Wake steering for flow control in wind farms with online model updating

La potenza eolica installata continua a crescere anno dopo anno, mentre il costo livellato dell’energia (Levelized Cost of Energy, LCOE) si riduce progressivamente. Nonostante ciò, si stima che circa il 20–40% dell’energia che potrebbe essere estratta dal vento venga perso a causa dell’effetto di scia. Negli ultimi anni sono state sviluppate nuove strategie di controllo per ridurre questo problema, tra le quali spicca il Wake Steering. L’obiettivo principale di questo lavoro è lo sviluppo di un closed-loop controller per Wake Steering e di tutti gli strumenti necessari al suo corretto funzionamento e al miglioramento delle prestazioni. Per calcolare gli angoli di Yaw ottimali per la massimizzazione della potenza, è fondamentale poter stimare in modo affidabile le condizioni del vento in termini di velocità e direzione. A tale scopo è stato sviluppato un tool di stima delle condizioni di vento indisturbato basato su FLORIS (FLOw Redirection and Induction in Steady State), un modello di simulazione a bassa fedeltà ma ad alta efficienza computazionale. L’idea alla base consiste nell’eseguire diverse simulazioni con FLORIS, variando le condizioni di vento, per individuare quelle che più si avvicinano ai dati operativi reali del parco eolico. FLORIS è inoltre utilizzato per calcolare gli angoli di Yaw ottimali per il Wake Steer- ing. Tuttavia, a causa della differenza tra questo modello a bassa fedeltà e strumenti di simulazione più accurati come FAST.Farm, usato in questo lavoro per simulare il com- portamento di un vero parco eolico, la potenza stimata risulta spesso imprecisa, portando ad angoli di Yaw non ottimali. Per compensare questo errore è stata impiegata una tec- nica di machine learning basata sulla Gaussian Process Regression (GPR), sviluppando un modello in grado di prevedere la differenza di potenza tra FLORIS e FAST.Farm in funzione della velocità e direzione del vento e degli angoli di Yaw applicati al momento dell’ottimizzazione. I risultati ottenuti con il closed-loop controller sviluppato sono stati confrontati con quelli derivanti dalla strategia Greedy e dal Wake Steering tramite Look-Up Tables (LUTs), mostrando un potenziale miglioramento della produzione energetica complessiva.

The installed wind power keeps increasing year after year as the Levelized Cost of Energy (LCOE) keeps getting lower and lower. Having said this, it is estimated that roughly 20%-40% of the power that could be extracted from the wind is lost due to wake effect. In recent years new control strategies that could potentially reduce this problem are being developed among which there’s Wake Steering. The main objective of this work is development of a closed loop controller for Wake Steering and all the other tools required for it to work properly and improve its performance. To compute the optimal Yaw angles for power generation, required for Wake Steering, it is necessary to be able to reliably estimate wind conditions in terms of wind speed and direction. To do so a tool capable of reliably and efficiently estimate free-stream wind conditions has been developed using FLOw Redirection and Induction in Steady State (FLORIS), a low-fidelity simulation tool. The main advantage of using FLORIS instead of using a higher fidelity simulation tool (such as FAST.Farm) is the drastically lower time required to run the simulations. The core idea is to run simulations with FLORIS with different wind conditions in order to find the ones that most closely resemble the operational data captured by the plant. FLORIS is also used to compute the optimal Yaw angles for Wake Steering but, due to the mismatch between this low-fidelity tool and reality (FAST.Farm’s simulations in our case), the power computed is often incorrect, causing the Yaw angles computed to be not- optimal. To compensate for this a machine learning technique known as Gaussian Process Regression(GPR) has been used, developing a GP capable of predicting the expected error in terms of power between the FLORIS and FAST.Farm simulation using the wind speed, wind direction and current Yaw angles as input, effectively allowing for a better optimization of the Yaw misalignment. The results obtained with the newly developed closed loop controller were then put against the currently used Greedy control strategy and Wake Steering using Look-Up Tables (LUTs) showing its potential for increased power generation.