風電機組尺寸對于風電機組的設計生產十分重要,具有更長葉片和更高塔架的機組通??梢圆东@到更大更強的風能用來發電。然而,風電機組的尺寸只是成功風電場的一個重要特征,風場的選址和風電機組排布方案也很關鍵。根據加州大學圣巴巴拉分校研究人員的說法,風電機組很少能夠“與其他機配合的很好”。
?。▉碓矗何⑿殴娞?ldquo;風電峰觀察”ID:windeye2015)
加州大學圣塔芭芭拉分校機械工程教授Paolo Luzzatto-Fegiz說:“我們一直以來都在單獨設計我們要使用的風電機組,但我們幾乎不從來沒有單獨使用過它們。”一段時間以來,開發人員已經意識到風電機組間距和風電場整體布局的優化可以降低尾流效應對項目效率和發電量的影響效果。這意味著前排風電機組對風速的影響將會影響并減少來流風速對后排機組的影響,進而降低后排機組的發電量。
本質上,當風速經過第一臺風電機組后,收到阻力影響,使得下游風速降低。結果是由于流經后排風機的風力較弱,使得現場的很多風機只能在減少的容量下工作。換句話說,在現場增加更多的風電機組可能會導致更大的尾流損失和更少的發電量。
Luzzatto-Fegiz和他的英國劍橋大學的合作者Colm-cille P. Caulfield表示,關鍵是要讓所有風電機組都能夠接收到高速的來流——比如前排風機感受到的來流,而非中間機組感受到的來流。然而,這種思路說起來容易做起來難。研究發現,即使借助數學模型,設計風電場的最佳布局也是很困難的。
賓州州立大學貝倫德學院和大不里士大學(伊朗)的研究人員接受了這一挑戰,并一直致力于通過基于生物地理學優化的算法改進風場選址。該方法著眼于自然,以及動物如何自然地分配自己,以充分利用其環境來滿足其需求。Phys.org在該研究中指出:“通過從動物行為創建數學模型,研究人員可以在其他情景中計算物體的最佳分布,例如風電場中的風電機組。”
生物地理學優化算法可能聽起來靈活性很高,但據研究人員稱,該方法可以最大限度地減少計算量并獲得更加準確的結果。它們還包含其他變量,“包括真實的風場數據,表面的粗糙度(影響風功率密度),以及每個風電機組接收的風能。”此外,通過使用氣象數據和制造商的統計數據,這些算法還可以進一步增強。
國家可再生能源實驗室(NREL)的報告指出,風電場的尾流已經被發現可以最長延伸到25英里(約40公里)。更重要的是,美國近幾乎90%的風電場(2016年)距離另一個風電場都不到25英里,這意味著所有這些風電場都可能會收到其他風場尾流效應的影響。
有趣的是,研究人員還發現最大的尾流效應發生在特定風向和夜間溫度降低時。該研究使用大氣模擬,證明風電場尾流效應實際上是可測量和可預測的。還有一個好消息,就是對于本研究中模擬的風電場,最嚴重的尾流效應僅發生不到4%的時間里。這表明通過適當的分析和選址可以預測并管理尾流損失。