Análisis de algoritmos evolutivos contemporáneos en la optimización de distribución de parques eólicos

Eduardo H. Haro; Alfonso  Alfonso Ramos-Michel; Jorge Arturo Pelayo-López

doi:10.66482/tp4sdy21

Autores/as

Eduardo H. Haro Universidad de Guadalajara
eduardo.hernandezh@academicos.udg.mx
Alfonso Ramos-Michel Universidad de Guadalajara
Jorge Arturo Pelayo-López Universidad de Guadalajara

DOI:

https://doi.org/10.66482/tp4sdy21

Palabras clave:

acústica, tubo de impedancias, sensores acústicos, calibración.

Resumen

Los parques eólicos representan una de las principales apuestas sustentables para el futuro. Sin embargo, uno de sus obstáculos es lograr una distribución óptima. Este problema es conocido como optimización de distribución de parques eólicos, y su solución garantiza la mayor producción energética posible al menor costo de instalación. Para ello, se han utilizado diversas herramientas computacionales, siendo el algoritmo de evolución diferencial una de las mejores alternativas. Por esta razón, en el presente trabajo se presenta un análisis comparativo entre diversas variantes de dicho algoritmo, propuestas durante la última década. Con el fin de comprender las ventajas y limitaciones de estas variantes, se propone la optimización de un problema de distribución de parques eólicos mediante un caso experimental. Los resultados muestran las ventajas de estos algoritmos en términos de precisión y costo computacional, al mismo tiempo que se destacan las principales características de estos algoritmos que contribuyen específicamente a la distribución de parques eólicos.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

Eduardo H. Haro, Universidad de Guadalajara

Soy Ingeniero en Electrónica con especialización en Instrumentación y Control por parte del Tecnológico Nacional de México, campus Ciudad Guzmán, grado que obtuve en 2015; posteriormente obtuve el grado de Maestro en Ingeniería Electrónica por la misma institución en 2017. En 2018 me uní como docente del departamento de ingenierías de la Universidad de Guadalajara (UdeG) en el Centro Universitario de la Costa Sur (CUCSUR) en Autlán de Navarro, puesto que ocupo hasta la actualidad. Finalmente, obtuve el grado de Doctor en Ciencias de la Electrónica y la Computación en 2025 por el Centro Universitario de Ciencias Exactas e Ingenierías (CUCEI) de la UdeG. Actualmente realizo investigaciones de cómputo evolutivo y machine learning aplicadas a sistemas de energía y manufactura.

Referencias

P. Hou et al., "A review of offshore wind farm layout optimization and electrical system design methods," J. Mod. Power Syst. Clean Energy, vol. 7, no. 5, pp. 975–986, 2019. https://doi.org/10.1007/s40565-019-0550-5

M. Samorani, "The wind farm layout optimization problem," in Handbook of Wind Power Systems, Berlin, Heidelberg: Springer, 2014, pp. 21–38. https://doi.org/10.1007/978-3-642-41080-2_2

Y. Chen, H. Li, K. Jin, and Q. Song, "Wind farm layout optimization using genetic algorithm with different hub height wind turbines," Energy Convers. Manag., vol. 70, pp. 56–65, 2013. https://doi.org/10.1016/j.enconman.2013.02.007

M. Abdel-Basset, L. Abdel-Fatah, and A. K. Sangaiah, "Metaheuristic algorithms: A comprehensive review," in Computational Intelligence for Multimedia Big Data on the Cloud with Engineering Applications, 2018, pp. 185–231. https://doi.org/10.1016/B978-0-12-813314-9.00010-4

R. Storn and K. Price, "Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces," J. Global Optim., vol. 11, pp. 341–359, 1997. https://doi.org/10.1023/A:1008202821328

Y. Yang, S. Tao, H. Li, H. Yang, and Z. Tang, "A multi-local search-based SHADE for wind farm layout optimization," Electronics, vol. 13, no. 16, p. 3196, 2024. https://doi.org/10.3390/electronics13163196

J. J. Thomas et al., "A comparison of eight optimization methods applied to a wind farm layout optimization problem," Wind Energy Sci., vol. 8, no. 5, pp. 865–891, 2023. https://doi.org/10.5194/wes-8-865-2023

H. Sun, X. Gao, and H. Yang, "A review of full-scale wind-field measurements of the wind-turbine wake effect and a measurement of the wake-interaction effect," Renew. Sustain. Energy Rev., vol. 132, p. 110042, 2020. https://doi.org/10.1016/j.rser.2020.110042

