Descripción

La optimización de la disposición de los aerogeneradores es un problema complejo que requiere el análisis de múltiples variables como la velocidad del viento, la dirección del viento y las curvas de potencia de las turbinas. La optimización de la disposición de los aerogeneradores puede conducir a un aumento en la producción de energía y una reducción en el coste de producción de la misma.

Los aspectos clave de este proyecto son:

• El uso de Aprendizaje por Refuerzo Profundo para optimizar la disposición de los aerogeneradores.
• El análisis de la velocidad del viento, la dirección del viento y las curvas de potencia de las turbinas.
• La optimización del proceso de simulación para reducir el coste computacional.
• Probado en parques eólicos reales con Acciona Energía.
• Financiado por Next Generation EU en el programa “Plan de Recuperación, Transformación y Resiliencia”.

Valor aportado por Taniwa

Taniwa desarrolló:

• Un sistema para optimizar el proceso ya proporcionado por Pywake.
• Un framework para simular millones de disposiciones en un tiempo razonable.
• Un sistema para analizar los resultados e identificar la mejor disposición.
• Un modelo de Aprendizaje por Refuerzo Profundo y un Currículo para optimizar la disposición de los aerogeneradores.

Tuvimos que entender Pywake, los datos y el problema. Luego tuvimos que optimizar el proceso de simulación para reducir el coste computacional y desarrollar un modelo de Aprendizaje por Refuerzo Profundo para optimizar la disposición de los aerogeneradores.

Tecnologías

• Pywake para la simulación de aerogeneradores.
• Ray para la orquestación de las simulaciones.
• RayLib para DRL.
• Python y Jupyter Notebooks para el procesamiento de datos.
• React para la interfaz.