基于湍流 awareness 的进气特性工程设计,用于物理指导下的风力涡轮机动力学替代建模
《Renewable Energy》:Turbulence-aware inflow feature engineering for physics-guided surrogate modeling of wind turbine dynamics
【字体:
大
中
小
】
时间:2026年05月03日
来源:Renewable Energy 9.1
编辑推荐:
刘振清|钟友云|邱世杰|陈圣桥|范双龙|胡一鲁
中国湖北省武汉市华中科技大学土木与水利工程学院
摘要:基于物理的空气-伺服-弹性模拟器对于风力涡轮机的设计与控制至关重要,但在需要评估数千种运行条件时,其成本变得过高而难以承受。数据驱动的替代模型提供了一种更快速的解决方案
刘振清|钟友云|邱世杰|陈圣桥|范双龙|胡一鲁
中国湖北省武汉市华中科技大学土木与水利工程学院
摘要:基于物理的空气-伺服-弹性模拟器对于风力涡轮机的设计与控制至关重要,但在需要评估数千种运行条件时,其成本变得过高而难以承受。数据驱动的替代模型提供了一种更快速的解决方案,但往往忽略了微观尺度湍流,并且物理可解释性有限。本研究提出了PIFENet,这是一种考虑湍流的、基于物理的进气特性工程框架,用于实时预测风力涡轮机的动态响应。三维湍流进气场被转换成一个低维、信息密集的特征集,该特征集结合了一般流动统计数据和由空间权重矩阵构建的以涡轮机为中心的结构化特征。然后使用最小冗余-最大相关性(mRMR)算法选择面向任务的特征,这些特征被输入到多任务神经网络中,以同时预测叶片根部、塔架底部的载荷、塔顶位移和发电机功率。在NREL 5兆瓦涡轮机上进行的一系列OpenFAST模拟表明,在不同的风速、湍流强度和偏航条件下,PIFENet的R2值均超过0.94,同时能够忠实地再现周期性和随机动态特性,残差自相关性显著降低。结果表明,基于物理的进气特性工程是一种有效的、模块化的方法,可用于构建稳健的风力涡轮机动态替代模型。
引言
风能是全球能源组合低碳转型的核心[1]。全球风能委员会2025年的报告指出,2024年新增装机容量达到创纪录的117吉瓦,过去十年平均年增长率约为10%[2]。随着转子直径、塔架高度和特定地点的进气条件的多样化,工程界面临着严峻的挑战:塔架和叶片必须承受更高的载荷[3],[4],而空间变化的进气条件通过长期振动加剧了疲劳应力[5],[6]。
为应对这些严重的载荷挑战,成熟的空气-伺服-弹性模拟工具(如美国国家可再生能源实验室(NREL)的OpenFAST[7]、DNV的Bladed[8]和丹麦技术大学的HAWC2[9])提供了工程级别的风力涡轮机动态模型。在这些平台的基础上,研究已从组件级研究发展为风电场规模分析。在组件级别,这些工具已被用于利用有限元模型[10],[11]研究极端载荷下的叶片失效机制,并开发出精细的动态失速描述[12]来捕捉非定常空气动力学效应。在风电场级别,基于HAWC2的对Vindeby海上风电场的分析显示,尾流引起的湍流强度和积分长度尺度的变化是疲劳增加的主要驱动因素[13]。此外,这样的模拟框架支持先进的载荷缓解控制策略,包括用于减少俯仰载荷的单独俯仰控制[14]、基于寿命的监控控制[15]以及海上涡轮机的概率极端载荷预测[16]。后续研究将这些见解扩展到了预测控制和传动系统寿命评估,提高了疲劳寿命评估的一致性[17],[18]。在台风等极端、高度非平稳事件中,数据驱动的偏航优化控制器与传统策略相比,实现了结构载荷额外1-9%的减少[19]。总体而言,基于物理的模拟对于动态分析和控制设计仍然是不可或缺的;然而,它们依赖于大规模和重复的计算任务,使得大规模参数研究和长期概率评估在计算上非常耗费资源,从而促使人们使用替代模型和更具信息量的进气表示方法。
