基于自适应神经代理的波能转换器阵列布置优化方法
神经与进化计算
2019-12-17 v2
摘要
近年来可再生能源的装机容量大幅扩张。波能因其高容量因子，在补充已成熟的太阳能和风能方面具有巨大潜力。本研究探讨了在数值模拟的海洋环境中，在尺寸受限的场区内优化先进的三系泊波能转换器布局的问题。模拟和计算波能场中复杂的水动力相互作用在计算上代价高昂，这将优化方法的评估次数限制为仅几千次。为应对这一昂贵优化问题，提出了一种自适应神经代理优化（ANSO）方法，该方法由一个以极少量观测数据训练的代理循环神经网络（RNN）模型组成。该模型与快速元启发式优化器耦合以调整模型的超参数。训练后的模型采用带有回溯优化策略的贪心局部搜索进行应用。为评估所提方法的性能，在四个真实波浪场景（悉尼、珀斯、阿德莱德和塔斯马尼亚）中比较了一些较流行且成功的进化算法（EAs）。实验结果表明，该自适应神经模型在总捕获功率输出方面与其他优化方法具有竞争力，且在总计算成本方面更快。
引用
@article{arxiv.1907.03076,
title = {Adaptive Neuro-Surrogate-Based Optimisation Method for Wave Energy Converters Placement Optimisation},
author = {Mehdi Neshat and Ehsan Abbasnejad and Qinfeng Shi and Bradley Alexander and Markus Wagner},
journal= {arXiv preprint arXiv:1907.03076},
year = {2019}
}
备注
12 pages, 2 tables, 6 figures