《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》:Artificial intelligence-based design optimization for wind turbines: A comprehensive review of its methodologies, applications, and challenges
编辑推荐:
AI驱动风力涡轮机设计优化方法综述,系统分析监督、无监督及强化学习在叶片、塔筒等子系统中的应用,揭示数据稀缺、黑箱模型等挑战,提出融合数字孪生与联邦学习的未来方向。
Jianhao Fang|Weifei Hu|Jiale Liao|Xinyu Chen|Haotian Mo|Chang Jin|Yongshui Luo|Zhenyu Liu
浙江大学流体动力与机电系统国家重点实验室,杭州,310058,中国
摘要
尽管近年来风能的使用显著增加,但风力涡轮机(WTs)的设计优化仍受到计算效率、多目标权衡和系统复杂性等挑战的阻碍。虽然人工智能(AI)的快速发展为气动设计、结构优化和控制系统提供了创新解决方案,但关于AI范式如何应对WT设计优化中的这些跨领域挑战的系统综合研究仍相对缺乏。为了填补这一空白,本文对基于AI的风力涡轮机设计优化方法进行了全面调查,将其分为基于监督学习的方法、基于无监督学习的方法和基于强化学习的方法。这些方法被系统地应用于风力涡轮机关键子系统的具体设计优化问题,包括叶片、塔架和发电机。通过对177篇相关文献的深入分析,本文展示了AI对风力涡轮机设计优化方法的变革性影响,并指出了这些方法面临的关键挑战,如新设计所需的数据稀缺性、黑箱模型的可解释性以及多物理约束的整合等问题。最后,本文提出了未来研究的方向,包括混合数字孪生框架、用于分布式优化的联邦学习以及针对大规模风力涡轮机设计优化的量子启发算法。
引言
能源需求的快速增长和传统能源(如化石燃料)的严重枯竭加速了可再生能源的发展[1]。作为最有前景的可再生能源之一,风能因其成本效益、环境可持续性和环保特性而受到广泛关注[2]。具体而言,风力涡轮机(WTs)可以将风能转化为电能,可以安装在陆地上或海上。近年来,海上风力涡轮机因能够捕获更强且更稳定的风能而越来越受欢迎[3]。这推动了更大规模风力涡轮机的部署以及许多海上风电场的建设。然而,尤其是对于海上应用而言,风力涡轮机的规模化带来了设计上的重大挑战,包括运营和维护(O&M)成本的增加、制造复杂性的提升以及整体性能的改进[4]。为了最大化风能的利用,优化在设计过程中起着关键作用,有助于满足设计规范并减少风力涡轮机设计中耗时的迭代步骤。
最近的研究解决了风力涡轮机设计中的许多优化问题,包括气动性能[5]、形状优化[6]、风电场布局[7]、运营和维护策略[8]以及成本效率[9]。基于物理的建模和迭代仿真方法被广泛用于应对风力涡轮机系统的复杂性,并确定最佳设计方案。具体来说,风力涡轮机系统表现出非线性的、完全耦合的空气-水-弹性-伺服行为,这需要采用集成和多学科的方法进行建模[10]。优化工作涵盖了风力涡轮机的多个方面,如风电场布局[11,12]、叶片的几何形状[6,[13],[14],[15]]、塔架形状[16],[17],[18]以及发电机控制[19,20],同时考虑了负载类型[21]、故障模式[8]和结构性能[22]等各种因素。随着设计变量和目标数量的增加,与多个且常常相互竞争的目标的耦合给优化过程带来了巨大的计算需求[23]。传统方法往往难以应对这些挑战,导致迭代时间过长,限制了其在现代风力涡轮机设计中的应用范围和实用性。此外,随着风力涡轮机规模的扩大,尤其是海上应用,计算效率的挑战变得更加突出[2]。设计必须在实现高性能、降低成本和确保在恶劣环境条件下的可靠性之间取得平衡,同时满足内部和外部设计要求带来的各种约束。为了克服这些挑战,人工智能(AI)的最新进展正在彻底改变风力涡轮机的设计优化。
