《Journal of Engineering Research》：Determination of Wind Shear Effects on Real Wind Turbine Rotor-Generator RPM Values
编辑推荐：
本研究通过基于新开发的点测量方法（风速计、温湿度、风向标及压力传感器）分析测量值，实现了对风切变（WS）事件（微下击暴流（MB）、尾流涡（WV）、海风（SB）及阵风锋（GF））的检测。同一气象数据与最近风电机组的发电机及转子转速（RPM）值一并分析。研究识别并
本研究通过基于新开发的点测量方法（风速计、温湿度、风向标及压力传感器）分析测量值，实现了对风切变（WS）事件（微下击暴流（MB）、尾流涡（WV）、海风（SB）及阵风锋（GF））的检测。同一气象数据与最近风电机组的发电机及转子转速（RPM）值一并分析。研究识别并排除了运行差异对WS效应的影响，并对结果进行了相应评估。并非涡轮空气中的每一个异常RPM值都被判定为WS。研究实施了工况分类（稳态/加速/减速）及基于z分数的检测。RPM值中约出现1%的损失。发电机与转子之间的差异已被识别。厂址处发生的气象异常由92%的SB和GF事件构成。WV事件导致涡轮不平衡，MB事件抑制RPM恢复正常水平。检测到的事件通过C波段雷达（RADAR）产品进行了验证，并展示了其对风电机组的影响。本研究以较低成本证明了极端气象事件对机组的影响，从而为早期故障检测和预防性措施开辟了新研究。所获得的结果与新开发的算法在预防性维护方面代表了显著改进。
风能系统中，风切变（WS）是描述风速和风向随高度变化的关键大气参数，直接影响机组性能、载荷分布和能量产出。现代风电机组具有大转子直径和高塔架结构，导致转子平面内存在显著速度差异，增加气动不平衡并触发结构疲劳载荷。WS剖面随大气稳定度、地表粗糙度和地形等因素变化，直接影响能量产出预测的准确性。因此，WS的精确建模与分析对机组微观选址、控制策略及长期性能评估至关重要。WS现象的检测通常依赖昂贵设备与复杂算法。航空领域称为低空风切变警报系统（LLWAS）的系统可结合C波段或X波段雷达、激光雷达（LIDAR）、新一代天气雷达（NEXRAD）、终端多普勒雷达及超声波风速计等至少两种设备，对包括MB、GF、SB和WV在内的有害WS现象进行详细检测，但其在航空领域仅为选用，风能领域尚未采用。风能领域部分海上应用使用扫描式LIDAR进行可视化，这些测量一般用于确定风资源。换言之，风能文献与应用中缺乏将MB、GF、SB和WV现象一并评估的详细WS分析。根据麻省理工学院（MIT）研究，LLWAS及替代WS检测系统的成本已被列示。考虑运行成本，最合适的方法似乎是单独使用NEXRAD。在不同条件和地点的研究中，NEXRAD的WS检测准确率介于43.4%至97.8%。研究表明暖季性能下降，准确率在不同预测间亦有差异，冬季虚警率可达31%。本研究提出的系统利用许多风电场已有的点式气象测量数据实现。尽管测量系统、安装调试及算法成本尚未商业化，估计为6万美元。表1所列成本均为航空领域；此类复杂昂贵系统不会被考虑用于风能投资。风电场WS流动期间，机组间产量差异可达76%，仅WV事件即造成29%的产量差异。此外，研究还涉及文献中湍流表征的问题，并提出了一种WV检测新方法。风能在可持续能源系统转型中发挥关键作用，近年来在装机容量和技术发展方面均取得显著进展。WS表征风速随高度的变化，是确定风能潜力的基本参数，通常用幂律建模，其中风切变指数（α）随地形粗糙度、地形和大气稳定度变化。Yan等利用LIDAR测量确定，海上区域风切变指数一般在0.08至0.15之间，而陆地和稳定大气条件下在0.20至0.40范围内变化。