Superarvuti simulatsioonid, mis aitavad parandada tuuleenergia prognoose

Essential Scale-Out Computing by James Cuff (Mai 2019).

Anonim

Riikliku ookeani- ja atmosfäärihalduse (NOAA) juhitud uurimisrühm viib läbi simulatsioone Ameerika Ühendriikide energeetikaministeeriumi (DOE) Teadusruumide Liidu (Argentiin Leadership Computing Facility - ALCF) poolt, et töötada välja arvulised ennustusmudelid, mis võivad pakkuda täpsemad tuuleprognoosid keerukate maastikega piirkondades. Meeskond, mida DOE rahastab oma tuuleprognooside parandamise projekti II (WFIP 2) toetuseks, katsetab ja valideerib arvutusmudeleid, kogudes neid andmeid Columbia jõeäärse piirkonna keskkonnaandurite võrgustikust.

Washingtoni ja Oregoni Columbia jõe jõe tuum turbiinid võivad koguda kokku umbes 4500 megavatti (MW) võimsust või rohkem kui viie 800-MW tuumaelektrijaama. Kuid mägipiirkond ja selle dramaatiline topograafia tekitavad väga muutuvaid tuulekeskkondi, mis seavad väljakutse kasulikele ettevõtjatele, kes kasutavad ilma prognoosimudelit, et prognoosida tuuleenergia kättesaadavust võrgus.

Kui ennustused ei ole usaldusväärsed, peavad ettevõtjad sõltuvad nõudluse rahuldamiseks püsivatest energiaallikatest, nagu kivisüsi ja tuumaelektrijaamad. Kuna kütus ja küte kuluvad pikka aega, töötavad tavapärased elektrijaamad vähem paindlikel ajagraafikel ja võivad tekitada elektrit, mis siis raiskatakse, kui tuuleenergia ootamatult ületab võrku.

Teadlased kasutavad Mira, ALCFi 10-petaflops IBM Blue Gene / Q superarvuti abil täpseid tuuleenergia prognoose keerulise maastikuga, et suurendada riiklike prognoosimudelite puhul tuulemõõtude paremaks simuleerimiseks eraldusvõimet ja parandada füüsilisi esitusi. Uuringute meeskond on ainulaadses väliuuringute ja arvuti simuleerimise ristumiskohas paigaldanud ja kogub Columbia jõekalaripiirkonna keskkonnaalaste vahendite võrgustiku andmeid, mida kasutatakse mudeli täiustuste testimiseks ja valideerimiseks.

See uurimus on osa tuuleprognoosi parendamise projekti II (WFIP 2), mida toetab DOE koostöös NOAA-ga, keskkonna- ja meteoroloogiaseadmete tootja Vaisalaga ning mitmete riiklike laborite ja ülikoolidega. DOE eesmärk on suurendada USA tuuleenergiat aastatel 2020 kuni 2020. aastaks 5-20 protsendini kogu energiatarbimisest, mis tähendab võrgu tuulekasutuse optimeerimist.

"Meie eesmärk on anda majapidamisettevõtjatele paremaid prognoose, mis võib lõppkokkuvõttes aidata tuuleenergia maksumust mõnevõrra odavamalt, " ütles NOAA juhtmeelektroonika arendaja Joe Olson. "Näiteks kui prognoos nõuab tuuletööd, kuid ettevõtjad ei usalda prognoosi, ei suuda nad välja lülitada söejaamad, mis vabastavad süsinikdioksiidi, kui võib-olla taastuva tuuleenergia olemasolu on olemas."

Tuule keeruline füüsika

Arvutuste efektiivsuse jaoks eeldavad olemasolevad prognoosimudelid, et Maa pind on suhteliselt tasane, mis töötab hästi, et prognoosida Ameerika Ühendriikide Midwesterni tasase maastiku tuuleenergiat, kus sellised riigid nagu Texas ja Iowa toodavad tuhandeid megavati tuuleenergiat. Kuid nagu näitab Columbia jõe kubeme piirkond, võivad mõned tuuleenergiat hoogtavateks paiknemisteks olla mäed ja rannikualad, kus tingimusi on raske prognoosida.

Olson ütles, et seal on palju tüsistusi, mis ennustavad tuuleenergia seisukorda keerukuse kõrge tasemega erinevatel ruumilistel kaalutlustel.

Kaks suurt väljakutset hõlmavad tipptaseme lahutusvõime ületamist, mis on liiga madal tuulefunktsioonide lahendamiseks teravate orjude ja mägipiirkondade vahel ning vaatlusandmete puudumine.

