بررسی و بهینه‌سازی پارامترهای مؤثر بر تولید توان ماکزیمم از مزارع بادی در زمین هموار

الموضوعات :

ایوب فرجی پور ¹ , فرامرز فقیهی ² , رضا شریفی ³

1 - دانش آموخته کارشناسی ارشد برق قدرت، دانشگاه آزاد اسلامی واحد بندرعباس *(مسوول مکاتبات)
2 - استادیار گروه برق، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
3 - استادیار گروه برق، دانشگاه آزاد اسلامی واحد تهران غرب

تاريخ الإرسال : 03 الأحد , رجب, 1437 تاريخ التأكيد : 11 السبت , شوال, 1437 تاريخ الإصدار : 04 الأربعاء , رجب, 1439

الکلمات المفتاحية: الگوریتم ژنتیک, اثر سایه, بهینه‌سازی, توربین بادی, مزارع بادی,

ملخص المقالة :

زمینه و هدف: باد منبعی از انرژی پاک، فراوان و به طور کامل تجدید‌پذیر می باشد. مزارع بادی بزرگ در حال احداث در سراسر جهان به‌عنوان یک راه پاک برای تولید برق می باشد، اما اپراتورها هنوز به دنبال موثرترین آرایش توربین های بادی در مزرعه بادی برای به حداکثر رساندن جذب انرژی باد هستند. بهینه‌سازی جانمایی مزارع بادی یکی از راه‌های افزایش توان خروجی مزرعه بادی می‌باشد. روش بررسی: در این مقاله از الگوریتم ژنتیک برای به حداکثر رساندن انرژی خروجی مورد انتظار، استفاده شده است. هدف الگوریتم‌ژنتیک، بهینه‌سازی آرایش مزرعه بادی از نظر مکان، ارتفاع مبتنی بر هاب و قطر روتور توربین‍ها، برای جذب حداکثر انرژی باد و کاهش اثر سایه می باشد. مدل پیشنهادی با دو سناریو از سرعت باد و جهت توزیع آن از سایت بادی در زمین صاف نشان داده شده است. یافته‌ها: نتایج مطالعه حاضر با نتایج مطالعات پیشین مقایسه شده است. نتایج نشان می دهد که با بهینه‌سازی آرایش مزرعه بادی از نظر مکان، ارتفاع مبتنی بر هاب و قطر روتور توربین‍ها به طور هم‌زمان، اجرای بهتری - بر حسب حداکثر مقادیر انرژی خروجی مورد انتظار و کاهش اثر سایه - از استراتژی های موجود که فقط به بهینه‌سازی یک یا دو مورد از پارامترها بطور هم‌زمان می‌پرداختند، را در بر دارد. نتیجه‌گیری: استفاده از توربین‌های بادی با ارتفاع هاب و قطر روتور متفاوت در یک مزرعه بادی در واقع مزایای کاهش اثر سایه و جذب حداکثر انرژی باد را دارد.

المصادر:

1. K, Chen., M.X, Song., X, Zhang., S.F, Wang., 2016. Wind turbine layout optimization with multiple hub height wind turbines using greedy algorithm. Renewable Energy, vol. 96 , pp. 676-686


2. Bryony, DuPont., Jonathan, Cagan., Patrick, Moriarty., 2016. An advanced modeling system for optimization of wind farm layout and wind turbine sizing using a multi-level extended pattern search algorithm. Energy, vol. 106 , pp. 802-814


3. Chen, Y., Li, H., Jin, K., Song, Q., 2013.Wind farm layout optimization using genetic algorithm with different hub height wind turbines. Energy Conversion and Management, vol. 70 , pp. 56–65


4. Yeh, T-H., Wang, L., 2008.A Study on Generator Capacity for Wind Turbines Under Various Tower Heights and Rated Wind Speeds Using Weibull Distribution. IEEE Transactions. Energy Conversion, vol. 23, pp. 592-602


5. Chowdhury, S., Zhang, J., Messac, A., Castillo, L., 2012.Unrestricted wind farm layout optimization (UWFLO): Investigating key factors influencing the maximum power generation. Renewable Energy, vol. 38 , pp.16-30


6. Husien, W., El-Osta, W., Dekam, E., 2013.Effect of the wake behind wind rotor on optimum energy output of wind farms. Renewable Energ, vol. 49 , pp. 128-132


7. Son, E., Lee, S., Hwang, B., Lee, S., 2013.Characteristics of turbine spacing in a wind farm using an optimal design process. Renewable Energy, vol. 65 , pp. 1-5


8. Adaramola, M., Krogstad, P., 2011.Experimental investigation of wake effects on wind turbine performance. Renewable Energ, vol. 36 , pp. 2078-2086


9. Samorani, M., 2010.The wind farm layout optimization problem. Research Paper Series. Leeds School of Business, Jan 28,


10. Eroglu, Y., Seckiner, S., 2012.Design of wind farm layout using ant colony algorithm. Renew Energy, vol. 44 , pp. 53-62


11. Kusiak, A., Song, Z., 2010.Design of wind farm layout for maximum wind energy capture. Renew Energy, vol. 35 , pp. 685-694


12. Wagner, M., Day, J., Neumann, F., 2013.A fast and effective local search algorithm for optimizing the placement of wind turbines. Renewable Energy, vol. 51 , pp. 64-70


13. Katsigiannis, Y., Stavrakakis, G., 2013.Estimation of wind energy production in various sites in Australia for different wind turbine classes: A comparative technical and economic assessment. Renewable Energy, vol. 67 , pp. 1-7


14. Mustakerov, I., Borissova, D., 2010.Wind turbines type and number choice using combinatorial optimization. Renewable Energy, vol.  35 , pp. 1887–1894


15. Gu, H., Wang, J., 2013.Irregular-shape wind farm micro-siting optimization. Energy, vol. 57 , pp. 535-544


16. Sorensen, P., Nielsen, T., Recalibrating wind turbine wake model parameters- validating the wake model performance for large offshore wind farms, European wind energy conference and exhibition, 2006, Athens: Greece


17. Jensen, NO., A note on wind generator interaction. Roskilde, Denmark, Risø National Laboratory, 1983.


18. Katic, I., Hojstrub, J., Jensen, ON. A simple model for cluster efficiency. European wind energy Association Conferance and Exhibition, 7-9 October 1986, Rome, Italy,  pp. 407-410


19. Frandsen, S., 1992.On the wind speed reduction in the center of large clusters of wind turbines. J Wind Eng Ind Aerodyn, vol. 39(1–3) , pp. 251–65


20. Mosetti, G., Poloni, C., Diviacco, B., 1994.Optimization of wind turbine positioning in large wind farms by means of a genetic algorithm. J Wind Eng Ind Aerodynamics, vol. 51 , pp. 105-116.