CN117852422A - 一种基于组合优化的海上风电浮式基础主尺度优化方法 - Google Patents
一种基于组合优化的海上风电浮式基础主尺度优化方法 Download PDFInfo
- Publication number
- CN117852422A CN117852422A CN202410266967.8A CN202410266967A CN117852422A CN 117852422 A CN117852422 A CN 117852422A CN 202410266967 A CN202410266967 A CN 202410266967A CN 117852422 A CN117852422 A CN 117852422A
- Authority
- CN
- China
- Prior art keywords
- solution
- combination
- key
- wind power
- optimization
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 85
- 238000007667 floating Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 87
- 238000013461 design Methods 0.000 claims abstract description 29
- 230000008901 benefit Effects 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 56
- 238000011156 evaluation Methods 0.000 claims description 43
- 239000003016 pheromone Substances 0.000 claims description 41
- 210000000349 chromosome Anatomy 0.000 claims description 35
- 230000002068 genetic effect Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000035772 mutation Effects 0.000 claims description 14
- 241000257303 Hymenoptera Species 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002929 anti-fatigue Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及风力发电技术领域，公开了一种基于组合优化的海上风电浮式基础主尺度优化方法，包括以下步骤：选取浮式基础的关键参数，确定优化目标；将关键参数作为博弈的局中人，定义每个关键参数的策略空间得到策略集，并进行离散化处理；基于结构稳定性模拟、成本计算和安全性评估来定义每个关键参数的收益函数；利用融合优化算法计算纳什均衡点，并根据纳什均衡点确定海上风电浮式基础的最优主尺度参数组合。本发明通过博弈论的纳什均衡概念，实现了结构稳定性、安全性与成本效率等多个目标的有效平衡，能够有效地处理复杂的参数空间，为浮式风电基础的设计和优化提供更为科学、合理且经济的解决方案。
Description
技术领域
本发明涉及风力发电技术领域，具体来说，涉及一种基于组合优化的海上风电浮式基础主尺度优化方法。
背景技术
随着全球对于可再生能源的需求日益增长，海上风电作为一种高效且环境友好的清洁能源，已经成为全球能源结构转型的重要组成部分。特别是浮式风电技术的出现，它通过允许风力发电设施在更深的水域进行安装，极大地扩展了海上风电的潜在应用范围，使得原本因水深限制而无法利用的海域也成为了风电开发的新前线。这一技术的发展，不仅为海上风电的可行性和经济性开辟了新的可能，也为全球的可再生能源供应贡献了新的力量。
然而，浮式风电基础的设计和优化过程却充满了复杂性和挑战性。这些挑战主要来自于需要综合考量的多方面因素，包括但不限于结构的稳定性、安全性以及成本效率。稳定性是确保浮式风电平台能够在恶劣海洋环境中稳固运作的关键，安全性则关系到整个设施的运维人员和设备的安全，而成本效率则直接关联到项目的经济可行性和最终的能源成本。传统的优化方法往往侧重于针对某一单一目标进行优化，例如可能专注于降低成本而忽视了结构的稳定性或安全性，或者反之。此外，当面对高维度和复杂的参数空间时，这些传统方法在寻找最优解的过程中效率往往不高，这进一步限制了优化的空间和效果，导致无法充分挖掘和利用浮式风电技术的潜力。
因此，为了克服这些挑战并实现真正意义上的优化，需要开发出更加高效和全面的优化方法，这些方法应能够同时考虑到结构稳定性、安全性和成本效率等多个目标，并能够有效地处理复杂的参数空间，从而为浮式风电基础的设计和优化提供更为科学、合理且经济的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于组合优化的海上风电浮式基础主尺度优化方法，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
