Kurzbeschreibung
(Deutsch)
|
Das Hauptziel dieses Projekts ist die Entwicklung und Validierung eines Tools zur Optimierung von der Planung, Steuerung und Vorhersage von Windparks. Um dies zu erreichen, verwenden wir eine synergetische Kombination aus numerischer Strömungsdynamik (Large-Eddy-Simulation), Numerische Modellen und «künstliche Intelligenz» mit physikalischen Informationen. Windkanal- und Feldexperimente werden durchgeführt, um die numerischen Modelle zu trainieren, verbessern und zu validieren. Spezifische Ziele sind:
- Entwicklung von Modellen reduzierter Ordnung (z. B. analytische Modelle und Wirbelmodelle), die schnell und genau genug sind, um zusammen mit Werkzeugen der künstlichen Intelligenz für die Optimierung des Entwurfs und der Steuerung von Windparks verwendet zu werden.
- Validierung der neuen Generation von Modellen reduzierter Ordnung mit Hilfe von Windkanalexperimenten, Feldexperimenten und Large-Eddy-Simulationen mit hoher Genauigkeit.
- Einsatz von Werkzeugen der künstlichen Intelligenz, einschließlich «genetischer Algorithmen» und neuronaler Netze (maschinelles Lernen), zur Optimierung der Planung, Steuerung und Vorhersage von Windparks.
|
Kurzbeschreibung
(Englisch)
|
The main goal of this project is to develop and validate a prediction framework for optimizing the design, control and forecast of wind farms. To achieve that, we propose to use a synergistic combination of computational fluid dynamics (large-eddy simulation), reduced-order models and physics-informed artificial intelligence tools. Wind-tunnel and field experiments will also be carried out to improve and validate the numerical models, and to train the artificial intelligence tools. Specific objectives are:
- Development of reduced-order models (e.g., analytical models and vortex models) that are fast and accurate enough to be used together with artificial intelligence tools for optimizing the design and control of wind farms.
- Validation of the new generation of reduced-order models using wind tunnel experiments, field experiments and high-fidelity large-eddy simulations.
- Use of artificial intelligence tools, including genetic algorithms and neural networks (machine learning), to optimize the design, control and forecast of wind farms.
|
Kurzbeschreibung
(Französisch)
|
L'objectif principal de ce projet est de développer et de valider un cadre de prédiction pour optimiser la conception, le contrôle et la prévision des parcs éoliens. Pour ce faire, nous proposons d'utiliser une combinaison synergique de la dynamique des fluides numérique (simulation des grands courants), des modèles d'ordre réduit et des outils d'intelligence artificielle informée par la physique. Des expériences en soufflerie et sur le terrain seront également menées pour améliorer et valider les modèles numériques et pour former les outils d'intelligence artificielle. Les objectifs spécifiques sont les suivants
- Développement de modèles d'ordre réduit (par exemple, modèles analytiques et modèles tourbillonnaires) suffisamment rapides et précis pour être utilisés avec des outils d'intelligence artificielle afin d'optimiser la conception et le contrôle des parcs éoliens.
- Validation de la nouvelle génération de modèles d'ordre réduit à l'aide d'expériences en soufflerie, d'expériences sur le terrain et de simulations à grande échelle de haute fidélité.
- Utilisation d'outils d'intelligence artificielle, notamment d'algorithmes génétiques et de réseaux neuronaux (apprentissage automatique), pour optimiser la conception, le contrôle et la prévision des parcs éoliens.
|
Projektziele
(Deutsch)
|
Das Hauptziel dieses Projekts ist die Entwicklung präziser Vorhersageinstrumente zur Optimierung der Planung, Steuerung und Vorhersage von Windparks. Dies soll durch eine synergetische Kombination von Computersimulationen, Experimenten und physikalisch informierten Werkzeugen der künstlichen Intelligenz erreicht werden. Der neue Vorhersagerahmen soll dazu beitragen, die Nutzung der Windenergie im Rahmen der Schweizer Energiestrategie 2050 zu optimieren.
|
Projektziele
(Englisch)
|
The main goal of this project is to develop accurate prediction tools for optimizing the design, control and forecast of wind farms. That will be achieved using a synergistic combination of computer simulations, experiments, and physics-informed artificial intelligence tools. The new prediction framework is expected to help optimize the use of wind energy within the context of the Swiss Energy Strategy 2050.
|
Projektziele
(Französisch)
|
Optimiser la conception, le contrôle et la prévision des parcs éoliens. Cet objectif sera atteint grâce à une combinaison synergique de simulations informatiques, d’expériences et d’outils d’intelligence artificielle. Le nouveau cadre de prévision devrait permettre d'optimiser l'utilisation de l'énergie éolienne dans le cadre de la stratégie énergétique suisse 2050.
