1.一种多维度约束风电场集电线路自动规划方法，其特征在于，包括以下步骤：
1)智能分区
进行区域划分，将风电场中风机阵列以升压站为中心划分为多个放射性区域，并且对每个区域容量进行限制，风电场集电线路规划是一个多维度、非线性的规划问题，为了降低规划的复杂度，首先对全场的风机进行分组降阶处理，这样既符合人工设计规则，又能够起到降维作用，用计算机分类替代人工进行繁琐的分类工作，为了达到这一目的，采用模糊聚类算法；
2)区域内成本最优规划
对每个子区域构建图G(V,E)，将线路规划问题转换为图论问题，运用图论的数学方法获得各个子区域内的成本最优拓扑；
3)线路跨区域规划全局成本最优
增加对子区域之间可行路径进行探索，将区域间可行路径加入子区域成本最优树中，进行动态优化，获得最终的全场成本最优拓扑；
4)T接路径优化
以上获得的成本最优拓扑，并没有考虑T接交叉点的问题，而实际工程中存在一些T接方式，为此需将获得的线路拓扑进行T接优化，以获得经济型更优的集电线路连接拓扑。
2.根据权利要求1所述的一种多维度约束风电场集电线路自动规划方法，其特征在于：
在步骤1)中，采用模糊聚类算法进行智能区域划分，具体情况如下：
聚类分析，是将个体或者对象按相似程度或距离远近划分类别，使得同一类中的元素之间的相似性比其它类的元素相似性更强，目的在于使类间元素的同质性最大化和类与类间元素的异质性最大化，其主要依据是聚到同一个数据集中的样本应该彼此近似，而属于不同组的样本应该不相似，本质是用计算机分类替代人工分类进行繁琐的分类工作；在此，采用模糊聚类算法对全场风机进行区域划分，在采用模糊聚类算法的过程中，考虑到风电场实际工程需求，需要进行以下两个限制条件：
a、基于风电场的特殊性，需要获得以升压站为中心的辐射状聚类结果，而并非块状聚类；
b、由于电缆载流量的限制，需要限制每条集电线路的容量，因此对每簇的风机做容量检测，是否超限；
模糊聚类算法中，首先要确定聚类的簇数，即子区域的数量，并且聚类初始中心点对聚类的最终结果具有决定性的作用，考虑风电规划实际，聚类初始点的选择，要尽可能分散均匀分布，以方便快速得到合理的区域划分，故需要对传统的模糊聚类算法改进后再进行区域划分；
其中，子区域的数量确定如下：
对于一个风电场而言，连接方式未确定前集电线路的子区域数量是未知的，但能够根据风场的容量及每个子区域最大容量限制计算得到划分的最小子区域数量，因此，先将子区域数量按照最小值子区域数量进行聚类，并设置合理的迭代停止条件，若无法完成聚类，则逐次增加子区域数量，直到聚类成功；
改进的模糊聚类算法步骤如下：
第1步：设置相关参数，包括最少子区域数量min_group、最多子区域数量max_group、初始类心最大循环次数fuzzy_max、风机不属于任何类最大循环次数station_max、簇心移动最大迭代次数delt_max和容差tolerence；
第2步：从子区域数量group为最小集子区域数min_group开始探索，此时簇心的数量为group个，每个子区域内划分为一簇，在每个子区域内规划形成的集电线路称为一串或一条集电线路；
第3步：判断子区域数group是否超过最大值max_group，如果没有则执行下面第4步，否则说明聚类失败；
第4步：将风场分机分为group个子区域，对于双回路仍然视为一个子区域，由于聚类过程中并未对类内风机数量即每个子区域容量进行限制，故当聚类完成后，需要对个子区域内载流量进行检测，当超过容量限制时，需要重新进行聚类，为此嵌入一个fuzzy循环，用于此种情况下的重新循环聚类，fuzzy初始化为0，最大迭代次数为fuzzy_max；
第5步：判断fuzzy是否小于fuzzy_max，若是则执行下面第6步，否则group＝group+1增加规划子区域数量并更新，group为子区域数量，执行上面第3步；
第6步：由于风机到类心的距离采用极坐标的形式，当升压站到风机的矢量与升压站到类心的矢量夹角大于90°时，则风机不属于此类，若风机不属于任何类，则重新选择初始类心进行聚类，因此嵌入一个station循环，用于在此种情况下的重新聚类，station初始化为
0，最大迭代次数为station_max；
