风电在新能源时代发展中发挥着重要作用,风电场道路也是风电设施建设的早期准备。风电场地形条件复杂,风电机组设备重量大、体积长、道路运输经济性要求高、相关标准规范缺失等,导致风电场道路设计和路线选择困难。此外,风电场建设中频繁的开挖和填埋,严重破坏了原地表植被覆盖和土壤结构,造成大量水土流失和风电场生态破坏。
1. 简介
随着节能减排需求的日益增加和可再生能源发电成本的降低,全球风能等新能源发电产业发展迅速。风力发电方面,根据全球风能协会的数据,截至2021年底,全球风电总装机容量为837吉瓦,其中中国以338.31吉瓦排名第一。根据国家能源局的数据,328年我国风电累计装机容量达到5.2021吉瓦,占国内发电总装机容量的13.8%,仅次于水电和火电。风力发电是绿色能源。与其他新能源发电技术相比,风电具有建设周期短、技术成熟、可靠性高、成本低等优点,具有非常广阔的发展前景。
国内外学者对风电场建设进行了相关研究,得出的结论是,山区风电场道路建设的难度直接影响到风电场建设的成本。山区风电场的道路建设仅占风电场投资成本的一小部分,一般在10%左右。但是,它占土木工程建设成本的50%以上,是工程成本控制中非常重要的一部分。另一方面,随着近年来风电项目的规模化开发,对风电建设非常有利的地形资源日益紧张。陆上风电场类型在丘陵、山区等风资源较好、风电项目建设相对投资大幅增加的地区推进。在风力电厂建设期间的设备运输过程中,风电机组的塔架、叶片、机舱、轮毂、变压器均为重件,对风电道路有特殊要求,使道路设计困难。因此,系统研究风电场的道路非常重要。
2. 择线方法优化研究
传统的路线选择分为纸质路线确定和野外调查路线选择。室内路线选择是在小比例尺地形图上进行的。根据收集到的数据,经过对比分析后确定几种较好的方案,经过实地调查最终确定最佳路线。地形图受到比例尺小、现状差等缺点的限制,地形特征与实际情况有很大不同。为了解决这个问题,许多学者对路线选择方法进行了改进和优化,可分为机载测量设备辅助测量、专业软件辅助设计和智能道路路线选择模型三种类型。
2.1. 航空测量设备的辅助测量
风电场地形勘察是整个道路设计阶段的重要环节。地形测量的准确性间接影响道路工程的整体成本和风电场的建设难度。风电道路设计的传统方式是设计者使用测量设备进行现场勘测,但是外部测绘的工作是否繁重,一些特殊的地形不能精确测量吗?为了提高电力勘测设计的质量和勘察设计进度,航空勘测技术作为一种勘测手段,在电力行业勘察设计中得到了广泛的应用。
刘伟[
1]等人结合无人机航测技术在内蒙古某风电场的应用实例,利用航测技术一次性完成了风电场的航测工作。该技术生成的数字高程模型的效果图如图
1所示。
张杰[
2]提出利用无人机(UAV)车载雷达生成数字风电场走廊。通过介绍激光雷达技术在湖南达玛风电场项目中的实际应用,阐述了激光雷达技术在风电场项目中应用的可行性。工作流如图
2 所示。
2.2. 专业软件辅助设计
Mohamed El Masry等人[
3]使用频闪仪模拟工具来模拟风电场的建设过程。该工具的仿真结果可以计算出进场道路施工时根据不同路线产生的开挖和充填量,大大降低了施工成本和时间。马凤玉[
4]等人将设计结果附在谷歌地球卫星图像(图3)上,并根据实际自然地形校正了数字地形
图上道路路径的位置,从而提高了设计质量。肖健等[
5]利用BIM和地形信息系统对拟建场地和建筑物进行三维建模,实现基于无人机三维实景建模的自动路线选择和收集线规划设计。陈克仁[
6]等首次将GIS与BIM集成,将三维设计模式应用于风电设计,开发风电场三维数字化设计平台,辅助专业设计人员同步设计,以三维数字模型指导现场安装施工设备,提高了工程施工精度。
2.3. 智能道路路径模型
曾世清等[
7]建立了考虑风电场多维复杂地形环境的道路中心线规划网络模型,以满足风机设备安全运输对智能道路设计的需求。基于传统的GIS路径算法,提出了一种多维地形和风机参数约束的风电场道路优化设计方法。该方法的算法流程如图
4 所示。突破传统道路设计的局限,在多维空间的整体表达中主要依靠CAD辅助测绘技术,实现风电场道路三维真实世界信息的完整表达。
周涛[
8]等人利用了基于多重线性规划(LP)模型的道路优化设计方法。模型的算法流程如图
5所示,在三维GIS环境下,在考虑风电项目建设成本和道路路线设计规范的情况下,实现了平面道路的快速建设,最终得到施工成本最优、标准化修订的路线设计方案。
Yue-shuang Wang [
9] and others used GIS to collect, store, manage, and analyze geospatial information. Based on the intelligent route selection model of mountain wind farm road based on the improved A* algorithm (
Figure 6), the road route selection was optimized according to the characteristics of mountainous areas. Finally, the intelligent route selection was realized through GIS by Python programming.