|
Schlussbericht
(Deutsch)
|
Das Hauptziel dieses Projekts besteht in der Entwicklung und Validierung eines neuen Vorhersagemodells, das zur Optimierung (Planung und Steuerung) und Prognose von Windparks eingesetzt werden kann. Um dies zu erreichen, haben wir eine synergetische Kombination aus numerischer Strömungsmechanik (Large-Eddy-Simulation), Modellen reduzierter Ordnung und physikinformierten KI-Tools verwendet. Im Laufe des Projekts wurden bei allen geplanten Aufgaben erhebliche Fortschritte erzielt, die den drei im ursprünglichen Vorschlag hervorgehobenen Hauptarbeitspaketen entsprechen. Die Aktivitäten und Hauptergebnisse für jede Aufgabe werden im Folgenden kurz zusammengefasst:
o Entwicklung analytischer Nachlaufmodelle für Windkraftanlagen: Es wurde eine neue Generation analytischer Modelle entwickelt, die physikbasiert, einfach, schnell und genau genug sind, um für die Optimierung des Designs und der Steuerung von Windparks eingesetzt zu werden.
o Validierung numerischer Modelle: Es wurden neuartige Windkanalexperimente und Feldversuche konzipiert und durchgeführt, um neue Erkenntnisse über die Strömungen von Windturbinen und Windparks zu gewinnen und einzigartige Datensätze für die Validierung numerischer Modelle (sowohl LES als auch die neu entwickelten analytischen Modelle) bereitzustellen.
o Entwicklung von Tools für künstliche Intelligenz zur Optimierung und Prognose der Leistung von Windparks: Insbesondere wurden genetische Algorithmen und maschinelles Lernen (neuronale Netze) entwickelt und implementiert, um die Planung, Steuerung und Prognose von Windparks zu optimieren.
|
Schlussbericht
(Englisch)
|
The main aim of this project is to develop and validate a new prediction framework that can be used for the optimization (design and control) and forecast of wind farms. To achieve that, we have used a synergistic combination of computational fluid dynamics (large-eddy simulation), reduced-order models and physics-informed artificial intelligence tools. During the course of the project, substantial progress has been made on all the planned tasks, corresponding to the three main work packages highlighted in the original proposal. The activities and main results for each task are briefly summarized below:
o Development of analytical wind-turbine wake models: A new generation of analytical models has been developed that are physics based, simple, fast and accurate enough to be used for optimizing the design and control of wind farms.
o Validation of numerical models: Novel wind tunnel experiments and field experiments have been designed and carried out to gain new understanding of wind turbine and wind farm flows, and to provide unique datasets for the validation of numerical models (both LES and the newly developed analytical models).
o Development of artificial intelligence tools for the optimization and forecasting of wind farm power: Specifically, genetic algorithms and machine learning (neural networks) have been developed and implemented to optimize the design, control and forecast of wind farms.
Zugehörige Dokumente
|
Schlussbericht
(Französisch)
|
L'objectif principal de ce projet est de développer et de valider un nouveau cadre de prédiction qui peut être utilisé pour l'optimisation (conception et contrôle) et la prévision des parcs éoliens. Pour ce faire, nous avons utilisé une combinaison synergique de la dynamique des fluides informatique (simulation des grands courants), des modèles d'ordre réduit et des outils d'intelligence artificielle informée par la physique. Au cours du projet, des progrès substantiels ont été réalisés dans toutes les tâches prévues, correspondant aux trois principaux lots de travaux mis en évidence dans la proposition originale. Les activités et les principaux résultats de chaque tâche sont brièvement résumés ci-dessous :
o Développement de modèles analytiques de sillage de turbine éolienne : Une nouvelle génération de modèles analytiques a été développée. Ils sont basés sur la physique, simples, rapides et suffisamment précis pour être utilisés dans l'optimisation de la conception et du contrôle des parcs éoliens.
o Validation des modèles numériques : De nouvelles expériences en soufflerie et sur le terrain ont été conçues et réalisées pour mieux comprendre les flux des éoliennes et des parcs éoliens, et pour fournir des ensembles de données uniques pour la validation des modèles numériques (à la fois LES et les nouveaux modèles analytiques).
o Développement d'outils d'intelligence artificielle pour l'optimisation et la prévision de la puissance des parcs éoliens : en particulier, des algorithmes génétiques et l'apprentissage automatique (réseaux neuronaux) ont été développés et mis en œuvre pour optimiser la conception, le contrôle et la prévision des parcs éoliens.
|
