創新模擬方法提升風力發電機可靠性測試效率

風力發電作為重要的再生能源來源，依賴大型風力發電機來產生電力。在設計和維護這些發電機時，可靠性測試能幫助工程師預防危險的系統故障，例如轉子在壓力下斷裂導致葉片脫落。由密西根大學領導的研究團隊開發了一種新方法，有望使風力發電機及其他大型結構的系統元件虛擬測試變得更經濟且更易於進行。

由於測試設施有限，大型風力發電機元件的傳統物理測試過程往往耗時且昂貴。數位模擬，如美國國家再生能源實驗室（NREL）所開發的，提供了一種更易於進行的替代方案，同時仍能產生關鍵資料。特別是隨機模擬——一種能處理風速等變數隨機變化的模擬型別——對於確保風力發電機的可靠性至關重要。

然而，使用這些模型進行數位可靠性測試仍需要大量時間和計算資源。新方法名為「最佳化引導和基於樹的分層抽樣」（簡稱OptiTreeStrat），提高了模型效率，使數位測試變得更節省資源，同時不犧牲準確性。

「我們的方法成功識別了影響系統可靠性的重要變數，並決定了有效的測試條件以節省數位測試時間，」密西根大學工業與運營工程學教授、該研究的通訊作者Eunshin Byon表示。

在分析系統效能時，資料中的過多變異可能會降低模擬的精確度。分層抽樣是減少整體資料變異的關鍵方法之一，透過優先考慮最重要的資料並忽略對模型不太關鍵的資訊。除了提高模型精確度外，這還有助於減少執行模擬所需的時間和資源。

這種抽樣方法透過將模型輸入分為稱為層的子集，然後從每個層中抽取樣本。透過利用新演算法識別關鍵變數，並使用這些變數來最佳化設計層，OptiTreeStrat顯著減少了這些數位模擬中的估計變異，減輕了計算負擔。

雖然分層抽樣在原則上是有效的，但它並不具備可擴充套件性——換句話說，它無法擴充套件以應對高維問題的更大工作量。然而，OptiTreeStrat具有高度可擴充套件性，因為它逐個處理變數，而不考慮更複雜的函式。

此外，雖然該研究是由於需要透過數位建模評估風力發電機的可靠性而推動的，但這種方法可以輕鬆應用於其他情境。「我們展示了該方法在風力發電機上的有效性，但它可能應用於任何大型結構，例如橋樑，」密西根大學工業與運營工程學博士生、該研究的主要作者Jaeshin Park表示。

像OptiTreeStrat這樣的方法可能是更廣泛使用精心設計的虛擬測試的關鍵，使物理測試能夠保留在原型開發的最後階段。以這種方式分配測試資源可以顯著降低開發風力發電機的整體成本，為更多的風力發電鋪平道路。

浦項科技大學和北卡羅來納州立大學也參與了這項研究。其他共同作者包括浦項科技大學的Young Myoung Ko和北卡羅來納州立大學的Sara Shashaani。