IET Renewable Power Generation ， 2016 ， 10 （ 5 ）： 694 - 702 .

HASSAN R ， COHANIM B ， DE WECK O ， et al . A comparison of particle swarm optimization and the genetic algorithm ［C］// 46th AIAA/ASME/ASCE/AHS/ASC Structures， Structural Dynamics and Materials Conference， April 18-21， 2005 ， Austin， USA ： 1897 - 1910 .

LIU Y X ， LU H ， CHENG S ， et al . An adaptive online parameter control algorithm for particle swarm optimization based on reinforcement learning ［C］// 2019 IEEE Congress on Evolutionary Computation ， June 10-13 ， 2019 ， Wellington， New Zealand ： 815 - 822 .

JIN R S ， HOU P ， YANG G Y ， et al . Cable routing optimization for offshore wind power plants via wind scenarios considering power loss cost model ［J］. Applied Energy ， 2019 ， 254 ： 113719 .

KENNEDY J ， EBERHART R . Particle swarm optimization ［C］// Proceedings of ICNN’95 - International Conference on Neural Networks ， November 27 - December 1 ， 1995， Perth ， Australia： 1942 - 1948 .

KENNEDY J . The particle swarm： social adaptation of knowledge ［C］// Proceedings of 1997 IEEE International Conference on Evolutionary Computation ， April 13-16 ， 1997 ， Indianapolis， USA ： 303 - 308 .

樊潇，卢永魁，黄玲玲，等 . 大型海上风电场集电系统网络拓扑优化设计［J］. 电力系统及其自动化学报， 2016 ， 28 （ 7 ）： 51 - 56 .

FAN Xiao ， LU Yongkui ， HUANG Lingling ， et al . Network topology optimization of electrical collection system of large-scale offshore wind farm ［J］. Proceedings of the CSU-EPSA ， 2016 ， 28 （ 7 ）： 51 - 56 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

支持时变需求响应激励价格的电动汽车优化充电策略

基于融合经验安全强化学习的配电网电压控制

基于改进深度Q网络的无预测风电场日前拓扑优化