CN107480805A - 一种基于遗传算法的潮流能水轮机阵列优化方法 - Google Patents

一种基于遗传算法的潮流能水轮机阵列优化方法 Download PDF

Info

Publication number
CN107480805A
CN107480805A CN201710484060.9A CN201710484060A CN107480805A CN 107480805 A CN107480805 A CN 107480805A CN 201710484060 A CN201710484060 A CN 201710484060A CN 107480805 A CN107480805 A CN 107480805A
Authority
CN
China
Prior art keywords
mrow
individual
hydraulic turbine
msub
population
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710484060.9A
Other languages
English (en)
Other versions
CN107480805B (zh
Inventor
张继生
林祥峰
李凌
黄挺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
China Three Gorges Corp
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201710484060.9A priority Critical patent/CN107480805B/zh
Publication of CN107480805A publication Critical patent/CN107480805A/zh
Application granted granted Critical
Publication of CN107480805B publication Critical patent/CN107480805B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明提供了一种基于遗传算法的潮流能水轮机阵列优化方法，计算种群中各个个体的适应度，根据个体的适应度，选择种群中适应度更高的个体进行交叉，生成一定数量的新个体，加入种群；随机选择种群中若干个体发生变异，加入种群；对种群中每个个体重新计算潮流能阵列发电功率和适应度；在种群中选取适应度高的个体组成新种群；本发明考虑了水轮机尾流场的扩散，其与湍流强度相关，扩散呈非线性，更符合实际情况；此外，考虑了水轮机尾流场的相互影响，与实际情况相符合；优化方法引入智能优化算法，思路清晰，优化速度快，节省计算资源，能为潮流能水轮机发电场的初步设计提供参考。