第7步：判断station是否小于station_max，若是则执行下面第8步，否则循环累加fuzzy＝fuzzy+1更新循环次数，fuzzy为循环次数，执行上面第5步；
第8步：利用轮盘赌算法获得聚类的初始类心，在初始类心的选择过程中，为了获得合理的聚类效果，选择彼此距离尽可能远的group个点，这样不仅能够减少算法的迭代步骤而且能够使得分类结果更均匀；主要步骤是：首先随机选择一个风机点作为第一个初始类簇中心点，然后选择距离该点最远的那个点作为第二个初始类簇中心点，然后选择距离前两个点的距离最大的点作为第三个初始类簇的中心点，以此类推，直到选出group个初始类簇中心点；在初始类心确定后，即所有类心点都已经完全确定，则聚类结果即确定了，会使得聚类结果缺乏多样性，甚至可能导致聚类失败，为此引入轮盘算法，距离越远则点被选择的概率越高，而不是100％选择相距最远的点，这样既保证了初始点的均匀分布，同时为聚类提供多种聚类可能结果；
第9步：计算各个风机点到各个类心的距离dic，i∈(1,n_node),c∈(1,n_c)，i表示第i台风机，n_node表示风机的数量，c表示类心，n_c表示类心的数量，dic表示第i台风机到第c个类心的距离，并将距离进行归一化处理，转化为各个风机到各个类心的隶属度矩阵，根据隶属度将风机节点划分到不同簇中；如果存在风机不属于任何类，即风机节点到所有类心的距离都为正无穷大，说明初始选择的类心无法完成聚类，需要重新选择初始类心，station++返回上面第7步，重新选择初始类心进行计算，否则继续执行下面第10步；风机节点到类心距离计算方法是：为了获得辐射状的聚类结果，采用风机到升压站和类心连线的垂直距离为风机到类心的距离，而不使用风机到类心的直线距离；其中，station++表示station每次循环累加一，用于计数；
当升压站到类心相量 与升压站到风机相量 夹角小于等于90°时，风机到类心的距离为风机到相量 的垂直距离dic＝d，如果夹角大于90°， 和 的夹角大于90，则风机到类心的距离设置为djc＝∞；
模糊聚类的隶属度计算如下：
当dic＝∞，则隶属度值为0；
dic——是第i台风机到第c个类心的距离；
n_c——表示类心的数量；
m——是加权指数；
memberic——是第i台风机到第c个类心的隶属度；
对于某台风机来说，将风机节点划分到隶属度最大的簇中，如果此台风机到所有类心的距离都为正无穷大，则此台风机到类心的隶属度值都为0，不属于任何类，则退出此次聚类，重新选择初始类心，重新进行聚类计算；
第10步：对风机进行簇类划分，重新计算簇心，并更新隶属度，直到簇心不再变化，执行下面第11步，在迭代过程中，如果存在风机无法划分到任何簇中，则执行上面第9步，重新选择初始类心，重新聚类；如果迭代了delt_max类心仍然发生变化，则执行下面第11步；
第11步：通过第10步能够得到初步的聚类结果，但是聚类过程中并没有对每串风机容量进行限制，聚类结果可能存在过载的问题，故需要对聚类结果进行过载检测，计算每串风机的容量，如果超过双回最大限值，则返回上面第6步，如果没有过载，则聚类成功，返回最终的子区域划分结果。
3.根据权利要求1所述的一种多维度约束风电场集电线路自动规划方法，其特征在于：
在步骤2)中，对各个子区域获取成本最优树，具体情况如下：
对每个子区域，构建图G(V,E)，将线路规划问题转换为图论问题，运用图论的数学方法获得各个子区域内的成本最优拓扑；
子区域内成本最优拓扑，通过以下步骤获得：
2.1)构建区域内没有交叉，路径最短的有效连通图；
2.2)搜索风机有效路径之间的最优三维路径，并将风机之间三维距离作为边的权值；
2.3)形成子区域内以电缆长度最短为目标的连接拓扑图；
2.4)以上获得的拓扑电缆长度最小，并不是电缆的投资成本最低，其结果仍需进一步被改善，为此提出一种动态调整并反复优化的改进算法，解决了在实际中因不能在规划前根据潮流分布选择导线截面的问题，通过动态树算法获得子区域总成本最低的优化规划拓扑结构；两个风机之间电缆成本为f*l，f为电缆的每公里单价成本，单位为万/km，与电缆的载流量即电缆的截面有关，电缆所带风机越多，所选电缆截面越粗，电缆成本越高；l为电缆的长度，单位为km；故电缆长度∑l最小并不代表成本∑f*l最优；
