Ein effizienter hybrider evolutionärer Algorithmus zur Verbesserung der Windenergieaufnahme

Eine optimale topografische Anordnung von Windkraftanlagen (WKA) ist entscheidend für die Steigerung der Gesamtstromproduktion eines Windparks (WP). Diese Arbeit stellt PSO-GA vor, einen neu formulierten Algorithmus, der auf der hybriden Kombination von Partikelschwarmoptimierung (PSO) und dem genetischen Algorithmus (GA) basiert, um die bestmögliche und zuverlässige Anordnung (WFL) für eine verbesserte Ausgangsleistung bereitzustellen. Da GA die auf PSO gefundenen Lösungen verbessert, während PSO mehrere Regionen untersucht, kann der hybride PSO-GA effektiv mit Problemen umgehen, die mehrere lokale Optima betreffen. In der ersten Phase des Rahmens verbessert PSO die ursprünglichen Variablen; in der zweiten Phase werden die Variablen für verbesserte Fitness geändert. Die Zielfunktion berücksichtigt sowohl die Stromproduktion des WPs als auch die Kosten pro Energieeinheit, während der Wachverluste unter Verwendung des Jensen-Wake-Modells analysiert wird. Um die Robustheit dieser Strategie zu bewerten, werden drei Fallstudien analysiert. Der Algorithmus identifiziert die bestmögliche Position der Turbinen und hält strikt die branchenüblichen Abstände ein, um extreme Wachinterferenzen zu vermeiden. Diese vergleichende Studie über den bisherigen Prozess der Layoutverbesserung zeigt, dass der vorgeschlagene hybride Algorithmus die Leistung mit einer signifikanten Leistungsverbesserung von 0,03–0,04 % und einer Reduzierung des Wachverlusts um 24–27,3 % verbessert hat. Die oben genannten Ergebnisse deuten darauf hin, dass der vorgeschlagene PSO-GA besser sein kann als andere innovative Methoden, insbesondere in Bezug auf die Qualität und Konsistenz der Lösung.