2008台灣風能學術研討會 國立台灣大學

2008年12月13日 台灣．台北

利用粒子族群演算法研究風車陣列之最佳間距
Optimal Spacing Between Wind Turbines in a Wind Farm –
Particle Swarm Optimization Approach
朱佳仁 許靜宜
Chia R. Chu Jinyi Hsu
中央大學土木工程系 中央大學土木工程系
台灣 桃園 中壢 台灣 桃園 中壢
Department of Civil Engineering Department of Civil Engineering
National Central University National Central University
Jhong-Li, Taiwan Jhong-Li, Taiwan
crchu@cc.ncu.edu.tw

摘要 可減少台灣對進口能源的依賴。
本研究利用粒子族群演算法來研究大型的風力發電 其中陸地及海上的大型風力發電廠(Wind farm或
廠中的風機排列之最佳化間距。研究設定在一個有限的 Wind park)集合了許多風機，可產生大量的電力，已成為
區域範圍內，風機的排列方式呈現規則的陣列型態，分 經濟有效的發電方式。但在有限的土地面積內設置過多
別利用風機尾流風速公式與尾流發電量公式計算風機在 的風機，風機間距便會變小，造成上游風機的尾流會影
不同的排列間距─前後向間距與側向間距的排列情境 響下游風機的發電量。發電量也就越小。風機的間距愈
下，風機陣列的發電效益。本研究探討在不同的風向狀 小，風機尾流的效應愈大，下游風機的發電量也會愈小。
況下，比較不同的發電量計算方式與目標函數對於風車 故如何在有限的土地面積上，有最佳的風機排列方式，
陣列最佳間距的影響。研究結果顯示風車陣列的間距除 使得風機陣列可以輸出最大的發電效益，便成為一個重
了到風向的影響外，另外在考量風機設置成本的因素 要的工程問題。Manwell et al. (2002)指出一般陣列式的
下，不同的目標函數所得到的優化結果也有很大的差異。 風力發電廠，風車的側向間距約為3D ~ 5D，縱向間距約
為5D ~ 9D，D為風車扇葉的直徑。
關鍵詞：風力發電廠，風機尾流，最佳間距，粒子族群
演算法 前人研究中，Mosetti et al. (1994)與Grady et al. (2005)
皆 採 用 遺 傳演 算 法 (Genetic Algorithm, GA) 研 究 此問
Abstract 題，他們設定在50D × 50D有限區域內，以固定隔網的方
This study uses Particle Swarm Optimization (PSO) 式對風機的排列方式進行最佳化研究。在該研究中，將
method to investigate the optimal spacing (both streamwise 區域面積設定為由100個正方型小格網組成，每一小格格
and lateral spacings) of wind turbine array in a wind farm. 網為5D × 5D，並將風機位置設於格網正中央，並將風機
The power output of downstream wind turbines were 的置的有、無以二進位0、1編碼表示，將每一縱列的二
calculated by two different methods - mean wind speed 進位數值作為基因編碼，再以遺傳演算法搜尋，分別依
method and wake power curve method. Under different 探討的目標及限制條件下的尋找一個最佳排列方式。其
wind directions, the optimal spacing found by the PSO 所使用的目標函數為：
were compared and analyzed. The results show that the
⎡ cos t tot ⎤
optimal spacing of wind turbines was not only influenced Objective = Min ⎢ ⎥ (1)
by the objective function of optimization, but also the ⎢ P ⎥
⎣ tot ⎦
calculation method of output power.
式中Ptot為N支風機的總發電量：
N
1 3
Keywords: Wind farm, Turbine wake, Optimal spacing, Ptot = ∑ C p ρu j ⋅ A (2)
Particle swarm optimization j=1 2
式中 ρ 為空氣密度，A為風車扇葉之旋轉截面積，uj為位
I. 前言 於下游處風車所受之平均風速，Cp為無因次的功率係數
自工業革命以來，人類長期地使用石化燃料來產生 (Power coefficient)，實際風車的功率係數會隨風車葉
能源的方式，已對地球的氣候環境造成了重大的改變。 片、機電種類而有所不同(Burton et al., 2001)，該研究設
加上近年來，風力發電機葉片材質技術與風力機機電設 定Cp = 0.39。風車下游處之平均風速為：
備的進步，使得風力發電的成本大幅降低，世界各國皆 ⎡ ⎛ x⎞ ⎤
−2