2.5)重复以上步骤2.1)-2.4)，获得每个子区域成本最优拓扑。
4.根据权利要求3所述的一种多维度约束风电场集电线路自动规划方法，其特征在于：
在步骤2.1)中，构建子区域内有效连通图的方法如下：
对于风电场集电线路来说，集电线路不能够交叉，为了获得风电场的连通图，比较如下
3种规则获得连通图：
a、是全路径连通图，即将所有风机两两连接，此种连通图存在大量交叉路径，并且很多不合理的路径也进行连接，会使得后期规划非常复杂，不考虑此种路径连接方式；
b、是采用与某台风机最近的n台风机，作为可行路径，此种方式得到的可行路径，能够简化连通图，但是仍然存在交叉的问题，并且滤除了部分可行路径；
c、是采用Delaunay三角剖分获得的可行路径，此种连接方式，不会存在交叉的问题，而且规划出的路径合理，故选用Delaunay三角剖分获得连通图，Delaunay三角剖分将点集形成的凸多边形剖分成一系列三角形，从而能够保证所有的边之间没有交叉；
通过Delaunnay三角形划分，得到合理的风机有效路径连通图。
5.根据权利要求3所述的一种多维度约束风电场集电线路自动规划方法，其特征在于：
在步骤2.2)中，搜索风机有效路径之间的最优三维路径，即搜索连通图有效路径的最优三维路径，具体如下：
对于平原地区风机之间的距离能够按直线距离进行计算，但是对于山地地区或者地形复杂，不能直接使用两点间直线距离，为了获得更精确的成本模型，需要获得可行路径，即风机与风机之间或者升压站与风机之间三维路径，并将此三维距离值作为边的权值，获取三维路径的算法有蚁群和RRT快速搜索树算法，其中蚁群算法规划时间长，RRT算法存在可能无法规划出路径的问题，Astar算法作为启发式搜索算法中的一种，是一种在图形平面上，有多个节点的路径，求出最低通过成本的算法；
因此，采用Astar算法获得可行路径的三维距离值，首先读取风电场风机地形数据，然后将地形数据进行网格划分，每个网格点，都有对应的X,Y,Z值，然后即可使用Astar算法获得三维距离，在Astar算法计算过程中，探索某个节点的周围节点时，能够引入坡度系数和地形使得成本计算更为精确；对于地形复杂的风电场来说，风机之间的距离不能简单的使用两点之间的直线距离来计算，需要考虑风场的地形、坡度问题，采用Astar算法能够获得更精确的三维距离。
6.根据权利要求3所述的一种多维度约束风电场集电线路自动规划方法，其特征在于：
在步骤2.3)中，形成子区域内以电缆长度最短为目标的连接拓扑图，具体如下：
通过步骤2.1)和2.2)，已经获得了风电场散点的连通图和各个连通路径的距离权值，将风机散点作为点，将风机之间的距离作为边的权值，即可构造图G(V，E)；
风电场集电系统的拓扑连线优化问题能够表述为：在风电场内包含一个升压站和若干台风力发电机，升压站和风力发电机的位置已经选定，需要得到符合工程实际要求且经济性最好的风电场集电系统拓扑连接方案，拓扑连接优化问题是一个数学优化问题；
子区域内成本最优目标为在数学图论中寻找满足已知限制条件的图G(V,E)的问题，G(V，E)中V是图G所有顶点的集合，在此代表风电场风力发电机组与升压站的位置；E是图G所有边的集合，表示升压站与风力发电机、风力发电机与风力发电机之间的电缆连接情况；同时图G(V,E)是一个加权图，每条边上的权重为该边所代表的风机之间的三维距离权值；
Prim算法，是用来求加权连通图的最小生成树算法，最小树算法搜索到的边子集所构成的树中，不但包括了连通图里的所有顶点，且所有边的权值之和亦为最小；故采用Prim算法即可获得以距离最短为目标的最小树，这颗最小树包含所有的风机节点，并且不会形成环。
7.根据权利要求3所述的一种多维度约束风电场集电线路自动规划方法，其特征在于：
在步骤2.4)中，求子区域总成本最低规划拓扑结果，具体如下：
Prim最小树的边的权值设置为距离，所得的最小树为电缆长度最小，并不是电缆总成本最小树，其结果仍需进一步被改善，为了获得成本最优树，提出一种动态调整并反复优化的改进算法，解决了在实际中因不能在规划前根据潮流分布选择导线截面的问题，即在Prim距离最小树的基础上通过增加边和删除边，形成新的树，并检测新的树成本是否更优的方式来获得成本最小树；