近年来,AI已成为研究的焦点,被定义为一种旨在模拟人类智能的知识驱动系统。AI依赖于先进的算法和数学模型,能够以类似人类和理性的方式思考和行动[24]。机器学习(ML)作为AI的一个子集,其基础可以追溯到20世纪40年代(ML的历史在参考文献[25]中有进一步讨论)。数据被认为是AI算法的核心。在输入AI模型之前,需要对这些数据进行预处理[24],这包括几个关键步骤:评估数据质量、处理缺失值、移除异常值、缩放特征以及根据需要进行转换[26]。预处理完成后,选择相关特征作为AI模型的输入。然后利用这些处理过的数据对模型进行训练,以识别模式和特征。随后使用独立的测试数据集评估模型的性能。AI方法的进步还提高了决策效率和计算能力,支持了风力涡轮机的稳健和成本效益设计[27]。诸如大数据智能[28]、先进的决策工具[29]和改进的计算能力等创新正在不断改变风力涡轮机的设计过程,使得与传统方法相比,能够获得更高效和可靠的结果。
近年来,AI在学术界也受到了越来越多的关注。根据Google Scholar上以“风力涡轮机”、“设计”或“优化”为关键词的搜索结果统计数据显示,自2019年以来,关于风力涡轮机设计优化的出版物数量显著增长。这一趋势表明设计优化方法在加速创新和提高风能系统效率方面发挥着关键作用。然而,尽管该领域的研究数量不断增加,但专门针对风力涡轮机设计优化的系统综述仍然存在显著不足(见图1中的绿色和蓝色条形)。虽然个别研究已经探索了AI驱动的方法在风力涡轮机各个方面的应用(见图1中的带三角形和点的线条,例如预测性维护[30]、故障检测[31,32]和能源预测[33]),但缺乏对这些方法在风力涡轮机设计优化背景下进行综合分析和评估的综述。这样的综述对于了解当前研究现状、识别关键挑战以及发现进一步创新的机会至关重要[34,35]。
为了增强AI在推动智能、可持续和成本效益的风能发展中的应用,本文对基于AI的风力涡轮机设计优化方法进行了全面回顾。通过将这些方法分为基于监督学习、无监督学习和强化学习的技术,并分析177篇相关文献,本文全面展示了AI在风力涡轮机各组件设计中的应用。此外,还指出了数据稀缺性、黑箱模型的可解释性和多物理约束整合等关键挑战。同时,提出了未来发展的方向,如数字孪生技术和物理信息驱动的机器学习技术,以克服这些挑战并进一步推进风力涡轮机的设计优化。
部分摘录
基于AI的风力涡轮机设计优化方法
作为先进的设计优化方法之一,机器学习(ML)构建了无需明确专家干预即可从数据中学习的归纳模型[36,37]。虽然ML方法在技术上被分为基于监督学习、无监督学习和强化学习,但将这些方法直接应用于具体的风力涡轮机设计挑战对于促进实际应用至关重要[38]
不同的风力涡轮机组件带来了独特的约束,这些约束决定了应选择哪种AI范式(见图2)。
叶片
风力涡轮机的叶片是捕获风能的主要机制。由于叶片的负载条件、长寿命和高成本,叶片的设计优化对于风能行业至关重要[142]。由于风力涡轮机系统的设计寿命需要在外部和内部负载(例如气动负载、陀螺负载、重力负载以及涡轮机系统与其他子组件之间的动态相互作用)下达到15-20年,因此
关键挑战和未来工作
尽管AI方法在风力涡轮机设计优化中展示了巨大潜力,但其实际应用仍面临几个关键挑战,总结如下:
(1)数据依赖性和稀缺性。由于风力涡轮机系统的多物理耦合特性,用于训练AI的数据往往难以获取。特别是在处理极端运行条件或新设计时,数据稀缺问题尤为突出,这严重限制了模型的效果
结论
AI在风力涡轮机设计优化中的整合彻底改变了可再生能源领域,实现了效率、成本降低和可靠性的前所未有的提升。本文系统地分析了AI方法在关键风力涡轮机组件中的应用,强调了它们的变革潜力及内在挑战。主要发现和未来发展方向总结如下:
(1)监督学习已成为替代建模的基石
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本工作得到了国家自然科学基金(资助编号:52275275)和浙江省先锋与领头雁研发计划(资助编号:2023C01008)的支持。