積極地發展屬於綠色能源的風力發電。台灣因屬海島地 u j = U o ⎢⎢1− 2a ⎜⎜1 + α ⎟⎟⎟ ⎥⎥ (3)

⎜⎝ b⎠ ⎥
⎢⎣ ⎦
形，強烈的東北季風吹拂時間約長達3~6個月，許多海岸
地區的年平均風速均達到5.0 m/s以上，適合發展風力發 式中a = 0.327為風機之軸向因子(axial induction factor)，
電。若能有計畫地開發台灣及離島地區的風力資源，將 α 為無因次的環境影響因子：

209
2008台灣風能學術研討會 國立台灣大學
2008年12月13日 台灣．台北
0.5 度與位置。粒子在一開始搜尋時，先隨機產生初始粒子
α= (4)
⎛H⎞ 群 的 分 佈 ， 此 分 佈 方 法 為 隨 機 分 佈 (Random
ln ⎜⎜ ⎟⎟⎟ distribution)。然後經由迭代來找尋最佳解。每一個粒子
⎜⎝ z o ⎟⎠
都有可能是最佳的解，粒子群會慢慢演化，藉由追蹤個
式中H為風機中心之高度，z0為環境地表之粗糙長度，在 體的最佳經驗值 pid 、及群體的最佳經驗值 pgd ，經過
該研究中，設定為0.3 m。 不斷的修正之後，粒子群會漸漸找到近似最佳解。
設置N支風機的總成本Costtot可以經驗公式計算： Eberhart and Kennedy (1995)提出粒子族群演算法
⎛2 1 2 ⎞ (PSO)核心演算公式：
cos t tot = N ⋅ ⎜⎜ + e−0.00174N ⎟⎟⎟ (5)
⎜⎝ 3 3 ⎠ new old old
vid = vid + c1 ⋅ r1 ⋅ (pid − x id )
(7)
但Mosetti et al. (1994)與Grady et al. (2005)的最後的 old
+ c 2 ⋅ r2 ⋅ (pgd − x id )
優化結果有很大的差異。Grady et al. (2005)認為Mosetti
new old new
et al. (1994)的搜尋代數不夠，導致其搜尋結果不是最佳 x id = x id + vid
的排列方式。圖1為Grady et al. (2005)在單一風向(θ = 0o) 式中 xid 為粒子i目前的位置，vid 為粒子i的速度，pid 為
下的優化結果，第二排和第三排的前後間距分別為25D 粒子i 在資料庫中目前的最佳解，pgd整個群體全部資料
與20D。 庫中最佳解，i = 1 ~ n，n為粒子的個數，d = 1 ~ m，m
Ozturk and Norman (2004) 以 貪 婪 演 算 法 (Greedy 為空間維度(變數數目)，c1、c2 為學習因子，通常介於 0
Algorithm)進行風機間距優化的研究，設置的區域面積50 ~ 4 之間，Eberhart and Kennedy (1995)建議學習因子c1、
D × 50 D，採用無隔網的模式。其目標函數設為： c2 = 2.0，r1、r2 為介於0 ~ 1的均勻亂數值 (李岱衛，
⎡ 2007)。
cos t tot ⎤⎥
Objective = ⎢ k − × Ptot (6)
⎢ Ptot ⎥⎦
隨著PSO的快速發展，Shi and Eberhart (1998)在原
⎣
來粒子速度公式中引入慣性權重值w，形成更新公式裡
此處k值為每度電(kW-hr)的收購單價，在該研究中設定k 的慣性權重法，藉由慣性權重值w避免粒子在搜尋過程
= 1。該研究並考慮兩種不同的風向（盛行風向與橫向風 中落入區域最佳解。在廣大的求解區域中有效控制粒子
向）下的發電量，其研究結果發現使用貪婪演算法可以 移動速度，能降低粒子的速度，讓粒子不致於錯失移動
有效減少演算時間，在短時間內搜尋到一個較優的結果。 途中可能出現最佳解。慣性權重定義方式有兩種，一種
綜觀以上研究，可以發現研究風車陣列的最佳排列 是設定慣性權重為常數，另一種用線性函數來改變慣性
方式皆是以能獲得最大發電效益為主要目的，並依照目 權重值，其新演算公式如下式所表示：
標函數的設定去尋找可同時滿足成本與發電量需求的最 new old old
vid = w ⋅ vid + c1 ⋅ r1 ⋅ (pid − x id )
佳間距，但所得到的結果有很大的差異。因此，本研究 (8)
old
預備以粒子族群演算法探討風車陣列的最佳間距，並嘗 + c 2 ⋅ r2 ⋅ (pgd − x id )
試以不同的目標函數進行最佳化的搜尋與分析。 x new = x old + v new id id id

