基于遗传算法的波浪能园区布局设计

基于遗传算法的波浪能园区布局设计

本文是爱思唯尔海洋工程的一篇论文,主要是采用遗传算法对波浪能发电园区的布局设计。

本文提出了一种基于遗传算法的波能阵列优化设计工具,首先对单点波能转换器的内部参数(浮标半径、吃水深度和发电机阻尼)进行了优化,此外,由于波浪能园区内的一些波能装置会通过波浪间相互作用而相互影响,因此该工具还研究了具有不同设备数量的波能装置的阵列,用来寻找园区中的波浪能转换器的的最佳排列布局。

研究背景

1. 波浪能源是一种清洁和可再生能源,为了在经济上产生大量的电量,必须提高波能技术的效率,而为了使用波浪能,通常必须在大型阵列或园区中部署波能转换器(WECs)。

2. 波能转换器通过波浪的相互作用,会对总功率产生积极或者是消极的影响,总性能将会受到许多不同参数的影响,例如设备数量,设备间距,设备几何形状,和设备的空间排列布局等。

遗传算法

遗传算法(Genetic Algorithm,GA)是一种借鉴生物界的进化规律,按照适者生存,优胜劣汰的机制演化而来的随机搜索方法,其主要特点是能自动获取和指导优化的搜索空间,自适应的调整搜索方法,具有很好的全局寻优能力。

计算方法:首先寻找一种对问题潜在的解进行“数字化”编码的方案(也就是建立表现型和基因型的映射关系),然后初始化一个种群,种群里面的个体就是这些数字化的编码. 迭代计算之后,进行解码,用适应性函数对基因个体作适应度评估,用选择函数择优选择,再让个体基因交叉变异,产生子代,如此循环迭代。

优化问题

能量转换器阵列的优化问题,涉及到一个大的参数空间,因此,遗传算法非常适合于这一问题。

1.单装置:主要是对波能转换器的浮标半径、吃水深度和阻尼系数等内部参数的优化,寻找最佳波能转换器的形状

2.阵列A:对设备阵列的空间坐标进行优化,其中可能的坐标(解)是固定规则网格上的随机位置。(网格)

3.阵列B:对设备阵列的空间坐标进行优化,其中可能的坐标(解)是限制面积中的任意位置(连续)

优化方案

优化过程从随机选择的第一个群体开始, 根据优化过程中涉及的变量进行编码,每个染色体包含一定数量的基因,每个基因代表一个在该过程中代表将被优化的变量。

在单个WEC遗传算法中:每个染色体中优三个不同基因(nGene)即:浮标半径R,吃水深度D,发电机阻尼系数γ

在阵列A和B中:阵列中的二维坐标值坐标[xi,yi],(其中 i 是公园里的第i个设备),作为不同的基因变量。 在代码A和B中,每个染色体中都会有N*G个基因,其中N是阵列中波能转换器的数量

 

a.自然选择:选择将存活并延续到下一代的个体(选择率)。

b.配对:奇数行和偶数行从上到下成对,以产生一个新的群体,称为后代。

c.交配-杂交:在繁殖过程中交换两个亲本染色体之间的某些遗传物质,这样两个个体的潜在的特征基因将被每个孩子遗传,本文使用的是单点交叉。

d:突变:随机改变变量百分比,即在群体中引入新的遗传物质。

在单个设备中:首先对参数范围进行选择,选择以下参数范围:R = 1:0.5:5m,d = 0.2:0.05:0.4m和γ= 15:1:2000kNs / m。 GA可以执行的最大迭代次数设置为100 突变率为20%

在阵列布局优化程序方面,考虑了4、5、7、9和14种器件的阵列布局,每个器件具有相同的设计特性

在阵列A中:允许设备在2500平方米的可用海洋区域上获取坐标;每个设备之间的间距为10米,坐标值为网格形

在阵列B中:设备可以选择海洋区域内的每个坐标,坐标值是连续的

 实验结果

 

对于4个和5个波浪能转换器的园区,

矩阵A的最佳解决方案是,将浮标与入射波浪完美对齐,使浮标不会被其他浮标遮挡。

对于矩阵B,显示了相同的趋势,4和5个WEC倾向于排成一行。 最糟糕的布局明显表现出了阵列A和阵列B在x方向上的大量阴影效果,园区中超过一半的浮标都被遮住了。

 对于更多设备的阵列, 当海洋面积成为一个限制因素,使浮标无法与入海口的波浪保持一致时,结果表明,对7个和9个浮标的园区,

随着波能装置的进一步增加。最好的优化布局输出是通过在一条“完整的线”上增加一个补充前线,也就是排列成两列。

 实验结论

本文提出了一种波能转换器装置参数的优化模型,并针对参数结果进行了验证。 结果表明两种结论之间有很好的一致性,并且确定了方法的效率。

提出了两种针对点吸收波能量转换器阵列的布局优化阵列,即网格的阵列A和连续的阵列B,并针对不同的试验园区尺寸,测试了它们的适用性和效率。

自定义遗传算法工具能够在少量迭代(小于500)内找到增加功率输出的布局。 除此之外,还可以根据波能转换器的规模,推断海洋区域布局部署的一般规则

 展望

研究中尚未考虑波浪气候的变化, 为了研究真实波浪气候,需要更长数据时间段的波浪环境,最好是覆盖一年的数据。这里,只使用了短时间的波浪用于突出显示相同参数条件下阵列布局之间的差异。

在本研究中,遗传算法工具是使用相同设备的布局创建和测试的,没有考虑不同几何形状的波能转换器的园区优化。

用作模型输入的不规则波浪是单向的,在实际情况中,功率可能在多向波中发生变化,这对于进一步的研究提供了思路。

原文地址:https://www.cnblogs.com/leo1014/p/9918176.html