【发布时间】：2022-01-11 00:43:52
【问题描述】：
我想在下面的代码中添加一些约束，我想在其中使用 scipy 优化输出。
"""
References:
https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.minimize.html
https://github.com/DTUWindEnergy/PyWake
"""
import time
from py_wake.examples.data.hornsrev1 import V80
from py_wake.examples.data.hornsrev1 import Hornsrev1Site # We work with the Horns Rev 1 site, which comes already set up with PyWake.
from py_wake import BastankhahGaussian
from scipy.optimize import minimize
import numpy as np
def funC(x, y, c):
"""
Turns on/off the use of wind turbine depending on the value of c.
scipy generates c real values in the range [0, 1] as specified by the bounds including 0.2 etc.
If c is 0.5 or more turbine will be used otherwise turbine will not be used.
"""
x_selected = x[c >= 0.5]
y_selected = y[c >= 0.5]
return (x_selected, y_selected)
def wt_simulation(c):
"""
This is our objective function. It will return the aep=annual energy production in GWh.
We will maximize aep.
"""
site = Hornsrev1Site()
x, y = site.initial_position.T
windTurbines = V80()
wf_model = BastankhahGaussian(site, windTurbines)
x_new, y_new = funC(x, y, c)
# run wind farm simulation
sim_res = wf_model(
x_new, y_new, # wind turbine positions
h=None, # wind turbine heights (defaults to the heights defined in windTurbines)
type=0, # Wind turbine types
wd=None, # Wind direction (defaults to site.default_wd (0,1,...,360 if not overriden))
ws=None, # Wind speed (defaults to site.default_ws (3,4,...,25m/s if not overriden))
)
aep_output = sim_res.aep().sum() # we maximize aep
return -float(aep_output) # negate because of scipy minimize
def solve():
t0 = time.perf_counter()
wt = 80 # for V80
x0 = np.ones(wt) # initial value
bounds = [(0, 1) for _ in range(wt)]
res = minimize(wt_simulation, x0=x0, bounds=bounds)
print(f'success status: {res.success}')
print(f'aep: {-res.fun}') # negate to get the true maximum aep
print(f'c values: {res.x}\n')
print(f'elapse: {round(time.perf_counter() - t0)}s')
# start
solve()
现在我想添加一个约束，其中湍流强度：sim_res_TI_eff 每个风力涡轮机（wt）的每个风速（was）和每个风向（wd）必须低于某个值（例如 0.2 ）。我必须添加 sim_res.TI_eff.sel(wt=1) 例如给出每个 wd 的 TI，并且是风力涡轮机 #1。问题是我需要使用函数 wt_simulation ，其中我有另一个必须优化的返回，所以我不知道如何返回不受优化影响的 TI。
【问题讨论】：
-
这个ti_eff只有在仿真后才可用。我们不能在模拟之前输入 ti_eff。我们的目标是最大 aep。在我看来，scipy 无法做到这一点。但是 optuna 超参数调谐器可以。我们的想法是我们首先模拟，然后获取所有涡轮机的 ti_eff，如果甚至有一个涡轮机的 ti_eff 为 0.2 及以上，我们告诉 optuna aep 为零，这样它将尝试找到所有涡轮机的最大 aep，其中 ti_eff低于 0.2。
-
如果您在函数评估中有模拟步骤，则需要将求解器限制为“无导数优化”（DFO）类。进行有限差分不是一个好主意。
-
@ferdy 所以你的意思是我必须使用 Optuna 来处理这种类型的约束？如果是，则在模拟后的每次迭代中，如果 TI 大于 0.2，则使该 wt=0 的 aep 因此该特定 wt 的 c 必须更改为 0，它将作为下一次迭代的初始猜测（ c(wt=i)=0)。但是 optuna 可以这样做吗？
-
@ErwinKalvelagen 你能解释一下吗？因为我没有太多的编程和优化经验，所以有些概念是新的
-
使用模拟你不会得到渐变。大多数非线性求解器依赖于梯度。如果不可用，则可以使用有限差分来近似它们。这假设函数评估很便宜。在模拟的情况下，情况并非如此。所以 DFO 求解器是可以使用的求解器类型：它们不需要梯度，也不做有限差分。一个很好的参考是：link.springer.com/article/10.1007%252Fs10898-012-9951-y。我不完全理解你的约束。首先制定一个数学模型有很大帮助。
标签： python optimization scipy scipy-optimize