Η πρόβλεψη της ταχύτητας του ανέμου σε περιβάλλοντα Ανανεώσιμων Πηγών Ενέργειας είναι ένα πολύ ενδιαφέρον ερευνητικό πεδίο. Κατά τη διάρκεια μίας σύντομης περιόδου (π.χ. 15 min) και σε όλες τις θέσεις του ατμοσφαιρικού επιφανειακού στρώματος, είναι σημαντικό να γνωρίζουμε το εύρος των τιμών της ταχύτητας του ανέμου καθώς και την πιθανότητα η ταχύτητα του ανέμου να ξεπεράσει ένα όριο. Αυτά έχουν, για παράδειγμα, πρακτικές εφαρμογές στο σχεδιασμό και τη λειτουργία ανεμογεννητριών (π.χ. Seshaiah and Sukkiramathi, 2016). Η αξιόπιστη εκτίμηση των ακραίων ταχυτήτων ανέμου είναι σημαντική για εφαρμογές αιολικής ενέργειας, όπως όταν η ταχύτητα του ανέμου υπερβαίνει ένα όριο τότε είναι ανεπιθύμητη, επειδή τα αιολικά πάρκα παρέχουν αμελητέα ισχύ για τιμές ανέμου πάνω από τα όρια αποκοπής τους. Οι ακραίες τιμές ταχύτητας ανέμου μπορούν επίσης να θέσουν σε κίνδυνο τη μηχανική ασφάλεια μιας εγκατάστασης (Chiodo and De Falco, 2016).
Η πρόβλεψη της ταχύτητας του ανέμου στην ατμόσφαιρα μπορεί να πραγματοποιηθεί με υπολογιστικά μοντέλα που έχουν αναπτυχθεί στην επιστήμη για να βοηθήσουν τους ερευνητές να κάνουν χρήσιμες προβλέψεις. Η Υπολογιστική Ρευστοδυναμική (Computational Fluid Dynamics, CFD) μπορεί να θεωρηθεί ως ένα από τα καλύτερα αριθμητικά εργαλεία για την πρόβλεψη τυρβώδους ροής (Tolias et al., 2018). Όταν η τύρβη μοντελοποιείται με την Άμεση Αριθμητική Προσομοίωση (DNS, Direct Numerical Simulation) ή την Προσομοίωση Μεγάλων Δινών (LES, Large Eddy Simulation), η πρόβλεψη της ταχύτητας του ανέμου μπορεί να πραγματοποιηθεί μέσω των προβλεπόμενων χρονοσειρών. Η προϋπόθεση για τη χρήση DNS ή LES είναι η χρήση ενός αποτελεσματικού κώδικα και πολλών υπολογιστικών κόμβων/πυρήνων. Αυτές οι μέθοδοι έχουν υψηλό υπολογιστικό κόστος από άποψη υπολογιστικής ισχύος και χρόνου. Επιπλέον, για το DNS, οι υπολογιστικές απαιτήσεις είναι τόσο υψηλές που δεν είναι εφικτές οι προσομοιώσεις πέραν ενός συγκεκριμένου αριθμού Reynolds (π.χ. Reynolds = 4750–7000 (Coceal et al., 2014). Όσον αφορά τις καταστάσεις έκτακτης ανάγκης, όπου αξιόπιστα συμπεράσματα είναι σημαντικά (π.χ., Koutsourakis et al., 2012) σε σύντομους χρόνους (π.χ. λιγότερο από 5 λεπτά), η επιλογή του RANS (Reynolds averaged Navier Stokes) και της μοντελοποίησης LES μπορεί να θεωρηθεί ελκυστική.
Η διάρκεια μιας μεμονωμένης προσομοίωσης RANS μπορεί να είναι από μερικές ώρες έως μερικές ημέρες με βάση την επιθυμητή ακρίβεια. Μια υψηλότερη ακρίβεια των αποτελεσμάτων επιτυγχάνεται συνήθως με ένα πολύ πυκνό πλέγμα (π.χ. 20 εκατομμύρια υπολογιστικά κελιά), προχωρημένα τυρβώδη μοντέλα και παραμετροποιήσεις και αριθμητικά σχήματα υψηλής τάξης. Από την άλλη πλευρά, μια κατάσταση έκτακτης ανάγκης απαιτεί απαντήσεις σε λίγα λεπτά. Για το λόγο αυτό, στην εργασία Efthimiou et al. (2021), αναπτύχθηκε ένας αλγόριθμος για την εξαγωγή των πληροφοριών από μια βάση δεδομένων RANS και για την παροχή αξιόπιστης και γρήγορης πρόβλεψης ταχύτητας ανέμου.
Ο Αλγόριθμος
Ο αλγόριθμος που έχει αναπτυχθεί είναι ένα σύστημα λογισμικού υπολογιστή και παρουσιάζεται στο Σχήμα 1. Οι ταχύτητες ανέμου υπολογίζονται εκ των προτέρων στον αλγόριθμο σε ολόκληρο το υπολογιστικό πεδίο και για ένα εύρος πιθανών κατευθύνσεων ανέμου. Αυτοί οι υπολογισμοί μπορούν να γίνουν πολύ γρήγορα επειδή είναι ανεξάρτητοι μεταξύ τους και επομένως μπορούν να εκτελεστούν παράλληλα, με την κατάλληλη, διαθέσιμη υπολογιστική υποδομή.
Σχήμα 1. Σχηματική αναπαράσταση του αλγορίθμου για την πρόβλεψη των ταχυτήτων του ανέμου.
Αναφορές
Chiodo, E.; De Falco, P. Inverse Burr distribution for extreme wind speed prediction: Genesis, identification and estimation. Electr. Power Syst. Res. 2016, 141, 549–561.
Coceal, O.; Goulart, E.V.; Branford, S.; Thomas, T.G.; Belcher, S.E. Flow structure and near-field dispersion in arrays of building-like obstacles. J. Wind Eng. Ind. Aerodyn. 2014, 125, 52–68.
Efthimiou, G.; Barmpas, F.; Tsegas, G.; Moussiopoulos, N. Development of an Algorithm for Prediction of the Wind Speed in Renewable Energy Environments. Fluids 2021, 6, 461. https://doi.org/10.3390/fluids6120461.
Koutsourakis, N.; Bartzis, J.G.; Markatos, N.C. Evaluation of Reynolds stress, k-ε and RNG k-ε turbulence models in street canyon flows using various experimental datasets. Environ. Fluid Mech. 2012, 12, 379–403.
Seshaiah, C.V.; Sukkiramathi, K. A Mathematical model to estimate the wind power using three parameter Weibull distribution. Wind. Struct. 2016, 22, 393–408.
Tolias, I.C.; Koutsourakis, N.; Hertwig, D.; Efthimiou, G.C.; Venetsanos, A.G.; Bartzis, J.G. Large Eddy Simulation study on structure of turbulent flow in a complex city. J. Wind Eng. Ind. Aerodyn. 2018, 177, 101–116.
*Γιώργος Ευθυμίου, Ερευνητικός Συνεργάτης του Τμήματος Μηχανολόγων Μηχανικών ΑΠΘ