Description

一种基于遗传算法的潮流能水轮机阵列优化方法
技术领域
本发明涉及一种潮流能水轮机，具体涉及一种潮流能水轮机阵列优化方法。
背景技术
随着社会发展，对于能源的需求日益增加。传统化石能源不可再生，且对环境污染大。而在众多形式的新能源中，潮流能由于蕴藏量大、环境友好、可预测性高，具有很好的发展前景。在潮流能发电场中，往往布置多台水轮机机组以充分从海洋中提取潮流能。当水轮机机组位于其他水轮机机组的尾流场中时，水轮机的能源提取效率会有所降低。在潮流能发电场中，如何布置水轮机阵列以减少尾流场对能源提取的影响具有重要意义。
目前对于潮流能水轮机阵列的优化主要基于数值模拟的方法，其对计算机要求高、耗费计算资源多、耗费时间长，不利于潮流能发电场水轮机阵列的初步设计。
发明内容
发明目的：本发明的目的在于针对现有技术的不足，提供一种基于遗传算法的潮流能水轮机阵列优化方法，考虑了水轮机尾流场的扩散及尾流场间的相互影响，思路清晰，对计算资源要求低，能为潮流能发电场水轮机阵列的初步设计提供参考。
技术方案：本发明提供了一种基于遗传算法的潮流能水轮机阵列优化方法，包括以下步骤：
(1)根据海域实际情况，规划阵列布置区域，确定水轮机参数、布置区域内潮流参数、种群进化代数和种群变异率；
(2)确定初始种群中的个体数量，随机生成具有相应数量个体的初始种群，种群中每个个体都包含所有水轮机的位置坐标信息；
(3)根据种群中每个个体中包含的水轮机位置信息，判断水轮机是否位于其他水轮机的尾流场中；
(4)计算每个个体各个水轮机的当地潮流流速；
(5)根据每个个体各个水轮机所处的潮流流速，计算潮流能阵列中各个水轮机的发电功率和潮流能阵列总发电功率；
(6)根据潮流能阵列总发电功率，计算种群中各个个体的适应度；
(7)根据个体的适应度，选择种群中适应度更高的个体进行交叉，生成一定数量的新个体，加入种群；
(8)随机选择种群中若干个体发生变异，加入种群；
(9)对种群中每个个体重新计算潮流能阵列发电功率和适应度；
(10)在种群中选取适应度高的个体组成新种群；
(11)判断是否达到种群进化代数，若否，则采用新种群回到第(3)步，继续进化。
进一步，步骤(1)所述水轮机参数包括水轮机安装数量、水轮机半径和水轮机推力系数，所述布置区域内潮流参数包括潮流平均流速和湍流强度值。
进一步，步骤(3)判断过程包括：
假设水轮机j位于水轮机i的后方，对于水轮机i有：
c(I)＝17.469I+0.3758
式中，D为水轮机直径，RW为水轮机i在水轮机j处尾流场扩散半径，I为潮流湍流强度值,xij为水轮机i与水轮机j之间的纵向间距；
设Lij为水轮机j和水轮机i的横向间距，R0为水轮机半径，若Lij＜(R0+Rw)，则水轮机j位于水轮机i的尾流场中。
进一步，步骤(4)计算水轮机j的当地潮流流速：
若水轮机j位于水轮机i尾流场中，则：
πR0 2UW0+π[(R0+RW)2-R0 2]U0＝π(RW+R0)2Uave
ΔUave＝U0-Uave
Uij＝U0-ΔUij
式中，Uave为水轮机i在水轮机j处尾流场的平均流速，UW0为水轮机i正后方潮流流速，U0是输入的潮流平均流速，Ct为水轮机推力系数，ΔUave、ΔUmax分别为水轮机i在水轮机j处的平均流速减少值和最大流速减少值，ΔUij由于水轮机i使水轮机j处引起的流速减少值，Uij为水轮机j在水轮机i后形成的流速值；
若水轮机j不在水轮机i尾流场中，则：
Uij＝U0
水轮机j当地流速按下式计算：
式中，Uj为水轮机j处的潮流流速，N为水轮机安装数量。
进一步，步骤(5)计算水轮机j的发电功率：
Pj＝0.5CtρAUj 3
式中，Pj为水轮机j的发电功率，ρ为海水密度，A＝πR0 2为水轮机面积；
计算潮流能阵列的总发电功率：
进一步，步骤(6)计算各个个体的适应度：
