Downscaling wind energy resource from mesoscale to local scale by nesting and data assimilation with a CFD model
Descente en échelle de la ressource en énergie éolienne de la mésoéchelle à l'échelle locale par imbrication et assimilation de données à l'aide d'un modèle de CFD
Résumé
The development of wind energy generation requires precise and well-established methods for wind resource assessment, which is the initial step in every wind farm project. During the last two decades linear flow models were widely used in the wind industry for wind resource assessment and micro-siting. But the linear models inaccuracies in predicting the wind speeds in very complex terrain are well known and led to use of CFD, capable of modeling the complex flow in details around specific geographic features. Mesoscale models (NWP) are able to predict the wind regime at resolutions of several kilometers, but are not well suited to resolve the wind speed and turbulence induced by the topography features on the scale of a few hundred meters. CFD has proven successful in capturing flow details at smaller scales, but needs an accurate specification of the inlet conditions. Thus coupling NWP and CFD models is a better modeling approach for wind energy applications. A one-year field measurement campaign carried out in a complex terrain in southern France during 2007-2008 provides a well documented data set both for input and validation data. The proposed new methodology aims to address two problems: the high spatial variation of the topography on the domain lateral boundaries, and the prediction errors of the mesoscale model. It is applied in this work using the open source CFD code Code_Saturne, coupled with the mesoscale forecast model of Météo-France (ALADIN). The improvement is obtained by combining the mesoscale data as inlet condition and field measurement data assimilation into the CFD model. Newtonian relaxation (nudging) data assimilation technique is used to incorporate the measurement data into the CFD simulations. The methodology to reconstruct long term averages uses a clustering process to group the similar meteorological conditions and to reduce the number of CFD simulations needed to reproduce 1 year of atmospheric flow over the site. The assimilation procedure is carried out with either sonic or cup anemometers measurements. First a detailed analysis of the results obtained with the mesoscale-CFD coupling and with or without data assimilation is shown for two main wind directions, including a sensitivity study to the parameters involved in the coupling and in the nudging. The last part of the work is devoted to the estimate of the wind potential using clustering. A comparison of the annual mean wind speed with measurements that do not enter the assimilation process and with the WAsP model is presented. The improvement provided by the data assimilation on the distribution of differences with measurements is shown on the wind speed and direction for different configurations
Le développement de la production d'énergie éolienne nécessite des méthodes précises et bien établies pour l'évaluation de la ressource éolienne, étape essentielle dans la phase avant-projet d'une future ferme. Au cours de ces deux dernières décennies, les modèles d'écoulements linéaires ont été largement utilisés dans l'industrie éolienne pour l'évaluation de la ressource et pour la définition de la disposition des turbines. Cependant, les incertitudes des modèles linéaires dans la prévision de la vitesse du vent sur terrain complexe sont bien connues. Elles conduisent à l'utilisation de modèles CFD, capables de modéliser les écoulements complexes de manière précise autour de caractéristiques géographiques spécifiques. Les modèles méso-échelle peuvent prédire le régime de vent à des résolutions de plusieurs kilomètres mais ne sont pas bien adaptés pour résoudre les échelles spatiales inférieures à quelques centaines de mètres. Les modèles de CFD peuvent capter les détails des écoulements atmosphériques à plus petite échelle, mais nécessitent de documenter précisément les conditions aux limites. Ainsi, le couplage entre un modèle méso-échelle et un modèle CFD doit permettre d'améliorer la modélisation fine de l'écoulement pour les applications dans le domaine de l'énergie éolienne en comparaison avec les approches opérationnelles actuelles. Une campagne de mesure d'un an a été réalisée sur un terrain complexe dans le sud de la France durant la période 2007-2008. Elle a permis de fournir une base de données bien documentée à la fois pour les paramètres d'entrée et les données de validation. La nouvelle méthodologie proposée vise notamment à répondre à deux problématiques: le couplage entre le modèle méso-échelle et le modèle CFD en prenant en compte une forte variation spatiale de la topographie sur les bords du domaine de simulation, et les erreurs de prédiction du modèle méso-échelle. Le travail réalisé ici a consisté à optimiser le calcul du vent sur chaque face d'entrée du modèle CFD à partir des valeurs issues des verticales du modèle de méso-échelle, puis à mettre en œuvre une assimilation de données basée sur la relaxation newtonienne (nudging). La chaîne de modèles considérée ici est composée du modèle de prévision de Météo-France ALADIN et du code de CFD open-source Code_Saturne. Le potentiel éolien est ensuite calculé en utilisant une méthode de clustering, permettant de regrouper les conditions météorologiques similaires et ainsi réduire le nombre de simulations CFD nécessaires pour reproduire un an (ou plus) d'écoulement atmosphérique sur le site considéré. La procédure d'assimilation est réalisée avec des mesures issues d'anémomètre à coupelles ou soniques. Une analyse détaillée des simulations avec imbrication et avec ou sans assimilation de données est d'abord présentée pour les deux directions de vent dominantes, avec en particulier une étude de sensibilité aux paramètres intervenant dans l'imbrication et dans l'assimilation. La dernière partie du travail est consacrée au calcul du potentiel éolien en utilisant une méthode de clustering. La vitesse annuelle moyenne du vent est calculée avec et sans assimilation, puis est comparée avec les mesures non assimilées et les résultats du modèle WAsP. L'amélioration apportée par l'assimilation de données sur la distribution des écarts avec les mesures est ainsi quantifiée pour différentes configurations
Origine : Version validée par le jury (STAR)