Wind Farm Layout Optimization Considering Commercial Turbine Selection and Hub Height Variation
Notice bibliographique
Résumé
New aspects were added to the wind farm layout optimization problem; commercial turbine selection, generic realistic representation for the thrust coefficient, investigating the power-cost of energy trade-off range, and introducing the wind farm layout upgrade optimization problem. A range of commercial turbines was selected and the manufacturers’ power curves were used to evaluate the power developed by each turbine using the effective wind speed. The classical Jensen’s wake model was implemented to simulate the wake and wake interference within the farm in an analytic and accurate way. A simple field-based cost model was developed to evaluate the cost of any layout in terms of the turbine rated power and hub height. For the upgrade cases, the cost model included an area factor to account the upgraded area to the original farm area. A Genetic Algorithm was used for optimization throughout this dissertation. A technique called Random Independent Multi-Population Genetic Algorithm was used in some cases to accelerate the optimization. The results showed that co-operative optimization is superior over the selfish one. The turbine aerodynamic efficiency was found to magnify the difference between the two optimization strategies. A wide range of commercial turbines was selected and a useful range of power-cost of energy trade-off was obtained. The optimization was found to be more efficient in offshore cases because of the low entrainment coefficient in the wake model. The Random Independent Multi-Population technique caused a significant reduction in the speed of the optimization. It is likely that most farms can be efficiently and practically upgraded with a wide range of power-cost of energy trade-offs, using the proposed upgrade layout and the optimization objective.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».