式中，Fi为个体i的适应度，Pi为个体i的总发电功率，∑Pi为种群中所有个体的总发电功率和；
潮流能水轮机机阵列总发电功率越高的个体，则种群中该个体的适应度也越高。
进一步，步骤(7)个体交叉在于在两个个体中，分别为主个体和副个体，在主个体中，选择随机数量个水轮机位置坐标信息，与副个体中相应位置处的水轮机位置坐标信息进行计算，生成新的位置坐标信息，组成新的个体；新个体其余位置处的位置坐标信息与主个体位置坐标信息相同。
进一步，步骤(7)计算新个体的水轮机位置坐标信息：
xc＝mxa+(1-m)xb(0＜m＜1)
yc＝nya+(1-n)yb(0＜n＜1)
式中，xa、ya分别为主个体中水轮机的位置坐标信息，xb、yb分别为副个体中水轮机的位置坐标信息，xc、yc分别为新个体中水轮机的位置坐标信息，m和n是随机生成的随机因子，其值位于0到1之间。
进一步，步骤(8)对于每个发生变异的个体，选择随机数量的水轮机位置坐标通过计算生成新的水轮机位置坐标，替换原有的水轮机位置坐标，组成新的个体。
进一步，变异个体中发生变化的水轮机位置坐标按以下方式转化：
x2a＝lx1a+W(1-l)(0＜l＜1)
y2a＝ky1a+L(1-k)(0＜k＜1)
式中，x1a、y1a分别为个体中转化前的水轮机位置坐标信息，x2a、y2a分别为个体中转化后的水轮机位置坐标信息，W为布置区域的宽度，L为布置区域的长度，l和k是随机生成的随机因子，其值位于0到1之间。
有益效果：本发明考虑了水轮机尾流场的扩散，其与湍流强度相关，扩散呈非线性，更符合实际情况；此外，考虑了水轮机尾流场的相互影响，与实际情况相符合；优化方法引入智能优化算法，思路清晰，优化速度快，节省计算资源，能为潮流能水轮机发电场的初步设计提供参考。
附图说明
图1为本发明潮流能水轮机阵列优化方法的总体流程示意图；
图2为实施例的种群平均发电功率进化图；
图3为实施例的种群最优发电功率进化图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
实施例：一种基于遗传算法的潮流能水轮机阵列优化方法，如图1所示，具体步骤如下：
(1)本实施例计划在长200米宽100米的矩形区域内布置潮流能发电场，水轮机安装数量为20台，水轮机半径取5米和水轮机推力系数取0.89；布置区域内潮流参数潮流平均流速取3.0m/s，湍流强度值取8％；种群进化代数取100，种群变异率取5％。
(2)生成初始种群中的个体数量为100个，种群中每个个体都包含20台水轮机的位置坐标信息。
(3)利用下述公式判断个体中水轮机j是否在其他水轮机的尾流场中：
若水轮机j位于水轮机i的前方，则水轮机j不在水轮机i的尾流场中；
假设水轮机j位于水轮机i的后方，对于水轮机i有：
c(I)＝17.469I+0.3758
式中，D为水轮机直径，为10m；RW为水轮机i在水轮机j处尾流场扩散半径；I为潮流湍流强度值，为8％；xij为水轮机i与水轮机j之间的纵向间距；
设Lij为水轮机j和水轮机i的横向间距，R0为水轮机半径，为5m，若Lij＜(R0+Rw)，则水轮机j位于水轮机i的尾流场中；
尾流场的扩散考虑了湍流强度的影响，且其扩散呈非线性，符合实际情况。
(4)利用下述公式计算个体中水轮机j处的当地潮流速度：
若水轮机j位于水轮机i尾流场中：
πR0 2UW0+π[(R0+RW)2-R0 2]U0＝π(RW+R0)2Uave
ΔUave＝U0-Uave
Uij＝U0-ΔUij
若水轮机j不在水轮机i尾流场中，则：
Uij＝U0
水轮机j当地流速按下式计算：