一种基于组合优化的海上风电浮式基础主尺度优化方法，该基于组合优化的海上风电浮式基础主尺度优化方法包括以下步骤：
S1、选取浮式基础的关键参数，并确定优化目标；
S2、将关键参数作为博弈的局中人，定义每个关键参数的策略空间得到策略集，并对每个关键参数的策略集进行离散化处理；
S3、基于结构稳定性模拟、成本计算和安全性评估来定义每个关键参数的收益函数；
S4、利用融合优化算法计算纳什均衡点，并根据纳什均衡点确定海上风电浮式基础的最优主尺度参数组合。
进一步地，所述关键参数包括浮体形状、直径、高度、间距及平台吃水深度，所述优化目标为在满足稳定性和安全性要求的前提下使总成本最小。
进一步地，所述离散化处理的公式为：
；
式中，P i 表示关键参数可选的第i个策略值，P max 表示关键参数的最大值，P min 表示关键参数的最大值，c i 表示关键参数策略集中策略的个数。
进一步地，所述基于结构稳定性模拟、成本计算和安全性评估来定义每个关键参数的收益函数包括以下步骤：
S31、利用有限元分析模拟法对浮式基础的设计方案进行结构稳定性模拟，分析每个关键参数变化对结构稳定性的影响；
S32、根据设计方案的不同建立相应的成本模型，分析每个关键参数变化对成本的影响；
S33、依据行业标准和实践确定安全性评估的具体标准，分析每个关键参数变化对安全性的影响；
S34、基于结构稳定性模拟、成本计算和安全性评估的结果定义评价指标函数，其中，所述评价指标函数包括结构稳定性函数、成本函数及安全性函数；
S35、整合每个关键参数的结构稳定性评价指标、成本评价指标及安全性评价指标，并结合每个评价指标预设的权重因子，定义收益函数。
进一步地，所述收益函数的表达式为：
；
式中，F(p)表示关键参数p的收益值，S(p)表示关键参数p的结构稳定性评分，C(p)表示基于关键参数p的设计总成本，A(p)表示关键参数p的安全性评分，分别表示结构稳定性评价指标、总成本评价指标及安全性评价指标的权重。
进一步地，所述利用融合优化算法计算纳什均衡点，并根据纳什均衡点确定海上风电浮式基础的最优主尺度参数组合包括以下步骤：
S41、分别设定遗传算法基础和蚁群算法基础；
S42、利用遗传算法生成新的关键参数的组合解，并基于蚁群算法对生成新的关键参数的组合解进行调整，寻找更优的关键参数的组合解；
S43、重复执行S42，结合遗传算法生成的新的关键参数的组合解和蚁群算法的路径优化结果，直至找到纳什均衡点；
S44、将纳什均衡点映射到具体的主尺度参数上，得到最优的关键参数组合解，即海上风电浮式基础的最优主尺度参数组合。
进一步地，所述分别设定遗传算法基础和蚁群算法基础包括：
设定遗传算法基础：利用编码机制将关键参数转换成染色体，随机生成初始种群，并为每个染色体定义适应度函数用以评估其优化目标的达成程度；
设定蚁群算法基础：将策略空间中每个关键参数的选择定义为路径，并设置信息素的初始值及更新规则。
进一步地，所述利用遗传算法生成新的关键参数的组合解，并基于蚁群算法对生成新的关键参数的组合解进行调整，寻找更优的关键参数的组合解包括以下步骤：
S421、根据适应度函数选择更优的关键参数的组合解进行繁殖，并通过交叉和变异操作生成新的关键参数的组合解；
S422、利用蚁群算法中的信息素机制优化局部搜索，并通过模拟路径选择和信息素更新机制来调整关键参数的组合解，寻找更优的关键参数的组合解。
进一步地，所述根据适应度函数选择更优的关键参数的组合解进行繁殖，并通过交叉和变异操作生成新的关键参数的组合解包括以下步骤：
S4211、利用适应度函数计算种群中每个染色体的适应度值，并基于染色体的适应度值选择适应度更高的染色体进行下一代的繁殖；
S4212、随机选择已经通过选择过程的染色体对作为父母，通过交叉操作生成子代染色体，并对每个子代染色体进行变异操作；
S4213、通过选择、交叉和变异操作，生成新一代的种群，并重复执行S4211-S4212，直到达到预设的迭代次数或适应度达到预设的阈值；
S4214、选择适应度最高的染色体作为最优解，得到新的关键参数的组合解。
进一步地，所述利用蚁群算法中的信息素机制优化局部搜索，并通过模拟路径选择和信息素更新机制来调整关键参数的组合解，寻找更优的关键参数的组合解包括以下步骤：
S4221、根据当前信息素的浓度以及关键参数的重要性或优先级选择路径，构建解决方案，并在完成其路径选择后，根据更新规则对路径上的信息素进行局部更新；
S4222、根据预定义的适应度函数对构建的解决方案进行评估，并在所有蚂蚁完成一次迭代的路径选择和局部信息素更新后，根据这一轮迭代中找到的最佳解或者一组优良解，更新路径上的信息素浓度；
S4223、重复执行S4221-S4222，直至达到预设的迭代次数或最优解的质量达到预设阈值，并从所有迭代中选择最优的解决方案作为问题的最终解，寻找更优的关键参数的组合解。
本发明的有益效果为：
1）本发明通过博弈论的纳什均衡概念，实现了结构稳定性、安全性与成本效率等多个目标的有效平衡，能够有效地处理复杂的参数空间，为浮式风电基础的设计和优化提供更为科学、合理且经济的解决方案。
2）本发明提出了一种基于组合优化的海上风电浮式基础主尺度优化方法，专门针对海上风电浮式基础的主尺度参数优化，通过结合遗传算法和蚁群算法，利用博弈论框架来指导离散化关键参数的策略集及收益函数的定义，有效地处理了多目标优化问题。在这个过程中，博弈论不仅作为一种方法论基础，促进了遗传算法的全局搜索与蚁群算法的局部搜索之间的有效协同，还确保了在稳定性、安全性与成本效益之间找到最佳平衡点。
