美迪欧动力蒋紫虓：考虑平准化度电成本的风电场多场景自动优化方法应用

2020年10月14日-16日，2020北京国际风能大会暨展览会（CWP 2020）在北京新国展隆重召开。作为全球风电行业年度最大的盛会之一，这场由百余名演讲嘉宾和数千名国内外参会代表共同参与的风能盛会，再次登陆北京，本届大会以“引领绿色复苏，构筑更好未来”为主题，聚焦中国能源革命的未来。能见App全程直播本次大会。

在15日下午召开的学术发布会上。美迪欧动力气象技术（北京）有限公司技术负责人蒋紫虓作为代表发言。

以下为发言实录：

蒋紫虓：今天我交流的课题是关于风电场的优化，我们这边的优化指在风电场设计阶段，对机组的位置、选型，以及它的塔筒高度去做优选工作，核心业务最早是做风电场精细化资源分析，现在大家用的WT软件就是我们的技术，当我们把风电场空间分布摸清楚以后，除了可以针对固定机位点进行产能评估以外，也可以去针对整个空间上风机组排布和维度进行优化。

我先简单说一下工作的背景，风电场优化在风电项目开发不同阶段都会涉及到，从前期基于宏观图谱一种大规模的容量的分析和粗略的这种机位选址的分析，到风电场进入到这种可研，微观选址阶段，对于位置详细的确认，包括现在也有一些风电场去做技改或者扩容，也会涉及到另外是新建或者调整一些机位这样的需求，这个优化场景，根据场景不同还是有一些需求和方法上的区别的。

我今天汇报分三个部分。第一，我简单描述一下以往我们一些工作方法，然后主要是介绍我们现在多维优化方法的原理和实现典型的场景，最后我们介绍一下做的一些案例，看一下优化出来什么样的效果，首先是这个常规的做法，分成两种，一个是手动进行风电机组的排布，另外结合计算机方法进行辅助计算，这样的方法其实手动主要是工作成本相对来说比较高的，依靠工程师的经验，当然手动布机也不是说不如计算机，人脑对于模糊信息的处理是比较强的，计算机没有办法穷尽的由人来去做。传统的计算机辅助优化，主要就是优化目标比较单一，一般来说追求发电量最大化，优化维度比较唯一，指一般主要考虑机组的位置，对于选型塔筒高度并没有一个明确的手段，所以我们工作主要是为了解决这方面的问题。

下面我们看到多维度的优化，首先它是基于LCOE的目标，现在大的风电开发的背景售电价格越来越低，对于风场业主来讲关注的从发电量逐渐转移到发电的成本了，发同样的电如何能够让成本进一步降低，这是业主最关心的问题，我们从风场设计阶段就开始要以这个为目标，进行整个的工作优化方法，它具有简单高效可靠的特点，同时能够实现多维度的目标。

下面看看怎么实现这几个方面特点的，简单说一下平准化度电成本的概念，这是评估发现项目通用的发电成本的参数或者说指标，这个方面在不同国家和地区，具体的参数计算，比如一些跟税率补贴有关的不太一样，但是组成部分是比较固定的，一般来讲我们看到在分子上面都会出现风场的建设成本，包括风机组的采购成本，还有运维的费用，有贷款的费用，当然贷款这块根据文化的特点不太一样，有的贷款多一点，有的初期一次性投资多一点，然后要考虑到补贴的情况，折旧的情况，还有剩余价值，这就是一些经济学上的一些概念，我们都会出现在度电成本的计算里面，这是平准化度电成本的基本概念。

要去做优化的方法，其实算法选择是一个非常重要的因素，这个选用的是遗传算法，为什么用遗传算法，而不去用什么退火方法，或者是现在也比较流行的人工神经网络的方法，因为前面说到是多个维度的追求，如果我仅仅优化风场风机组位置的话，机组方面是可以的，但是现在有风机塔筒高度的选择，这些变量一方面跟风机组的位置没有直接的关系，另外它是一种离散的温度，综合考虑以后用这种遗传算法的方式，这种方法是通过交叉和变异来做的，在很多的被选个体里面不断筛选得到最佳的一种组合。

现在我们看整个优化的过程怎么搭建，首先针对风电场适用条件就是风资源了，左上角是风资源的计算，我们需要搭建流体的模型，进行流场的模拟计算，再把测风数据带入进去，这是一个典型的过程，如果你没有做这个计算也没有关系，我们现在开发的方法也支持去用一个现有的风资源图谱，针对还没有开发意向的地区，也可以拿进来使用。

