第3章机位优化算法

第3章：机位优化算法

做风电场微观选址这么多年，我最大的感触就是——机位排布这事儿，光靠经验真不行。你想想看，一个风电场少说几十台风机，多则上百台，每台之间还有尾流影响，地形起伏、风向变化、噪音限制……这么多因素搅在一起，人工排布基本就是碰运气。

所以，我们得靠算法。这一章，我就把几种常用的机位优化算法掰开揉碎了讲给你听。

3.1 贪婪算法在机位排布中的应用

贪婪算法，说白了就是「每次选当下最好的」。我在早期项目中经常用它做初步排布，速度快，结果也还算靠谱。

核心思路：

把风电场划分成网格，每个网格就是一个候选机位
先选发电量最高的那个点
然后排除掉受尾流影响严重的区域
在剩下的点里再选最好的
重复，直到机位数量够了

关键点：每次选完一个机位，都要重新计算尾流影响。我见过有人偷懒不更新，结果排出来的机位全挤在一起，发电量还不如随机排的。

# 伪代码示例
def greedy_placement(wind_farm, n_turbines):
    placed = []
    for _ in range(n_turbines):
        best_pos = None
        best_energy = -inf
        for pos in candidate_positions:
            if pos not in placed:
                energy = calculate_energy(wind_farm, placed + [pos])
                if energy > best_energy:
                    best_energy = energy
                    best_pos = pos
        placed.append(best_pos)
    return placed

我的经验：贪婪算法适合做初筛，能快速给出一个「不差」的方案。但别指望它找到最优解——它容易陷入局部最优。我曾经在一个复杂山地项目里用它，结果排出来的机位全在山脊上，山谷里一个都没放，后来用遗传算法重新跑了一遍，发电量提升了8%。

3.2 遗传算法基础

遗传算法，我习惯叫它「进化算法」。它的灵感来自生物进化——优胜劣汰，适者生存。

基本流程：

编码：把每个机位方案表示成「染色体」。比如用二进制串表示哪些网格放了风机
适应度函数：计算每个方案的发电量（或者综合成本）
选择：挑出表现好的方案，让它们「繁殖」
交叉：两个方案交换部分基因，产生新方案
变异：随机改变某些基因，保持多样性
迭代：重复2-5步，直到收敛

注意：遗传算法不是跑得越久越好。我见过有人让它跑1000代，结果第200代就已经收敛了，后面800代纯属浪费电。建议设置早停条件，比如连续50代适应度没提升就停止。

# 遗传算法核心参数
population_size = 100    # 种群大小
mutation_rate = 0.01     # 变异率
crossover_rate = 0.8     # 交叉率
generations = 500        # 最大迭代次数

这里有个坑——变异率不能设太大。我曾经设了0.1，结果算法变成了随机搜索，永远收敛不了。一般0.01到0.05比较合适。

3.3 粒子群算法调参

粒子群算法（PSO）是我个人比较喜欢的一种。它模拟鸟群觅食的行为，每个「粒子」代表一个候选方案，粒子之间共享信息，共同向最优解靠近。

PSO的关键参数：

参数	含义	推荐范围	我的经验
w	惯性权重	0.4 - 0.9	开始时设大一点（0.9），后期减小到0.4
c1	个体学习因子	1.5 - 2.0	设太大容易陷入局部最优
c2	社会学习因子	1.5 - 2.0	设太小收敛慢，设太大容易早熟
粒子数	种群规模	20 - 50	30个粒子基本够用

调参心得：我一般先用默认参数跑一遍，看看收敛曲线。如果收敛太快，说明c2太大或者w太小；如果一直不收敛，说明c1太大或者粒子数太少。调参这事儿，说白了就是「看曲线说话」。

3.4 多目标优化：发电量+成本

实际项目中，我们不可能只盯着发电量。你想想看，把风机全放在发电量最高的地方，可能电缆成本暴涨，或者征地费用高得离谱。所以，我们需要多目标优化。

常见的做法：

加权求和法：给发电量和成本各设一个权重，合成一个目标函数。简单，但权重怎么定是个问题
Pareto前沿法：不合并目标，而是找出一组「非支配解」。比如方案A发电量比B高，成本也比B高，那A和B谁更好？说不清，它们都在Pareto前沿上
NSGA-II：目前最流行的多目标遗传算法，能同时优化多个目标

我的建议：别一上来就用多目标优化。先单目标跑几遍，摸清楚发电量和成本的大致范围，再用多目标去细化。我曾经在一个项目里直接上NSGA-II，跑了三天三夜，结果发现参数设错了，白跑。

下面这张图展示了多目标优化的核心逻辑——在发电量和成本之间找平衡：

这张图里，红色点是Pareto前沿上的解。你选哪个？取决于项目需求。如果预算紧张，就选成本低的；如果追求发电量，就选发电量高的。没有绝对的好坏，只有适合不适合。

避坑指南：多目标优化结果往往是一堆方案，别指望算法直接给你「最优解」。你需要结合工程经验去选。我曾经给业主提供了10个Pareto解，对方说「你直接告诉我选哪个」。嗯，这时候就需要你根据实际情况拍板了。

好了，这一章的内容就到这里。算法这东西，光看没用，得动手跑。建议你拿一个实际风电场的数据，把贪婪、遗传、粒子群都跑一遍，对比一下结果。你会发现，不同算法给出的方案差异还挺大的。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录