其中w為慣性權重值(inertia weight)。Eberhart and Shi

II. 研究方法 (2001)針對慣性權重值w設定做了一系列分析，提出w
粒子族群演算法是由 Eberhart and Kennedy (1995) 最佳範圍定在0.9~1.2 之間。
所提出族群智慧(Swarm Intelligence)觀念下所發展而成
的，是源於觀察鳥、蟻等合群動物在一個社會中個體與
III. 結果與討論
群體間的互動與合作關係而提出的族群智慧的觀念。而
後延伸為以生物群體行為模式為基礎的一種演算方法， 本研究設定的區域面積為50D × 50D，如圖2所示，
可運用在優化的問題上。 採用Grady et al. (2005)所使用的風速計算模式和目標函
數，利用粒子族群演算法進行最佳化的搜尋，在風向角θ
粒子族群演算法(Particle Swarm Optimization, PSO)
= 0° (風向與風車陣列之前後向平行，下游的風機位於上
在演算的過程中，在設定的限制條件下，將問題的解視
游風機正後方)，下游風機的發電量主要受到前後向間距
為粒子，在限制條件下尋找最佳解。演算時，先設定每
L的影響，側向間距W並不會影響優化結果。此狀況的優
一個粒子的位置，以 xid 表示，其中i代表第 i 個粒子，
化結果為風車陣列之前後間距L = 25D，與Grady et al.
d則表示粒子所搜尋範圍的維度(變數數目)；而第 i 個粒
(2005)的優化結果─前後間距分別為25D與20D略有差
子於第 d 個維度的移動速度則由 vid 所表示。並設定每
異。
一個粒子都有其專屬的資料庫，記錄每個粒子在每次搜
尋過的適合度值。每個粒子在其個別資料庫中最佳的適 造成兩者差異最主要為風車格網上的設定所導致，
合度值，稱為 pid (Particle best value)。而目前所有粒子 因Grady et al. (2005)在其研究中因為格網設定上的限
在所有資料庫中的最佳值稱為pgd (Globe best value)。這 制，間距的移動必為5D之倍數，且風力機位於隔網正中
些資訊就像是個別粒子所擁有的經驗一樣，藉由個體經 央，故風力機與格網邊界至少有2.5D的空隙，所以Grady
驗修正與群體經驗的分享，每次尋搜過程中粒子可以透 et al. (2005)的優化成果如圖1所示，前後向間距分別為
過這兩種經驗(pid 和pgd)的交流逐漸修正粒子的移動速 25D與20D。本研究的風車則位在格網點上，故前後間距
皆為L = 25D。

