Do 2050 roku Unia Europejska zamierza zwiększyć produkcję energii z farm wiatrowych aż do 3500 TWh rocznie. Aby było to możliwe, farmy wiatrowe muszą osiągnąć maksymalną wydajność, co oznacza bardzo precyzyjny wybór lokalizacji, w których są budowane. Z pomocą przychodzą najnowsze technologie, takie jak AI i cyfrowy bliźniak , które pozwalają właścicielom i operatorom farm podejmować świadome decyzje, osiągając przy tym cele klimatyczne wyznaczone przez Unię Europejską.
W świetle unijnej strategii dekarbonizacji, rosnący udział elektrowni wiatrowych w europejskim miksie energetycznym jest koniecznością. Aby zminimalizować negatywny wpływ farm na przyrodę i życie mieszkańców, a jednocześnie zmaksymalizować wydajność, konieczna jest szczegółowa analiza często rozproszonych, trudno dostępnych danych.
– Oczywiście, aby osiągnąć maksymalną wydajność, farma musi być usytuowana w odpowiednio wietrznym miejscu. Ta z pozoru względnie prosta sprawa, wymaga szerokich analiz w kontekście szybko postępujących zmian klimatycznych, wpływu na ludzi i przyrodę. Te wszystkie dane często są dostępne, jednak zbierane są osobno, w niejednolity sposób co znacząco utrudnia praktyczne wykorzystanie ich potencjału. Celem projektu TWAIN jest stworzenie platformy, która będzie w stanie gromadzić ogromne wolumeny danych i analizować je, wyciągając przydatne wnioski – tłumaczy Aleksander Radziwon, Associate Director, Digital Twins & NVIDIA w SoftServe.
TWAIN to 48-miesięczny projekt w ramach programu Horizon Europe finansowany przez Komisję Europejską. Będzie on realizowany przez konsorcjum składające się z dwunastu instytucji akademickich i firm: DTU Wind and Energy Systems (DK), CENER National Renewable Energy Centre (ES), Delft University of Technology (NL), Technical University of Munich (DE), F6S Innovation (IE), ENGIE Laborelec (FR), ENGIE Green (FR), EDF (FR), Ramboll (DE/DK), SoftServe (PL) i Vattenfall (SE). SoftServe jest jedynym partnerem technologicznym projektu, a jednocześnie jedyną polską firmą w konsorcjum.
– Nasz multidyscyplinary zespół złożony jest z sześciu specjalistów Big Data i DevOps. Wspólna praca przy tak złożonym i interesujących projekcie pozwoli mam poszerzyć ekspertyzę i da szansę na wymianę wiedzy, również z osobami pracującymi dla innych członków konsorcjum – mówi managerka projektu Karolina Jurak, stanowisko w SoftServe Poland.
Cyfrowy bliźniak przewiduje przyszłość
W produkcji energii wiatrowej kluczem do efektywności jest przewidywalność. W jej osiągnięciu wsparcie stanowią innowacyjne metody, takie jak zaawansowane pomiary terenowe i technologia cyfrowych bliźniaków, która polega na tworzeniu wirtualnych kopii fizycznych obiektów w celu symulacji ich zachowania w różnych warunkach operacyjnych. Dzięki tym narzędziom można dokładniej prognozować zarówno moc, jak i obciążenie poszczególnych farm.
Dzięki szczegółowej analizie cykli obciążenia i zmian w ich amplitudzie możliwe jest również przewidywanie uszkodzeń, ocena ryzyka awarii, a nawet w szacowanie prawdopodobieństwa krytycznych uszkodzeń w komponentach turbin. Digital Twin często służy jako narzędzie do zarządzania i kontroli działających już farm. W tym kontekście sztuczna inteligencja bywa wykorzystywana do przewidywania ewentualnych usterek, napraw i serwisów.
– Technologia digital twin pozwala nam przyglądać się infrastrukturze energetycznej w warunkach, które jeszcze nie zaszły. Cyfrowe kopie elektrowni czy farm wiatrowych pozwalają przyjrzeć się jak różne zmienne, w tym te związane z klimatem jak np. wzrost temperatur czy zmiana siły wiatru, mogą wpływać na ich efektywność i wydajność. Korzystając z cyfrowego bliźniaka, możemy przetestować nasze teoretyczne założenia w symulowanych warunkach, zanim faktycznie wystąpią w rzeczywistości, co pozwala na lepsze przygotowanie do zarządzania ryzykiem – mówi Aleksander Radziwon.
Sztuczna Inteligencja w służbie farm wiatrowych
Podstawą platformy TWAIN będzie integracja danych, bez której niemożliwe byłoby efektywne wykorzystanie modeli sztucznej inteligencji oraz technologii digital twin. Projekt TWAIN ma na celu rozwój zaawansowanego systemu do zbierania i analizy danych dla właścicieli i operatorów farm wiatrowych. Skupia się na integracji różnorodnych, często konkurujących ze sobą źródeł informacji, co umożliwi efektywniejsze zarządzanie i optymalizację działalności.
Dzięki zaawansowanej integracji danych, technologia digital twin może odzwierciedlać rzeczywiste warunki operacyjne farm wiatrowych. To pozwala na zastosowanie i adaptowalność modeli AI w różnorodnych warunkach. W tym kontekście kluczowe znaczenie mają innowacyjne metody, takie jak transfer wiedzy i augmentacja danych, które pozwalają na szersze i bardziej zróżnicowane szkolenie modeli AI. Dzięki tym technikom możliwe staje się nie tylko lepsze zrozumienie obecnych warunków, ale również przewidywanie przyszłych zmian i dostosowanie strategii operacyjnych w odpowiedzi na te prognozy.
Kwestią, która często pojawia się w kontekście stosowania sztucznej inteligencji, jest jej transparentność i pewność poprawności otrzymywanych wyników. W branży, gdzie decyzje mogą mieć dalekosiężne konsekwencje, niezbędne jest budowanie zaufania poprzez przejrzystość procesów decyzyjnych i jasne komunikowanie poziomu pewności wniosków. To podejście, wybrane przez konsorcjum realizujące projekt TWAIN, nie tylko ułatwia współpracę między specjalistami różnych dziedzin, ale także wzmacnia zaufanie społeczności lokalnych i inwestorów do nowoczesnych technologii.
Projekt TWAIN, inspirowany wytycznymi Komisji Europejskiej, promuje odpowiedzialne dzielenie się danymi, wspierając się przy tym inicjatywami takimi jak Gaia-X – europejską strategią mającą na celu budowę niezawodnej infrastruktury do wymiany danych na rynku europejskim. To z kolei zwiększa bezpieczeństwo, zaufanie oraz ochronę środowiska, wspierając zrównoważony rozwój odnawialnych źródeł energii.
Na efekty projektu będziemy musieli chwilę poczekać, bo planowany jest na 4 lata. Po tym czasie powinniśmy spodziewać się istotnych kroków w kierunku optymalnego wykorzystania elektrowni wiatrowych, co stanowi bardzo duży postęp w odchodzeniu od paliw kopalnych.