3）本发明不仅可以通过离散化处理，简化问题空间，使遗传算法和蚁群算法能够更高效地搜索最优解，显著提高了优化过程的效率，而且还可以结合遗传算法的全局搜索能力和蚁群算法的局部搜索优势，能够在多个优化目标之间找到最佳平衡，有效地解决了单一目标优化方法的局限性。
4）本发明不仅可以通过计算纳什均衡点确定最优参数组合，确保找到的解决方案在各个目标之间实现了稳定且可靠的平衡，增强了设计方案的实用性和可行性，而且还可以通过收益函数的定义为决策者提供量化的评价工具，帮助他们在设计方案的多个方面（如成本、安全性和稳定性）之间做出更加明智的选择。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于组合优化的海上风电浮式基础主尺度优化方法的流程图。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种基于组合优化的海上风电浮式基础主尺度优化方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于组合优化的海上风电浮式基础主尺度优化方法，该基于组合优化的海上风电浮式基础主尺度优化方法包括以下步骤：
S1、选取浮式基础的关键参数，并确定优化目标；其中，所述关键参数包括浮体形状、直径、高度、间距及平台吃水深度，所述优化目标为在满足稳定性和安全性要求的前提下使总成本最小。
具体地，浮体的形状（如圆柱形、半潜式、浮筒式等）影响其水动力性能和结构稳定性，不同形状的浮体适应不同海洋环境和安装深度；对于圆柱形或圆锥形浮体，直径是其最主要的尺寸之一，直径的大小直接影响浮体的浮力和稳定性；浮体的高度也是一个关键参数，它影响浮体的容积、结构强度以及抗波浪的能力；浮体间距是指不同浮体之间的水平距离，对于多浮体结构来说尤为重要，它直接影响到浮式基础的整体稳定性、水动力性能以及结构响应；浮体的吃水深度是指浮体下沉到水面以下的深度，吃水深度影响浮体的浮力中心和重心位置，进而影响稳定性。
S2、将关键参数作为博弈的局中人，定义每个关键参数的策略空间（策略空间指关键参数可能采取的所有值的范围，这需要基于先前的研究、工程经验和技术规范来确定）得到策略集，并对每个关键参数的策略集进行离散化处理（由于博弈论研究的策略空间为离散的，所以需要将各参数的策略集离散化处理）；
具体地，所述离散化处理的公式为：
；
式中，P i 表示关键参数可选的第i个策略值，P max 表示关键参数的最大值，P min 表示关键参数的最大值，c i 表示关键参数策略集中策略的个数。
上述步骤S2具备以下效果：1）降低问题复杂度：直接在连续的参数空间中搜索可能会面临极其复杂的问题空间，尤其是在参数维度高时。离散化处理可以将问题空间简化，使得算法更易于寻找有效解。2）优化算法的适用性：许多优化算法，特别是遗传算法和蚁群算法，更适合处理离散化的问题。这些算法在离散空间中的搜索效率更高，能够更快地收敛到优解。3）策略集的定义：通过将关键参数作为博弈的局中人，并定义其策略集，可以更好地理解和探索各参数间的相互作用及其对优化目标的影响，这在复杂系统优化中尤为重要。
S3、基于结构稳定性模拟、成本计算和安全性评估来定义每个关键参数的收益函数（收益函数的构建需要考虑到不同关键参数间的相互作用和影响）；
其中，所述基于结构稳定性模拟、成本计算和安全性评估来定义每个关键参数的收益函数包括以下步骤：
S31、利用有限元分析模拟法对浮式基础的设计方案进行结构稳定性模拟，分析每个关键参数变化对结构稳定性的影响；
具体地，设计方案表示S1和S2步骤中的关键参数和策略空间，在S1中明确了优化目标和关键参数，其中关键参数是优化设计中的关键变量，如浮体形状、直径、高度、间距及平台吃水深度等。这些参数直接影响了设计方案的性能，包括其结构稳定性。在S2中扩展和细化了策略空间，这涉及到考虑更多的设计参数和可能的配置，以确保能够探索到更广泛的设计方案集合。这些方案可能包括不同形状的浮体、不同的结构布局等，每种方案都有其独特的性能特点和应对特定环境条件的能力。因此，当提到利用有限元分析、流体动力学模拟等方法进行结构稳定性模拟的“设计方案”时，实际上是在评估和分析S1和S2中确定的那些关键优化参数和扩展策略空间所构成的具体方案。这些模拟和分析帮助我们理解不同设计方案在面对真实环境条件（如风、浪、流等）时的表现，从而评估它们的结构稳定性，为最终的优化决策提供科学依据。
S32、根据设计方案的不同建立相应的成本模型，包括材料、制造、运输和安装成本等，分析每个关键参数变化对成本的影响，确定成本函数，考虑规模经济和批量生产的可能性来精确估算；
S33、依据行业标准和实践确定安全性评估的具体标准（如抗倾覆、抗疲劳等），进行安全性分析，包括结构强度、疲劳寿命预测、紧急情况下的逃生评估等，确保设计方案满足安全要求，分析每个关键参数变化对安全性的影响；
S34、基于结构稳定性模拟、成本计算和安全性评估的结果定义评价指标函数，具体地，所述评价指标函数包括结构稳定性函数、成本函数及安全性函数；
S35、整合每个关键参数的结构稳定性评价指标、成本评价指标及安全性评价指标，并结合每个评价指标预设的权重因子（可以基于历史数据、专家经验或者项目特定要求来初步设定权重），定义收益函数。
具体地，所述收益函数的表达式为：
；