式中，Uave为水轮机i在水轮机j处尾流场的平均流速；UW0为水轮机i正后方潮流流速；U0是输入的潮流平均流速，为3.0m/s；Ct为水轮机推力系数，为0.89；ΔUave、ΔUmax分别为水轮机i在水轮机j处的平均流速减少值和最大流速减少值；ΔUij由于水轮机i使水轮机j处引起的流速减少值，Uij为水轮机j在水轮机i后形成的流速值；Uj为水轮机j处的潮流流速，N为水轮机安装数量20。
(5)根据下述公式计算个体中各个水轮机的发电功率和个体总发电功率；
Pj＝0.5CtρAUj 3
式中，Pj为水轮机j的发电功率，ρ为海水密度，A＝πR0 2为水轮机面积；初始种群中总发电功率最大的个体中包含的水轮机坐标信息可见表1；
表1初始种群中总发电功率最大个体中的水轮机坐标信息
编号 横坐标 纵坐标 编号 横坐标 纵坐标
1 82.2 12.2 11 83.0 182.0
2 18.5 154.5 12 12.6 20.0
3 86.0 114.7 13 43.3 47.7
4 94.7 78.6 14 21.4 60.1
5 89.1 95.1 15 44.2 92.4
6 59.2 170.6 16 66.6 52.2
7 50.5 191.0 17 31.8 159.5
8 70.3 104.8 18 5.8 37.6
9 26.0 80.5 19 29.7 197.9
10 52.7 38.0 20 1.9 11.0
(6)计算种群中个体的适应度，本实施例中按照以下公式计算各个个体的适应度：
式中，Fi为个体i的适应度；Pi为个体i的总发电功率；∑Pi为种群中所有个体的总发电功率和；对于总发电功率高的个体，其适应度也高。
(7)随机选择两个适应度在前50％的个体a、b，在两个个体中随机选择一定数量的水轮机位置坐标按下述公式进行交叉生成个体c：
xc＝mxa+(1-m)xb(0＜m＜1)
yc＝nya+(1-n)yb(0＜n＜1)
式中，xa、ya分别为个体a中水轮机的位置坐标信息；xb、yb分别为个体b中水轮机的位置坐标信息；xc、yc分别为个体c中水轮机的位置坐标信息；共随机选择500次个体a、b，交叉生成新个体500个，加入种群中。
(8)按照设定的种群变异率随机选择30个个体，在每个个体中随机选择水轮机位置坐标信息按照下列公式发生转化：
x2a＝lx1a+100(1-l)(0＜l＜1)
y2a＝ky1a+200(1-k)(0＜k＜1)
式中，x1a、y1a分别为个体中转化前的水轮机位置坐标信息；x2a、y2a分别为个体中转化后的水轮机位置坐标信息；通过变异产生新的30个个体，加入种群。
(9)对加入交叉和变异产生的个体的种群中，计算每个个体的潮流能阵列发电功率和适应度。
(10)在种群中选取适应度高的个体组成新种群；本实施例中选择适应度前100的个体组成新种群。
(11)判断是否达到种群进化代数，若否，则采用新种群回到第(3)步，继续进化。
经过100代进化后，潮流能水轮机阵列总发电功率最大的布置方式见表2：
表2进化100代后种群中总发电功率最大个体中的水轮机坐标信息
编号 横坐标 纵坐标 编号 横坐标 纵坐标
1 82.2 12.2 11 83.0 182.0
2 23.5 153.0 12 10.5 4.8
3 73.8 22.9 13 28.2 13.8
4 94.7 78.6 14 64.9 155.6
5 65.4 15.5 15 52.8 123.6
6 73.7 140.8 16 55.6 11.7
7 38.2 9.1 17 43.3 168.7
8 47.2 41.9 18 18.5 103.0
9 20.0 0.3 19 34.3 161.6
10 7.0 80.8 20 1.9 11.0
其中，每一代种群中个体的平均总发电功率可见图2，可以看出种群中个体平均总发电功率从初始种群的14.15MW提高到16.67MW。
每一代种群中个体的最大总发电功率可见图3，可以看出种群中个体最大总发电功率从初始种群的15.26MW提高到16.73MW。

