《Ocean Engineering》：Hybrid quantum-inspired and machine learning framework for wake-constrained tidal energy farm layout optimisation
编辑推荐：
tidal energy extraction efficiency through hybrid ML and quantum-inspired optimization, achieving 16.07% energy gain and 12.2% wake loss reduction while ensuring engineering constraints.摘要：
马蒂维南·S | 马达维纳·库马拉斯瓦米 | 阿尔查娜·帕拉科ンダ | 雷亚帕·大卫·阿马尔·拉吉 | 拉玛·穆尼·雷迪·亚纳马拉
印度泰米尔纳德邦哥印拜陀阿姆里塔世界大学阿姆里塔人工智能学院
摘要
潮汐能是沿海地区极其可靠的可再生能源。由于涡轮机布局不当导致的尾流干扰和空间组织不合理，可能会造成显著的能量损失。本研究提出了一个混合框架，在严格遵守工程和物理限制的同时，优化了潮汐能的提取。该框架结合了机器学习模型（随机森林和XGBoost）与多级优化算法（如遗传算法、差分进化算法和量子流体动力学优化算法）。所提出的量子启发式优化方法通过集成流体动力学感知优化和数据驱动的预测建模，将能量捕获率提高了16.07%，并将尾流引起的能量损失降低了12.2%。基于树的机器学习模型表现出更高的准确性，R2值超过0.995，并且平均绝对误差比线性回归降低了50%，有效预测了非线性流体动力学相互作用。实验和现场验证表明，该框架在满足约束条件和解决方案质量方面优于基于梯度、进化和量子启发式的方法。这些发现为潮汐能场的可持续建设提供了一种计算效率高且基于物理原理的方法，可以很容易地应用于实际的沿海能源项目。
引言
潮汐能的全球潜力超过120吉瓦，为沿海地区提供了可靠且可持续的能源（Khojasteh等人，2023年；Song等人，2025年）。不合理的空间布局和涡轮机之间的复杂流体动力学相互作用可能会使整体能源生产效率降低10-20%（Ghattani和Roberts，2020年）。尾流干扰效应——即上游涡轮机产生的速度缺陷会减少下游的能量收集——是导致效率损失的主要原因。因此，要最大化能量提取，需要先进的架构优化，考虑到特定地点的流动条件、涡轮机间距要求以及流体动力学相互作用。
现有的方法在实现最佳潮汐能提取方面存在三个主要障碍。首先，传统方法依赖于基于简化原则的数据无关启发式方法，而不是采用数据驱动的方法（Mosetti等人，1994年）。其次，许多方法未能充分体现尾流效应，特别是上游涡轮机引起的速度缺陷对下游性能的显著影响（Jensen，1983a）。第三，优化框架经常无法充分解决物理空间限制和领域边界问题（Sharpe，2022年）。这些缺陷共同导致涡轮机配置低于理论最大值的15-25%（Cohen和Rivas，2021a）。由于尾流相互作用、地理限制和非线性流体动力学效应，潮汐能场涡轮机选址优化本质上非常复杂。机器学习是一种强大的技术，可以创建有效捕捉涡轮机位置与功率输出之间非线性关系的替代模型，并简化昂贵的流体模拟（Grossi等人，2022年）。这些模型使得数据驱动和自适应优化成为可能，能够在成本、环境影响和能源产量之间取得平衡。此外，量子启发式优化方法通过提供更好的避免局部最小值的能力和更广泛的解决方案空间探索能力，解决了布局设计的组合问题（Winderl等人，2024年）。通过结合机器学习和量子模型的混合框架，可以实现计算效率高、物理上现实且可扩展的潮汐能场布局优化，从而弥合了理论方法和实际应用之间的差距。
