Parki wiatrowe produkują własną dynamikę obiegu powietrza. Frontalny rząd turbin wiatrowych zmaga się z silniejszym wiatrem niż ten w środku. Wytwarza on również wiry, które wpływają na wydajność dalszych turbin.

Inteligentne oprogramowanie może zmniejszyć tego skutki, poprzez optymalizację prędkości wirnika i kątów łopat. „Uczenie maszyn” (ang. machine learning) poprzez skomplikowane algorytmy pomaga sprawić, że złożone systemy będą funkcjonowały bardziej efektywnie. Niezależnie od tego, czy systemy te są hutami czy turbinami gazowymi, mogą one analizować zebrane dane, wykrywać regularne wzorce i optymalizować swoje operacje. Naukowcy Siemensa przekonują, że ciągłe uczenie systemu, pozwala również turbinom wiatrowym na zwiększenie ich produkcji energii elektrycznej.

W wolnym czasie Volkmar Sterzing lubi pracować jako instruktor żeglarstwa na jeziorze Starnberg na południe od Monachium. Specjalista „uczenia maszyn” w Siemens Corporate Technology, Sterzing, mówi, że: „Na pewno istnieją paralele pomiędzy nauczaniem żeglarstwa i procesem uczenia maszyn, które możemy wykorzystać do optymalizacji produktów.”
Podczas, gdy jego uczniowie starają się zrozumieć siłę wiatru i intuicyjnie wiedzą, kiedy i jak mają ustawić żagle, Sterzing studiuje, jak złożone systemy, takie jak turbiny wiatrowe, mogą samodzielnie rozpoznawać regularne wzorce wśród zgromadzonych danych, a tym samym dowiadywać się, jak zoptymalizować swoje operacje.

Uczenie maszyn jako sposób optymalizacji złożonych systemów
Inżynierowie Siemens badali uczenie maszyn w ciągu ostatnich 25 lat. „Związane z tym procesy oferują wiele możliwości dla kreowania systemów mądrzejszych i bardziej wydajnych,” mówi profesor Thomas Runkler, ekspert w dziedzinie uczenia maszynowego w Siemens Corporate Technology Monachium i profesor na Uniwersytecie Technicznym w Monachium. „Siemens wykorzystał to intrygująco brzmiące uczenie maszyn w celu optymalizacji obiektów przemysłowych takich jak huty czy turbiny gazowe.” Uczenie maszynowe może być również wykorzystywane do wiarygodnego prognozowania cen energii i surowców lub do przewidywania zapotrzebowania na energię w obrębie całych regionów.

Sieci neuronowe: Niezbędne dla procesów uczenia maszyn
Warunkiem usprawnienia pracy maszyn jest dostępność systemów informatycznych, które mogą uczyć się ogromnej ilości danych i optymalizować swoje zachowanie. Między innymi, Sterzing bada jak uczenie maszynowe umożliwia turbinom wiatrowym dostosowanie się do zmiennych warunków wiatrowych i pogodowych, w celu zwiększenia ich produkcji energii elektrycznej.
„Turbiny wiatrowe udoskonalają swoją produkcję przez porównanie danych operacyjnych z danymi pogodowymi,” mówi Sterzing. „Czujniki wewnątrz oraz na takich systemach rutynowo rejestrują dane dotyczące kierunku i prędkości wiatru, temperatury, napięć i prądów elektrycznych, a także drgań wytwarzanych przez główne komponenty, takie jak generator i łopaty wirnika.
Wcześniej te parametry pomiaru były używane tylko do konserwacji i przeprowadzania zdalnej diagnostyki. Ale teraz przyczyniają się one do generowania większych ilości energii elektrycznej przez turbiny wiatrowe,” tłumaczy Sterzing. Bazując na koncepcji sieci neuronowych, naukowcy Siemens spędzili cztery lata, analizując i modelując różne zależności i współzależności. Sieci neuronowe są kluczem do skutecznego uczenia maszynowego w turbinach wiatrowych. „Sieci neuronowe są modelami komputerowymi, których działania, zbliżone są w swej istocie do ludzkiego mózgu,” wyjaśnia Sterzing. Uczą się z przykładów, rozpoznają wzory i używają poprzednich danych do prognozowania, aż ostatecznie tworzą idealne modele dotyczące przyszłego zachowania złożonych systemów.
To wszystko jest w szczególnym stopniu zastosowalne dla turbin wiatrowych. Na podstawie zgromadzonych danych, oprogramowanie oblicza optymalne ustawienia dla różnych scenariuszy pogodowych, które obejmują wiele czynników, takich jak czas trwania promieniowania słonecznego, warunki zamglenia i burze. Dane są przesyłane do jednostek sterujących turbinami wiatrowymi, które biorą te informacje pod uwagę od czasu, gdy dostosują zalecone funkcje. Jeżeli pojawiają się znane warunki wiatrowe, jednostki sterujące natychmiast użyją optymalnych ustawień, które są określane jako rezultat uczenia tejże maszyny. Może to prowadzić do regulowania kątów łopatek wirnikowych, na przykład. „W związku z tym, turbiny się bardziej skuteczne i wytwarzają pożądanie więcej energii”, mówi Sterzing.

Ale dlaczego w ogóle mamy optymalizować turbiny wiatrowe?
Odpowiedź jest prosta: Turbiny wiatrowe nie zawsze działają na pełnych obrotach. Zapewniają one znacznie mniej energii niż potencjalnie by mogły – zwłaszcza, gdy wiatr jest słaby lub wieje z połowiczną siłą. „Chcemy zwiększyć ich wydajność o kilka punktów procentowych, w tych właśnie sytuacjach,” Sterzing wyjaśnia.

To może jeszcze bardziej zmniejszyć koszty energii wiatrowej w przyszłości, a wszyscy są zgodni co do ważności tego czynnika, ponieważ turbiny wiatrowe stają się coraz bardziej konkurencyjne w stosunku do tradycyjnych systemów wytwarzania energii.

Opracowanie: Dastin Adamowski KN OZE „Grzała”
Źródło: Siemens, [phys.org]