Norsk English

PreWinT - Prediction and Mitigation of Wind-Turbine Noise and Its Impact on Humans

Arbeidspakke 5 - Støymodell for vindkraftverk (digital tvilling)

Denne arbeidspakken har som mål å forbedre driftsstrategier for vindparker ved å utvikle en avansert digital tvilling for håndtering av støy fra vindturbiner. Målet er å støtte adaptive støydempingsstrategier som oppfyller regulatoriske støykrav samtidig som nedregulering av kraftproduksjon minimeres.

Kontaktperson

Med grunnlag i fremskritt innen modellering av strømningsfelt i arbeidspakke 2, generering av vindturbinstøy fra arbeidspakke 3 og støyutbredelse fra arbeidspakke 4, vil prosjektet bygge en omfattende støymodell for vindparker som kan simulere og forutsi støyvirkninger.

For å møte ulike driftsbehov vil to scenarier vurderes i den innledende designfasen:

  • Forecasting-scenarioet bruker værprognoser og planlagte driftsdata for å simulere vindfelt, slik at den fysiske modellen kan forutsi støyproduksjon og -utbredelse over lengre tidshorisonter.
  • Nowcasting-scenarioet baserer seg på sanntidsmålinger av vindfelt og værforhold (fra lokal meteorologi og LIDAR), supplert med akustiske data, for å kalibrere støyprognoser dynamisk og muliggjøre umiddelbare driftsjusteringer.

Siden omfattende direkte målinger over store geografiske områder er upraktiske, vil datadrevne maskinlæringsmodeller trenes på simuleringsdata fra disse fysikkbaserte modellene. En lovende hybridtilnærming innebærer å bruke en forenklet fysikkbasert modell som basis, og deretter anvende en ML-trent korreksjonsfunksjon for å håndtere gjenværende feil og ikke-modellerte fenomener.

Suksess defineres av maskinlærings-modellenes (ML-modell) evne til å reprodusere resultatene fra den fysiske modellen pålitelig, med forbedret beregningseffektivitet. En grundig evaluering — basert på prediksjonsnøyaktighet, beregningseffektivitet og tilbakemeldinger fra interessenter — vil gjennomføres i designfasen (T5.1) for å velge det mest gjennomførbare og verdifulle scenariet (forecasting eller nowcasting). Det valgte scenariet vil deretter legge føringer for utviklingen av de påfølgende komponentene i den digitale tvillingen (fysikkbasert, ML-basert og hybrid).

Dette skal man gjennomføre gjennom følgende deloppgaver: 

  • T5.1 Designspesifikasjon og gjennomførbarhetsvurdering 
  • T5.2 Utvikling av den fysikkbaserte modellen / digitale tvillingen 
  • T5.3 Utvikling av en datadrevet ML modell / digital tvilling 
  • T5.4 Utvikling av en hybridmodell / digital tvilling 
  • T5.5 Evaluering av modellens / den digitale tvillingens ytelse