再就是优化计算这块，我们根据优化的工作和需求进行设定，首先看到有设置条件的限制，有风机排布范围、间距、数量，容量，区间的限制，还有就是数据限制。比如说我对于风资源参数或者海拔都有一些限制，比如说我想排到5到5.5米之间的地区，通过条件来设定，一方面更加使这个结果完全符合我们的要求，另外它也有助于降低优化计算的一种成本，它是限制了一些范围。

最后要指定优化的目标了，传统来讲我们考虑发电量最大为目标，或者等效小时数比较大，我们就是针对度电成本最低化的考虑，或者说可以是单位电量的投资最小，都可以作为它优化的目标。

下面我们看几个典型优化的场景，第一个场景是最简单的，也是一种比较传统的场景，现在我关注的在一定范围内的风电机组的排布，风机的类型，机组类型和轮毂高度是确定的，我们只需要优化位置。第二个场景自由一点，这个项目也没有具体的机组位置的信息，有几种备选的机型，并没有明确的倾向，希望软件告诉我，在这样风资源环境下哪种机型度电量是最优的，这是比较自由的优化场景。第三种场景相对特殊一点，它是适用于风电场扩容的需求，可以把部分点位进行固定，告诉软件说在这次计算的时候它是固定的，对其他的点位进行调整，这种场景典型来讲下面这张图所看到的，浅黄色的位置就是现有的风电场，右边的优化完成的结果，增加的这些橙色的机位就是扩容的点位，我们看到浅黄色点是不变的，增加的点是充分考虑了他跟原有风场布局上兼容性，又增加了一些点位。

第四种种场景也是比较典型的，在有些风场设计阶段出现一种情况，机组的点位都已经确定了，但是这个时候由于一些市场条件的变化，或者供应商方面的调整，产能的问题，可能原定的机型不能按时交付，或者说综合成本上更占优的机型，这个时候业主会考虑在原有核准过机位的位置去更改这个类型，这个时候就涉及到机组的类型，或者是同时包括塔筒高度的一种变化了，这种情况下就可以把机组的坐标去固定，单独优化它的机型和高度。为什么会涉及到优化高度的问题，因为如果我们就单纯从发电量角度来讲，肯定是绝大多数风场轮毂高度越高可以利用的风资源越好，但是要考虑度电成本的话，增加的电量能不能抵销增加的成本，这个是很难回答的一种问题。

下面看优化的一种成果，右边是优化出来的机位排布的展示，在结果中看到一些跟产能经济性相关的指标，这个是比较小，它主要包括有内部收益率，有风电池，主要是跟风电场的财务评价相关的。

下面通过两三个实例看一下优化在实际的场景里面能实现什么样的一些价值。

第一个例子，在机型之间进行一个优选，右边是一个风电场的机型，我们排布风机的环境是确定的，现在考虑两种备选机型主要差异是单级容量不一样，一个是2.1兆瓦的，一个是3兆瓦的，大家对适用性会有判断，但是我们现在想的是交给软件去做，因为本身机组的价格受到厂家产能的变化和市场策略的变化，价格是波动的，有经验的工程师也没有办法根据价格波动去筛选出来，我们让软件做这个工作，我们现在让两种机型进行优化的排布了，现在得到指标是这样的情况，可以看到B这种类型，是相对叶片比较长的那种，单机容量比较高的，这个也很容易理解，这个场区范围是有限的，我更有利于获取最佳的风资源。

第二个案例是关于优化目标的对比，基于同样的条件，按照发电量最大化目标和度电成本最低的目标，这两个目标通常来说不矛盾的，一般来说发电量越高，成本也越低，但是具体到量化计算还是会有差异的，以LCOE为目标，发电量略低一点，百分之一点几，但是收益率高一些，但是度电成本更低一些，这也符合我们优化的一种导向。

最后一个例子，关于在比较大范围上做前期的优化，这种优化目的一般去评估比较大范围的开发容量的，在这样计算案例下经过测试，整个优化的效率比起常规项目，并没有很大的衰减，还是可以接受的程度。我分享的内容就是这些，这是我们公司的公众号，大家可以关注一下，谢谢大家。

（根据速记整理，未经本人审核）