基于物理引导深度学习的风电场主动偏航控制下功率建模方法研究

本文推荐：该研究创新性地提出物理引导神经网络（PGNN）功率模型，通过融合高斯尾流模型（Gaussian wake model）的物理特征和时空数据，解决了传统方法依赖额外风速预测（wind prediction）和缺乏主动偏航控制（active yaw control）实测数据的瓶颈。案例验证表明，模型能精准捕捉风电机组（WTs）及风电场的功率趋势，为流场控制（flow control）提供可靠工具。

　　

Highlight

本研究开发了基于物理引导深度学习（PGNN）的风电场功率模型，通过整合现场实测数据（含主动偏航控制工况）和高斯尾流模型（Gaussian wake model）的物理特征，显著提升了模型泛化能力。创新性地将风速预测集成到建模过程中，避免了工程应用中额外预测的不确定性。

Model training and testing

为验证模型性能，研究选取中国某海上风电场15台机组（含3S和6S型）进行案例分析：

• •

  案例1：主风向（180°）小尾流损耗工况下，模型准确预测了目标偏航角对应的功率；

• •

  案例2：垂直风向（90°）大尾流损耗场景中，模型仍保持优异表现，证实其对复杂流场的适应性。

Conclusion

该PGNN模型通过融合物理先验知识（如机组相对位置、尾流速度亏缺）和历史数据，实现了主动偏航控制下风电场功率的精准估计，为流场优化控制提供了无需额外预测的工程解决方案。