式中，F(p)表示关键参数p的收益值，S(p)表示关键参数p的结构稳定性评分，C(p)表示基于关键参数p的设计总成本，A(p)表示关键参数p的安全性评分，分别表示结构稳定性评价指标、总成本评价指标及安全性评价指标的权重。
上述步骤S3具备以下效果：1）多目标优化：海上风电浮式基础优化不仅仅是寻找成本最低的设计，还需要确保结构的稳定性和安全性。通过定义收益函数，可以综合考虑这些因素，实现多目标优化。2）评价指标的定量化：收益函数将结构稳定性、成本和安全性等评价指标定量化，为优化算法提供了明确的评价标准，使得算法可以在明确的指导下进行参数优化。3）决策支持：收益函数为决策者提供了一种量化工具，以评估不同设计方案的综合性能，帮助他们在各种权衡之间做出更加明智的决策。
S4、利用融合优化算法计算纳什均衡点，并根据纳什均衡点确定海上风电浮式基础的最优主尺度参数组合。
其中，所述利用融合优化算法计算纳什均衡点，并根据纳什均衡点确定海上风电浮式基础的最优主尺度参数组合包括以下步骤：
S41、分别设定遗传算法基础和蚁群算法基础；
具体地，所述分别设定遗传算法基础和蚁群算法基础包括：
设定遗传算法基础：利用编码机制将关键参数转换成染色体，随机生成初始种群（初始种群是通过从离散化的策略集中随机选择参数值来创建的，这样不仅保证了种群的多样性，也确保了搜索空间的全面覆盖），代表可能的解集合，并为每个染色体定义适应度函数用以评估其优化目标的达成程度；
设定蚁群算法基础：将策略空间中每个关键参数的选择定义为路径，并设置信息素的初始值及更新规则。
在蚁群算法中，每条路径代表了一种参数组合的解决方案。离散化的策略集为蚂蚁提供了清晰的路径选择。每个蚂蚁在构建其解决方案的过程中，会根据离散化策略集中的选项来选择其路径。蚂蚁在选择路径并完成解决方案构建后，根据解决方案的质量（通常由收益函数评估）在其路径上留下信息素。这个信息素会指导后来的蚂蚁进行更好的路径选择。离散化的策略集使得信息素更新过程更加明确，因为每个路径或策略组合都清晰地对应于特定的参数值组合。
S42、利用遗传算法生成新的关键参数的组合解，并基于蚁群算法对生成新的关键参数的组合解进行调整，寻找更优的关键参数的组合解；
具体地，所述利用遗传算法生成新的关键参数的组合解，并基于蚁群算法对生成新的关键参数的组合解进行调整，寻找更优的关键参数的组合解包括以下步骤：
S421、根据适应度函数选择更优的关键参数的组合解进行繁殖，并通过交叉和变异操作生成新的关键参数的组合解；具体包括以下步骤：
S4211、利用适应度函数计算种群中每个染色体的适应度值，适应度值越高，染色体代表的解越优，并基于染色体的适应度值选择适应度更高的染色体进行下一代的繁殖，常用的选择策略包括轮盘赌选择、锦标赛选择等；
S4212、随机选择已经通过选择过程的染色体对作为父母，通过交叉操作生成子代染色体，交叉是遗传算法中引入新解的主要方式。交叉操作可以是单点交叉、多点交叉或均匀交叉等，为了维持种群的多样性，对子代染色体进行变异操作，变异可以是随机改变某个染色体中的一个或多个基因位点的值，变异率通常设置得较低；
单点交叉：在染色体的一个随机位置断开，然后交换两个父母染色体的断后部分，生成两个新染色体。
多点交叉：在染色体上选择多个断点，然后交换断点间的片段。
均匀交叉：每个基因位点都有相等的概率决定来自哪个父母。
位点变异：随机选择染色体上的一个或多个位点，改变其值。
序列变异：在染色体上选择一个序列，进行逆转、插入或删除操作。
S4213、通过选择、交叉和变异操作，生成新一代的种群，并重复执行S4211-S4212，直到达到预设的迭代次数或适应度达到预设的阈值；
S4214、选择适应度最高的染色体作为最优解，得到新的关键参数的组合解。
上述过程有效地探索了关键参数的可能组合，通过模拟自然选择和遗传机制，持续优化解的质量，直到找到满足问题需求的最优或近似最优解。
S422、利用蚁群算法中的信息素机制优化局部搜索，并通过模拟路径选择和信息素更新机制来调整关键参数的组合解，寻找更优的关键参数的组合解；具体包括以下步骤：
S4221、根据当前信息素的浓度以及关键参数的重要性或优先级选择路径，构建解决方案，路径的选择通常基于一种概率机制，该机制偏好信息素浓度高的路径，并在完成其路径选择后，根据更新规则对路径上的信息素进行局部更新，此步骤可以模拟信息素的自然蒸发过程，减少那些被选择的路径上的信息素浓度，避免算法过早收敛于局部最优解；
S4222、根据预定义的适应度函数对构建的解决方案进行评估，确定每个解决方案的质量，为信息素的全局更新提供依据，并在所有蚂蚁完成一次迭代的路径选择和局部信息素更新后，根据这一轮迭代中找到的最佳解或者一组优良解，更新路径上的信息素浓度，从而有助于强化好的解决方案路径上的信息素，引导未来的搜索方向；
S4223、重复执行S4221-S4222，直至达到预设的迭代次数或最优解的质量达到预设阈值，并从所有迭代中选择最优的解决方案作为问题的最终解，寻找更优的关键参数的组合解。
通过上述过程，蚁群算法利用信息素机制进行局部搜索优化，通过模拟蚂蚁的路径选择和信息素更新机制调整关键参数的组合解，有效地探索解空间并找到优化问题的解决方案。这种方法特别适合处理那些搜索空间大、解空间复杂的优化问题。通过不断的迭代和信息素的调整，蚁群算法能够在多个局部最优解之间平衡，逐渐逼近全局最优解或者满意解。这个过程的成功依赖于合理设置的信息素蒸发率、信息素强度和蚂蚁数量等参数，以及有效的全局和局部信息素更新策略。最终，通过迭代过程中蚂蚁的集体智慧，能够找到满足问题需求的最优或近似最优解。
