Intelligent Optimization of Wind Farm Layout Under Wind Turbine Wake Effect Based on Deep Learning and Fluid Dynamics
تقترح هذه الورقة إطار عمل تعاوني متكامل من طرف إلى طرف يدمج الشبكات العصبية المستندة إلى الفيزياء، وشبكات الانتباه الرسومية، والتعلم التعزيزي العميق لتعزيز دقة التنبؤ بأثر الاستيقاظ في مزارع الرياح وتحسين تخطيطات التوربينات في آن واحد، مما يحقق تخفيضات كبيرة في خسائر الاستيقاظ ووقت الاستدلال مع الحفاظ على الاتساق الفيزيائي والقابلية للتوسع.
المؤلفون الأصليون:Shujie Liu, Shengqiao Chen, Bo Xiang
أصبحت طاقة الرياح حجر زاوية في نظام الطاقة العالمي، مع وجود حقول شاسعة من التوربينات التي تمتد عبر السواحل والسهول لالتقاط الرياح. ومع ذلك، هناك مشكلة خفية تحد من كمية الكهرباء التي يمكن لهذه المزارع توليدها. فعندما يدور توربين الرياح، فإنه يسحب الطاقة من الهواء، تاركاً وراءه مساراً من الهواء المضطرب والأبطأ حركة، يُعرف باسم "الأثر" (wake). وإذا استقر توربين ثانٍ في هذا الأثر، فإنه يتلقى طاقة رياح أقل وينتج طاقة أقل، كما يعاني أيضاً من زيادة الإجهاد التي يمكن أن تقصر عمره الافتراضي. وفي مزارع الرياح الكبيرة، تتداخل هذه الآثار وتتفاعل، مما يتسبب في فقدان المزرعة بأكملها لما يتراوح بين عشرة وعشرين بالمائة من إنتاجها السنوي المحتمل من الطاقة. ولعقود من الزمن، حاول المهندسون حل هذه المشكلة عن طريق إعادة ترتيب التوربينات، لكن فيزياء كيفية تفاعل مسارات الهواء هذه معقدة للغاية. وتعتمد الطرق التقليدية إما على تخمينات مبسطة تفتقر إلى التفاصيل، أو تستخدم محاكاة حاسوبية فائقة السرعة بطيئة ومكلفة لدرجة أنه لا يمكن استخدامها لاختبار آلاف التخطيطات المختلفة.
وقد طور فريق من الباحثين طريقة جديدة لحل هذا اللغز من خلال تعليم الكمبيوتر فهم فيزياء الرياح مع التعلم من كميات هائلة من البيانات. فبدلاً من معاملة مزرعة الرياح كمجموعة من الآلات المنفصلة، قاموا ببناء نظام يرى المزرعة كشبكة متصلة، حيث يؤثر كل توربين في جيرانه. وقد أنشأ الباحثون نظاماً ذكياً مكوناً من ثلاثة أجزاء؛ أولاً، قاموا بتدريب شبكة عصبية للتنبؤ بكيفية تحرك الرياح عبر المزرعة، لكنهم أجبروا هذه الشبكة على الامتثال للقوانين الأساسية لحركة السوائل، مما ضمن بقاء تنبؤاتها واقعية فيزيائياً حتى في المناطق التي تفتقر إلى البيانات. ثانياً، استخدموا نهجاً قائماً على الرسوم البيانية (graph-based approach) لرسم العلاقات المحددة بين التوربينات، مما سمح للنظام بتعلم مدى تأثير كل توربين في اتجاه مجرى الرياح على التوربين الذي يليه. وأخيراً، وظفوا وكيلاً تعليمياً يعمل كمنظم استراتيجي، يختبر ملايين الاختلافات في التخطيط لإيجاد الترتيب الذي يولد أكبر قدر من الطاقة مع تقليل التداخل بين التوربينات.
