论文部分内容阅读
在全球大力倡导低碳经济、节能减排的大背景下,积极发展最具前景的清洁能源风电是各国的一项战略性举措。而风资源评估是开发风电的最基础的工作,所以如何准确、有效的评估一个地区的风资源状况是一个十分关键的工作。风速概率分布是风资源的一个十分重要的特征指标,因而,找出评估该地区的风速概率分布就可大致知晓该地区的风资源状况如何。针对传统的统计方法,如:最小二乘法、矩估计法、极大似然法等在评价风速概率分布时,普遍具有精度不高的缺陷,为了满足实际风场高精度的需要,迫切需要探索出更为寻之有效的方法,为此,本文尝试从智能化的角度提出采用改进的微粒群优化算法来拟合实际风电场风速概率分布曲线。
微粒群优化算法(Particle Swarm Optimization Algorithm,PSO)作为新兴的智能优化算法,也是一种基于概率搜索的启发式优化算法,其核心思想来源于群体中个体之间信息的社会共享和协同进化。本文对微粒群优化算法这一新兴优化算法进行研究,首先从算法原理上定性的分析了PSO算法中各个参数对算法性能的影响；接着对PSO轨迹收敛条件进行了详细的探讨,并对收敛区域进行了实验验证；然后,针对传统PSO进化模型的单一性以及繁琐性,提出了简化的分类PSO算法,并通过常用标准测试函数测试的仿真实验验证了该改进算法的优化性能；最后,将该简化的分类PSO用于风电场风速概率分布模型的建模与寻优,并与其它方法在拟合效果方面作出了比较。
本文的主要研究成果如下:
①.首先对PSO的研究现状、应用状况以及发展趋势进行了系统的总结；然后,回顾了基本微粒群优化算法和两种标准微粒群优化算法,并详细的分析了带惯性权重的标准PSO算法中各个参数对算法性能的影响；接着,对标准PSO的微粒运动轨迹进行了深入的探讨,给了PSO的轨迹收敛区域；最后,根据参数收敛的边界条件,在一维解空间下,给出了单个微粒在5组不同参数组合时的微粒轨迹收敛的变化趋势图,结果验证了该收敛条件的正确性。
②.针对传统微粒群优化算法在求解复杂的多维、高峰、非线性函数时,全局模型收敛速度快但易陷入局部最优,局部模型进化后期收敛速度慢等缺陷,本文提出了一种简化的分类微粒群优化算法,该算法首先根据微粒的适应值大小将各个微粒分成较好、普通和较差三类；然后通过对基本PSO方程的速度项进行了合理的分析并将其去掉,简化了微粒的进化方程,在此基础上,对三类微粒采用对应的三种模型,认知模型、完全模型和社会模型分别进行动态调整,这样就满足了不同类型的微粒对全局搜索和局部开发的需要差异的一种合理的平衡,通过对典型的4种测试函数的仿真实验,并与经典的PSO和两个目前较为理想的改进PSO的比较,仿真实例表明了该改进算法的合理性和有效性。
③.针对传统方法,如:最小二乘法、矩估计法、极大似然法等在风资源风速概翠分布模型的Weibull双参数建模与寻优时,有的简单易实现,但精度差,有的精度高,但难以实现,因而迫切需要探索出更为有效的计算方法。为此,本文从智能化的角度提出采用改进的微粒群优化算法,并结合实际采集的风电场现场数据,用于Weibull双参数的建模与寻优。实验结果表明,与常规最小二乘法、丹麦标准的风速拟合软件WAsP以及利用实际的风速源数据所进行计算的结果相比,该方法具有更好的拟合效果,所计算结果更具实际参考性。