[论文解读] Hybrid global-local optimisation algorithms for the layout design of tidal turbine arrays

George L. Barnett, Simon W. Funke+1 more|arXiv (Cornell University)|Oct 9, 2014

Wind Energy Research and Development参考文献 22被引用 8

一句话总结

该论文提出了一种两阶段混合优化框架，利用解析尾流模型作为昂贵的浅水模拟的快速代理，以寻找全局最优的潮流涡轮机阵列布局。通过首先在尾流模型上应用全局优化（遗传算法或盆地跳跃算法），然后在浅水方程上通过基于梯度的伴随优化方法对最佳布局进行精细化调整，该方法在理想化案例中实现了高达25%的发电量提升，在真实世界中的佩内特海峡场景中实现了12%的提升，同时在许多情况下将计算时间减少了30–40%。

ABSTRACT

Tidal stream power generation represents a promising source of renewable energy. In order to extract an economically useful amount of power, tens to hundreds of tidal turbines need to be placed within an array. The layout of these turbines can have a significant impact on the power extracted and hence on the viability of the site. Funke et al. formulated the question of the best turbine layout as an optimisation problem constrained by the shallow water equations and solved it using a local, gradient-based optimisation algorithm. Given the local nature of this approach, the question arises of how optimal the layouts actually are. This becomes particularly important for scenarios with complex bathymetry and layout constraints, both of which typically introduce locally optimal layouts. Optimisation algorithms which find the global optima generally require orders of magnitude more iterations than local optimisation algorithms and are thus infeasible in combination with an expensive flow model. This paper presents an analytical wake model to act as an efficient proxy to the shallow water model. Based upon this, a hybrid global-local two-stage optimisation approach is presented in which turbine layouts are first optimised with the analytical wake model via a global optimisation algorithm, and further optimised with the shallow water model via a local gradient-based optimisation algorithm. This procedure is applied to a number of idealised cases and a more realistic case with complex bathymetry in the Pentland Firth, Scotland. It is shown that in cases where bathymetry is considered, the two-stage optimisation procedure is able to improve the power extracted from the array by as much as 25% compared to local optimisation for idealised scenarios and by as much as 12% for the more realistic Pentland Firth scenario whilst in many cases reducing the overall computation time by approximately 35%.

研究动机与目标

• 为解决局部优化方法在复杂地形和涡轮机相互作用下容易陷入次优布局的问题，以应对潮流阵列设计中的挑战。
• 克服直接使用高保真浅水模型进行全局优化算法计算不可行的问题。
• 开发一种高效且准确的解析尾流模型，以在全局搜索阶段可靠地替代浅水模型。
• 将基于尾流模型的全局优化与基于浅水模型的局部梯度优化相结合，以实现更高的发电量和计算效率。
• 在理想化和真实场景中验证两阶段方法的性能，包括佩内特海峡内海的复杂地形。

提出的方法

• 利用浅水方程（SWE）求解器预先计算的参考尾流，构建一个解析尾流模型，从而能够对任意涡轮机布局实现快速发电量估算。
• 在全局优化阶段，将该尾流模型与遗传算法或基于梯度的盆地跳跃算法结合，以高效探索布局参数空间。
• 将全局尾流模型优化中表现最佳的布局作为后续在完整SWE模型上进行局部伴随优化的初始猜测。
• 采用伴随方法高效计算发电量泛函相对于涡轮机位置的梯度，从而实现快速的局部收敛。
• 两阶段流程结合了尾流模型的全局搜索能力与SWE模型的高保真度精度，有效避免局部极大值。
• 该框架已集成至开源平台OpenTidalFarm，以确保可复现性和可扩展性。

实验结果

研究问题

• RQ1 计算效率高的解析尾流模型能否在潮流涡轮机阵列优化中作为高保真浅水模拟的可靠代理？
• RQ2 与仅使用局部优化相比，两阶段混合全局-局部优化方法是否能显著提升发电量？
• RQ3 在真实潮流环境中，复杂地形的引入如何影响混合优化框架的性能？
• RQ4 该两阶段方法在多大程度上降低了计算成本，同时提升了布局质量？
• RQ5 在使用尾流模型代理时，不同全局优化算法（遗传算法与盆地跳跃算法）的性能表现如何比较？

主要发现

• 在具有复杂地形的理想化场景中，两阶段混合优化方法相比仅使用局部SWE优化，发电量提升最高达25%。
• 在真实的佩内特海峡案例中，该方法相比局部SWE优化实现了12%的发电量提升，证明了其实际应用价值。
• 尽管增加了全局搜索阶段，该方法在许多情况下仍使整体计算时间减少了约30–40%，主要得益于局部阶段的更快收敛。
• 当涡轮机间距较近时，尾流模型的准确性下降，导致遗传算法结果中出现涡轮机重叠布局，凸显了代理模型的局限性。
• 基于梯度的全局优化在尾流模型上表现优于遗传算法，尤其在大型涡轮机阵列中，因其具有更好的收敛性和参数空间导航能力。
• 混合方法最终生成的布局呈现出有序、类似堤坝的结构，能有效引导水流，表明其设计具有物理合理性且性能更优。