Intelligent Optimization of Wind Farm Layout Under Wind Turbine Wake Effect Based on Deep Learning and Fluid Dynamics
本文提出了一种集成物理信息神经网络、图注意力网络和深度强化学习的端到端协作框架，旨在同时提高风电场尾流预测精度并优化风机布局，在保持物理一致性和可扩展性的同时，显著降低了尾流损失和推理时间。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
风能已成为全球电力系统的基石，广袤的风力涡轮机群遍布海岸线和平原，以捕捉风能。然而，一个隐藏的问题限制了这些风电场发电量的上限。当风力涡轮机旋转时，它会从空气中抽取能量，在身后留下一个湍流且速度较慢的气流轨迹，即所谓的“尾流”（wake）。如果第二台涡轮机位于这个尾流中，它接收到的风能就会减少，导致发电量下降，同时还会承受更大的压力，从而缩短其使用寿命。在大型风电场中，这些尾流会相互重叠和作用，导致整个风电场的潜在年发电量损失百分之十到百分之二十。几十年来，工程师们一直试图通过重新排列涡轮机来解决这个问题，但这些气流轨迹如何相互作用的物理机制极其复杂。传统方法要么依赖于忽略细节的简化猜测，要么使用超级计算机模拟，而这类模拟速度极慢且成本高昂，无法用于测试成千上万种不同的布局方案。
一组研究人员开发了一种新方法来破解这一难题，通过教计算机理解风的物理特性，并从海量数据中学习。他们并没有将风电场视为一系列独立的机器，而是构建了一个系统，将风电场视为一个相互连接的网络，其中每一台涡轮机都会影响其邻近的机器。研究人员创建了一个由三部分组成的智能系统。首先，他们训练了一个神经网络来预测风如何在风电场内流动，但他们强制要求该网络遵守流体运动的基本定律，从而确保即使在数据稀缺的区域，其预测结果也能保持符合物理规律的真实性。其次，他们使用了一种基于图（graph-based）的方法来绘制涡轮机之间的特定关系，使系统能够精确学习上游涡轮机对下游涡轮机的影响程度。最后，他们采用了一个充当战略规划师的学习代理（learning agent），通过测试数百万种布局变化，寻找既能产生最大功率又能最大限度减少涡轮机间干扰的排列方式。
当研究人员在相当于一个拥有80台涡轮机的真实场址的基准风电场上测试该系统时，结果非常显著。与标准的工程公式相比，这种新方法预测风流的准确度大幅提升，预测误差降低了近三分之二。更重要的是，当该系统为风电场设计新布局时，它将总年发电量提高了5.7%。这一改进源于通过微调涡轮机位置来打破重叠的尾流，从而将因“风影”导致的能量损失从11.4%降低到了6.5%。虽然该系统需要大约28到96小时的训练期（取决于风电场规模），但一旦完成训练，其计算仅需不到一秒的时间，这种速度使得实时测试和优化设计成为可能，而这在以前使用旧的、更慢的模拟工具时是无法实现的。
研究还表明，这种方法具有鲁棒性（robustness），这意味着即使在风况困难或多变的情况下也能表现良好。无论风是从单一方向吹来、从两个相反方向吹来，还是从四面八方吹来，该系统都能稳定地提高4.4%至5.9%的发电量。它甚至能够处理高湍流和强垂直风切变的情景，而其他方法在这些情景下往往会失效。研究人员发现，该系统可以扩展到处理拥有200台涡轮机的风电场，且不会损失其速度或精度，保持着仅略高于一百毫秒的响应时间。这表明该方法可以应用于大规模的海上或陆上项目，为从现有风能资源中榨取更多清洁能源提供实用的工具。
通过将深度学习与流体力学的严格规则相结合，研究人员创造了一个弥合理论物理学与实际工程学之间鸿沟的工具。该系统不仅仅是在猜测最佳布局，它还在学习风与一组机器相互作用的底层模式，并利用这些知识做出决策。这种方法超越了旧技术的局限性——旧技术往往必须在“快速但不准确”或“准确但太慢而无法实用”之间做出选择。这一新框架为设计不仅更高效、而且对复杂多变的自然风具有更强韧性的风电场提供了路径，在项目的整个生命周期内，有望节省数百万美元的能量损失。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。