S43、重复执行S42，结合遗传算法生成的新的关键参数的组合解和蚁群算法的路径优化结果，直至找到纳什均衡点；
S44、将纳什均衡点映射到具体的主尺度参数上，得到最优的关键参数组合解，即海上风电浮式基础的最优主尺度参数组合。
为了更好的理解S4中利用融合优化算法计算纳什均衡点，并根据纳什均衡点确定海上风电浮式基础的最优主尺度参数组合的技术方案，以下通过一个具体的例子来展示如何使用融合优化算法计算纳什均衡点，并根据该纳什均衡点确定海上风电浮式基础的最优主尺度参数组合。在这个例子中，假设海上风电浮式基础的主要参数包括浮体形状、直径、高度、间距及平台吃水深度，使用遗传算法（GA）和蚁群算法（ACO）的结合来找到这些参数的最优组合，具体如下：
1）定义问题和参数
目标函数：最小化成本同时满足稳定性和安全性要求。这可以转化为多目标优化问题。
参数：浮体形状、直径、高度、间距、平台吃水深度。
2）离散化参数
参数被离散化为具体策略集。例如，浮体形状可选为圆形、方形、椭圆形；直径、高度、间距和吃水深度也根据实际设计要求被离散化为多个可能的值。
3）定义收益函数
为每个参数定义收益函数，评估不同参数值对目标函数影响。例如，某些形状可能因为其水动力性能而更适合特定的海洋环境，从而影响整体成本和稳定性。
4）融合优化算法的应用
初始化：根据离散化的策略集生成初始种群和蚂蚁。
遗传算法操作：通过选择、交叉和变异操作，遗传算法探索参数的不同组合。
蚁群算法操作：蚂蚁基于信息素和离散化策略集进行路径选择，路径即参数组合。解的质量影响信息素更新，指导后续蚂蚁选择更优路径。
迭代：重复上述遗传算法和蚁群算法的操作，直到满足终止条件，例如达到预定的迭代次数或解的改进幅度小于阈值。
5）计算纳什均衡点
通过迭代找到的参数组合，即满足成本最小化且确保稳定性和安全性的组合，可视为纳什均衡点。
6）确定最优参数组合
经过多次迭代后，选择在所有迭代中表现最好（即成本最低，稳定性和安全性最高）的参数组合作为海上风电浮式基础的最优主尺度参数组合。示例：假设通过迭代计算，找到了一个纳什均衡点：椭圆形浮体、浮体直径15m、高度10m、间距20m、平台吃水深度5m。这个组合既考虑了成本效益，又满足了结构稳定性和安全性的需求。
综上所述，借助于本发明的上述技术方案，通过博弈论的纳什均衡概念，实现了结构稳定性、安全性与成本效率等多个目标的有效平衡，能够有效地处理复杂的参数空间，为浮式风电基础的设计和优化提供更为科学、合理且经济的解决方案。
此外，本发明提出了一种基于组合优化的海上风电浮式基础主尺度优化方法，专门针对海上风电浮式基础的主尺度参数优化，通过结合遗传算法和蚁群算法，利用博弈论框架来指导离散化关键参数的策略集及收益函数的定义，有效地处理了多目标优化问题。在这个过程中，博弈论不仅作为一种方法论基础，促进了遗传算法的全局搜索与蚁群算法的局部搜索之间的有效协同，还确保了在稳定性、安全性与成本效益之间找到最佳平衡点。
此外，本发明不仅可以通过离散化处理，简化问题空间，使遗传算法和蚁群算法能够更高效地搜索最优解，显著提高了优化过程的效率，而且还可以结合遗传算法的全局搜索能力和蚁群算法的局部搜索优势，能够在多个优化目标之间找到最佳平衡，有效地解决了单一目标优化方法的局限性。
此外，本发明不仅可以通过计算纳什均衡点确定最优参数组合，确保找到的解决方案在各个目标之间实现了稳定且可靠的平衡，增强了设计方案的实用性和可行性，而且还可以通过收益函数的定义为决策者提供量化的评价工具，帮助他们在设计方案的多个方面（如成本、安全性和稳定性）之间做出更加明智的选择。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于组合优化的海上风电浮式基础主尺度优化方法，其特征在于，该基于组合优化的海上风电浮式基础主尺度优化方法包括以下步骤：
S1、选取浮式基础的关键参数，并确定优化目标；
S2、将关键参数作为博弈的局中人，定义每个关键参数的策略空间得到策略集，并对每个关键参数的策略集进行离散化处理；
S3、基于结构稳定性模拟、成本计算和安全性评估来定义每个关键参数的收益函数；
S4、利用融合优化算法计算纳什均衡点，并根据纳什均衡点确定海上风电浮式基础的最优主尺度参数组合。
2.根据权利要求1所述的一种基于组合优化的海上风电浮式基础主尺度优化方法，其特征在于，所述关键参数包括浮体形状、直径、高度、间距及平台吃水深度，所述优化目标为在满足稳定性和安全性要求的前提下使总成本最小。
3.根据权利要求1所述的一种基于组合优化的海上风电浮式基础主尺度优化方法，其特征在于，所述离散化处理的公式为：
；
式中，P i 表示关键参数可选的第i个策略值，P max 表示关键参数的最大值，P min 表示关键参数的最大值，c i 表示关键参数策略集中策略的个数。
4.根据权利要求1所述的一种基于组合优化的海上风电浮式基础主尺度优化方法，其特征在于，所述基于结构稳定性模拟、成本计算和安全性评估来定义每个关键参数的收益函数包括以下步骤：
S31、利用有限元分析模拟法对浮式基础的设计方案进行结构稳定性模拟，分析每个关键参数变化对结构稳定性的影响；
S32、根据设计方案的不同建立相应的成本模型，分析每个关键参数变化对成本的影响；
S33、依据行业标准和实践确定安全性评估的具体标准，分析每个关键参数变化对安全性的影响；