为了全面了解当前围绕潮汐能系统优化的研究现状，特别是在布局规划和预测建模方面，我们回顾了几项关键研究。表1总结了15项最相关的贡献，强调了它们的方法、关键创新、局限性以及我们提出的量子流体动力学优化（QHD）如何解决这些局限性。值得注意的是，诸如量子离散粒子群优化（QDPS）（Zhang等人，2017年）、双层路由模型（VanZwieten和Neary，2012年）和基于伴随的梯度方法（Funke等人，2014年）等优化策略在涡轮机放置和系统性能提升方面显示出潜力。然而，这些方法通常缺乏与机器学习技术的整合，或者依赖于关于尾流效应和环境条件的简化假设（Ahmadian和Falconer，2012年；Blackmore等人，2016年；Draper等人，2016年）。一些研究采用了基于经验或模糊逻辑的方法（Raza等人，2018年），但这些方法通常缺乏普遍适用性或实时适应性。许多当前的潮汐涡轮机优化技术要么过于简化，要么忽视了尾流相互作用，缺乏实证验证，并依赖于不切实际的假设。此外，很少有研究结合了机器学习或混合优化，导致适应性受限和物理模型不一致。本研究通过以下关键贡献推进了潮汐能优化的最新进展，克服了当前研究的主要缺点：
•首次将流体动力学约束和尾流相互作用直接嵌入到多级优化循环中，使用Jensen尾流模型和严格的空间约束，减少了10-20%的尾流干扰引起的能量损失，同时确保了工程的可行性。
•结合基于树的机器学习模型（随机森林、XGBoost）与多算法优化技术（遗传算法、差分进化、量子流体动力学优化），实现了R2值0.995，并优于线性和之前的量子启发式方法。
•实验和现场验证表明，能量捕获率提高了16.07%，尾流损失降低了12.2个百分点，对于一个10兆瓦的潮汐能场，估计年收益增加了478万美元，同时平准化能源成本（LCOE）降低了15%。
•所提出的方法在解决方案质量和满足约束条件方面始终优于进化、量子启发式和基于梯度的方法，为大规模潮汐能场布局优化提供了一个计算效率高且物理上现实的框架。
这些贡献共同为物理上现实、经济上可行且计算效率高的潮汐能场设计建立了新的基准，弥合了理论优化与实际高产量部署之间的差距。
在本研究中，将机器学习（ML）模型（包括随机森林（RF）和极端梯度提升（XGBoost）与多种优化技术相结合，如遗传算法（GA）、差分进化（DE）、序贯最小二乘编程（SLSQP）和量子流体动力学优化（QHD）。现场测量数据使用声学多普勒流速剖面仪（ADCP）获得，经济性能使用平准化能源成本（LCOE）进行评估。模型准确性通过平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R2）进行评估。
数据集描述
本研究使用了一个多模态数据集来预测和优化潮汐涡轮机的布局。主要数据集WEC_Perth_49包含了从澳大利亚珀斯海岸的一个海洋能源测试站点获得的高分辨率流体动力学测量数据（Neshat等人，2020年）。尽管该数据集名称历史上指的是波浪能转换器（WEC）平台，但本研究中使用的测量数据对应于环境流动特性，而非特定设备的波浪特性。
提出的方法
本节详细描述了用于预测潮汐能生产和通过数据驱动模型及物理信息算法优化涡轮机配置的广泛技术。
如图3所示，该过程从涡轮机配置和流场参数开始，然后进行机器学习模型训练和考虑尾流的功率预测。目标函数通过多种求解器促进优化。
结果与讨论
本研究持续关注的一个挑战是潮汐涡轮机的次优放置问题，这通常会导致10-20%的能量损失，主要是由于尾流干扰和潮汐能场内空间规划不足所致。传统的优化方法往往依赖于启发式或过于简化的模型，无法完全捕捉到最大化能量提取所需的复杂流体动力学相互作用和空间约束。
定性和定量分析
表11详细分析了当前潮汐涡轮机优化方法的重大缺陷，并说明了所提出的ML-QHD框架如何系统地解决每个突出问题。这项比较分析指出了当代最先进方法中的四个关键缺陷，这些缺陷严重限制了它们的实际效用和效率。
大多数工业方法过度简化了尾流动力学，依赖于过于简化的假设，很少
结论
本研究提出了一个混合优化框架，结合了物理感知建模、先进的机器学习和量子启发式优化，以解决长期存在的潮汐涡轮机放置次优问题。通过将流体动力学约束和明确的尾流相互作用建模嵌入到多级优化过程中，该方法弥合了理论优化与实际应用之间的差距。
伦理声明
本研究没有涉及任何参与者。因此，不需要伦理批准、知情同意或遵守机构或许可规定。
数据可用性声明
本研究期间生成和/或分析的数据集可向相应作者提出合理请求后获取。
CRediT作者贡献声明
马蒂维南·S：验证、方法论、调查、形式分析、数据管理、概念化。
马达维纳·库马拉斯瓦米：可视化、验证。
阿尔查娜·帕拉科ンダ：写作——审阅与编辑、初稿写作、可视化、验证、监督、软件、方法论、调查、资金获取、形式分析、数据管理、概念化。
雷亚帕·大卫·阿马尔·拉吉：写作——审阅与编辑、初稿写作、可视化、验证、监督。