Claims (10)

1.一种基于遗传算法的潮流能水轮机阵列优化方法，其特征在于：包括以下步骤：
(1)根据海域实际情况，规划阵列布置区域，确定水轮机参数、布置区域内潮流参数、种群进化代数和种群变异率；
(2)确定初始种群中的个体数量，随机生成具有相应数量个体的初始种群，种群中每个个体都包含所有水轮机的位置坐标信息；
(3)根据种群中每个个体中包含的水轮机位置信息，判断水轮机是否位于其他水轮机的尾流场中；
(4)计算每个个体各个水轮机的当地潮流流速；
(5)根据每个个体各个水轮机所处的潮流流速，计算潮流能阵列中各个水轮机的发电功率和潮流能阵列总发电功率；
(6)根据潮流能阵列总发电功率，计算种群中各个个体的适应度；
(7)根据个体的适应度，选择种群中适应度更高的个体进行交叉，生成一定数量的新个体，加入种群；
(8)随机选择种群中若干个体发生变异，加入种群；
(9)对种群中每个个体重新计算潮流能阵列发电功率和适应度；
(10)在种群中选取适应度高的个体组成新种群；
(11)判断是否达到种群进化代数，若否，则采用新种群回到第(3)步，继续进化。
2.根据权利要求1所述的基于遗传算法的潮流能水轮机阵列优化方法，其特征在于：步骤(1)所述水轮机参数包括水轮机安装数量、水轮机半径和水轮机推力系数，所述布置区域内潮流参数包括潮流平均流速和湍流强度值。
3.根据权利要求1所述的基于遗传算法的潮流能水轮机阵列优化方法，其特征在于：步骤(3)判断过程包括：
假设水轮机j位于水轮机i的后方，对于水轮机i有：
<mrow> <msub> <mi>R</mi> <mi>w</mi> </msub> <mo>=</mo> <mi>c</mi> <mrow> <mo>(</mo> <mi>I</mi> <mo>)</mo> </mrow> <mo>&amp;lsqb;</mo> <mn>5.58</mn> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mn>0.051</mn> <mfrac> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>D</mi> </mfrac> </mrow> </msup> <mo>)</mo> </mrow> <mo>+</mo> <mn>1.2</mn> <mo>&amp;rsqb;</mo> </mrow>
c(I)＝17.469I+0.3758
式中，D为水轮机直径，RW为水轮机i在水轮机j处尾流场扩散半径，I为潮流湍流强度值,xij为水轮机i与水轮机j之间的纵向间距；
设Lij为水轮机j和水轮机i的横向间距，R0为水轮机半径，若Lij＜(R0+Rw)，则水轮机j位于水轮机i的尾流场中。
4.根据权利要求3所述的基于遗传算法的潮流能水轮机阵列优化方法，其特征在于：步骤(4)计算水轮机j的当地潮流流速：
若水轮机j位于水轮机i尾流场中，则：
πR0 2UW0+π[(R0+RW)2-R0 2]U0＝π(RW+R0)2Uave
<mrow> <msub> <mi>U</mi> <mrow> <mi>W</mi> <mn>0</mn> </mrow> </msub> <mo>=</mo> <msub> <mi>U</mi> <mn>0</mn> </msub> <msqrt> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>C</mi> <mi>t</mi> </msub> </mrow> </msqrt> </mrow>
ΔUave＝U0-Uave
<mrow> <msub> <mi>&amp;Delta;U</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>&amp;Delta;U</mi> <mrow> <mi>a</mi> <mi>v</mi> <mi>e</mi> </mrow> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <msqrt> <mrow> <mi>D</mi> <mo>/</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </msqrt> <mo>)</mo> </mrow> </mrow> 1
<mrow> <msub> <mi>&amp;Delta;U</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>&amp;Delta;U</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mrow> <mo>(</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>ln</mi> <mn>2</mn> <mfrac> <mrow> <msup> <msub> <mi>L</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mn>2</mn> </msup> </mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>R</mi> <mi>W</mi> </msub> <mo>+</mo> <msub> <mi>R</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mfrac> </mrow> </msup> <mo>)</mo> </mrow> </mrow>