S34、基于结构稳定性模拟、成本计算和安全性评估的结果定义评价指标函数，其中，所述评价指标函数包括结构稳定性函数、成本函数及安全性函数；
S35、整合每个关键参数的结构稳定性评价指标、成本评价指标及安全性评价指标，并结合每个评价指标预设的权重因子，定义收益函数。
5.根据权利要求4所述的一种基于组合优化的海上风电浮式基础主尺度优化方法，其特征在于，所述收益函数的表达式为：
；
式中，F(p)表示关键参数p的收益值，S(p)表示关键参数p的结构稳定性评分，C(p)表示基于关键参数p的设计总成本，A(p)表示关键参数p的安全性评分，分别表示结构稳定性评价指标、总成本评价指标及安全性评价指标的权重。
6.根据权利要求1所述的一种基于组合优化的海上风电浮式基础主尺度优化方法，其特征在于，所述利用融合优化算法计算纳什均衡点，并根据纳什均衡点确定海上风电浮式基础的最优主尺度参数组合包括以下步骤：
S41、分别设定遗传算法基础和蚁群算法基础；
S42、利用遗传算法生成新的关键参数的组合解，并基于蚁群算法对生成新的关键参数的组合解进行调整，寻找更优的关键参数的组合解；
S43、重复执行S42，结合遗传算法生成的新的关键参数的组合解和蚁群算法的路径优化结果，直至找到纳什均衡点；
S44、将纳什均衡点映射到具体的主尺度参数上，得到最优的关键参数组合解，即海上风电浮式基础的最优主尺度参数组合。
7.根据权利要求6所述的一种基于组合优化的海上风电浮式基础主尺度优化方法，其特征在于，所述分别设定遗传算法基础和蚁群算法基础包括：
设定遗传算法基础：利用编码机制将关键参数转换成染色体，随机生成初始种群，并为每个染色体定义适应度函数用以评估其优化目标的达成程度；
设定蚁群算法基础：将策略空间中每个关键参数的选择定义为路径，并设置信息素的初始值及更新规则。
8.根据权利要求6所述的一种基于组合优化的海上风电浮式基础主尺度优化方法，其特征在于，所述利用遗传算法生成新的关键参数的组合解，并基于蚁群算法对生成新的关键参数的组合解进行调整，寻找更优的关键参数的组合解包括以下步骤：
S421、根据适应度函数选择更优的关键参数的组合解进行繁殖，并通过交叉和变异操作生成新的关键参数的组合解；
S422、利用蚁群算法中的信息素机制优化局部搜索，并通过模拟路径选择和信息素更新机制来调整关键参数的组合解，寻找更优的关键参数的组合解。
9.根据权利要求8所述的一种基于组合优化的海上风电浮式基础主尺度优化方法，其特征在于，所述根据适应度函数选择更优的关键参数的组合解进行繁殖，并通过交叉和变异操作生成新的关键参数的组合解包括以下步骤：
S4211、利用适应度函数计算种群中每个染色体的适应度值，并基于染色体的适应度值选择适应度更高的染色体进行下一代的繁殖；
S4212、随机选择已经通过选择过程的染色体对作为父母，通过交叉操作生成子代染色体，并对每个子代染色体进行变异操作；
S4213、通过选择、交叉和变异操作，生成新一代的种群，并重复执行S4211-S4212，直到达到预设的迭代次数或适应度达到预设的阈值；
S4214、选择适应度最高的染色体作为最优解，得到新的关键参数的组合解。
10.根据权利要求8所述的一种基于组合优化的海上风电浮式基础主尺度优化方法，其特征在于，所述利用蚁群算法中的信息素机制优化局部搜索，并通过模拟路径选择和信息素更新机制来调整关键参数的组合解，寻找更优的关键参数的组合解包括以下步骤：
S4221、根据当前信息素的浓度以及关键参数的重要性或优先级选择路径，构建解决方案，并在完成其路径选择后，根据更新规则对路径上的信息素进行局部更新；
S4222、根据预定义的适应度函数对构建的解决方案进行评估，并在所有蚂蚁完成一次迭代的路径选择和局部信息素更新后，根据这一轮迭代中找到的最佳解或者一组优良解，更新路径上的信息素浓度；
S4223、重复执行S4221-S4222，直至达到预设的迭代次数或最优解的质量达到预设阈值，并从所有迭代中选择最优的解决方案作为问题的最终解，寻找更优的关键参数的组合解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410266967.8A CN117852422B (zh) | 2024-03-08 | 2024-03-08 | 一种基于组合优化的海上风电浮式基础主尺度优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410266967.8A CN117852422B (zh) | 2024-03-08 | 2024-03-08 | 一种基于组合优化的海上风电浮式基础主尺度优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117852422A true CN117852422A (zh) | 2024-04-09 |
| CN117852422B CN117852422B (zh) | 2024-05-10 |
Family
ID=90530645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410266967.8A Active CN117852422B (zh) | 2024-03-08 | 2024-03-08 | 一种基于组合优化的海上风电浮式基础主尺度优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117852422B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108347062A (zh) * | 2018-01-12 | 2018-07-31 | 华南理工大学 | 基于势博弈的微电网能量管理分布式多目标协同优化算法 |
