一种面向复杂地形风力机尾流与功率预测的无量纲多工况物理信息神经网络

《Energy》:A novel non-dimensional multiple operating conditions physics-informed neural networks for wind turbine wake and power prediction in complex terrains

【字体: 大 中 小 】 时间:2026年05月14日 来源:Energy 9.4

编辑推荐:

  准确预测复杂地形下的风力机尾流对于风电场设计与运行优化具有重要意义。地形效应不仅会导致尾流显著偏转,还会大幅改变其恢复速率,这些复杂相互作用超出了传统模型的基本假设,使得现有模型难以精确预测尾流速度亏损与附加湍流强度。本研究提出了一种物理-数据融合的无量纲多工

  
准确预测复杂地形下的风力机尾流对于风电场设计与运行优化具有重要意义。地形效应不仅会导致尾流显著偏转,还会大幅改变其恢复速率,这些复杂相互作用超出了传统模型的基本假设,使得现有模型难以精确预测尾流速度亏损与附加湍流强度。本研究提出了一种物理-数据融合的无量纲多工况物理信息神经网络(ND-MOC-PINN)尾流模型。结果表明,物理约束与监督数据之间的不一致会降低模型预测精度,而对物理方程和监督数据进行无量纲化处理可显著提升模型性能。研究人员将ND-MOC-PINN应用于不同地形高度下的三维风力机尾流预测,结果显示预测尾流速度与湍流强度的最大绝对误差分别控制在5%和2%以内。将该模型与尾流叠加模型结合后,进一步评估了复杂地形风电场的功率性能,结果表明该模型的精度显著高于解析尾流模型,单机功率预测最大绝对误差仅为5.91%。该研究可为复杂地形风电场的功率预测、布局优化及协同控制提供可靠技术支持。
研究背景方面,全球能源转型与应对气候变化推动了可再生能源的大规模开发,风能凭借成本优势在现代电力系统中占据重要地位。随着优质平坦地形资源日益稀缺,陆上风电场逐步转向复杂地形开发。复杂地形指地表起伏显著、几何形态变化大的区域,其风电场功率预测、布局优化及协同控制高度依赖尾流预测精度。当前尾流预测方法主要分为数值模拟、解析模型和数据驱动三类。大涡模拟(LES)与雷诺平均纳维-斯托克斯(RANS)虽能捕捉尾流特征,但计算成本高,难以满足工程大规模应用需求。解析模型基于质量与动量守恒推导数学表达式,结构简单、计算效率高,但多数仅考虑地形引起的尾流偏转,忽略恢复速率变化,且在山顶布置风力机时压力梯度为零的假设不成立。数据驱动方法虽可绕过复杂物理原理实现快速预测,但通常需大量训练数据且可解释性差。物理信息神经网络(PINN)通过将物理控制方程残差引入损失函数,兼顾物理规律与数据驱动优势,但现有方法多直接使用带量纲的物理方程与监督数据训练,量纲差异导致损失函数失衡,限制精度提升,且多数研究局限于单一工况或平坦地形。
关键技术方法方面,研究人员构建了面向复杂地形的风力机尾流数据集,采用致动盘模型(ADM)与RANS方法验证数值模拟可靠性。提出ND-MOC-PINN框架,将物理方程与监督数据同步无量纲化以消除量纲差异,构建由无量纲空间坐标与运行参数组成的五维超立方体训练域,实现多工况三维尾流预测。采用域分解训练策略提升模型收敛效率,并通过灵敏度分析优化神经元数量与隐藏层配置。
研究结果部分,在Sensitivity analysis(灵敏度分析)中,研究人员对比了不同物理方程与监督数据处理方式的影响,发现仅对监督数据预处理会引入物理方程与数据的不一致性,降低模型性能,而同步无量纲化可显著提升预测精度。监督数据分辨率、神经元数量及隐藏层数的优化进一步验证了模型稳定性。Results and discussions(结果与讨论)显示,在不同入流条件下,ND-MOC-PINN预测的尾流速度与湍流强度最大绝对误差分别低于5%和2%,优于传统解析模型。不同地形高度的尾流预测表明,模型能准确捕捉地形诱导的尾流偏转与恢复速率变化。结合尾流叠加模型的风电场功率预测中,单机功率预测最大绝对误差仅为5.91%,验证了其在复杂地形风电场评估中的适用性。
讨论与结论部分,研究人员指出ND-MOC-PINN通过无量纲化实现了物理约束与数据监督的一致性,解决了传统PINN在复杂地形多工况预测中的局限性。该模型为复杂地形风电场的布局优化、功率预测及协同控制提供了高精度技术工具,未来可进一步扩展至多风电场集群优化场景。研究得到国家自然科学基金(52221002、52578553)、高等学校学科创新引智计划(B18062)等项目支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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