小型風力發電場之風機配置最佳化研究

Layout Optimization of Small Wind Farms

謝秉璁(Ping-Tsung Hsieh)

指導教授 ： 吳文方

國立臺灣大學/工學院/機械工程學研究所/碩士(2016年)

https://doi.org/10.6342/NTU201610122

摘要

在一小型風力發電場中，因為場址有限，每一座風力發電機彼此間的距離亦受到限制，下游風機的迎風速因上游風機尾流的影響，常會低於其原始風速，導致無法達到額定發電量，間接使整座風場發電效益受到影響。
在一固定場址的小型風力發電場中，本研究探討如何避免前述問題，以最佳化方式裝置固定數量的垂直軸式風力發電機。我們採用中央氣象局所紀錄蘭嶼2014年的逐日平均風速，藉由尾流模型及風機發電功率模型，計算每一座風機的迎風速及發電量，再利用基因演算法及內點法求得各風機在固定場址內的最佳排列方式，使風場獲得最大的發電效益。
本研究依據四種情境建構最佳化問題的目標函數，包含固定風速下風場最大發電功率、風場最大全年總發電量、風場最小逐日與逐月發電量變異、以及同時考慮最大發電量與最小逐月發電量變異之雙目標最佳化，本研究並針對情境二的最佳風場進行驗證，同時亦探討風機裝置數目對最佳化分析結果的影響。
綜合前述四種情境的分析結果與討論，若風場為獨立供電網，需將最大發電量視為主要目標時，以最佳化方式配置風力發電機可讓風機間尾流效應的影響達到最小，使風場獲得最大發電量；但若風場與市電系統相連，僅作為輔助供電系統，需將穩定發電當作主要目標時，以最佳化方式配置風力發電機亦可讓風場逐日與逐月發電量標準差達到最小。此外，根據第二種情境最佳風場的驗證結果，若僅考慮目標函數為風場全年總發電量時，則不同原始風速並不會影響演算法所求得的最佳風機配置；而在固定場址的風場內，本研究亦可透過演算法求得最佳的風機裝置數目，使風場達到最大的全年總發電量。

關鍵字

風力發電 ； 風機配置 ； 尾流效應 ； 基因演算法 ； 最佳化

並列摘要

無資料

並列關鍵字

wind energy ； wind farm ； wake effect ； genetic algorithm ； layout optimization

參考文獻

[13] 陳力豪，風力發電場規劃與發電機葉片設計在地理限制下之整合研究，成功大學機械工程學系，碩士論文，2012。

[18] 蔣多惟，多目標基因演算法於揚聲器腔體最佳化之研究，台灣大學工程科學及海洋工程學系，碩士論文，2012。

[19] 林豐澤，「演化式計算下篇：基因演算法以及三種應用實例」，智慧科技與應用統計學報，第三卷，第一期，pp. 29-56，2005。

[21] 林豐澤，「演化式計算上篇：基因演算法以及三種應用實例」，智慧科技與應用統計學報，第三卷，第一期，pp. 1-28，2005。

[3] G. Mosetti, C. Poloni, and B. Diviacco, “Optimization of wind turbine positioning in large windfarms by means of a genetic algorithm,” Journal of Wind Engineering and Industrial Aerodynamics, vol. 51, no. 1, pp. 105-116, 1994.