| CN112054508A (zh) * | 2020-08-10 | 2020-12-08 | 国网甘肃省电力公司电力科学研究院 | 一种基于非合作博弈的风光抽蓄联合系统优化调度方法 |
| CN112561200A (zh) * | 2020-12-22 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 |
| CN112651105A (zh) * | 2020-11-30 | 2021-04-13 | 北京华能新锐控制技术有限公司 | 一种基于博弈论的微网容量配置优化方法 |
| CN113098011A (zh) * | 2021-05-20 | 2021-07-09 | 福州大学 | 一种基于改进NashQ算法的风电调度方法及系统 |
| CN113935551A (zh) * | 2021-11-25 | 2022-01-14 | 华北电力大学（保定） | 一种考虑可靠性电价和多主体博弈的配电网规划方法 |
| CN114662277A (zh) * | 2022-01-19 | 2022-06-24 | 南京航空航天大学 | 一种基于非合作博弈的海上风电场集群优化规划方法 |
| CN115409567A (zh) * | 2022-05-30 | 2022-11-29 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于智能电网区块链的非合作博弈模型的构建方法 |
| CN115577629A (zh) * | 2022-10-12 | 2023-01-06 | 大连理工大学 | 一种用于海上风电浮式基础主尺度的智能优化方法 |
| CN115640963A (zh) * | 2022-10-12 | 2023-01-24 | 上海电力大学 | 一种考虑投资运营模式的海上风电接入系统鲁棒规划方法 |
| CN117151931A (zh) * | 2023-09-19 | 2023-12-01 | 南京航空航天大学 | 一种基于Stackelberg博弈的海上风电场集群输电网络拓扑规划方法 |
| WO2024046137A1 (zh) * | 2022-08-31 | 2024-03-07 | 中国长江三峡集团有限公司 | 一种多能源联合发电系统的功率预测模型构建及预测方法 |
-
2024
- 2024-03-08 CN CN202410266967.8A patent/CN117852422B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108347062A (zh) * | 2018-01-12 | 2018-07-31 | 华南理工大学 | 基于势博弈的微电网能量管理分布式多目标协同优化算法 |
| CN112054508A (zh) * | 2020-08-10 | 2020-12-08 | 国网甘肃省电力公司电力科学研究院 | 一种基于非合作博弈的风光抽蓄联合系统优化调度方法 |
| CN112651105A (zh) * | 2020-11-30 | 2021-04-13 | 北京华能新锐控制技术有限公司 | 一种基于博弈论的微网容量配置优化方法 |
| CN112561200A (zh) * | 2020-12-22 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 |
| CN113098011A (zh) * | 2021-05-20 | 2021-07-09 | 福州大学 | 一种基于改进NashQ算法的风电调度方法及系统 |
| CN113935551A (zh) * | 2021-11-25 | 2022-01-14 | 华北电力大学（保定） | 一种考虑可靠性电价和多主体博弈的配电网规划方法 |
| CN114662277A (zh) * | 2022-01-19 | 2022-06-24 | 南京航空航天大学 | 一种基于非合作博弈的海上风电场集群优化规划方法 |
| CN115409567A (zh) * | 2022-05-30 | 2022-11-29 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于智能电网区块链的非合作博弈模型的构建方法 |
| WO2024046137A1 (zh) * | 2022-08-31 | 2024-03-07 | 中国长江三峡集团有限公司 | 一种多能源联合发电系统的功率预测模型构建及预测方法 |
| CN115577629A (zh) * | 2022-10-12 | 2023-01-06 | 大连理工大学 | 一种用于海上风电浮式基础主尺度的智能优化方法 |
| CN115640963A (zh) * | 2022-10-12 | 2023-01-24 | 上海电力大学 | 一种考虑投资运营模式的海上风电接入系统鲁棒规划方法 |
