風車を評価する技術が風力発電の生産量を増加させる可能性がある

2020年の時点で、米国で生産される総電力量の約8.4%が風力エネルギーによるものです。研究者たちは、さらなる効率化を求め、機械学習と社会科学的分析で風力発電技術を評価します。

In a new case study, researchers at Texas A&M University, in collaboration with international energy industry partners, have used advanced data science methods and ideas from the social sciences to compare the performance of different wind turbine designs.

参照元：https://engineering.tamu.edu/news/2021/05/ISEN-technique-to-evaluate-wind-turbines-may-boost-wind-power-production.html
– テキサスA&M大学 Texas A&M University. May 25, 2021 –

再生可能なエネルギー源の利用拡大が世界的に求められている中、風力は有望な資源であり、その利用拡大が期待されています。

しかし、風力発電システムを改良するために多くの技術的進歩があったにもかかわらず、競合する技術を体系的かつ信頼性の高い方法で評価することは困難でした。

今回、テキサスA&M大学の研究者は、国際的なエネルギー産業のパートナーと協力して、高度なデータサイエンスの手法と社会科学のアイデアを用いて、さまざまなデザインの風力タービンの性能を比較しました。

Wm Michael Barnes ’64 Department of Industrial and Systems Engineeringのマイク＆シュガー・バーンズ教授であるYu Ding博士は話します。

「現在のところ、新しく作られた技術が風力エネルギーの生産量や効率を一定量増加させるかどうかを検証する方法はありません。今回の研究では、風力発電業界にかなり前から存在していた問題に対する実用的な解決策を提供しました。」

風力発電機は、ブレードに当たる空気から伝達されるエネルギーを電気エネルギーに変換します。

2020年の時点で、米国で生産される総電力量の約8.4%が風力エネルギーによるものです。

さらに、エネルギー省は今後10年間で、電力部門における風力エネルギーの導入量を20％まで増やし、国の野心的な気候目標を達成することを計画しています。

この目標を達成するために、風で回転するブレードを中心とした新技術が次々と開発されています。

これらの技術により、風車の性能が向上し、その結果、発電量が増加することが期待されています。

ですが、この量がどれだけ増えるかを検証するのは難しいです。

性能評価が難しい理由の一つは、高さが数百フィートもある風車の大きさにあります。

この巨大な風車の効率を、実験室のような管理された環境でテストすることは現実的ではありません。

一方、実験室に設置された風洞に収まるように縮小された風車を使っても、実際の大きさの風車の性能を反映しておらず、不正確な値になってしまいます。

また、野外のさまざまな空気や天候を再現することは、実験室では難しいという。

そこで丁氏らは、風力発電所を所有する企業と協力して、内陸部の風力発電所からデータを収集することにしました。

分析対象となったのは、ひとつの風力発電所に設置された66基の風車。風車にはセンサーが取り付けられており、発電量、風速、風向き、温度などを連続的に記録しています。

研究者たちは、3回の技術的なアップグレードを行った4年半の間にデータを収集しました。

改良前と改良後の発電量と性能の変化を測定するために、丁氏らのチームは、臨床試験のような標準的な事前事後介入分析を用いることができませんでした。。

臨床試験では、ある薬の効果を検証するために、その薬を投与された試験群と、投与されなかった対照群に分けて、無作為化実験を行います。

試験群と対照群は、薬の効果が両群を区別する唯一の要因となるように、比較可能なように慎重に選ばれます。

しかし、今回の研究では、無作為化実験に必要なように、風車を実験群と対照群のようにきれいに分けることができませんでした。

丁氏は話します。

「ここでの課題は、臨床試験で行われているように「試験」と「対照」の風車を選んだとしても、記録期間中にブレードに当たる風のような入力条件がすべての風車で同じであることは保証できないということです。つまり、意図したアップグレード以外にも、アップグレードの前後で異なる要因があるのです。」

そこで丁氏のチームは、社会科学者が自然実験を行う際に用いる「因果推論」と呼ばれる分析方法を採用しました。

混同している要因があるにもかかわらず、分析によって、観察された結果が意図した行動（タービンの場合はアップグレード）によってどれだけ引き起こされたかを推論することができるのです。

因果推論に基づいた分析を行うために、研究者はタービンの入力条件を一致させてから、タービンを対象としました。

つまり、記録期間中に風速、空気密度、乱流などの条件が類似しているタービンを対象としたのです。

次に、丁氏が産業・システム工学部門のRui Tuo助教授と共同で開発した高度なデータ比較手法を用いて、風力タービンの性能が向上したかどうかを定量化する際の不確実性を低減しました。

今回の研究で使用された手法は、何ヶ月ものデータ収集を必要としますが、競合技術のメリットを判断するための堅牢で正確な方法を提供していると丁氏は述べています。

この情報は、特定のタービン技術が投資に値するかどうかを判断しなければならない風力発電事業者にとって有益であると彼は言います。

丁氏は話します。

「風力発電には今でも連邦政府から補助金が出ていますが、これがずっと続くわけではありません。このツールは、風力発電事業者が、効果のある技術を選択するためのベストプラクティスを特定し、効果のない技術を淘汰するのに役立つからです。」

Ding博士は2018年に、風力エネルギー業界に影響を与えるデータおよび品質科学のイノベーションに対して、テキサスA&Mエンジニアリング実験所インパクト賞を受賞しました。

その他、産業・システム工学部門のNitesh Kumar、Abhinav Prakash、Adaiyibo Kio、協力している風力発電会社の技術スタッフが研究に貢献しています。