Intelligent Optimization of Wind Farm Layout Under Wind Turbine Wake Effect Based on Deep Learning and Fluid Dynamics
Dit artikel stelt een end-to-end collaboratief framework voor dat physics-informed neural networks, graph attention networks en deep reinforcement learning integreert om gelijktijdig de nauwkeurigheid van de voorspelling van windpark-wakes te verbeteren en turbine-lay-outs te optimaliseren, waarbij significante reducties in wake-verliezen en inferentietijd worden bereikt terwijl fysieke consistentie en schaalbaarheid behouden blijven.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Windenergie is een hoeksteen van het wereldwijde energiesysteem geworden, met enorme velden van turbines die zich langs kustlijnen en vlaktes uitstrekken om de wind te vangen. Er is echter een verborgen probleem dat beperkt hoeveel elektriciteit deze parken kunnen opwekken. Wanneer een windturbine draait, onttrekt deze energie aan de lucht, waardoor er een turbulente, langzamer bewegende luchtstroom achterblijft, bekend als een zog (wake). Als een tweede turbine in dit zog staat, ontvangt deze minder windenergie en produceert deze minder vermogen, terwijl deze ook te maken krijgt met verhoogde belasting die de levensduur kan verkorten. In grote windparken overlappen en interageren deze zoggen, waardoor het hele park tussen de tien en twintig procent van zijn potentiële jaarlijkse energieopbrengst verliest. Decennialang hebben ingenieurs geprobeerd dit op te lossen door de turbines te herschikken, maar de fysica van hoe deze luchtstromen interageren is ongelooflijk complex. Traditionele methoden vertrouwen ofwel op vereenvoudigde schattingen die de details missen, of gebruiken supercomputersimulaties die zo traag en duur zijn dat ze niet gebruikt kunnen worden om duizenden verschillende lay-outs te testen.
Een team onderzoekers heeft een nieuwe manier ontwikkeld om dit puzzelstuk op te lossen door een computer te leren de fysica van de wind te begrijpen terwijl deze leert van enorme hoeveelheden data. In plaats van het windpark te behandelen als een verzameling afzonderlijke machines, bouwden zij een systeem dat het park ziet als een verbonden netwerk, waarbij elke turbine invloed uitoefent op zijn buren. De onderzoekers creëerden een intelligent systeem bestaande uit drie delen. Ten eerste trainden zij een neuraal netwerk om te voorspellen hoe de wind door het park beweegt, maar dwongen zij dit netwerk om de fundamentele wetten van de stromingsleer te volgen, wat ervoor zorgt dat de voorspellingen fysiek realistisch blijven, zelfs in gebieden waar de data schaars is. Ten tweede gebruikten zij een grafen-gebaseerde aanpak om de specifieke relaties tussen turbines in kaart te brengen, waardoor het systeem precies kan leren hoeveel een turbine stroomopwaarts een turbine stroomafwaarts beïnvloedt. Ten slotte gebruikten zij een lerende agent die fungeert als een strategische planner, die miljoenen lay-outvariaties test om de opstelling te vinden die de meeste energie genereert en tegelijkertijd de interferentie tussen turbines minimaliseert.
Toen de onderzoekers dit systeem testten op een benchmark-windpark dat gelijkstaat aan een locatie in de echte wereld met tachtig turbines, waren de resultaten significant. De nieuwe methode voorspelde de windstroom met veel grotere nauwkeurigheid dan eerdere modellen, waarbij de fout in de voorspellingen met bijna twee derde werd verminderd ten opzichte van standaard technische formules. Belangrijker nog, toen het systeem een nieuwe lay-out voor het park ontwierp, verhoogde het de totale jaarlijkse energieproductie met 5,7 procent. Deze verbetering kwam voort uit het licht verschuiven van de turbines om de overlappende zoggen te doorbreken, wat het energieverlies veroorzaakt door de windschaduwen verminderde van 11,4 procent naar 6,5 procent. Hoewel het systeem een trainingsperiode vereist van ongeveer 28 tot 96 uur, afhankelijk van de grootte van het park, voert het na training berekeningen uit in een fractie van een seconde; een snelheid die het mogelijk maakt om ontwerpen in real-time te testen en te verfijnen, iets wat met oudere, tragere simulatietools voorheen onmogelijk was.
De studie toonde ook aan dat deze aanpak robuust is, wat betekent dat het goed werkt, zelfs wanneer de windomstandigheden moeilijk of veranderlijk zijn. Of de wind nu uit één richting blies, uit twee tegenovergestelde richtingen, of van alle kanten kwam, het systeem verbeterde de energieproductie consistent met tussen de 4,4 en 5,9 procent. Het hanteerde zelfs scenario's met hoge turbulentie en sterke verticale windschering, waar andere methoden vaak falen. De onderzoekers ontdekten dat het systeem kon opschalen om windparken met tweehonderd turbines aan te kunnen zonder snelheid of nauwkeurigheid te verliezen, waarbij een reactietijd van net over honderd milliseconden werd gehandhaafd. Dit suggereert dat de methode kan worden toegepast op enorme offshore of onshore projecten, wat een praktische tool biedt om meer schone energie uit bestaande windbronnen te persen.
Door deep learning te combineren met de strikte regels van de vloeistofdynamica, hebben de onderzoekers een tool gecreëerd die de kloof overbrugt tussen theoretische fysica en praktische techniek. Het systeem raadt niet alleen de beste lay-out; het leert de onderliggende patronen van hoe wind interacteert met een groep machines en gebruikt die kennis om beslissingen te nemen. Deze aanpak gaat verder dan de beperkingen van oudere technieken, die vaak moesten kiezen tussen snel maar onnauwkeurig, of accuraat maar te traag om nuttig te zijn. Het nieuwe kader biedt een weg vooruit voor het ontwerpen van windparken die niet alleen efficiënter zijn, maar ook veerkrachtiger tegen de complexe en veranderlijke aard van de wind, wat potentieel miljoenen dollars aan verloren energie gedurende de levensduur van een project kan besparen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.