尽管基于物理的模拟和控制方法在机制分析和策略验证方面非常有效,但一个常见的瓶颈是巨大的计算成本。覆盖多种风条件和长时间的全场时域模拟通常需要数小时甚至数天才能完成。在一项关于浮式涡轮机长期疲劳的研究中,Graf等人[20]运行了超过400万次10分钟的模拟,总计算时间约为30万中央处理单元(CPU)小时,这生动地说明了工程级评估所需的计算需求。在更高保真度的大涡模拟(LES)水平上,Sood等人在Lillgrund风电场的比较中指出,LES通常受限于较短的时间窗口和有限的风向,以管理计算成本,间接证实了LES在工程应用中的成本和验证挑战。这些限制使得这些方法难以直接应用于需要大规模集合或实时响应的场景,例如概率全生命周期疲劳评估、基于可靠性的设计优化或在线监控和控制[22],[23]。例如,Brenkacz等人[24]提出了一种通过连续校正质量调整实现精确自动不平衡控制的方案,强调了运营中控制相关响应意识的需求。这激发了需要由具有信息量的湍流进气表示支持的替代模型的需求。
为了缓解模拟效率的瓶颈,数据驱动的替代模型已成为风能研究中的一个重要补充。这类模型以较低的计算成本近似了基于物理的模拟器的复杂输入-输出关系,实现了大规模的工程分析和优化。在可靠性和风险评估中,多项式响应表面[25]和克里金(Kriging)模型等替代方法被广泛用于高效的不确定性传播[26]和多灾害条件下的脆弱性分析[27]。在动态分析中,Li和Caracoglia[28]使用替代模型进行大型叶片的计算密集型随机颤振分析。在工程优化和设计中,替代建模在多个尺度上取得了显著进展——从空气动力学[29]和几何[30],[31]的单个转子优化到在各种偏航和尾流条件下的多目标风电场布局优化[32],以平衡发电和结构载荷[33]。然而,许多早期的替代模型依赖于简化的宏观进气参数。正如Golparvar等人[34]所指出的,这种简化忽略了风向、空气密度和空间风场结构等关键因素,从而限制了预测精度。为了解决这一限制,Dimitrov等人[35]开发了一个涵盖多种宏观风条件的广泛载荷数据库,随后用它来训练一个能够准确估计特定地点载荷的替代模型;尽管如此,这些框架中的进气仍然主要由有限的标量描述符来描述,这强调了替代建模中对更具信息量、考虑湍流的进气特性的需求。
一个新兴的趋势是开发端到端的深度学习模型,这些模型利用高维流场数据。Zhou等人[36]结合了延迟投影分解(Delayed POD)和长短期记忆网络(LSTM)进行准确的尾流预测,而Wang等人[37]表明,梯度提升(Gradient Boosting)和支持向量机(SVR)可以在复杂的尾流和偏航条件下估计功率和疲劳载荷,并在特定情况下具有良好的鲁棒性[38]。然而,这些方法在很大程度上依赖于训练数据的质量和代表性,而训练数据本身受到基础物理模型(如动态失速公式和湍流闭合[39])的不确定性以及通常仅限于宏观参数的进气描述的影响,而没有明确利用微观尺度流动信息。作为回应,人们探索了更复杂的架构:Woo等人[40]在多任务框架中整合了卷积神经网络(CNN)和LSTM,Jiang等人[41]将神经网络应用于浮式涡轮机的实时推力预测。尽管精度有所提高,但这些黑箱模型的可解释性和物理透明度有限,并且需要大量标记数据,这限制了它们的工程可靠性和可转移性。此外,大多数数据驱动的研究集中在统计疲劳载荷或功率输出上。Murcia等人[42]在欧洲范围内的验证中发现,模型在宏观和低频水平上表现良好,但无法捕捉高频瞬态动态。因此,预测由湍流驱动的实时、系统范围内的动态响应仍然是一个主要挑战,需要能够解释宏观条件并更好地利用微观尺度湍流结构的方法,而不仅仅是依赖于隐式特征学习。
近年来,基于物理的神经网络(PINNs)作为提高数据驱动建模中的物理一致性和数据效率的手段引起了广泛关注。Li和Zhang[43]将线性化结构动力学结合到循环神经网络中,提高了多点动态响应的预测精度和数据效率。Baisthakur等人[44]使用PINN替代了迭代叶片元动量(BEM)计算,将BEM组件的计算速度提高了约40倍,同时将总体模拟时间减少了约35%,同时保持了工程允许的误差范围内。这些混合物理-数据方法展示了结合机械知识与基于学习的替代模型的潜在优势。然而,传统的PINN公式将物理约束直接嵌入损失函数中,将训练转变为多目标优化问题;这种紧密的耦合可能导致在平衡损失权重、梯度刚度和训练稳定性[45]方面遇到困难,并可能使实际部署复杂化。这种情况突显了一个互补的研究方向:设计利用丰富物理知识的框架,以提高准确性和可靠性,同时将物理知识的融入与核心优化过程解耦,例如在特征构建层面进行编码。这样的框架旨在提供更好的模块化、可解释性和鲁棒性,使其更适合大规模工程应用。