类似地，Abdalla等在利比亚不同大气稳定度条件下的研究表明，使用动态系数而非固定切变系数可更准确地表征风速剖面，能量预测改进达10%–25%。直接且全面确定WS对能量产出的影响存在困难。Lopez-Villalobos等证明风速剖面变化可导致机组发电量偏差达5%–20%，并指出转子等效风速（REWS）方法相比经典轮毂高度方法将能量预测误差降低10%–15%。Ryu等的另一项研究指出，考虑WS（尤其在稳定大气条件下）可将预测精度提高10%以上。这些发现清楚表明忽略WS会导致能量产出预测的严重误差，但这些研究无助于GF、MB、SB和WV现象的检测且不提供确定性。与WS一并评估的另一重要参数是风转向效应，即风向随高度的变化。Lundquist指出现代风电机组转子高度范围内可观察到5°至20°的风向变化，导致转子平面内载荷分布不对称，叶根力矩尤其可增加10%–30%，对机组疲劳寿命产生不利影响。大气湍流是影响风电机组性能和结构载荷的另一重要因素。Kosovi?等的综合评估指出，机组载荷随湍流强度增加呈非线性增长，高湍流条件下功率曲线偏差达5%–15%。决定风电机组相互作用的最重要因素之一是尾流效应。尾流区域风速降低、湍流强度增加，对下游机组性能产生不利影响。Han等证明偏航控制策略可改变尾流结构，适当朝向下风电场总能量产出可提高3%–8%。Yue等研究了可变湍流条件下的尾流动力学，证明流动结构的时间变化可导致机组性能差异达10%。极端大气事件对风电机组构成重大风险，尤其是下击暴流事件可在短时间内形成极高风速场，超过机组设计载荷。Ahmed等指出下击暴流效应具有区别于现有设计载荷的特征，此类事件期间风速可从20–30 m/s增至50–70 m/s，下击暴流诱发载荷相比标准设计载荷可高20%–40%。Lopez Ortiz证明类龙卷流中载荷随转子位置变化，某些情况下局部载荷增加可超过30%。SB效应是沿海和海上风电场的重要大气过程。Cheng等证明台湾沿海海风改变风速剖面，导致能量产出变化5%–15%。Brown和Vincent指出澳大利亚沿海海风导致日风能潜力显著波动。Assireu等证明海风可导致突然风速下降（下坡），使短期能量产出减少达20%。Xia等的建模研究表明海风的准确检测可提高海上风能预测精度。SB事件相比其他事件更易检测，发生时段、场地特定阈值和温度变化已在文献中确立。风电场流动控制与优化研究近年日益重要。Meyers等指出风电场实施主动流动控制策略可使总能量产出潜力增加5%–10%，但该潜力的实现取决于大气流动的精确建模和机组间相互作用的恰当分析。Si等开发的TC-ConvSTPNet方法通过从稀疏测量数据生成连续风场并进行时间预测，相比经典单点预测方法取得更高精度，即使在无测量区域也成功捕捉风速趋势。Sheehan等证明采用基于深度强化学习（DDPG）的尾流转向控制方法，风电场总功率平均每方向可提高7%，部分情况达17%。与此并行，Dubey等强调机器学习、深度学习和混合方法广泛应用于风能系统的预测、控制、维护和优化过程，尤其通过多目标优化在能量产出、可靠性和成本之间实现平衡改进。另一方法考察了WS对叶片动量的影响，WS由转子上下部速度差确定，未指明WS类型。计算转子载荷时主要因素是风速，通过载荷计算实现。在Enercon E82机型机组研究中，采用LIDAR作为测量系统，使用文献中广泛但精度较低的幂律法考察WS效应，强调应在轮毂高度进行物理测量而非幂律外推。荷兰一项研究证明了风切变系数与湍流之间的条件关系，发现不同高度机组能量产出变化1%至13.5%。众所周知，由于WS类型的检测可借助高科技成像设备完成，文献中分别证明各类型对机组影响的研究极少。本研究利用新开发算法获得的RPM值证明了WS类型对机组的影响。