تعيين آرايش بهينه توربين‌ها براي مزرعه بادي در منطقه ميل‌نادر

Optimal Wind Turbines Placement for a Wind Farm in Milnader Region

امروزه تعيين مكان بهينه توربين‌ها در مزرعه بادي، يكي از دغدغه‌هاي بزرگ طراحان مزارع بادي است. در اين مقاله، هدف تعيين مكان بهينه توربين‌ها در مزرعه است. اين كار با بيشتركردن انرژي خروجي و كمتركردن هزينه اتصال توربين‌ها به جاده، هزينه كابل‌كشي براي اتصال به كلكتور و هزينه خريد و نصب توربين‌ها انجام شده است؛ بدين صورت كه ابتدا توربين‌ها در مزرعه به گونه‌اي كنار يكديگر قرار داده شده‌اند كه كمترين اثر منفي را روي يكديگر داشته باشند. در اين حالت مشخص شده با تغيير جهت وزش باد توان خروجي چگونه تغيير مي‌كند كه اين كار با تركيب معادلات ويك (wake) و جهت وزش باد انجام شده است. سپس با ارايه يك مدل رياضي، هزينه‌هاي اتصال به جاده و كلكتور بيان شده است. اطلاعات باد مربوط به منطقه ميل‌نادر زابل است كه پتانسيل وزش باد زيادي دارد. اين اطلاعات به‌مدت يك سال هر ده دقيقه يك بار اندازه‌گيري شده است. بهينه‌سازي به‌وسيله الگوريتم جست‌وجوي هارموني با استفاده از نرم افزار متلب (MATLAB) انجام شده است و براي اثبات صحت بهينه‌سازي نتايج شبيه‌سازي با نتايج حاصله از الگوريتم ژنتيك، الگوريتم تجمع ذرات و روش مونت كارلو مقايسه شده‌اند.

Nowadays, optimal placement of wind turbines in a wind farm is one of the major concerns of the wind farm designers. This paper concentrates on the optimal placement of wind turbines in a wind farm. The optimal placement of wind turbines has been carried out to maximize the output energy and minimize the investment cost of cable, road and wind turbines. For this purpose, Firstly, it should be determined which turbine and to what extent is in the wake of its upstream turbines, considering the wind speed and direction. Next, the cost of the collector system and road connection has been determined using a proposed mathematical model. In this research, the annual wind data of Milnader region in Iran, which is a suitable region for installing a wind farm due to its high wind speed, has been used. Harmony Search Algorithm (HSA) has been used to implement this optimization problem. To validate the simulation results, the results have been compared with genetic algorithm, practice swarm optimization and MonteCarlo method.