NOAA riikliku keskkonnaprognoosi keskuses töötavad ööpäevaringselt kaks atmosfääri mudelit, et pakkuda riiklikke ilmastikuprognoose: 13-kilomeetrine kiirremont (RAP) ja 3-kilomeetrine kõrge resolutsiooniga kiire värskendus (HRRR). Ainult paar aastat vana on HRRR-i mudel paranenud tormide ja talve ilmateadete prognoosimisel, kui lahendada atmosfääriruume 9 km2-l või umbes 2, 5 korda New Yorgi keskpargi suurusest.

Mõne kilomeetri täpsusega võib HRRR lüüa mesoskaalal olevaid protsesse, umbes tormide suurust, kuid ei suuda lahendada mikroskoobi funktsioone, mis on mõnesaja meetri kaugusel. Mõned tuuleenergia prognoosi jaoks olulised nähtused, mida ei saa modelleerida RAP või HRRR-is, hõlmavad mägede ärkamist (õhuvoolu lõhustamine mäestiku küljes); mägilained (õhuvoolu võnkumine mäestiku poolel, mis mõjutab pilve tekkimist ja turbulentsi); ja lõhe voog (väikesed tuuled, mis võivad mägede ja mäestike vahekauguste kaudu tungida).

750-meetrine hüpe

Olson ütles, et tuuleenergia ennustused, mis on kommunaalteenuste operaatoritele piisavalt täpsed, peavad füüsikalisi parameetreid modelleerima 750-m resolutsiooniga, ligikaudu ühe kuuendiku keskpargi suuruse või keskmise tuulepargiga. Selle resolutsiooni 16-kordse suurenemise tõttu on vaja mudeli testimise ja valideerimise jaoks palju reaalmaailma andmeid, mistõttu WFIP-2 meeskond seadis Columbia jõe kalda piirkonnale rohkem kui 20 keskkonnaandurit.

"Me ei ole suutnud tuvastada mudeli tuuleenergia prognooside kõiki tugevaid ja nõrku külgi, kuna meil pole olnud täielikku üksikasjalikku andmekogumit, " ütles Olson. "Nüüd on meil laialdane tuuleplokkide ja muude ilmastikuartiklite võrgustik. Mõned neist valivad mägede lünkadesse ja orgudesse tuule, teised on kaldteedel. See on mitmetasandiline võrk, mis suudab voolu eraldusvõimega seotud aspekte jäädvustada, samuti laiemad mesoskaalavood. "

Paljud andurid saadavad andmeid iga 10 minuti järel. Arvestades, et andmeid kogutakse 18-kuulise ajavahemiku kohta, mis algab 2015. aasta oktoobris ja lõpeb 2017. aasta märtsis, ulatub see pidev voog ligikaudu poole petabaidist. Vaatlusandmed saadetakse esmalt Pacific Northwest'i riiklikule laboratooriumile, kus seda säilitatakse, kuni seda kasutatakse mudeliregulaatori parameetrite katsetamiseks Mira juures Argonnes.

WFIP 2 uurimisrühm nõudis Mira väga paralleelset arhitektuuri, et simuleerida umbes 20 mudelit koos varieeruvate parameetritega. ALCFi teadlased Ray Loy ja Ramesh Balakrishnan töötasid koos meeskonnaga, et optimeerida HRRRi arhitektuuri konfiguratsiooni ja kujundada strateegia, mis võimaldas neil juhtida vajalikke ansambli töökohti.

"Tahtsime töötada Mira juures, sest ALCFil on HRRR-i kasutamisel kliimatoodete simulatsioonide ja töörühmade tööde jaoks töökohti, mis võimaldavad meil võrrelda mudelite füüsikalisi parameetreid, " ütles Argonne kliima- ja atmosfäärinõustuse osakonna juhtivteadur ja osakonna juhataja Rao Kotamarthi. "ALCFi meeskond aitas mudelit Mirale laiendada ja juhendas meid töökohtade komplekteerimisel, et vältida töövoo katkemist, mis on oluline projekti jaoks, millel on sageli uusi andmeid."

Ansambli lähenemisviis võimaldas meeskonnal luua juhtumiuuringuid, mida kasutatakse, et hinnata, kuidas iga simulatsioon võrreldes vaatlusandmetega.

"Valime välja teatud juhtumiuuringud, kus mudel toimib väga halvasti, ja me läheme tagasi ja muudame mudeli füüsikat, kuni see paraneb, ja me jätkame seda iga juhtumiuuringu puhul, nii et meil on märkimisväärseid edusamme paljudes stsenaariumides, " ütles Olson..

Põlluandmete kogumise lõpus simuleerib meeskond kogu aasta ilmastikutingimusi, rõhutades tuule mõju Columbia jõe kalda regioonis, kasutades kontrollimudelit - 3-kilomeetrilist HRRR-mudelit enne muudatuste tegemist ja seda modifitseerides parema füüsilise parameetri mudeliga.

"Sel moel suudame mõõta, kui palju on üldiselt paranenud, " ütles Olson.

menu
menu