Figure 6. Flow chart of an improved A* algorithm.
M. Kotb et al. [
10] proposed an optimal approach road route solution formula based on genetic algorithm (GA) technology for precise and fast planning of the construction process. An illustrative example was implemented in M ATLAB to verify the applicability of this formula and reduce time costs. Long-fei Wang et al. [
11] established the extended network structure of wind power units based on vehicle-mounted GPS data and combined it with wind power operation and maintenance business scenarios using the SOM clustering method, and then used the Dijkstra algorithm to find the optimal path between units, solving the road planning problem between units in operation and maintenance of the wind farm and reducing the operation and maintenance costs. The logic of the algorithm is shown in
Figure 7.
将杨奎斌[
12]和其他基于詹森尾流模型的风电场布局优化问题建模为目标函数和约束。考虑尾流叠加区的影响,采用遗传算法和数学规划方法求解。提出了一种基于软件算法的风电场场道路位置联合自动优化方法。
航空测量设备和专业软件辅助工具只能通过提高地形图的准确性和减少野外作业来改进设计。但是,智能道路路线选择模型的建立可以考虑当地的地理环境,道路水平,纵横组合,设计规范以及综合路线选择等方面。因此,智能道路路线选择模型比上述两种方法更适合道路路线选择。
三、风电场道路设计存在的问题
3.1. 智能选线模型的不明确约束
智能选路模型的作用是利用A*算法、遗传算法、Dijkstra算法等技术,以选路过程中存在的干扰因素为约束,将抽象的、难以理解的空间信息有机地整合,求解道路的最优路线。目前,研究者对我国智能路线选择模型的约束选择持有自己的看法。曾世清[
7]等人基于距离、坡度、填挖量等约束,设计了智能选路模型。周涛[
8]等待重新考虑道路路线设计规范以及道路运输安全对路线选择的影响。王岳双[
9]以纵向坡度、纵向坡度长度、垂直曲线拐角、禁止障碍物允许通过面积为约束条件。M. Kotb [
10] 和 Long-fei Wang [
11] 更关注时间成本对道路路线的影响。杨奎斌[
12]选择的约束条件是时间成本、未占用面积和尾流叠加面积。由此可见,我国风电道路智能选路领域的研究专家尚未形成统一明确的干扰因素模型。
3.2. 圆曲线设计指标研究中使用的设计车辆种类相对单一
在道路几何设计中,车辆轮廓尺寸、重量和运行特性等特征作为道路几何设计的基础,在道路几何设计中起着决定性的作用。风电设备运输车辆种类繁多。目前主要采用平叶运输半挂车、低平半挂车、风力叶片起重车、后轮转向运输车。由于不同类型车辆的外形尺寸差异很大,因此对道路设计参数的要求也有很大差异。在圆曲线设计指标研究领域,杨永红[
17]选用叶片扁平半挂车和后轮转向车作为设计车辆。郭英福[
13]选择了叶片升降车作为设计车。姚新良[14]、陈康东[
15]、杜建文[16]、纪美轩[
18]、赵一明[20]、任拉春[
22]等学者设计了带叶片平板半挂车的车辆。由此可见,该领域使用的车辆比较单一,目前还没有关于特种车辆对道路设计指标影响的研究。
3.3. 水土流失强度的不完全预测模型
风电场的土壤和水损失与环境条件密切相关。风电场局部气象、植被、地形因子对风电场水土流失的影响不同。目前,水土流失预测研究主要以预测风电场水土流失强度为关键参数,从三种影响之一。在气象因子方面,王万忠[
66,
67]通过水文数据分析分析了相关区域水和沉积物的时空变化特征。黄志林[
68]利用降水资料分析了不同坡度、土地利用模式和降水变化下水土流失的差异。在植被因子方面,Linda Cyr等[
69],Sanjay K. Jain等[
70],钟红平[71],郭金鼎等[
72]使用NDVI指数作为植被因子指数。在地形因素方面,刘新华等[
73]提出了基于侵蚀地貌理论的替代指标。因此,在水土流失强度预测领域,现有的水土流失强度预测模型并不完善,不存在考虑综合因素影响的土流失模型。
This entry is adapted from the peer-reviewed paper 10.3390/app13074075