وعندما اختبر الباحثون هذا النظام على مزرعة مرجعية تعادل موقعاً حقيقياً يضم ثمانين توربيناً، كانت النتائج كبيرة. فقد تنبأ الأسلوب الجديد بتدفق الرياح بدقة أكبر بكثير من النماذج السابقة، حيث قلل الخطأ في تنبؤاته بنسبة تقارب الثلثين مقارنة بالمعادلات الهندسية القياسية. والأهم من ذلك، عندما صمم النظام تخطيطاً جديداً للمزرعة، فقد زاد إجمالي إنتاج الطاقة السنوي بنسبة 5.7 بالمائة. جاء هذا التحسن من خلال إزاحة التوربينات قليلاً لتفكيك الآثار المتداخلة، مما قلل من فقدان الطاقة الناتج عن ظلال الرياح من 11.4 بالمائة إلى 6.5 بالمائة. وبينما يتطلب النظام فترة تدريب تتراوح بين 28 إلى 96 ساعة تقريباً اعتماداً على حجم المزرعة، فإنه بمجرد تدريبه، يقوم بإجراء الحسابات في جزء من الثانية، وهي سرعة تجعل من الممكن اختبار التصاميم وتحسينها في الوقت الفعلي، وهو أمر كان مستحيلاً في السابق باستخدام أدوات المحاكاة الأقدم والأبطأ.
كما أظهرت الدراسة أن هذا النهج يتسم بالمتانة، مما يعني أنه يعمل بشكل جيد حتى عندما تكون ظروف الرياح صعبة أو متغيرة. وسواء هبت الرياح من اتجاه واحد، أو من اتجاهين متضادين، أو من جميع الاتجاهات، فقد حسن النظام إنتاج الطاقة باستمرار بنسبة تتراوح بين 4.4 و5.9 بالمائة. بل إنه تعامل أيضاً مع سيناريوهات ذات اضطراب عالٍ وقص رياح رأسي قوي، حيث تفشل الطرق الأخرى غالباً. ووجد الباحثون أن النظام يمكن أن يتوسع للتعامل مع مزارع الرياح التي تضم مائتي توربين دون فقدان سرعته أو دقته، محافظاً على زمن استجابة يزيد قليلاً عن مائة مللي ثانية. وهذا يشير إلى إمكانية تطبيق هذه الطريقة على المشاريع الضخمة في عرض البحر أو البر، مما يوفر أداة عملية لاستخراج المزيد من الطاقة النظيفة من موارد الرياح الموجودة.
ومن خلال الجمع بين التعلم العميق والقواعد الصارمة لديناميكا السوائل، أنشأ الباحثون أداة تسد الفجوة بين الفيزياء النظرية والهندسة العملية. فالنظام لا يخمن التخطيط الأفضل فحسب، بل يتعلم الأنماط الأساسية لكيفية تفاعل الرياح مع مجموعة من الآلات ويستخدم تلك المعرفة لاتخاذ القرارات. ويتجاوز هذا النهج قيود التقنيات القديمة، التي كان عليها غالباً الاختيار بين أن تكون سريعة ولكن غير دقيقة، أو دقيقة ولكن بطيئة جداً لدرجة تجعلها غير مفيدة. ويوفر الإطار الجديد مساراً مستقبلياً لتصميم مزارع رياح ليست أكثر كفاءة فحسب، بل أيضاً أكثر مرونة تجاه الطبيعة المعقدة والمتغيرة للرياح، مما قد يوفر ملايين الدولارات من الطاقة المفقودة على مدار عمر المشروع.
ملخص تقني: التحسين الذكي لتخطيط مزارع الرياح تحت تأثير استيقاظ التوربينات بناءً على التعلم العميق وديناميكا السوائل
بيان المشكلة يواجه توسع مزارع الرياح واسعة النطاق عائقاً كبيراً يتمثل في تأثيرات الاستيقاظ (Wake Effects)، حيث تؤدي التوربينات الموجودة في مقدمة التدفق إلى تقليل سرعة التدفق الوارد وزيادة الاضطراب للوحدات الموجودة في الخلف، مما يؤدي إلى خسائر تتراوح بين 10% إلى 20% في إنتاج الطاقة السنوي (AEP). تواجه مناهج التحسين الحالية مقايضة حرجة بين الدقة والكفاءة والمتانة. تعتمد النماذج التحليلية التقليدية (مثل نماذج Jensen أو Bastankhah-Gauss) على افتراضات مبسطة تفشل في التقاط تراكب الاضطرابات المعقد وانحراف الاستيقاظ في التخطيطات الكثيفة. ومن ناحه أخرى، توفر محاكاة ديناميكا السوائل الحسابية (CFD) عالية الدقة، مثل محاكاة الدوامات الكبيرة (LES)، دقة عالية ولكنها مكلفة حاسوبياً (ساعات لكل حالة) لعمليات التحسين التكرارية. علاوة على ذلك، غالباً ما تفتقر طرق التعلم العميق القائمة على البيانات مؤخراً إلى الاتساق الفيزيائي في المناطق شحيحة البيانات، وتتعامل مع التنبؤ بمجال التدفق وتحسين التخطيط كمهام منفصلة، مما يحد من قدرتها على التعميم عبر ظروف رياح متغيرة وعالية الأبعاد.
