.png){kind=icon}
返回
A data-physics hybrid-driven layout optimization framework for large-scale wind farms
.png){kind=icon}
PRE
AI
DOI：10.1016/j.apenergy.2025.125908.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
全球风能利用的趋势正朝着建设大型且偏远位置的风电场的方向发展，而战略布局优化对于提高风电场的发电量至关重要。然而，大型风电场布局优化（WFLO）面临着挑战，这源于涉及高维决策变量的复杂计算以及需要在尾流模型精度和效率之间进行权衡。为解决这些问题，本文提出了一种新颖的数据-物理混合驱动框架，用于大型风电场的布局优化。该框架尝试将带有可变参数的物理方程与尾流效应建模相结合，并进一步促进布局优化过程。具体而言，提出了物理信息双神经网络（PIDNN）模型来估计风速。该模型通过双神经网络将可变推力系数纳入Navier-Stokes方程。此外，采用基因靶向差分进化（GTDE）算法优化风电场布局，该算法特别针对大规模优化问题设计。仿真结果表明，所提出的PIDNN能够有效估计尾流速度。此外，所提出的优化框架优于竞争方法，实现了最高的发电量。
Keyword:
Wake model
Wind farm layout optimization
Physics-informed dual neural network
Gene targeting differential evolution
期刊
IF:
11
论文数:
2.6W
被引数:
17.8W
机构
引用论文
Wind farm wake modeling based on deep convolutional conditional generative adversarial network基于深度卷积条件生成对抗网络的风电场尾流建模.png)
ENERGY
OAAI
ENERGYIF9.4
OAAI分享收藏A data-driven analytical model for wind turbine wakes using machine learning method基于机器学习方法的风力机尾流数据驱动分析模型
PREAI
分享收藏分享收藏分享收藏分享收藏
Wind turbine power modelling and optimization using artificial neural network with wind field experimental data基于风场实验数据的人工神经网络风力发电机功率建模和优化APPLIED ENERGYOAAI
APPLIED ENERGYIF11
OAAI分享收藏
查看更多内容