210
2008台灣風能學術研討會 國立台灣大學
2008年12月13日 台灣．台北
為瞭解對風車前後間距L，對成本、發電量與目標函 在設定風向發生機率皆相同的狀況下，搜尋得到的
數的影響，對此作敏感度分析。圖3為風車前後間距與總 結果分別為L = 4.545D, W = 3.125D與L = 3.125D, W =
發電量Ptot之關係圖，圖中總發電量隨L/D值呈現不連續 4.545D兩種狀況。由於風車陣列的設定採規則排列，風
的變化現象，是因為風車的總支數N值必須為整數，面 機分佈呈現對稱排列，且每個風向角的權重值都 為
積的總長度50D除以間距L必須去除小數點取整數，當成 0.0625，導致最佳化的結果有此兩種對稱解。進一步對
風車的數目。由圖3可看出總發電量Ptot最大值落在L = 優化結果進行分析，圖8顯示在以最佳間距排列的狀況
5D處，此結果不同於粒子族群演算法得到的最佳間距L 下，各風向之風機的總發電量，由圖可以看出風向角θ =
= 25D。 0°、90、°180°、270°，風機的發電量因前後間距過小，
圖4為利用(5)式的計算方式求得之風車設置總成本 發電量皆不大。但風向角θ = 22.5° ~ 67.5°，發電量較大，
Costtot與風車陣列總個數N的變化趨勢圖，可看出成本與 且因為風車陣列呈對稱分佈，其結果與風向角θ = 112.5°
風車總個數N成近似線性之正比關係。當風車的前後間 ~ 157.5°發電量相同。若風向角發生機率採用現地實際的
距L越小，風車的總數N就越大，總成本costtot和目標函 風向機率分佈，則其最佳間距可能會不同於本研究所得
數亦越大。因此在考量總成本時，會選擇最較小的N值， 之結果。此方面研究可依據風力發電廠現地的風速與風
亦即前後間距L較大的狀況。換言之，目標函數受被總 向之歷史資料來設定風場參數，再用此模式來進行模擬。
成本所主導。
圖5顯示目標函數值與風車前後間距L/D之關係，由 IV、結論
其趨勢可看出：前後間距L越大，目標函數值就越小。 本研究利用粒子族群群演算法對風力發電廠內風機
為瞭解風車前後間距L對目標函數值之影響，將圖5局部 陣列的設置作探討，以風機陣列的前後向及側向間距為
放大。由圖6可以得知適合度函數最小值處發生在前後向 主要參數，在不同風向、風速下的狀況下，搜尋最佳的
間距L = 25D處，亦即粒子族群演算法(PSO)搜尋得之最 排列間距。以下將主要的研究結果分述如下：
佳間距。此敏感度分析亦證實粒子族群演算法的確可用
(1) 在風向角 θ = 0°，採用 Grady et al. (2005)所使用的
於此問題之優化。
風速計算模式和目標函數，利用粒子族群演算法
為瞭解目標函數對優化結果的影響，將目標函數改 (PSO)搜尋得之結果與 Grady et al. (2005)使用遺傳
為： 演算法(GA)所得之優化結果相近，風車前後間距 L
Objective = Max [ Ptot ] (9) = 25D。敏感度分析亦發現目標函數中的成本考量
會導致此結果，且證實粒子族群演算法的確可用於
利用粒子族群演算法搜尋可提供最大發電量的風車陣列 風車陣列之優化。
間距，優化的變數為前後間距L與側向間距W，設定L與
(2) 將目標函數設定為最大發電量，不考慮風車成本來
W 的 搜 索 範 圍 為 3D ~ 50D 。 所 使 用 的 風 機 為 Vestas
進行搜索時，所得的最佳前後間距 L = 8.33D，與
V47-660 kW，未受干擾之風速U0 = 12 m/s，功率係數Cp =
Manwell et al. (2002)建議值相近，但小於成本考量
0.33，風車尾流流速的計算方式採用江培宏 (2007)所提
之後的最佳間距。
出的平均風速模式計算尾流風速，和尾流半徑方程式作
(3) 由本研究成果可得知，在風向固定的條件下，優化
為尾流影響範圍計算之依據。在風向角θ = 0°的狀況下，
成果會隨風向的設定改變。若同時考量 16 個風向
最佳化結果為L = 8.33D，W = 3D ~ 3.125D。此間距值小
角，且假設風向發生機率均相等，搜尋得到的最佳
於使用(1)式之目標函數搜尋得之結果，且與Manwell et
間距為 L = 4.545D, W = 3.125D 與 L = 3.125D, W =
al. (2002)建議值相近。
4.545D 兩種對稱狀況。若風向角發生機率採用現地
圖7為總發電量與前後間距L/D之關係圖，間距L = 實際的風向機率分佈，則其最佳間距可能會不同於
8.33D處可產生最大總發電量，風車總數為177。當風向 本研究所得之結果。
角θ = 0°時，側向間距W的改變不會對風機與風機之間的
流場有影響，但卻會造成風機總個數的改變。為使得在
50D × 50D的面積內可容納最多的風車以產生最大發電
V. 誌謝
量，搜尋到的結果為側向間距W介於3D ~ 3.125D之間，
本 論 文 承 蒙 國 科 會 專 題 研 究 計 畫 (NSC 95-2221
側向風車個數皆為最大值17。
-E-008-035)補助部分經費，僅此致謝。
在真實流場中，風速和風向皆有著不穩定的變動。
因此本研究中，將風向分為16風向，分別為0°、22.5°、
45°、67.5°、90°…..至337.5°。並分別對不同風向的發電
量給與權重，如下式表示：
16
Powertot = ∑ w ×P
j=1
j j (10)