一项利用雷达产品的分析观察到，阵风锋现象期间机组产出达到峰值，其携带载荷波动和疲劳风险，为机械故障埋下基础。本研究利用风电场10分钟气象测量数据和新开发算法同时检测MB、GF、SB和WV。算法检测结果包含事件发生的年、月、日、时、分信息。利用最接近气象测量的机组SCADA数据中的发电机和转子RPM值，识别WS事件期间的损失。检测到的WS事件通过C波段雷达验证。本研究揭示了不利天气条件对风电机组的影响，兼具文献与实践意义；研究了WS事件类型对RPM值的不同影响，从而为检测和预测风电机组未知故障的研究作出贡献，旨在提升风电机组的可持续性、安全性和效率。研究所在电厂装机容量50 MW，隶属RHG Enertürk公司，位于土耳其伊斯坦布尔Silivri地区，拥有21台风电机组。由于气象测量在厂址“1号机组”附近进行，故使用该机组RPM值。测量期为2024年8月15日至2025年1月31日，约6个月。测量使用外部气象传感器，数据平均间隔10分钟。数据首先经过数据处理与清洗程序，考虑以下标准：从数据集中去除缺失（NaN）记录；识别并去除超出物理边界的值；温度值显著偏离地点和季节常态者采用Hampel滤波方法处理；控制气象变量间关系；控制不规则样本并检查突变尖峰是否在气象约束内；传感器偏移与斜率控制；单位标准化；去除重复和重叠值；调整数据格式和表头以兼容Python；数据集季节均值、标准差及最大最小值控制。详细WS检测可识别MB、GF、SB和WV事件及年月日时分信息。使用Anaconda/Spyder界面进行WS检测（含数据清洗与验证），选用Python编程语言。WS识别过程从数据清洗开始，随后在整个数据集中搜索可产生WS线索的数值。WSC和0.5 m/s定义作为WS检测的线索和证据，详细MB、GF、WV和SB结果通过WS线索自验证。确定0.5 m/s阈值有两个关键考虑：首先，所用风速计须具有适当性能参数；土耳其法规要求风电场使用具备MEASNET校准能力的一级风速计，要求分辨率0.1 m/s。若有两个风速测量值，同步定时的差值应大于0.5 m/s；若无两个测量值，算法在处理时省略此步骤。若不同高度有气象测量，则进行幂律分析，WSC按公式计算，α值1/7（0.143）视为正常气象条件，偏离该值正负10%视为WS指标。通过这两种方法，算法利用WS线索继续运行；若条件指定的气象参数不可用，算法这些阶段可独立运行。WS检测通过分析风速、风向、环境温度、湿度和压力值详细进行，以识别导致WS形成的MB、WV、SB和GF现象。检测到WS线索后，对整个数据集重复以下分析和处理。微下击暴流定义为向下小尺度气流爆发，分干、湿两类，影响范围400 m至4 km。MB检测时实施国际民航组织（ICAO）和美国联邦航空管理局（FAA）特征控制，并研究验证其对风电机组的影响。检测时检查连续风速值差值和数据集斜率，随后通过整体监测方向、温度和湿度变化进行事件检测。根据MB特征，按公式分析风、温度和湿度变化方向。确定边界层时，除检查离散风速外，温度、湿度和方向变化同时发生而无阈值具有关键重要性。尾流涡定义时，算法将标准差和湍流强度作为主要因素，依次比较连续4分钟数据集的风速梯度；结果为正时，以风速/风向和事件类型格式连同年月日时分信息记录于数据库。海风事件是文献与实践中可通过点测量技术检测的方法，检测较其他事件容易。SB检测时对整个数据集的方向、连续速度、连续温度/湿度及这些值的斜率进行控制。SB事件阈值在算法提取SB特征后经现场测量确定；SB特征是事件中最显著的，虽指标通用但阈值随地理特征变化。除公式所列外，Silivri/Istanbul的SB事件起始阈值确定为2.2 m/s。该检测算法为文献首创，采用Borne、Chen & Nunez方法确定阈值。