基于多项式混沌展开和Kriging模型的高精度风电场布局优化
最优化与控制
2025-02-18 v1
摘要
本文提出了一种风电场布局优化框架，该框架整合了多项式混沌展开、Kriging模型和期望改进算法。所提出的框架通过大幅减少实现精确年发电量预测所需的函数评估次数，解决了高精度风电场仿真相关的计算挑战。基于多项式混沌展开的预测方法以降低的计算成本实现了超过96%的优异精度，显著降低了后续训练代理模型的开销。Kriging模型结合遗传算法用于基于代理模型的优化，以大幅降低的计算成本实现了与直接优化相当的性能。期望改进算法的集成增强了框架的全局优化能力，使其能够逃离局部最优并获得与直接优化几乎相同或甚至更优的结果。通过四个案例研究验证了多项式混沌展开-Kriging框架的可行性，包括使用低精度尾流模型优化8、16和32台风机组成的风电场，以及使用计算流体动力学仿真的高精度案例。结果表明，所提出的框架在优化风电场布局方面非常高效，在保持或提高年发电量预测精度的同时显著降低了计算成本。
引用
@article{arxiv.2502.11088,
title = {Towards high-fidelity wind farm layout optimization using polynomial chaos expansion and Kriging model},
author = {Yi-Xiao Shao and Zhen-Fan Wang and Shine Win Naung and Kai Zhang and Yufeng Yao and Dai Zhou},
journal= {arXiv preprint arXiv:2502.11088},
year = {2025}
}