Uij＝U0-ΔUij
式中，Uave为水轮机i在水轮机j处尾流场的平均流速，UW0为水轮机i正后方潮流流速，U0是输入的潮流平均流速，Ct为水轮机推力系数，ΔUave、ΔUmax分别为水轮机i在水轮机j处的平均流速减少值和最大流速减少值，ΔUij为水轮机j处由水轮机i引起的流速减少值，Uij为水轮机j在水轮机i后形成的流速值；
若水轮机j不在水轮机i尾流场中，则：
Uij＝U0
水轮机j当地流速按下式计算：
<mrow> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mfrac> <msub> <mi>U</mi> <mi>j</mi> </msub> <msub> <mi>U</mi> <mn>0</mn> </msub> </mfrac> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mfrac> <msub> <mi>U</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>U</mi> <mn>0</mn> </msub> </mfrac> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
式中，Uj为水轮机j处的潮流流速，N为水轮机安装数量。
5.根据权利要求4所述的基于遗传算法的潮流能水轮机阵列优化方法，其特征在于：步骤(5)计算水轮机j的发电功率：
Pj＝0.5CtρAUj 3
式中，Pj为水轮机j的发电功率，ρ为海水密度，A＝πR0 2为水轮机面积；
计算潮流能阵列的总发电功率：
<mrow> <mi>P</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mn>0.5</mn> <msub> <mi>C</mi> <mi>t</mi> </msub> <msubsup> <mi>&amp;rho;AU</mi> <mi>j</mi> <mn>3</mn> </msubsup> <mo>.</mo> </mrow>
6.根据权利要求1所述的基于遗传算法的潮流能水轮机阵列优化方法，其特征在于：步骤(6)计算各个个体的适应度：
<mrow> <msub> <mi>F</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>P</mi> <mi>i</mi> </msub> <mrow> <mo>&amp;Sigma;</mo> <msub> <mi>P</mi> <mi>i</mi> </msub> </mrow> </mfrac> </mrow>
式中，Fi为个体i的适应度，Pi为个体i的总发电功率，∑Pi为种群中所有个体的总发电功率和；
潮流能水轮机机阵列总发电功率越高的个体，则种群中该个体的适应度也越高。
7.根据权利要求1所述的基于遗传算法的潮流能水轮机阵列优化方法，其特征在于：步骤(7)个体交叉在于在两个个体中，分别为主个体和副个体，在主个体中，选择随机数量个水轮机位置坐标信息，与副个体中相应位置处的水轮机位置坐标信息进行计算，生成新的位置坐标信息，组成新的个体；新个体其余位置处的位置坐标信息与主个体位置坐标信息相同。
8.根据权利要求7所述的基于遗传算法的潮流能水轮机阵列优化方法，其特征在于：步骤(7)计算新个体的水轮机位置坐标信息：
xc＝mxa+(1-m)xb(0＜m＜1)
yc＝nya+(1-n)yb(0＜n＜1)
式中，xa、ya分别为主个体中水轮机的位置坐标信息，xb、yb分别为副个体中水轮机的位置坐标信息，xc、yc分别为新个体中水轮机的位置坐标信息，m和n是随机生成的随机因子，其值位于0到1之间。
9.根据权利要求1所述的基于遗传算法的潮流能水轮机阵列优化方法，其特征在于：步骤(8)对于每个发生变异的个体，选择随机数量的水轮机位置坐标通过计算生成新的水轮机位置坐标，替换原有的水轮机位置坐标，组成新的个体。
10.根据权利要求9所述的基于遗传算法的潮流能水轮机阵列优化方法，其特征在于：变异个体中发生变化的水轮机位置坐标按以下方式转化：
x2a＝lx1a+W(1-l)(0＜l＜1)
y2a＝ky1a+L(1-k)(0＜k＜1)
式中，x1a、y1a分别为个体中转化前的水轮机位置坐标信息，x2a、y2a分别为个体中转化后的水轮机位置坐标信息，W为布置区域的宽度，L为布置区域的长度，l和k是随机生成的随机因子，其值位于0到1之间。
CN201710484060.9A 2017-06-23 2017-06-23 一种基于遗传算法的潮流能水轮机阵列优化方法 Active CN107480805B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710484060.9A CN107480805B (zh) 2017-06-23 2017-06-23 一种基于遗传算法的潮流能水轮机阵列优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710484060.9A CN107480805B (zh) 2017-06-23 2017-06-23 一种基于遗传算法的潮流能水轮机阵列优化方法