المنهجية يقترح المؤلفون إطار عمل تعاوني متكامل (End-to-End) يدمج التعلم العميق مع ديناميكا السوائل، وهو مهيكل حول ثلاث وحدات مترابطة وثيقاً:
الشبكة العصبية المستندة إلى الفيزياء (PINN) كوكيل لمجال الاستيقاظ:
تعمل هذه الوحدة كبديل لمحاكاة تدفق السوائل عالية الدقة.
تقوم بدمج بقايا معادلات رينولدز لزخم وحفظ الكتلة (RANS) كقيود ناعمة ضمن دالة الخسارة.
يضمن ذلك التزام الشبكة بقوانين الحفظ (الكتلة والزخم) حتى في المناطق شحيحة البيانات، مما يمنع التنبؤات غير الفيزيائية أثناء الاستقراء.
تستخدم البنية التحتية شبكة مكونة من 8 طبقات متصلة بالكامل مع دالة تنشيط SiLU وكتل متبقية متعددة المقاييس لالتقاط تدرجات الاستيقاظ.
شبكة الانتباه الرسومي (GAT) للربط بين التوربينات المتعددة:
يتم نمذجة التوربينات كعقد في رسم بياني موجه، حيث تُحدد العلاقات بين التوربينات الأمامية والخلفية عبر إسقاط اتجاه الرياح كحواف موجهة.
تستخدم شبكة GAT آلية انتباه متعددة الرؤوس لتعلم أوزان الربط التكيفية بين التوربينات، مما يلتقط صراحةً البنية المكانية لتفاعلات الاستيقاظ بدلاً من الاعتماد على مصفوفات مجاورة ثابتة أو عمليات التلافيف القائمة على الشبكة.
المخرج هو تمثيل (Embedding) لمزرعة الرياح يمثل الحالة العالمية لتفاعلات التوربينات.
التعلم التعزيزي العميق (DRL) لتحسين التخطيط:
يتم صياغة مشكلة اختيار التخطيط كعملية قرار ماركوف (MDP).
تتكون مساحة الحالة من التمثيل العالمي للرسم البياني (GAT Embedding) ومواقع التوربينات الحالية.
تتضمن الإجراءات تعديلات موضعية منفصلة (شمال، جنوب، شرق، غرب) لكل توربين على حدة.
يتم تدريب خوارزمية تحسين السياسة القريبة (PPO) باستخدام دالة مكافأة متعددة الأهداف توازن بين تحسين إنتاج الطاقة السنوي (AEP)، وتجانس شدة الاستيقاظ، والقيود الهندسية (المسافات، الحدود).
يخضع النظام لعملية تدريب من مرحلتين: التدريب المسبق لوكيل (PINN-GAT) باستخدام بيانات LES، ثم تثبيت هذه المعلمات لتدريب سياسة PPO.
المساهمات الرئيسية
نمذجة وكيلة مقيدة فيزيائياً: تطوير وكيل مجال استيقاظ خفيف الوزن يقلل زمن الاستدلال إلى مستوى أقل من الثانية مع الحفاظ على دقة تقارب LES من خلال فرض القوانين الفيزيائية عبر قيود ناعمة.
