一种具有潜在特征迁移的对抗性多任务进化算法用于风电场布局优化

《Energy》：An adversarial multitasking evolutionary algorithm with latent feature transfer for wind farm layout optimization

　　

风电场布局优化（WFLO）是风能开发中的关键研究课题，旨在通过优化风机布置以减少尾流损失来提高风电场效率。在风电场中，上游风机的尾流效应会降低下游区域的风速并增加湍流强度，使得 WFLO 优化更加困难。尽管已应用了许多智能优化方法，但大多数现有研究仍采用单任务优化范式，忽视了布局问题之间的潜在关系。此外，随着风机数量的增加，尾流相互作用变得越来越复杂，在有限的计算预算下获得高质量的布局方案变得具有挑战性。进化多任务优化（EMTO）是一种有前景的范式，通过任务之间的知识迁移来解决多个相关优化问题，从而提高大规模和稀疏优化问题的搜索效率。为了解决上述问题，本文提出了一种用于风电场布局优化的带潜在特征迁移的对抗性多任务进化算法（AMTEA-LFT）。该方法有两个主要组成部分：1）构建具有不同风机规模的多任务优化环境，以利用任务之间的潜在结构相似性；2）开发了基于稀疏二进制自编码器的潜在特征迁移机制和对抗性进化策略，以增强知识迁移和搜索性能。最后，实验结果证明了对抗性进化优化机制和知识迁移策略的有效性以及 AMTEA-LFT 的整体优越性能。代码：https://github.com/wzqxaut/WFLO_Multitasking

引言
政府间气候变化专门委员会（IPCC）第六次评估报告指出，人为温室气体排放是全球变暖的主要驱动因素 [1]，[2]。为了缓解与全球变暖相关的环境和能源挑战，促进低碳能源转型和可再生能源发展已成为全球公认共识 [3]，[4]。在各种可再生能源中，风能在全球能源转型和碳减排中发挥着关键作用 [5]，[6]。在政策支持和科技进步的推动下，风电产业近年来经历了快速增长，成为最具前景的可再生能源之一 [7]，[8]。

尽管过去几十年风能发展迅速，但尾流效应仍是限制风电场效率的主要因素之一 [9]，[10]。在风电场中，上游风机产生的尾流会降低下游区域的风速并增加湍流强度 [11]，[12]，导致尾流损失约占总发电量的 10%–20% [9]。风机的空间分布决定了尾流相互作用的强度，良好的布局设计可以增强能源生产效率并延长风机使用寿命。基于这些考虑，风电场布局优化（WFLO）旨在寻找最佳风机布局，在各种环境和地形约束下最大化风电场性能 [13]。然而，由于 WFLO 问题的高维稀疏布局特性和复杂搜索空间，传统进化算法往往难以保持有效的搜索性能和解决方案多样性。为了解决这个问题，研究人员提出了各种优化策略，大致可分为三类：

单目标优化：许多研究将 WFLO 构建为旨在最大化能源生产的单目标优化问题。为了提高传统粒子群优化（PSO）的搜索能力，Zhang 等人 [14] 提出了一种基于混沌局部搜索的 PSO 框架，而 Hao 等人 [15] 开发了一种三阶段 PSO 策略用于渐进式风机布置优化。Lei 等人 [16] 进一步将遗传学习和自适应替换机制引入 PSO 以提高优化性能。此外，Liu 等人 [17]，[18] 引入了使用支持向量回归模型的代理辅助遗传算法来指导风机重新定位并提高搜索效率。Wu 等人 [19] 进一步考虑了电缆路由与经济效益之间的耦合，将遗传算法与 GeoSteiner 算法集成。

多目标优化：除了单目标构建外，一些研究通过同时考虑发电和其他工程因素调查了多目标 WFLO。Ma 等人 [20] 使用两阶段遗传算法优化了发电和功率波动。Wu 等人 [21] 开发了一种双层优化框架，同时考虑能源生产和土地利用效率。Zhang 等人 [22] 进一步将 WFLO 构建为多目标多模态优化问题，并提出了一种共进化框架来处理能源生产、土地利用和风机疲劳载荷。Tran 等人 [23] 纳入了特定问题的遗传算子，以提高包括能源生产、土地利用和电缆长度在内的多目标下的优化效率。Hu 等人 [24] 专注于使用改进的 NSGA 算法最小化能源生产和疲劳载荷，而 Wu 等人 [25] 通过改进的 PSO 方法调查了能源生产和降噪。

强化学习：最近，强化学习越来越多地与进化优化结合用于 WFLO。Zhang 等人 [26] 将近端策略优化（PPO）与粒子群优化结合，利用历史搜索信息自适应调整进化参数。Yang 等人 [27] 将 Q 学习嵌入遗传算法框架以缓解参数敏感性和早熟收敛。此外，Wen 等人 [28] 将 WFLO 构建为马尔可夫决策过程，并提出了基于 PPO 的深度强化学习方法进行布局优化。Yu 等人 [29] 进一步利用强化学习自适应选择差分进化中的变异策略和控制参数。在另一项研究中，Yu 等人 [30] 提出了一种强化学习驱动的多目标差分进化算法，用于进化过程中的自适应参数调整。