为了解决这一差距,本研究介绍了基于物理的进气特性工程网络(PIFENet),该框架将重点从基于物理的损失设计转移到基于物理的进气特性构建上。PIFENet的核心思想是在特征提取阶段直接结合物理先验,以便在模型训练之前将原始的高维湍流风场数据转换为低维、信息密集且物理可解释的特征集。通过将物理知识的使用与预测模型的优化解耦,PIFENet旨在提供:(i) 一个模块化的、模型不可知的架构,其中全局特征池、空间权重矩阵和局部进气描述符可以为不同的响应预测任务进行配置,同时与标准机器学习回归器兼容;(ii) 一种更透明的表示方法,说明特定进气特征如何与结构响应相关联,因为每个工程特征都具有明确的物理意义,支持工程验证和接受;(iii) 一种结构化的、考虑湍流的进气描述,允许相对简单的学习模型表示叶片载荷和功率的宏观趋势和高频变化,而无需依赖高度专业化的网络设计或训练程序。
如图1所示,本文的结构如下:第2节详细介绍了本研究的理论基础,包括大气进气的物理特性、风力涡轮机空气弹性模拟方法以及关键动态响应的定义。第3节系统地阐述了我们的特征工程框架的各个模块,涵盖了空间权重矩阵的设计、通用和结构化特征池的构建、最小冗余最大相关性(mRMR)特征选择算法以及多任务预测网络的架构。第4节介绍了全面的实验设置和结果分析,通过一系列消融研究和在典型运行条件下的定性验证系统地评估了所提方法的性能。最后,第5节总结了核心贡献和未来研究方向。附录A详细介绍了最终模型训练参数,以便于重复性。附录B提供了所有候选特征的全面术语表,以便充分透明地展示特征工程过程。附录C为各种预测任务提供了预先优化的超参数配置,作为加速框架采用的实用指南。
**涡轮机建模**
本研究使用了NREL 5兆瓦参考风力涡轮机[46],这是一种典型的三叶片、向上风、变速、变俯仰模型,其详细参数在表1中提供。它已被用于之前的海上风电涡轮机载荷外推、浮式涡轮机响应分析、基于物理的响应预测和基于机器学习的载荷/功率评估[37],[41],[43]等工作,使其特别适合进行可重复的比较和基准测试。
**考虑湍流的涡轮机响应预测特征工程**
本节介绍了一种考虑湍流的特征工程工作流程,该流程将三维进气场与风力涡轮机响应预测的替代模型联系起来。与依赖端到端深度架构的方法不同,所提出的方法明确地将原始的三维风场压缩为低维、物理可解释的表示。物理信息在特征构建阶段被引入:来自空气动力学的先验知识...
**实验设置和结果分析**
本节对所提出的基于物理的特征工程框架进行了全面的实证评估。第4.1节进行了超参数扫描,以确定mRMR算法中惩罚系数和选择阈值的最优组合。第4.2节提供了彻底的模型评估以及消融研究;第4.3-4.5节从两个维度——时域预测精度——系统地比较了所提出的框架与基准模型。
**结论**
本研究开发并评估了PIFENet,这是一个考虑湍流的、基于物理的进气特性工程框架,用于风力涡轮机响应的替代建模。通过利用空气动力学和结构动力学先验,原始的三维风场被转换为低维、信息密集且物理可解释的特征空间,可以与标准监督学习模型结合使用。根据对工程级CRediT作者贡献声明的全面培训和验证,各作者的职责如下:
周宇云:写作 – 审稿与编辑、写作 – 原稿撰写、数据可视化、验证、研究监督、方法论设计、调查、数据整理。
邱世杰:写作 – 审稿与编辑、写作 – 原稿撰写、验证、研究监督、方法论设计。
刘振清:写作 – 审稿与编辑、数据可视化、项目管理和资金筹集、概念构思。
胡一卢:数据验证、研究监督、方法论设计、概念构思。
陈生桥:写作 – 审稿与编辑、数据可用性。
PIFENet的源代码以及TurbSim/OpenFAST的配置脚本均可在以下GitHub仓库中公开获取:
https://github.com/warrior0114/wt_surrogate_model/releases/tag/v1.0.0
**利益冲突声明**
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。
**致谢**
本研究得到了国家自然科学基金(项目编号:52378516)的财政支持。作者对此表示衷心的感谢。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号