تمثيل الربط القائم على الرسوم البيانية: تقديم آلية انتباه رسومية تعامل الربط المكاني للتوربينات كمكون قابل للتعلم في مساحة الحالة، مما يتغلب على قيود التمثيلات الشبكية المنتظمة في التقاط التفاعلات المعقدة بين الآلات.
تحسين الاستراتيجية الشاملة: إطار عمل موحد حيث يتم توجيه توليد التخطيط مباشرة بواسطة شبكة سياسة بدلاً من عمليات البحث الاستدلالي الخارجية، مما يسمح لخوارزمية التحسين بتعلم استراتيجيات عالمية مسترشدة بمحاكي بيئي متسق فيزيائياً.
النتائج التجريبية تم تقييم الإطار على معيار اختبار مكون من 80 توربيناً (يعادل Horns Rev I) باستخدام مجموعة بيانات تضم 5,000 عينة مولدة بواسطة LES عبر 15 سرعة رياح و12 اتجاه رياح.
دقة التنبؤ: حقق نموذج PINN-GAT معامل تحديد (R2) قدره 0.97 مقابل الحقيقة الأرضية لـ LES. كما قلل من جذر متوسط مربع الخطأ (RMSE) بنسبة 67% مقارنة بنموذج Bastankhah-Gauss وبنسبة 49% مقارنة بنموذج CNN فقط.
الكفاءة: تم ضغط زمن الاستدلال للحالة الواحدة إلى 41 مللي ثانية، مما يمثل تسارعاً قدره 3.3×105 مرة مقارنة بـ LES (3.8 ساعة).
أداء التحسين: في اختبار الـ 80 توربيناً، زاد الإطار من إنتاج الطاقة السنوي (AEP) بنسبة 5.7% وقلل من خسارة الاستيقاظ من 11.4% إلى 6.5%. وقد تفوق هذا على الطرق المرجعية (GA+Jensen، PSO+Gauss، BO+CNN) بهوامش تتراوح بين 1.6% إلى 3.1% في تحسين AEP.
المتانة والقابلية للتوسع: أظهرت الطريقة تحسينات متسقة في AEP (بين 4.4% و5.9%) عبر خمس فئات متميزة من ظروف الرياح، بما في ذلك الاضطراب العالي والقص الرأسي. وأظهرت اختبارات القابلية للتوسع أن مدة التدريب وزمن الاستدلال يتزايدان بشكل خطي تقريباً مع عدد التوربينات، حيث حافظ زمن الاستدلال على 108 مللي ثانية لـ 200 توربين.
الأهمية والادعاءات يزعم البحث تقديم سلسلة منهجية قابلة لإعادة الاستخدام تنجح في تحقيق التوازن بين الدقة والكفاءة والمتانة للتحسين الذكي لتخطيط مزارع الرياح. ومن خلال دمج القيود الفيزيائية في التعلم العميق واستخدام الهياكل الرسومية للربط المكاني، تعالج هذه الطريقة مقايضة "الدقة-السرعة" التي أعاقت الصناعة لفترة طويلة. ويؤكد المؤلفون أن هذا الإطار يتيح الانتقال من "ما بعد الفحص" إلى "ما قبل التصميم"، مما يسمح بالتقييم الفوري للتخطيطات المرشحة وتوليد حلول باريتو المثلى التي توازن بين توليد الطاقة وتجانس الاستيقاظ. وتشير الدراسة إلى أن تحقيق زيادة بنسبة 5.7% في AEM لمزرعة بقدرة 400 ميجاوات يمكن أن يحقق قيمة اقتصادية تراكمية تقترب من مليار يوان على مدار دورة حياة تبلغ 25 عاماً.
يقر المؤلفون بتواضع بوجود بعض القيود، مشيرين إلى أن بيانات التدريب تعتمد على LES بدلاً من بيانات SCADA أو LiDAR الواقعية، وأن تكلفة تدريب DRL، رغم كونها مقبولة، لا تزال أعلى من الطرق الاستدلالية البسيطة. ويُقترح في العمل المستقبلي تضمين الضبط الدقيق لبيانات المواقع الحقيقية واستراتيجيات التعلم التلوي (Meta-learning) لتقليل تكاليف التدريب وتعزيز قدرات "التوصيل والتشغيل".