基於遺傳演算法的波浪能園區布局設計

本文是愛思唯爾海洋工程的一篇**，主要是採用遺傳演算法對波浪能發電園區的布局設計。

本文提出了一種基於遺傳演算法的波能陣列優化設計工具，首先對單點波能轉換器的內部引數(浮標半徑、吃水深度和發電機阻尼)進行了優化，此外，由於波浪能園區內的一些波能裝置會通過波浪間相互作用而相互影響，因此該工具還研究了具有不同裝置數量的波能裝置的陣列，用來尋找園區中的波浪能轉換器的的最佳排列布局。

1. 波浪能源是一種清潔和可再生能源，為了在經濟上產生大量的電量，必須提高波能技術的效率，而為了使用波浪能，通常必須在大型陣列或園區中部署波能轉換器(wecs)。

2. 波能轉換器通過波浪的相互作用，會對總功率產生積極或者是消極的影響，總效能將會受到許多不同引數的影響,例如裝置數量,裝置間距,裝置幾何形狀，和裝置的空間排列布局等。

遺傳演算法（genetic algorithm，ga）是一種借鑑生物界的進化規律，按照適者生存，優勝劣汰的機制演化而來的隨機搜尋方法，其主要特點是能自動獲取和指導優化的搜尋空間，自適應的調整搜尋方法，具有很好的全域性尋優能力。

計算方法：首先尋找一種對問題潛在的解進行「數位化」編碼的方案（也就是建立表現型和基因型的對映關係），然後初始化乙個種群,種群裡面的個體就是這些數位化的編碼. 迭代計算之後，進行解碼，用適應性函式對基因個體作適應度評估，用選擇函式擇優選擇，再讓個體基因交叉變異，產生子代，如此迴圈迭代。

能量轉換器陣列的優化問題，涉及到乙個大的引數空間，因此，遺傳演算法非常適合於這一問題。

1.單裝置：主要是對波能轉換器的浮標半徑、吃水深度和阻尼係數等內部引數的優化，尋找最佳波能轉換器的形狀

2.陣列a：對裝置陣列的空間座標進行優化，其中可能的座標(解)是固定規則網格上的隨機位置。（網格）

3.陣列b：對裝置陣列的空間座標進行優化，其中可能的座標(解)是限制面積中的任意位置（連續）

優化過程從隨機選擇的第乙個群體開始，根據優化過程中涉及的變數進行編碼，每個染色體包含一定數量的基因，每個基因代表乙個在該過程中代表將被優化的變數。

在單個wec遺傳演算法中：每個染色體中優三個不同基因（ngene）即：浮標半徑r，吃水深度d，發電機阻尼係數γ

在陣列a和b中：陣列中的二維座標值座標[xi，yi]，（其中 i 是公園裡的第i個裝置），作為不同的基因變數。在**a和b中，每個染色體中都會有n*g個基因，其中n是陣列中波能轉換器的數量

b.配對：奇數行和偶數行從上到下成對，以產生乙個新的群體，稱為後代。

d：突變：隨機改變變數百分比，即在群體中引入新的遺傳物質。

在單個裝置中：首先對引數範圍進行選擇，選擇以下引數範圍：r = 1：0.5：5m，d = 0.2：0.05：0.4m和γ= 15：1：2000kns / m。 ga可以執行的最大迭代次數設定為100 突變率為20％

在陣列布局優化程式方面，考慮了4、5、7、9和14種器件的陣列布局，每個器件具有相同的設計特性

在陣列a中：允許裝置在2500平方公尺的可用海洋區域上獲取座標；每個裝置之間的間距為10公尺，座標值為網格形

在陣列b中：裝置可以選擇海洋區域內的每個座標，座標值是連續的

對於4個和5個波浪能轉換器的園區，

矩陣a的最佳解決方案是，將浮標與入射波浪完美對齊，使浮標不會被其他浮標遮擋。

對於矩陣b，顯示了相同的趨勢，4和5個wec傾向於排成一行。最糟糕的布局明顯表現出了陣列a和陣列b在x方向上的大量陰影效果，園區中超過一半的浮標都被遮住了。

對於更多裝置的陣列，當海洋面積成為乙個限制因素，使浮標無法與入海口的波浪保持一致時，結果表明，對7個和9個浮標的園區，

隨著波能裝置的進一步增加。最好的優化布局輸出是通過在一條「完整的線」上增加乙個補充前線，也就是排列成兩列。

本文提出了一種波能轉換器裝置引數的優化模型，並針對引數結果進行了驗證。結果表明兩種結論之間有很好的一致性，並且確定了方法的效率。

提出了兩種針對點吸收波能量轉換器陣列的布局優化陣列，即網格的陣列a和連續的陣列b，並針對不同的試驗園區尺寸，測試了它們的適用性和效率。

自定義遺傳演算法工具能夠在少量迭代（小於500）內找到增加功率輸出的布局。除此之外，還可以根據波能轉換器的規模，推斷海洋區域布局部署的一般規則

研究中尚未考慮波浪氣候的變化，為了研究真實波浪氣候，需要更長資料時間段的波浪環境，最好是覆蓋一年的資料。這裡，只使用了短時間的波浪用於突出顯示相同引數條件下陣列布局之間的差異。

在本研究中，遺傳演算法工具是使用相同裝置的布局建立和測試的，沒有考慮不同幾何形狀的波能轉換器的園區優化。

用作模型輸入的不規則波浪是單向的，在實際情況中，功率可能在多向波中發生變化，這對於進一步的研究提供了思路。