这些研究主要独立地从头解决单个风电场布局优化问题，没有充分利用可迁移知识或任务之间的潜在相关性。随着风机规模的增加，复杂的尾流相互作用和迅速扩展的搜索空间使得在有限的计算资源内获得高质量布局变得越来越困难。在实际 WFLO 场景中，具有不同风机规模的风电场布局问题通常共享共同的结构特征，例如风资源分布、尾流传播模式和空间布局特征。如果能够有效利用这些内在任务相关性进行知识迁移，它们可以帮助减少冗余探索并提高解决复杂 WFLO 问题的效率。

基于上述观察，进化多任务优化（EMTO）[31]，[32] 提供了一种有前景的范式来解决具有不同风机规模的 WFLO 问题。通过在不同相关任务之间迁移有用知识，EMTO 使不同布局问题能够协同优化。许多现有的 EMTO 方法主要通用于通用优化设置或标准基准问题，对实际工程应用中特定领域的结构和知识表示考虑有限。在 WFLO 中，布局涉及高维决策空间、稀疏空间配置、离散组合结构和严格的可行性约束。在原始解空间中的直接知识迁移可能无法捕获任务之间共享的潜在结构，从而限制迁移有效性并增加负迁移风险。为了解决这一挑战，本文提出了一种用于 WFLO 的带潜在特征迁移的对抗性多任务进化算法（AMTEA-LFT）。与许多主要在原始解空间中进行知识迁移的传统 EMTO 方法不同，AMTEA-LFT 迁移紧凑的潜在布局特征，并将潜在迁移与对抗性进化搜索集成以提高优化性能。主要贡献总结如下：
1. 提出了一种用于 WFLO 问题的多任务优化框架，其中不同风机数量的布局问题被建模为相关任务，并在相同风场景下协同优化。
2. 提出了一种基于稀疏二进制自编码器的潜在特征迁移机制，以提取隐藏布局表示并在任务之间迁移有用的结构知识，提高知识共享效率同时缓解负迁移。
3. 设计了一种对抗性进化搜索策略，通过对抗性变异、精英引导重组和对抗性选择将迁移知识与种群进化相结合，提高 WFLO 中探索与开发的平衡。

本文其余部分结构如下：第 2 节介绍了本文的背景、相关工作和动机。第 3 节提出了所提出的 AMTEA-LFT 框架。第 4 节提供了实验设置和结果分析。最后，第 5 节总结本工作。本文使用的符号汇总在表 1 中。

章节片段
相关工作
在本节中，我们首先介绍风电场布局优化的目标函数以及本文采用的詹森尾流模型。随后，概述了进化多任务优化，接着是本文的动机。

所提框架概述
为有效解决各种风场景下具有不同风机数量的 WFLO 问题，本文提出了一种进化多任务优化框架，称为 AMTEA-LFT，它集成了对抗性进化搜索和潜在特征迁移。如图 3 所示，该框架由三个主要阶段组成：多任务问题构建、多任务优化和结果输出。对于每种风场景，构建一个具有 K 个任务的多任务优化问题

实验
在本节中，在八个设计的风场景和四个具有地形或边界约束的实际风电场地点评估了 AMTEA-LFT。评估包括与单任务和多任务优化算法的比较、运行时分析、消融研究和参数敏感性分析。对于单任务比较，AMTEA-LFT 与十个代表性算法进行了评估：AGA、AGPSO、ALGSA、BSA、CJADE、CLPSO、HGSA、IWO、IntGA 和 LSHADE。多任务

结论
本文提出了一种多任务进化框架，通过集成潜在特征迁移和对抗性进化策略来解决复杂的 WFLO 问题。与现有的 WFLO 算法相比，所提出的框架通过利用相关任务之间的可迁移知识，同时优化具有不同风机规模的 WFLO 问题。为了捕获风电场布局之间的潜在结构相似性，采用稀疏二进制自编码器学习低维

CRediT 作者贡献声明
王兆琪：写作 – 审阅与编辑，写作 – 原始草稿，软件，方法论。王磊：写作 – 审阅与编辑，写作 – 原始草稿，监督，软件，方法论，概念化。江巧永：写作 – 审阅与编辑，监督，软件，概念化。段新会：写作 – 审阅与编辑，软件，概念化。王良良：写作 – 审阅与编辑，软件，概念化。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢
本工作由以下项目支持：(1) 国家自然科学基金资助项目 [62176146, 62272384]；(2) 国家社会科学基金资助项目 [21XTY012]；(3) 全国教育科学基金资助项目 [BCA200083]；(4) 陕西省基础研究计划重点研究项目资助项目 [2023-JC-ZD-34]。

王兆琪 | 王磊 | 江巧永 | 段新会 | 王良良
陕西省网络计算与安全技术重点实验室，西安理工大学，陕西，710048，中国