其中wj為第j個風向角的權重值，Pj為第j個風向下風機的
總發電量。本研究假設風向發生機率均相等，每個風向
角權重值wj = 0.0625，for j = 1~16，以此方式進行模擬。

211
2008台灣風能學術研討會 國立台灣大學
2008年12月13日 台灣．台北
參考文獻
[1] Burton, T., Sharpe, D., Jenkins, N. and Bossanti E. (2001) Wind
Energy Handbook, Johns Wiley & Sons, Inc.
Wind θ
[2] Eberhart, R.C. and Shi, Y. (2001) Particle Swarm Optimization:
Developments, applications and resources, Proc. Congress on
Evolutionary Computation, Vol 1, pp.81-86.
[3] Grady, S.A., Hussaini, M.Y., and Abdullah, M.M. (2005) Placement
of wind turbines using genetic algorithms, Renewable Energy, Vol.30, W W L
pp.259-270.
[4] Kennedy, J. and Eberhart, R.C. (1995) Particle Swarm Optimization,
Proc. IEEE International Conference Neural Networks, 4,
L
pp.1942-1948.
[5] Manwell, J.F., McGowan, J.G. and Rogers, A.L. (2002) Wind
Energy Explained – Theory, Design and Application, John Wiley and
Sons, p.590.
[6] Mosetti, G., Poloni, C., and Diviacco, B. (1994) Optimization of
圖2：本研究風車陣列之示意圖
wind turbine positioning in large wind farms by means of a genetic
algorithm. Journal of Wind Engineering and Industrial
Aerodynamics, Vol.51, pp.105-116.
[7] Ozturk, U.A. and Norman, B.A. (2004) Heuristic methods for wind
energy conversion system positioning. Electric Power Systems
Research . Vol.70, (3), pp.179-185.
[8] Shi, Y. and Eberhart, R.C. (1998) Modified Particle Swarm
Optimizer, IEEE International Conference on Evolutionary
Computation. pp.69-73.
[9] 李岱衛 (2007) “利用粒子族群演算法研究多孔放流管之優化設
計”，國立中央大學土木工程學系碩士論文
[10] 江培宏 (2007) “風車尾流效應之實驗研究”，國立中央大學土木工
程學系碩士論文
[11] 許靜宜 (2008) “利用粒子族群演算法研究風車陣列之最佳間
距”，國立中央大學土木工程學系碩士論文

L/D
圖 3：風車前後間距與總發電量之關係圖

U0 = 12 m/s

25D

20D
L/D

圖 4：前後間距 L 與前後向風機個數 NL 之關係圖

50 D

圖1：Grady et al. (2005)風車陣列之優化結果

212
2008台灣風能學術研討會 國立台灣大學
2008年12月13日 台灣．台北

10

Power (MW)
6

0
0 22.5 45 67.5 90 113 135 158 180 203 225 248 270 293 315 338

風向角
L/D 圖 8：各風向角之總發電量
圖 5：目標函數值與前後間距之關係圖

L/D

圖 6：目標函數值與前後間距之局部放大圖
PT (kW)

L/D

圖 7：以江(2007)計算得之發電量與前後間距 L 關係圖

213
2008台灣風能學術研討會 國立台灣大學
2008年12月13日 台灣．台北

214