改进算法的基本原理如下：
在G(V、E)连通图中，包含顶点V＝{A、B、C、D、E、F、G}，边E＝{AB、BC、CD、DE、EF、FA、AG、BG、CG、EG、FG、CE}，边的权值为两点之间的距离权值＝{12,10,3,4,8,14,16,7,6,2,9,5}，则根据Prim算法，获得Prim最小树，此最小树包含所有顶点，不存在环，并且整棵树的距离权值最小；计算Prim最小树的成本为W(k)；
在此Prim最小树的基础上进行动态调整，需先将所有树外的所有边取出{BC、CG、CE、FG、AG、AF}，并按照权值从小到大的顺序进行排序，形成边的队列QV＝{CE、CG、FG、BC、AF、AG}，将QV的队首CE取出，添加到树中；
此时形成一个环，环＝{CE、ED、CD}，将环中的其余边取出{CD、ED}，按照从小到大的顺序进行排序形成队列QE＝{CD、ED}，将QE队首CD边删除，形成一颗新的树；计算这颗树的总成本，记为W(n)，比较原来的树和调整后的两颗树的成本，如果成本更优则进行树的更新，如果成本没有降低，则继续检查QE中其它边，直到QE为空，再检查QV中其余边，直到QV为空；
子区域内成本最优计算方法如下：
第1步：采用Prim算法，求最小生成树；
第2步：计算当前树T(k)树的成本，成本计算方法如下：
首先根据子区域内连接方式，获得每个节点电缆的载流量，根据载流量查询对应的成本系数，累加最后计算全场成本；
第m条集电线路的成本计算方法如下：
fi——此条集电线路上，第i个线路的成本系数，取决于电缆的载流量，单位为万/km；
li——此条集电线路上，第i个线路的长度，单位为km；
node——此条集电线路上，线路的数量；
Costm——此条集电线路的成本；
风电场全场成本：
Costm——第m条集电线路的成本；
n——集电线路的条数，双回线路视为一条集电线路；
fc——开关柜成本，单位为万/屏；
c——开关柜的总个数；
A——风电场集电线路总成本；
第3步：取出T(k)外的所有边，将它们按照权从小到大的顺序放入QV队列；
第4步：从队列QV中取出队首加入到T(k)树中，并将由此造成的环路中的其它边按权值从小到大的顺序放入队列QE中。
第5步：从队列QE头部取出队首并从环路中删除，从而构成一颗新的树T(n)；
第6步：仿照第2步计算树T(n)的总费用记为W(n)，若W(n)W(k)＝W(n),T(k)＝T(n)
然后清空队列QV和QE返回第3步；
若W(n)≥W(k)，则判断队列QE是否已空，若否则返回第5步，若是则判断QV是否已空，若已空则结束规划并退出，T(k)就是最优规划结果，对应的最小总费用为W(k)，若队列QV未空，则返回第4步。
8.根据权利要求1所述的一种多维度约束风电场集电线路自动规划方法，其特征在于：
在步骤3)中，子区域间可行路径探索，具体如下：
对于模糊聚类来说，某个风机既可属于此类，也可能属于其它类，只是属于不同簇的概率不同，在实际规划过程中存在着如下可能性：将此区域内风机点，划分到其它子区域内后，并进行拓扑连接其成本更低，故此对可行路径进行探索；
第1步：首先采用Delaunay算法获得全场的可行路径连通图；
第2步：滤除Delaunay连通图子区域内部的路径以及存在交叉的路径，则剩余路径为串间的可行路径，将子区域内可行路径加入成本最优树中，获得新的连通图；
第3步：调用动态最小树算法，获得最终的全场成本最优树，如果过载，则此树不能作为最优树。
9.根据权利要求1所述的一种多维度约束风电场集电线路自动规划方法，其特征在于：
在步骤4)中，T接优化对每串集电线路单独进行如下处理，步骤如下：
第1步：获得串内距离升压站最远的风机，以此节点为基础，查询主线，一直到升压站：
第2步：对主线路进行处理，从升压站开始出发，检测此节点与上一个节点和下一个节点的夹角，是否为锐角，如果为锐角，则做垂线，如果是钝角则继续查询，直到检测到最后一台风机；
第3步：对支路进行处理，检测支路与主线路的夹角是否为锐角，如果为锐角，则做垂线，否则继续查询，直到支路查询完毕；
由此，得到T接路径。

• 风机
• 聚类
• 风电场
• 小树
• 连通图
• 规划
• 升压站
• 区域
• 路径
• 算法