Согласно статье в журнале Nature Energy , написанной исследователями Национальной лаборатории возобновляемых источников энергии (NREL) Министерства энергетики США, ветроэнергетика могла бы извлечь выгоду из использования искусственного интеллекта (ИИ) для проектирования и внедрения ветряных электростанций.
Исследователи разработали суррогатную модель на основе искусственного интеллекта под названием «Нейронная сеть графа ветряных электростанций» (WPGNN), которая была обучена на моделировании более 250 000 случайно сгенерированных схем ветряных электростанций в различных атмосферных условиях, конструкциях электростанций и эксплуатации турбин.
Данные моделирования были получены с помощью другой модели, разработанной NREL, инструмента FLOw Redirection and Induction in Steady State (FLORIS).
Затем ИИ использовал эту информацию, чтобы определить оптимальную конструкцию ветряной электростанции.
ИИ облегчает расчет идеальных планировок и операций завода для достижения различных результатов, таких как снижение требований к земле или увеличение доходов.
Исследование было сосредоточено на стратегии, называемой управлением следом, которая оптимизирует количество энергии, которую может производить станция, контролируя движение следа от турбины, расположенной выше по потоку, от турбины, расположенной ниже по потоку.
Использование искусственного интеллекта позволило исследователям определить влияние управления следом на три разные цели: землепользование , затраты и доходы.
Преимущества управления следом ранее были продемонстрированы на уровне предприятия, но большинство исследований были ограничены в пространственном масштабе и диапазоне рассматриваемых целей оптимизации.
WPGNN, используемый командой NREL, эффективно представлял взаимодействия следа в виде направленного графа, что позволило провести всестороннее исследование оптимальных настроек как для расположения турбины, так и для отклонения гондолы в общенациональном портфолио ветроэнергетики.
«Раньше исследования по оптимизации управления следом для конкретного участка были очень трудными, но графическое представление в WPGNN значительно улучшило нашу способность представлять гибкую планировку, изменение направления ветра и выполнять оптимизацию на основе градиента», — сказал Райан Кинг, соавтор исследования.
документ «Оптимизация ветряных электростанций с помощью искусственного интеллекта для общенациональной оценки землепользования и экономических выгод от управления следом».
В комплексных усилиях приняли участие исследователи из Центра стратегического энергетического анализа лаборатории, Центра вычислительных наук и Национального центра ветровых технологий.
Кинг — старший научный сотрудник Центра вычислительных наук, а соавтор Эндрю Глос — исследователь прикладной математики.
Они написали статью вместе с двумя коллегами, которые с тех пор покинули NREL, Диланом Харрисоном-Атласом и Эриком Ланцем.
Ранее Ланц был менеджером группы исследований в NREL, а сейчас является директором отдела ветроэнергетических технологий Министерства энергетики.
Ожидается, что использование ветра в качестве возобновляемого источника энергии будет становиться все более важным в декарбонизации энергетического сектора страны, но препятствия остаются, поскольку некоторые общины ограничили места, где можно устанавливать ветряные турбины.
Сценарий, управляемый искусственным интеллектом, предусматривал развертывание по всей стране 6862 объектов электростанции с совокупной генерируемой мощностью 721 гигаватт с целью сокращения выбросов углекислого газа в энергетическом секторе на 95% к 2050 году.
Внедрение стратегии управления следом могло бы снизить требования к земле для будущих ветряных электростанций в среднем на 18%, а в некоторых случаях — на целых 60%.
В национальном масштабе экономия земли составляет около 13 000 квадратных километров, что эквивалентно 28% использования энергии ветра в Соединенных Штатах.
Управление следом ценно, потому что простого распределения турбин часто недостаточно, чтобы избежать потерь в следе, а некоторым ветряным электростанциям не хватает места, необходимого для дальнейшего расширения.
Кроме того, ветряные электростанции, оптимизированные для управления следом, позволят увеличить концентрацию турбин, тем самым удовлетворяя желание некоторых местных сообществ ограничить количество земли, разрешенной для использования промышленностью.
Установка большего количества турбин на меньшей площади обеспечит повышенную гибкость с точки зрения планирования площадки, что потенциально позволит разработчикам воспользоваться экономией за счет масштаба для более крупных проектов.
Исследователи также обнаружили, что использование управления следом последовательно снижает затраты на энергию для ветровых установок.
ИИ позволил исследователям выявить региональные различия, где стратегию лучше всего применить.
«Мы обнаружили, что разные районы страны более или менее восприимчивы к преимуществам управления следом, и результаты этих преимуществ могут быть реализованы по-разному», — сказал Глос.
«Это может быть важно для понимания того, как и где нам следует инвестировать в эту новую технологию».
Высокопроизводительные вычислительные ресурсы NREL позволили исследователям обучать WPGNN.
Рубрика: Гаджеты и Технологии. Читать весь текст на android-robot.com.