阵风锋检测时通过检查60个连续数据集的斜率实施双斜率控制，第二级双斜率控制应用于6个连续值，该过程对风速、温度和压力值进行。最后阶段进行线性回归运算，检测到GF事件时记录于WS数据库。GF事件无阈值，事件形成期间风短暂达峰后下降。研究中WS检测后进行效应与同期RPM值的比较，为发电机RPM和转子RPM值输出创建曲线剖面。理论考察RPM值时与风速建立线性关系，但实践中须评估粗糙度和滞回效应。此外RPM值存在惯性效应，即高、低速工况下相同风速不出现相同RPM值，因为增减取决于发电机和转子风速等因素；即使风速增加，RPM值也不遵循相同趋势。因此正确WS效应通过曲线控制检查：若dV/dt>0则比较WS，否则检查其他数据。将MB、GF、SB和WV测量值与RPM值连同年月日时分信息逐一比较，比较时分别评估转子RPM和发电机RPM值。统计上转子RPM乘以齿轮比得发电机RPM值，但该条件仅描述运动学关系，制动、加速、减速、惯性、控制系统、变桨和转矩控制机制揭示实际关系；比较RPM曲线值与WS时纳入这些因素。应用中的差异通过将等效惯量、动态运动和转子RPM公式纳入验证算法计算。验证研究通过评估这些因素而非逐一比较风速进行，从而通过GF、MB、SB和WV的单独分析评估所识别效应。基于点测量方法的气象数据被分析，涡轮发电机RPM和转子RPM值中检测到超出运行范围的异常。GF、MB、WV和SB事件与异常RPM值相关联。为验证检测到的WS事件准确性，除统计方法外还通过C波段雷达数据验证，使用两个不同C波段雷达数据源：布尔萨/土耳其和伊斯坦布尔/土耳其气象雷达。伊斯坦布尔雷达为Vaisala IRIS/Sigmet系统，C波段，水平单极化，最低仰角0.30°–0.50°；布尔萨雷达为双极化，最低仰角?0.20°。雷达信号处理后产生多种产品，本研究对每种WS至少使用其中一种产品：最大反射率产品（MAX）、PPI径向速度和多普勒谱宽（PPI-W）产品。通过仅读取640字节产品头索引每个文件，获得采集时间、产品类型、仰角、任务名、网格几何和雷达位置而无需解码图像，使产品类型具有权威性。所有基于速度的检测依赖单一算子：沿雷达径向相隔距离s的两点径向速度差，正值表示沿波束辐散，负值表示辐合。算法评估0.5至5 km的间距，在每个像素保留最强辐散和辐合及发生间距，此多尺度评估避免预先固定单一长度尺度，遵循业务微下击暴流和切变线算法在距离范围内搜索速度差而非固定间距的实践。单多普勒数据中下击暴流特征的业务定义为近地面辐散偶极，速度差为最大入流和最大出流速度之间测得的风速。GF和SB检测在雷达数据分析中有相似方法，两种现象均考察边界层辐合线，该方法由Wilson和Schreiber开发。本研究检查雷达数据时识别并分析候选线，使用数值dBZ产品检测事件，检测到的事件通过图像产品验证。尽管SB和GF定义不同，但在狭窄区域搜索35 dBZ，该指示为出流标志。由于WV特征表现为更窄区域和多维涡旋，检测困难，无法通过雷达产品独立可视化；WV现象最显著特征是湍流，本研究使用雷达数据进行湍流检测，这构成研究局限之一。结果部分包括气象分析、WS结果和机组效应。厂址平均风速7.09 m/s，最大24.01 m/s，整个数据集标准差3.50 m/s；电厂在11月和12月经历季节最大风速；32.53%的数据落在6–9 m/s范围，为相当高的值。温度显示区域适宜性，平均20.42 °C，最高35.8 °C。压力变化对WS事件至关重要，是GF检测算法的主要控制机制之一。详细WS检测软件应用于24,301行数据，发电机RPM和转子RPM值被分析，检测到WS类型的时间序列与RPM值一一匹配。共4,283行数据被识别为受WS影响，WS事件占数据集17.62%；识别事件中54%为SB事件，符合预期。