基于物理知识与运行数据融合驱动的海上风电场功率预测研究

这篇研究创新性地将物理模型（高斯尾流模型）与数据驱动方法（K-means聚类和LSTM网络）通过符号回归（Symbolic Regression）融合，提出了一种海上风电场超短期功率预测方法。通过粒子群优化（PSO）算法校准尾流参数，并结合模态分解和并行加权长短期记忆（LSTM）网络，最终融合模型的预测精度较纯数据驱动和纯物理模型分别提升21.67%和35.17%，为风电场智能运维提供了高精度、可解释的解决方案。

　　

亮点

本研究通过符号回归实现物理-数据模型的自动融合，解决了传统融合方法依赖人工设计接口的局限性，显著提升了预测精度与可解释性。

结论

1. 1.

   物理模型优化：基于粒子群优化（PSO）算法校准尾流膨胀系数k^*，使高斯尾流模型能更精确表征实际尾流扩散特性，未来可进一步研究湍流与温度的多参数耦合影响。

2. 2.

   数据驱动创新：通过K-means聚类和并行加权长短期记忆网络（LSTM）结合经验模态分解（EMD），有效处理了风电场数据的多频特性。

3. 3.

   融合优势：符号回归自动生成的显式数学表达式，解决了传统融合模型的"黑箱"问题，案例验证显示融合模型精度较纯数据模型提升21.67%，较纯物理模型提升35.17%。

作者贡献声明

Xinyao Xin：主导撰写、可视化与方法设计；Shangshang Wei：监督与资源支持；Dachuan Feng：模型监督；Chang Xu：项目管理；Xiarong Ying：方法论与形式分析；Mingxuan Gu：数据验证与整理。

利益冲突声明

作者声明无任何可能影响本研究的财务或个人关系。

致谢

感谢国家自然科学基金（52406233）、中国博士后科学基金（2024M750738）、江苏省研究生科研创新计划（KYCX25_0915）及中央高校基本科研业务费（423162）的资助。