2024中國可再生能源大會：基于實測數(shù)據(jù)的智能化尾流模型研究

INSTITUTEOFGREEN-LOWCARBONENERGYINNOVATIVETECHNOLOGY指導(dǎo)教師：張明明教授時間：2024/8/174、結(jié)論2口減少風(fēng)電場內(nèi)尾流影響的措施一建設(shè)前期--布口減少風(fēng)電場內(nèi)尾流影響的措施一建設(shè)前期--布3344口不同速度分布假設(shè)形成不同模型族□模型參數(shù)確定方式(Agle，2014，Gaussian)Double-Gaussian) Gaussian模型發(fā)展過程中借鑒了kDouble-Gaussian模型發(fā)展過程中通過調(diào)整標準差55采用CFD模擬或是實驗數(shù)據(jù)對上述關(guān)系進行擬合的方理想的解析尾流模型:a)考慮多種大氣特性;b)與實時變化的來流條件相適應(yīng);c)在不664、結(jié)論7動量守恒:P∫UwdA=T=PCTAU尾流速度:穩(wěn)定性函數(shù):88Penmanshiel風(fēng)電場位于英國，包含14臺SenvionMM82/59風(fēng)機，S風(fēng)電場常年盛行西南風(fēng)，可在該特定方向上選擇存在尾流效應(yīng)的機組進行分析99智能化單高斯尾流模型構(gòu)建框架w框架流程尾流模型計算：對風(fēng)電場SCADA數(shù)據(jù)進行預(yù)處理，預(yù)處理后將相關(guān)參數(shù)代入基礎(chǔ)尾流模型進最佳尾流特征提?。簭娘L(fēng)電場SCADA數(shù)據(jù)中獲得下游機組位置處的實際記錄風(fēng)速，以最小化模型計算誤差為目標，代入優(yōu)化算法中，得到最佳的尾流特征參數(shù)為輸出，利用1DCNN-BiLSTM建立來流/運行狀態(tài)與模型參數(shù)之間關(guān)智能化尾流模型在速度和功率計算上的決定系數(shù)分別為0.9778和0.9591，表明該模型在速度和功率的計算上有良好的預(yù)測精度智能化尾流模型預(yù)測結(jié)果與實際風(fēng)速和功率相比:速度預(yù)測精度達到95.35%，功率預(yù)測精度達到84.17%R24、結(jié)論具有不同振幅、均值和標準差的雙高斯函數(shù)：(r-μ1)2(r-μ2)2--2σ2σ2σ利用上述雙高斯函數(shù)構(gòu)建速度預(yù)測模型：「(-(r-μ1)2-(r-μ2)2)7L(,」μμ2μ13σ13σ13σ2μ2μ1A2AA2AA,σ1,μ1≠σ2 選取了2024年02月05日01:05:35時間點測量數(shù)據(jù)進行分析，U=4.9057m/s,CT=0.8345智能化尾流模型在尾流1D~4D處擁有較好的精度，平均R2和MSE分別為0.901后續(xù)將進一步優(yōu)化數(shù)據(jù)結(jié)構(gòu)以提升模型精度本文提出的智能化尾流模型在高精度與效率之間達到了良好的平衡，用于改善風(fēng)力機尾流的預(yù)測?；谥悄芑?1)智能化尾流模型首次首次通過深度學(xué)習(xí)方法（即神經(jīng)網(wǎng)絡(luò)）建立了模型參數(shù)與實際測量數(shù)據(jù)之間的關(guān)聯(lián)，使模型(3)智能化尾流模型在一定程度上反映了尾流的進化規(guī)律，相較于傳統(tǒng)尾流模型，該模型預(yù)測的速度剖面更接近實際尾流情況。本文開發(fā)的智能化尾流模型顯著提升了風(fēng)力機尾流預(yù)測的精確性。未來，可將更多高精度的尾流模型與先進的深度學(xué)習(xí)方法結(jié)合，以進一步增強該模型在實際風(fēng)電場中的計算性能。鑒于智能化尾流模型能夠準確反映實際尾流的變化規(guī)律，并在實際風(fēng)電場中表