| CN117151931A (zh) * | 2023-09-19 | 2023-12-01 | 南京航空航天大学 | 一种基于Stackelberg博弈的海上风电场集群输电网络拓扑规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘文颖;李亚龙;郭鹏;梁安琪;刘福潮;: "基于纳什均衡的高载能负荷就地消纳受阻风电双边博弈决策", 可再生能源, no. 11, 20 November 2016 (2016-11-20) * |
| 栗然;霍启敬;陈宇;孙志攀;: "基于非零和博弈的互联系统协同消纳风电调度法", 电力系统自动化, no. 13, 5 June 2018 (2018-06-05) * |
| 马天男;彭丽霖;杜英;苟全峰;王超;郭小帆;: "区块链技术下局域多微电网市场竞争博弈模型及求解算法", 电力自动化设备, no. 05, 4 May 2018 (2018-05-04) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117852422B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110348046B (zh) | 一种基于模糊综合评价的钻进轨迹多目标优化方法 | |
| CN107229287A (zh) | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 | |
| CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
| Zhou et al. | Boosted local dimensional mutation and all-dimensional neighborhood slime mould algorithm for feature selection | |
| CN112100927A (zh) | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 | |
| Tapia et al. | Optimized micro-hydro power plants layout design using messy genetic algorithms | |
| CN105512752A (zh) | 一种城市公共服务设施选址方法 | |
| CN117592819A (zh) | 一种面向海洋牧场的陆海综合体的动态监管方法及装置 | |
| CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
| CN115577629A (zh) | 一种用于海上风电浮式基础主尺度的智能优化方法 | |
| CN116702945A (zh) | 基于改进的多模态多目标粒子群优化算法的选址优化方法 | |
| CN117852422B (zh) | 一种基于组合优化的海上风电浮式基础主尺度优化方法 | |
| CN116595120B (zh) | 基于遗传算法的地图面要素注记自动配置方法 | |
| CN118095620A (zh) | 一种基于遗传算法的城市建设用地规划方法 | |
| CN112800673A (zh) | 一种基于sa-ga-bp算法预测爆破块度的方法 | |
| CN115277445B (zh) | 一种基于QoS目标的微服务系统调度优化方法 | |
| CN106447088B (zh) | 基于遗传算法的施工现场灾害预测方法 | |
| CN113645632A (zh) | 基于人工免疫优化和可视多边形算法的5g基站布局方法 | |
| Gerey et al. | Groundwater Single‐and Multiobjective Optimization Using Harris Hawks and Multiobjective Billiards‐Inspired Algorithm | |
| Liu et al. | Automatic calibration of numerical models using fast optimisation by fitness approximation | |
| CN112132259B (zh) | 神经网络模型输入参量降维方法及计算机可读存储介质 | |
| Kumar et al. | AI based Economic Load Dispatch incorporating wind power penetration | |
| Ugurlu et al. | Identification of sustainable designs for floating settlements using computational design techniques | |
| Cedeno et al. | Genetic algorithms in aquifer management | |
| CN111815196A (zh) | 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法 |
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 |