一种基于NSGA-II算法的潮流能机组阵列疲劳均衡优化方法
本发明涉及海洋可再生能源开发利用,具体涉及一种基于nsga-ii算法的潮流能机组阵列疲劳均衡优化方法。
背景技术:
1、潮流能作为蕴含于海洋潮汐运动中的清洁可再生能源,因储量丰富、能量密度高、可预测性强等优势,被国际能源署列为下一代海洋能开发的战略重点。在工程实施中,潮流能发电通常以阵列形式部署多台水轮机,以实现兆瓦级以上的规模化发电。
2、潮流能阵列在长期工作过程中,由于阵列内各排机组所受入流速度与湍流强度的巨大差异,阵列内部各机组所受疲劳载荷分布严重不均。这种载荷不均衡的缺陷会导致同一阵列内各机组的工作寿命存在明显差异,使得整个潮流能阵列因少数机组提前退役而进入大修或停运状态,造成较大的经济损失。
3、现有的潮流能阵列优化方法优化目标过于单一,主要以年发电量最大化作为唯一目标,以单机功率作为评价指标,虽然能够在数值上提升发电量,但完全忽视阵列内载荷分布的均衡性,实际工作过程中会进一步加剧不同位置机组工作寿命差异过大的现象,缩短潮流能阵列的经济寿命;同时,现有的电场优化方法针对的是陆上风电场,优化对象为各机组功率分配,未涉及潮流能机组特有的桨距角-叶尖速比协同调度,无法直接适用于潮流能场景,并且多为单目标优化,无法在功率与载荷之间提供决策者可选择的折中方案集。
技术实现思路
1、本发明实施例提供了一种基于nsga-ii算法的潮流能机组阵列疲劳均衡优化方法,方法设计合理,将“各机组疲劳损伤率标准差最小化”与“潮流能阵列总发电量最大化”作为双目标,经由nsga-ii算法获得pareto前沿解集,在保证发电量的前提下主动均衡疲劳载荷,同时以各机组的桨距角、叶尖速比为决策变量,使所有机组转子始终正对来流,在阵列尺度上实现运行参数协同,并且采用单机mppt基线解作为初始种群种子,通过熵权-topsis法选定最优折中解,确保pareto前沿解集至少包含基线及其改进解,实现阵列发电量与载荷均衡的工程化协同优化,解决了现有技术中存在的问题。
2、本发明为解决上述技术问题所采用的技术方案是:
3、一种基于nsga-ii算法的潮流能机组阵列疲劳均衡优化方法,所述均衡优化方法包括:
4、s1,初始化潮流能机组阵列参数和定义决策变量:根据目标海域实际情况,确定阵列布置区域、水深、潮流平均流速u、湍流强度ia、各机组位置坐标(xi,yi)与水轮机型号参数;
5、将所有机组偏航角统一固定设置为γi=0°,使转子始终正对来流,以每台机组的桨距角βi、叶尖速比λi作为决策变量,定义阵列整体决策向量为:
6、;
7、其中,n为机组台数,决策变量维度为2n;
8、s2,评估各个机组的性能:采用gaussian尾流模型计算每台机组在阵列布局下的入流速度ui,所述入流速度考虑了上游机组对下游机组的尾流叠加影响;根据入流速度计算每台机组的输出功率pi,根据入流速度与运行参数计算每台机组叶根弯矩疲劳损伤率di;所述疲劳损伤率基于雨流计数法对叶根弯矩时间序列进行循环计数,并通过miner线性损伤累积理论换算得到;
9、s3,构建双目标优化模型:以阵列总发电量最大化、各机组疲劳损伤率标准差最小化为双目标,设置决策变量上下界、单机最低功率、单机疲劳损伤率不超过设计阈值;
10、s4,注入基线种子与初始化种群,结合nsga-ii精英保留机制,保证后续pareto前沿至少包含基线及其改进解;
11、s5,nsga-ii多目标寻优:采用经典nsga-ii算法对所述双目标优化问题进行求解;
12、s6,熵权-topsis折中决策:在所获pareto前沿解集上,基于熵权法确定两个目标的客观权重,结合用户偏好权重得到综合权重,通过topsis法计算各非支配解到理想解与负理想解的相对贴近度,选取贴近度最高的解作为最优折中解x*;
13、s7,最优解校核与下发:对最优折中解进行高保真校核计算,验证其在真实工况下的预测精度满足工程要求后,将最优折中解下发至阵列协同控制器执行,各个机组按照最优折中解对应的桨距角、叶尖速比设定值运行,偏航角保持0°不变;
14、s8,周期性滚动更新:在潮流能阵列实际运行过程中,预设周期t或当实测来流条件发生显著变化时,重新执行上述步骤s1-s7进行优化更新,使最优运行参数始终匹配实际海况。
