研究：风机优化的自动机器

风轮机甚至在同一地点也能处于截然不同的工作条件下，因此根据实际条件优化每个涡轮机可能会对发电量产生很大影响。通过使用机器学习 (ML) 解决方案（可实现安全、可靠、自动、连续和个性化的涡轮机优化），似乎可以实现连续的涡轮机优化。DEIF 在测试项目中的偏航定位方面取得了令人鼓舞的初步结果。

在不同地点，风轮机的运行条件完全不同。气候因素和风电场现象（例如尾流效应）意味着，即使在同一地点，相同涡轮机的性能也会大不相同。因此，根据实际现场条件谨慎优化每个单独的涡轮机，来最大程度地利用潜在风能发电量可能会对涡轮机的 AEP 和使用寿命产生重大影响。

但是，现代涡轮机控制器具有数百个可调整的参数，因此涡轮机很少进行连续和单独的优化以及微调来适应不断变化的条件：这一过程太费时，并且需要涡轮机控制器和风电场条件方面的专业知识。

标题：风轮机的性能会因实际运行条件而有很大差异，即使同一风力发电厂中的相同涡轮机也是如此。借助机器学习和云计算，即将可根据实际运行条件实现连续、自动和个性化的涡轮机优化。

但是，通过使用机器学习 (ML) 似乎可实现涡轮机的持续优化。DEIF 目前在进行研究来开发强大的 ML 解决方案，这类解决方案将实现安全、可靠、自动、连续和个性化的涡轮机优化。

其工作原理是什么？

思路是，收集有关单独涡轮机运行和环境条件的数据，并使用该数据确定每个单独涡轮机的最佳参数设置。然后将设置传回涡轮机，在给定的环境条件下对其进行调整以最大程度地发电。简而言之，其工作原理如下：

• 收集 10 分钟内来自涡轮机的所有原始数据。另外，在可能的情况下收集高速数据，使系统能够优化需要更高采样率的参数，以便观察涡轮机状态。
• 根据收集到的数据，对基于强化学习（机器学习的一种）的算法进行训练，以最大程度地提高涡轮机的功率输出，同时将负载降至最低。在强大的云计算环境中进行计算，该环境设置为模拟不同条件和涡轮机运行情况。为确保风轮机的运行和结构安全，代理在优化某些涡轮机参数时必须考虑负载计算。
• 如果代理经过充分培训，则会十分稳定。此时，模拟环境开始直接从活动的涡轮机中获取观测值，并直接对该涡轮机执行参数更改。因此，现可根据实时数据对涡轮机进行连续调整，从而最大限度地提高其性能并获得最佳的发电量。

振奋人心的初步结果

理论上，通过 ML 进行涡轮的连续调整貌似效果不错，但是在实践中会起作用吗？为验证这一概念，DEIF 最近开发了一种增强型学习代理，旨在将相对于风向的非最佳偏航定位导致的涡轮机功率损耗降至最低。早期结果表明，该代理可以学习在少于 5,000 个观测值的条件下来优化偏航偏移参数。

尽管所用模型比进行所有涡轮机参数优化所需的复杂模型要简单，但事实证明该概念本身是可行的。需要对复杂的模型和参数进行更多的研究。DEIF 已获得奥地利研究机构 (FFG) 的资助，可在接下来的 3 到 5 年中继续我们针对该主题的研究。希望促成更强大和生产就绪的代理，这些代理可通过安全、可靠、自动、连续和个性化的涡轮机优化被部署为使涡轮机更接近其理论限值运行。