WS事件如预期在低中和中速预测时段占主导；MB事件定义为向下强爆发产生高速，与事件特征吻合。逐时分布显示WV强度在早晨时段，GF强度在夜间占主导；白天受热气团上升，夜间低层冷空气、高层暖空气，高层快速移动空气迅速下降增加GF发生。风速5–8 m/s范围密集，9–12 m/s范围GF和SB事件强烈。由于SB特征，其始于中午并持续增强；若项目场址不在沿海，算法可模块化运行，在无SB事件的地理点可检测陆风（LB）。对发电机RPM和转子RPM参数曲线值分析，两参数均检测到异常值；加速、减速、制动和滞回等值未视为异常，这些在实践中对机组正常。其余异常值中z分数大于2.5者纳入分析，确定该阈值有两个原因：一是标准工业应用所用值，二是若所考察风速对应RPM值的z分数小于2.5则不视为异常，微小变化在实践中视为正常。异常分布在2 m/s至4 m/s之间；6 m/s及以上风速处现有偏差可能源于硬件问题。曲线剖面显示加速、减速和稳态（无静风）风速下的曲线变化，实践中三种条件下均观察到差异；加速递增风与稳定风下生成曲线密切吻合，发电机和转子机构响应成功，但减速风下观察到曲线偏差。WV事件使系统失稳；MB事件虽不频繁但确在系统中产生抑制，导致产出损失；厂址SB事件数量虽多但未产生显著异常；考察转子RPM值时，WV事件极可能导致气动结构载荷变化。每个WS事件在曲线上分布于不同点，某些点观察到不稳定，WS事件是其原因；SB事件广泛分散，但不稳定主因是GF事件，GF情况下RPM值存在偏差。高风速下SB事件占主导，沿海SB已知导致突然温度变化；因此事件密集发生的电厂硬件控制变得关键。评估曲线步骤时以0.5 m/s间隔计算，使用Regime_Median和Steady Median定义生成理想和清洗后RPM值，基于两者差值大小进行异常与WS匹配；机组运动按正负加速度值分别评估。排除方法学所述应用源差异后计算归因于WS的差异，从而准确识别WS事件期间损失。发电机RPM结果表明，WS事件期间有效值为22,063，损失为31,492；转子RPM相应值为280和407。全部WS事件中18%影响超过确定分数阈值的机组产出；发电机RPM侧减少58.8%，转子RPM侧减少59.2%，这些百分比差异被识别为转子与发电机间机械损失及WS事件的影响。统计与C波段雷达验证中，风速增量尾部分布差异明显，超额峰度为3.3，远高于期望值0；Kolmogorov–Smirnov检验表明标准化增量偏离高斯分布具有统计显著性（D=0.072；p=1.9×10?1??）；分布两尾观察到达±4 m s?1的增量，支持WS检测；观测超概率达标准差3倍和高斯期望4倍，支持WS和湍流强度（TI）检测；连续增量平均超过3.69 m/s。这些发现表明突然风速变化构成可统计分离于背景的独立事件群，而非连续湍流分布的随机极端样本；高斯模型无法解释的额外尾部质量揭示WS事件在测量数据中留下可区分信号，因此基于短期风速变化的检测方法得到数据统计结构支持，尾部区域事件通过C雷达数据验证。风速增量尾部采用广义帕累托分布（GPD）建模，平均超额函数在u≈1.5–2.3 m s?1范围线性化，GPD参数在该范围稳定，为标准诊断准则；使用阈值u=1.8 m s?1以上690个超阈值（占增量2.87%），形状参数估计ξ=0.132（95% CI：0.046–0.214），尺度参数σ=0.450 m s?1（95% CI：0.401–0.502）；形状参数置信区间完全为正表明风速增量具有无上界重尾分布，以独立方法证实前述发现。风速增加1天重现水平为2.50 m s?1（95% CI：2.43–2.57），7天为3.70 m s?1（3.49–3.93），30天为4.83 m s?1（4.36–5.37）；短重现期窄置信区间表明估计统计稳定，这些重现水平使检测事件强度可置于气候尺度并定量表达与雷达观测匹配事件的统计稀有性。