Efficient Wind Turbine Micrositing in Large-Scale Wind Farms
Notice bibliographique
Résumé
As wind energy is established as a sustainable alternative source of electricity, very large-scale wind farms with hundreds of turbines are becoming increasingly common. For the optimal design of wind farm layouts, the number of decision variables is at least twice the number of turbines (e.g., the Cartesian coordinates of each turbine). As the number of turbines increases, the computational cost incurred by the optimization solver to converge to a satisfactory solution increases as well. This issue represents a serious limitation in the computer-aided design of large wind farms. Moreover, the wind farm domains are typically highly constrained including land-availability and proximity constraints. These non-linear constraints increase the complexity of the optimization problem and decrease the likelihood of obtaining even a feasible solution. Several approaches have been proposed for micrositing of wind turbines, including random searches, mixed-integer programs, and metaheuristics. Each of these methods has its own trade-off between the quality of optimized layouts and the computational cost of obtaining the solution. In this paper, we demonstrate the capability of non-linear mathematical programming for optimizing very large-scale wind farms by leveraging explicit, analytical derivatives for the objective and constraint functions, thus overcoming the aforementioned limitations while also providing convergence and local optimality guarantees. For that purpose, two large farms with hundreds of turbines and significant land-use constraints are solved on a standard personal computer.
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 ».