Publications (2)

Publication Number Publication Date
CN107480805A true CN107480805A (zh) 2017-12-15
CN107480805B CN107480805B (zh) 2021-05-11

Family

ID=60593731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710484060.9A Active CN107480805B (zh) 2017-06-23 2017-06-23 一种基于遗传算法的潮流能水轮机阵列优化方法

Country Status (1)

Country Link
CN (1) CN107480805B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298495A (zh) * 2019-06-11 2019-10-01 天津大学 基于改进型差分进化算法的波浪发电装置的阵列优化方法
CN110889218A (zh) * 2019-11-20 2020-03-17 天生桥二级水力发电有限公司天生桥水力发电总厂 基于神经网络的水轮机非线性建模方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030110017A1 (en) * 2001-12-07 2003-06-12 Guthrie Charles F. Optimized cycle length system and method for improving performance of oil wells
CN102496063A (zh) * 2011-11-17 2012-06-13 江南大学 大功率led阵列照度均匀化的方法
US20130110751A1 (en) * 2011-10-31 2013-05-02 Taif University Computational device implemented method of solving constrained optimization problems
CN105634593A (zh) * 2015-12-18 2016-06-01 重庆邮电大学 一种基于遗传算法的室内可见光通信led阵列布局优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030110017A1 (en) * 2001-12-07 2003-06-12 Guthrie Charles F. Optimized cycle length system and method for improving performance of oil wells
US20130110751A1 (en) * 2011-10-31 2013-05-02 Taif University Computational device implemented method of solving constrained optimization problems
CN102496063A (zh) * 2011-11-17 2012-06-13 江南大学 大功率led阵列照度均匀化的方法
CN105634593A (zh) * 2015-12-18 2016-06-01 重庆邮电大学 一种基于遗传算法的室内可见光通信led阵列布局优化方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298495A (zh) * 2019-06-11 2019-10-01 天津大学 基于改进型差分进化算法的波浪发电装置的阵列优化方法
CN110889218A (zh) * 2019-11-20 2020-03-17 天生桥二级水力发电有限公司天生桥水力发电总厂 基于神经网络的水轮机非线性建模方法
CN110889218B (zh) * 2019-11-20 2023-09-01 天生桥二级水力发电有限公司天生桥水力发电总厂 基于神经网络的水轮机非线性建模方法

Also Published As

Publication number Publication date
CN107480805B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
Sun et al. Investigation into spacing restriction and layout optimization of wind farm with multiple types of wind turbines
CN103996074B (zh) 基于cfd和改进pso的复杂地形风电场微观选址方法
CN104408260A (zh) 一种潮流能水轮机叶片翼型设计方法
CN103942608B (zh) 一种基于尾流模型的风电场优化调度方法
CN106203695A (zh) 一种降低尾流效应的风电场内优化调度方法
CN101852172A (zh) 一种考虑风电场内尾流影响的风电机组输入风速计算方法
CN103886179B (zh) 一种基于尾流效应分群的风电场风机聚合方法
CN107563538B (zh) 大电网平台下的面向关键水位控制的多目标水库群调度优化方法
CN106548253A (zh) 基于非参数核密度估计的风电功率预测的方法
CN104182806B (zh) 一种基于正交降维搜索算法的水电站群优化调度方法
CN105373858B (zh) 一种基于风速时序分解的风电场有功功率优化方法
CN107681655A (zh) 一种潮汐流能发电场协调规划方法
Hashem et al. Metamodeling-based parametric optimization of a bio-inspired Savonius-type hydrokinetic turbine
Beşkirli et al. Optimal placement of wind turbines using novel binary invasive weed optimization
Sun et al. Investigations on the hydrodynamic interference of the multi-rotor vertical axis tidal current turbine
CN107784386A (zh) 一种基于风速衰减因子的风电场风机优化排布方法及系统
CN107480805A (zh) 一种基于遗传算法的潮流能水轮机阵列优化方法
CN106897793A (zh) 一种可保证安全距离的基于遗传算法的风电场风力发电机排布优化方法
CN102609590B (zh) 风电场群布局方法
CN108155673A (zh) 考虑发电侧组合发电不确定性的电力系统优化调度方法
CN106951977A (zh) 一种基于尾流效应的风速预测模型的构建方法
Zheng et al. Uniform test method optimum design for drag-type modified Savonius VAWTs by CFD numerical simulation
CN109670219A (zh) 一种基于网格化海域的潮流能水轮机阵列优化方法
Wu et al. Tidal turbine array optimization based on the discrete particle swarm algorithm
CN106919730A (zh) 一种采用风速衰减因子的风电场尾流确定方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220420

Address after: No.8, Fucheng West Road, Jiangning Development Zone, Nanjing, Jiangsu Province

Patentee after: HOHAI University

Patentee after: CHINA THREE GORGES Corp.

Address before: No.8, Fucheng West Road, Jiangning Development Zone, Nanjing, Jiangsu Province

Patentee before: HOHAI University

TR01 Transfer of patent right