比较四类WS记录，可区分性源于时间尺度和日循环位置；SB和锋面过境GF具有相似可区分性控制；SB检测与日循环和季节结构的热驱动环流一致，暖/冷期对比比为3.35（p=0.039）；GF检测采用60/6点配置每日产生2.23个信号；MB虽具相同三重特征，典型寿命数分钟、水平尺度数公里，与数据统计一致；WV类不同于其他三类，测量湍流强度而非平均场，每日产生2.25次。总之，算法从数据集中分析特征的SB、MB、WV和GF事件，其数据内分布模式、GPD分析和季节方法已获统计验证。研究区位于伊斯坦布尔和布尔萨C波段雷达覆盖范围内，两雷达指定产品和数量已分析；每雷达检查三种产品：反射率（dBZ）、径向速度（m/s）和谱宽产品，用于检测WS；单一产品评估WS特征增加不确定性，共分析6,668个产品；目标场址为Silivri/Istanbul ?anta风电场测量点机组；检测到MB、GF和SB事件。雷达在数据时段内检测到164个，基于雷达分析评估的结果显示：GF检测与雷达100%一致，SB为100%；MB比例算法检测为3%，雷达检测为1%。分析C波段雷达数据有两个局限：一是WV检测无法仅靠C波段雷达，仅可视化涡旋线，不足以单独检测WV；二是由于土耳其国家气象局（TSMS）数据共享指南，验证期与算法测试期不完全一致。相同数据集的可视化产品亦已获得，数值分析与可视化比较。GF事件通过原始数值数据检测并以雷达图像验证，粉色线表示辐合线，绿色圈内区域表示入流段，通过检查图像前后时段验证检测。2024年8月19日18:29:19 UTC记录的径向速度场显示西北–东南向过渡线位于雷达东北集中入流与西南广泛出流之间，算法将此结构分类为SB锋，长31.3 km，距目标区14.7 km。结论部分指出：本研究采用点测量方法进行WS（GF、MB、SB、WV）事件检测，结果通过与实际风电机组数据比较验证。WS检测算法准确性已在研究人员此前使用LLWAS、LIDAR、扫描式LIDAR、X波段雷达和C波段雷达等设备的研究中证明；本研究将算法与两个C波段雷达、实际机组数据比较，并详细证明其对机组的影响。高精度检测的SB和GF事件与算法检测方法识别时段100%匹配，但受法规限制整个雷达数据期与算法应用的点测量期不完全重合。WS事件导致转矩波动、RPM不稳定和控制系统延迟。已确证GF和SB事件对所研究机组产出产生负面影响；应注意场址位于沿海地区，西北地形较高；发生率较低的WV事件观察到导致涡轮不平衡。基于发电机RPM，WS事件导致单台机组能量损失1.02%，不含机械、电气、故障、维护维修等损失；除该比率外，计入严重事件导致的硬件故障和维护维修需求等损失，总能量损失显著增加。WS事件还导致转子RPM能量损失0.09%，两项分析结果相互验证。新开发的GF、SB、MB和WV算法已通过不同方法验证。观察到减速风速下机组响应大于正常曲线，WS效应存在期间影响加剧，表明机组受WS影响时制动机制响应超过正常。认为随SB事件变化的瞬时气候条件将加速硬件磨损时间。雷达检测WV事件的高不确定性构成研究另一局限；在具备X波段雷达、扫描式LIDAR设备和LLWAS系统的地点测试算法是计划中的未来研究。未来研究计划包括：单测量点对远处机组的影响，以及不同场址WS事件影响的标准化研究；在WS事件指标密集的风电机组测试算法准确性，以确认尽职调查研究中视为标准的损失；确定WS事件对硬件及维护维修需求的影响。作者贡献声明：Ekim KüLüM负责初稿撰写、可视化、验证、软件、项目管理、方法学、调查、经费获取、形式分析、概念化；Mustafa Serdar GEN?负责审阅编辑、验证、监督、项目管理、方法学、调查、经费获取、形式分析、概念化。
