CLOUD4WAKE | Met data verrijkte simulatie van zogturbulenties voor alle windmolens in de Noordzee dankzij SCADA-gegevens in de cloud

In het zog van een windmolen ontstaat er turbulentie en verliest de wind sterk aan kracht. Dit noemt men het ‘wake-effect’. Cloud4wake wil de wake-effecten in windparken beter onderzoeken om de nadelige effecten ervan aan te pakken en de businesscase van de parken te verbeteren.

Context

Voor ontwerpstudies van windparken, scenarioanalyses door overheden, stabiliteitsonderzoeken voor het net, ontwerpen van waterstof-windenergie-eilanden en studies naar een geoptimaliseerde werking van windparken zijn nauwkeurige wake-modellen nodig die toepasbaar zijn op volledige concessiezones. Door de continue verwerking van de monitoringgegevens maken ze parametrische studies (scenarioanalyse) of digital twin-modellen mogelijk. Dit project is bedoeld om dergelijke studies te realiseren door schaalbare modellen te ontwikkelen die verrijkt zijn met velddata. Vandaag worden er in de Belgische Noordzee veel gegevens verzameld die cruciale inzichten opleveren voor onze ontwikkelaars en technologieleveranciers op het gebied van wake-effecten van grote windparken.

De huidige analytische modellen bevatten doorgaans belangrijke modelparameters (hyperparameters) die moeten worden gedefinieerd op basis van technische ervaring. De resultaten van deze modellen zijn in grote mate afhankelijk van deze parameters. Er bestaan geen methoden om de modelhyperparameters te definiëren op basis van grote experimentele datasets, noch methoden voor het omgaan met de constant veranderende instroomomstandigheden om de modellen te gebruiken buiten de stabiele werkingspunten van het windpark. Bovendien worden de effecten van buiging en afschuiving slechts beperkt weergegeven, terwijl deze cruciaal zijn om de wake-modellen in een belastingsvoorspellende context te plaatsen met het oog op de controle en de levensduur van de windmolen.

Doelstelling en resultaten

CLOUD4WAKE richt zich op een geïntegreerde set snelle simulatiemodellen voor interne en externe wake-effecten van windparken in grote, dicht opeengepakte concessiezones. We willen de nauwkeurigheid van de modellen maximaliseren door velddata te benutten om de modelhyperparameters objectief te definiëren voor specifieke instroomomstandigheden in de Noordzee, en door AI-lagen te gebruiken om fysieke modellen met verschillende hyperparameterinstellingen samen te voegen om ze aan te passen aan de constant veranderende instroomomstandigheden. Om een modelvalidatie van hoge kwaliteit te garanderen zal dit project langetermijnmetingen met een scanning LiDAR uitvoeren op meerdere offshore windparken om wake-profielen experimenteel vast te leggen.

Dit zullen de belangrijkste bruikbare resultaten van het project zijn:

• Een nieuwe wake-modelleringsmethode om een volledige offshore zone met meerdere windparken te modelleren. Zo kunnen verliezen als gevolg van wake-effecten nauwkeurig worden ingeschat in het kader van resource-evaluatie en operationele studies. Het eerste is cruciaal bij aanbestedingen, het tweede voor de optimalisatie van het gebruik van windparken. Bovendien kunnen wake-modellen worden ingezet voor scenario-analyse: bijvoorbeeld door netbeheerders om netcodes te ontwerpen en te valideren, en voor studies naar wind-waterstofcombinaties. Tot slot worden er meer belastingsgerichte wake-technische modellen gemaakt. Dergelijke modellen kunnen helpen bij het ontwerpen van nieuwe sturingsstrategieën voor windparken, door een virtueel gegevenskader te bieden voor het trainen en valideren van lerende controllers.
• Een cloud-gebaseerd kader om deze nieuwe wake-modellen te kalibreren op basis van grote sets velddata en scenarioanalyses uit te voeren, alsook voor het draaien van modellen als digital twin. Hierdoor kunnen belanghebbenden met bestaande gegevens deze data gebruiken om hun werkelijke verliezen als gevolg van wake-effecten in bestaande parken beter te begrijpen en kunnen ze deze kennis benutten voor nieuwe windparken. De mogelijkheid om een echte digital twin te creëren, zal het toelaten veranderingen in het wake-gedrag te detecteren en te kwantificeren om adequate maatregelen te nemen.

Het project bouwt voort op eerdere expertise en ontwikkelingen. De KULeuven beschikt over een nieuw wake-fusiemodel dat een combinatie met variabele achtergrondstroming en assimilatie van wake-data in een operationele context mogelijk maakt. De VUB past AI-modellen toe die zijn getraind op SCADA-gegevens van één seconde. VKI is expert in open source weermodellen (WRF) waarbij snelle wake-modellen de assimilatie met SCADA-gegevens mogelijk maken. Sirris kwantificeert de LCOE-impact in de industrie. cSBO creëert een geïntegreerd, cloud-native modelleringskader dat eenvoudig aan monitoringdata kan worden gekoppeld. 

Doelgroep

Eigenaars en ontwikkelaars van windparken, leveranciers van ontwerpondersteunende diensten, bouwondersteunings- en monitoringdiensten voor windparken en OEM’s van windturbines. De onderzoekspartners worden ondersteund en begeleid door een industriële adviesraad. 

Financiering

•    VLAIO SBO project binnen “De Blauwe Cluster”