R. Shakoor, M. Y. Hassan, A. Raheem, and Y. K. Wu, "Wake effect modeling: A review of wind farm layout optimization using Jensen's model," Renew. Sustain. Energy Rev., vol. 58, pp. 1048–1059, 2016. https://doi.org/10.1016/j.rser.2015.12.229

K. R. Opara and J. Arabas, "Differential Evolution: A survey of theoretical analyses," Swarm Evol. Comput., vol. 44, pp. 546–558, 2019. https://doi.org/10.1016/j.swevo.2018.06.010

K. Opara and J. Arabas, "Comparison of mutation strategies in differential evolution–a probabilistic perspective," Swarm Evol. Comput., vol. 39, pp. 53–69, 2018. https://doi.org/10.1016/j.swevo.2017.12.007

Z. Zeng, M. Zhang, T. Chen, and Z. Hong, "A new selection operator for differential evolution algorithm," Knowl.-Based Syst., vol. 226, p. 107150, 2021. https://doi.org/10.1016/j.knosys.2021.107150

K. Yang, G. Kwak, K. Cho, and J. Huh, "Wind farm layout optimization for wake effect uniformity," Energy, vol. 183, pp. 983–995, 2019. https://doi.org/10.1016/j.energy.2019.07.019

D. Bajer, G. Martinović, and J. Brest, "A population initialization method for evolutionary algorithms based on clustering and Cauchy deviates," Expert Syst. Appl., vol. 60, pp. 294–310, 2016. https://doi.org/10.1016/j.eswa.2016.05.009

M. F. Ahmad, N. A. M. Isa, W. H. Lim, and K. M. Ang, "Differential evolution with modified initialization scheme using chaotic oppositional based learning strategy," Alexandria Eng. J., vol. 61, no. 12, pp. 11835–11858, 2022. https://doi.org/10.1016/j.aej.2022.05.028

Z. Meng and C. Yang, "Hip-DE: Historical population-based mutation strategy in differential evolution with parameter adaptive mechanism," Inf. Sci., vol. 562, pp. 44–77, 2021. https://doi.org/10.1016/j.ins.2021.01.031

S. Prabha and R. Yadav, "Differential evolution with biological-based mutation operator," Eng. Sci. Technol., Int. J., vol. 23, no. 2, pp. 253–263, 2020. https://doi.org/10.1016/j.jestch.2019.05.012

Y. Cai and J. Wang, "Differential evolution with hybrid linkage crossover," Inf. Sci., vol. 320, pp. 244–287, 2015. https://doi.org/10.1016/j.ins.2015.05.026

I. Fister, A. Tepeh, and I. Fister Jr., "Epistatic arithmetic crossover based on Cartesian graph product in ensemble differential evolution," Appl. Math. Comput., vol. 283, pp. 181–194, 2016. https://doi.org/10.1016/j.amc.2016.02.034

V. Ho-Huu, T. Nguyen-Thoi, T. Truong-Khac, L. Le-Anh, and T. Vo-Duy, "An improved differential evolution based on roulette wheel selection for shape and size optimization of truss structures with frequency constraints," Neural Comput. Appl., vol. 29, pp. 167–185, 2018. https://doi.org/10.1007/s00521-016-2426-1

M. Tian, X. Gao, and C. Dai, "Differential evolution with improved individual-based parameter setting and selection strategy," Appl. Soft Comput., vol. 56, pp. 286–297, 2017. https://doi.org/10.1016/j.asoc.2017.03.010

E. H. Livingston, "The mean and standard deviation: what does it all mean?" J. Surg. Res., vol. 119, no. 2, pp. 117–123, 2004. https://doi.org/10.1016/j.jss.2004.02.008

M. R. Sheldon, M. J. Fillyaw, and W. D. Thompson, "The use and interpretation of the Friedman test in the analysis of ordinal-scale data in repeated measures designs," Physiother. Res. Int., vol. 1, no. 4, pp. 221–228, 1996. https://doi.org/10.1002/pri.66

M. W. Fagerland, "t-tests, non-parametric tests, and large studies—a paradox of statistical practice?," BMC Med. Res. Methodol., vol. 12, no. 1, p. 78, 2012. https://doi.org/10.1186/1471-2288-12-78

Análisis de algoritmos evolutivos contemporáneos en la optimización de distribución de parques eólicos

Autores/as

DOI:

Palabras clave:

Resumen

Descargas

Biografía del autor/a

Referencias

Descargas

Publicado

Número

Sección

Licencia

Cómo citar