一种新型的风能资源评估方法，该方法利用多塔时间序列风速数据的迁移学习技术

《Renewable Energy》：A novel wind resource assessment methodology utilizing transfer learning of multi-mast time-series wind speed

　　李莉 | 吴瑞杰 | 杨书文 | 朱荣 | 严杰 | 刘永谦 华北电力大学新能源学院，北京市昌平区北农路2号，102206 **摘要** 风能资源评估对于风电场建设至关重要，而在任何地点进行高精度的时空风速预测是确保评估结果可靠性的核心前提。本研究提出了一种基于迁移学习的时空风速预测新方法，该方法结合了计算流体动力学（CFD）和多气象塔观测数据，能够在风电场内的任意目标地点实现准确的风速计算。该方法包括三个核心步骤：通过全场计算流体动力学模拟生成空间风速增益比数据集；将该数据集与单个基准气象塔的时间序列数据融合，构建基准时空风速数据集；利用迁移学习算法建立多气象塔基准数据与目标地点观测数据之间的映射关系。我们系统地研究了关键因素（包括流场模拟误差、基准气象塔选择以及集成气象塔的数量）对预测精度的影响，并在典型场景（不同地形和短期风速观测）下验证了该方法的有效性。结果表明，与传统逆距离加权法和测量相关预测法相比，所提出的方法平均提高了20%以上的风能资源评估精度，同时表现出优异的鲁棒性和稳定性，适用于地形复杂或测量时间有限的风电场。 **引言** 近年来，中国风电场规模大幅扩张，2024年新增风电装机容量达到79.82吉瓦。风能资源评估是风电场开发的重要阶段[1]。风速，尤其是风电场内各空间点的年风速概率分布，是资源评估的基本参数。其准确性直接决定了风能资源评估和年发电量预测的精度[2][3]，同时在风电场的微选址过程中也至关重要，影响着开发计划的技术水平和经济效益[4][5]。 数学和统计方法可以直接利用测量设备收集的时间序列风速数据来计算风能资源的各种指标，包括年风速分布[6][7]。这也是评估风能资源的一种方法[8]。然而，这种方法存在两个主要缺点：首先，该方法计算出的风能资源参数仅适用于测量点周围的区域[9]，无法准确反映整个风电场范围内的风能资源分布。为提高风能资源评估的准确性，国际电工委员会（IEC）规定位于复杂地形或大规模风电场中的风电场必须配备多个气象塔。目前，几乎所有运营中的风电场都安装了多个气象塔。其次，评估结果高度依赖于风速测量数据的准确性和时间长度。尽管目前已开发了多种风速测量设备，但气象塔仍然是风能资源评估中最可靠和最广泛使用的技术。 不可否认的是，由于地形和表面条件等因素的影响，风电场内不同空间位置的风能资源特征往往存在显著差异[10]。因此，如果仅依赖测量数据来进行全面的风能资源评估将面临巨大挑战[11]。因此，在精细风能资源评估领域，利用多源数据已成为不可避免的趋势。计算流体动力学（CFD）技术可以准确模拟整个风场的流动情况[12]，描述风能资源的空间变化特征[13]。将CFD模拟的流速场与气象塔测量数据相结合已成为风能资源评估的主流方法。该方法的核心思想是将CFD模拟得出的风能资源空间分布与气象塔测量得出的风速时间分布融合，从而获得风电场的高精度风能资源特征。 大多数将计算流体动力学（CFD）与风速测量数据结合的研究仅依赖数值方法进行计算。其核心方法论是将CFD模拟生成的静态流场转换为整个计算域内的风速加速度比，然后将这些比值与现场测量数据融合以估计风速。研究工作主要集中在计算方法和参数校准上。Tang和Bo等人[14]提出了一种风速校正系数，该校正基于测量风向与CFD模拟的来流风向之间的偏差，有效减少了场内每个点的时间序列风速计算误差。在后续研究中，该团队特别研究了测量风向与来流风向显著偏离的情况，并对方法进行了改进[15]。Radunz的研究团队提出了一种新的来确定来流条件的方法，通过计算场内每个点的CFD模拟风速与气象塔位置风速的比值，将CFD结果与现场单个气象塔的测量数据相结合生成风能资源图[16]。Hu[17]提出了一种基于Itoszynski过渡函数的椭圆计算域建模方法，并使用实际测量数据校正CFD模拟结果。Cheng的研究团队提出了一种称为RANS-VAR（垂直多点现场测量）的数据同化方法[18]，该方法将风向与风速剖面指数结合形成极坐标，通过多次迭代重建复杂地形中的风场空间分布。 此外，鉴于传统计算流体动力学（CFD）模拟存在计算成本过高以及部分模型准确性和通用性不足的问题，许多研究人员尝试将机器学习与计算流体动力学相结合，发展出了混合ML-CFD方法。Jeon的研究团队提出了一种混合RePIT策略，该方法采用交替的CFD和AI计算，并结合基于物理的残差监测。该方法在自然对流情况下保持了精度，温度误差小于0.4 K，计算速度提高了1.9倍。Sousa[20]开发了一种混合CFD求解器，其中集成了一种机器学习替代模型来辅助计算密集型的压力求解步骤。