基于多保真深度迁移学习尾流模型的加速风场偏航与布局优化
机器学习
2023-03-30 v1 计算工程、金融与科学
大气与海洋物理
摘要
风场建模一直是快速增长的兴趣领域，已开发出众多基于解析与计算的方法来拓展风场效率边界并最大化发电功率。本工作中，我们提出新颖的机器学习框架 WakeNet，其能在偏航角、风速与湍流强度 (TIs) 的广泛范围内复现轮毂高度处广义二维涡轮尾流速度场，相较于最先进的风场建模软件 FLORIS 的计算解具有 99.8% 的平均精度。由于为网络训练生成充足高保真数据的成本可能过高，我们也研究了多保真迁移学习的效用。具体而言，将在低保全高斯尾流模型上预训练的网络进行微调，以获得中保真 Curl 尾流模型的准确尾流结果。WakeNet 在各种尾流转向控制与布局优化场景下的鲁棒性与总体性能已通过功率增益热力图验证，获得了至少 90% 的通过直接由 FLORIS 执行优化所得的功率增益。我们还证明，当使用 Curl 模型时，WakeNet 能够提供与 FLORIS 相似的功率增益，且速度快两个数量级（例如每优化案例 10 分钟对比 36 小时）。当在高保真 CFD 数据集上训练时，wakeNet 的尾流评估时间预计相似，从而进一步增加计算时间收益。这些有前景的结果表明，基于机器学习工具的广义尾流建模可足够准确以助力主动偏航与布局优化，同时以极少的计算成本产生真实的优化构型，因此使得在不确定性下进行实时主动偏航控制以及鲁棒优化成为可能。
引用
@article{arxiv.2303.16274,
title = {Accelerated wind farm yaw and layout optimisation with multi-fidelity deep transfer learning wake models},
author = {Sokratis Anagnostopoulos and Jens Bauer and Mariana C. A. Clare and Matthew D. Piggott},
journal= {arXiv preprint arXiv:2303.16274},
year = {2023}
}
备注
16 Pages, 18 Figures, 3 Tables