在平價上網即將到來之際，陸上大基地風電項目建設愈加注重風電場設計的精細化與高效性，以實現風電場全生命周期LCOE最低。

陸上大基地風電項目場區范圍較大，形成多種升壓站、道路與集電線路方案選擇。與此同時，隨著機組、塔筒等風電設備產品的日益豐富，風電場設計組合方案增多，形成多種機組產品型號與輪轂高度組合。面臨多重變量挑戰，目前行業主流的風電場布置方法往往顧此失彼，難以統一考量風電設備、升壓站位置、集電線路設計、道路設計等多變量復雜因素，難以捕捉基于全生命周期的多變量全局風電場布置最優方案。

搭載于明陽智能數字規劃平臺Deep Matrix Space（DMS）之上的全局尋優算法攻克了陸上風電大基地項目工程建設實際應用的難題。采用多維度約束智能動態規劃人工智能算法，統一考慮所有變量，代替人工繁瑣的規劃過程，在保證發電量、考慮后期運維成本的前提下，利用智能算法進行精細化設計與深度優化，在更寬范圍內搜尋最優設備選型組合，并實現一鍵生成最優集電線路、場內道路建設工程方案，獲取項目全生命周期最大經濟效益。

該算法是如何實現全生命周期的多變量全局風電場布置“最優解”的呢？

全局尋優算法以粒子群優化算法(Particle Swarm Optimization)為框架，借助智能化初始化算法，優先考慮資源條件，生成考慮避讓限制性因素后的海量風電機組布置方案，并針對每一個風電機組布置方案逐一計算其理論發電量，采用基于park尾流模型的修正尾流模型計算全場尾流，得出每一方案的實際發電量。

此后，該算法同步進行集電線路布置、道路布置與升壓站選址，在PSO粒子群算法的框架下，利用A-star算法綜合考慮空間距離、坡度、地表利用類型等因素，充分利用風電場的土地和地形，并結合當地的交通運輸和安裝條件，在盡量減少機組間尾流影響的情況下在風資源情況較好的地區集中布局機位，并規避項目開發主要限制因素進行場內道路的尋優，多次迭代后得到當前方案下具有最低成本的道路規劃。

與此同時，綜合運用模糊聚類算法、Delaunay三角剖分、A-star算法、Prim及動態優化等算法，根據實際地形、地質和地域情況，考慮風電場的送變電方案、升壓站選址、運輸和安裝條件進行集電線路全局尋優，獲得當前布機方案下的全場集電線路成本最優拓撲《風電大基地建設破局｜如何攻克集電線路優化難題》。


最后，統籌考慮項目實際發電量、集電線路成本、道路成本與運維成本，算出每一個風電機組布置方案的全生命周期LCOE，并針對初始化的海量布機方案，運用PSO粒子群尋優算法，根據全生命周期LCOE值最優原則更新最優風機位置，不斷迭代最優方案，直到達到設置地迭代次數或精度要求，獲得基于全生命周期的多變量具有最佳經濟效益的全局風電場布置方案。


以擬安裝125臺MySE4.X兆瓦風電機組的陸上某平價大基地風電場項目為例，在項目開發建設時，明陽智能力求尋找投資與資源開發利用量的最優結合點，借助全局尋優算法對風電機組進行優化布置，機位布置結果如圖4所示。


全局風電場布置尋優后，該風電場場內道路方案新建進場及場內道路約為83.28公里，擴改建既有道路約27.41公里，場內道路造價較尋優前節省了約1449萬元。尋優后，場內集電線路方案共設置21回35kV集電線路，集電線路總長度為166.91km，其中架空線路部分為149.56km,電纜敷設部分為17.35km，集電線路、箱變、升壓站等電氣等造價節省約3629萬元，總投資成本節省約5000萬元，度電成本降低2.46%，年等效利用小時數增加100余小時。

明陽智能始終致力于幫助業主獲取最優經濟效益、最低度電成本的整體解決方案，為陸上大基地風電項目開發建設謀篇布局。