论文

A review of offshore wind farm layout optimization and electrical system design methods

电缆的连接方案应从两个方面考虑：不允许交叉布置，并且在满负载条件下每根电缆中的电流不应超过响应电缆的载流能力。

主要通过确定性方法进行优化，例如最小生成树算法[34]，旅行商问题[35]算法和开放式车辆路由问题[ OVRP] [36]，它们是图形理论中的经典算法[ 37]或使用遗传算法（GA）或粒子群优化（PSO）结合确定性算法的混合方法

风电场发电量估算： 问题：当风绕过上游WT时，下游WT的风速将降低，这会导致风电场能量产量的降低。这是唤醒效应的简单描述

估计唤醒损失可以分为两类：

尽管已经进行了许多类型的研究来进行分散的WT放置，但最终设计仍采用阵列布局。因此，同一作者采用珊瑚礁优化方法进行了更好的设计，与通过进化方法，差分进化和和声搜索算法获得的布局相比，可以产生更多的电力[74]。

模糊C均值（FCM）聚类算法用于确定WT组的数量，并且OS将在每个组中集中放置。

遗传算法 遗传算法是概率搜索算法，结合了自然选择和优胜劣汰的机制。这些算法能够有效地找到复杂问题的最佳解决方案，而无需为评估单个解决方案候选而重新制定公式。与基于演算的方法不同，遗传算法具有鲁棒性，全局性，并且不需要存在用于搜索的导数。由于求解空间中每个点的搜索效率低下，枚举方案缺乏鲁棒性。从长远来看，随机搜索的性能不会比枚举方法更好，并且效率低下。

遗传算法对参数集进行编码，而不是对参数本身进行编码。搜索的地点是整个人群，而不是单个点。遗传算法仅需要来自目标函数的信息，而不需要目标的派生信息或其他附带信息。遗传算法中的转移规则是概率性的，而不是确定性的[8]。

搜索空间中参数的编码，育种和选择决定了遗传算法中解决方案的发展。在二进制编码的遗传算法中，个体是由一和零组成的字符串。几个人组成一个种群，并在这个种群中繁殖出父母个体。优胜劣汰的个人将被选中，双亲将通过交叉繁殖。在统一的交叉操作中，字符串中的任何点都有可能成为交叉点。交叉点的选择是随机的，每个亲代对后代的贡献概率均等[9]。。变异是将单个字符串中的一位随机切换为相反的值，并确保遗传算法不会找到错误的最小值作为解。图2中的插图显示了遗传算法中育种过程的示例。

Stochastic Optimization Model for Electric Power System Planning of Offshore Wind Farms

目标函数： 系统组件和冗余元素的投资成本+由于系统组件不可用而无法提供与能源相关的成本+与系统中压电缆和高压电缆的功率损耗相关的成本

在[15]中已经评估了几种遗传算法技术的性能，这些技术应用于OWF的电力系统的优化。在遗传算法的常见问题中，过早收敛到局部极小值已被确定为OWF的电力系统优化中遗传算法的主要问题

两种布局：