15、在注入基线种子与初始化种群的过程中,首先以单机最大功率点跟踪策略下的基线解作为初始种群第一个个体注入,然后其余个体由halton低差异序列在决策变量空间内生成,结合nsga-ii精英保留机制,从而保证后续pareto前沿至少包含基线及其改进解。
16、采用经典nsga-ii算法对所述双目标优化问题进行求解至少包括非支配排序、拥挤距离计算、二元锦标赛选择、模拟二进制交叉(sbx)、多项式变异和精英保留;
17、采用自适应交叉概率pc与自适应变异概率pm,在进化前期保持高探索能力,进化后期增强局部精化;经过预设代数gmax的进化后,输出pareto前沿解集。
18、所述水轮机为seagen水轮机,安装数量为25台,采用5×5矩形布局。
19、所述双目标优化模型表示为:
20、;
21、其中,ptotal(x)为阵列总发电量,定义为各机组输出功率求和:
22、;
23、各机组输出功率pi基于入流速度与运行参数计算:
24、;
25、其中,ρ为海水密度,a为转子扫掠面积,cp(βi,λi)为关于桨距角与叶尖速比的功率系数函数;
26、各机组疲劳损伤率标准差σd定义为:
27、;
28、对应的约束条件为:
29、。
30、所述gaussian尾流模型计算下游机组受上游机组尾流影响后的入流速度,对于坐标位于(xi,yi)的机组i,其入流速度由来流速度u减去所有上游机组j形成的尾流速度损失叠加得到:
31、;
32、其中,△uij为上游机组j对机组i产生的速度损失,由gaussian尾流模型给出:
33、;
34、其中,σw为尾流宽度,k,为尾流线性增长率,ct为推力系数,d为水轮机直径,ia为湍流强度。
35、所述各机组疲劳损伤率di基于雨流计数法对叶根弯矩时间序列进行循环计数,miner线性损伤累积换算如下:
36、;
37、其中,k为雨流计数获得的应力循环类别数,nk为第k类应力循环的实际计数;nk为对应应力sk下的允许循环次数,sref为参考应力幅;nref为参考应力幅sref对应的允许循环次数,对玻璃纤维增强复合材料典型取nref=106;m为材料s-n曲线斜率参数,对玻璃纤维增强复合材料典型取值m=10。
38、所述基线种子的注入机制为:
39、在nsga-ii种群初始化阶段,将单机mppt策略对应的决策向量作为种群第1行;其余个体由halton低差异序列生成,基底取前2n个互质素数;
40、所述注入机制能够保证寻优过程中pareto前沿包含基准解或其严格改进解,避免出现优化解在某一目标维度上劣于工程基准的情形。
41、所述自适应交叉概率和自适应变异概率随当前进化代数g与最大代数gmax线性插值为:
42、;
43、其中,pc0=0.9,pc1=0.6,pm0=0.20,pm1=0.05,gmax=200。
44、所述熵权-topsis折中决策的具体步骤为:
45、对pareto前沿解集中的np个非支配解,先对2个目标值进行归一化得到归一化决策矩阵;根据熵权法计算第j个目标的熵值ej与客观权重wjobj;
46、;
47、结合用户偏好权重wjsub得到综合权重:
48、;
49、计算各非支配解到正理想解z+与负理想解z-的加权欧氏距离di+与di+,以及相对贴近度:
50、;
51、将贴近度最大的解作为最优折中解。
52、本发明采用上述方法,通过将各机组疲劳损伤率标准差作为优化目标之一,首次在潮流能阵列优化领域实现以“载荷均衡”为显式目标的协同优化,弥补了现有以发电量最大化为单一目标方法对疲劳分布不均的忽视;通过同时调节阵列内各机组的桨距角、叶尖速比两类运行参数,显著扩大了寻优空间;通过nsga-ii多目标遗传算法获得pareto前沿解集,为决策者提供从“发电优先”到“载荷均衡优先”的全部折中方案,经nsga-ii算法200代寻优,获得91个pareto非支配解,经熵权-topsis折中决策选定最优解;通过基线种子注入机制使寻优结果在工程上保证不劣于现有单机mppt策略,降低了实际工程应用的风险;通过周期性滚动更新机制能够自适应海况变化,长期保持最优运行,与传统“一次寻优、长期固定”的策略相比,在多年运行周期内的阵列度电成本显著下降,具有稳定高效、经济实用的优点。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com