（1）研究目的

随着工业化进程的加速和技术的不断发展，能源消耗和排放的污染物急剧增加，环境和能源问题已成为全球性难题。传统的化石能源，如煤炭、石油和天然气，不仅对环境造成负面影响，还限制了社会的可持续发展。在这一背景下，新能源的发展成为解决能源问题的关键途径。风能作为一种清洁、可再生的能源，受到了广泛关注和投资，已成为全球电力产能的主要推动力之一。

尽管风力发电技术已经相对成熟，但要最大化风能效益仍然是一个复杂的挑战。在这个挑战中，解决风电场中的尾流效应是至关重要的一个问题。当风力机从风中提取能量时，其旋转的叶片会导致空气流动的扰动，形成尾流。当下游风力机完全或部分暴露在上游风力机的尾流当中时，其发电量和发电稳定度就会受到严重影响。此外，尾流中的湍流也会增加下游风力机的结构负荷，从而缩短其寿命，增加维护成本。

相比陆地风电场，近海风电场受尾流效应的影响更大。这是因为近海风电场通常布局更为密集，且较低的环境湍流强度也减弱了尾流恢复的速率，增加了尾流效应的程度。为了解决这一问题，对已建成的风电场采取智能协同控制策略来管理和减轻尾流效应，提高风电场的发电效率，并降低风力机的疲劳载荷。因此，本项目将利用数值仿真技术、气动-弹性耦合理论、优化算法、机器学习等多种技术手段，对风电场的动力响应进行分析，并制定近海风电场风力机各系统的智能协同控制策略。此外，本项目采用的人工智能技术具有极强的建模能力和泛化能力，在制定风电场智能协同控制策略时，能够更有效地处理大规模数据并提供实时且准确的控制方案。

本项目的成果将为近海风电场的智能运维提供重要的理论支持和实用指导，有望解决风能效益最大化这一重要问题，并促进相关领域的研究和实践。

（2）研究内容

依照研究的逻辑顺序，本项目将对5项内容依次展开研究。

I）数值模型的建立

该部分包含数值背景风场的建立、风力机数值模型的建立。其中，背景风场的建立主要考虑风向、风速、湍流强度与风切变幂律指数4个主要影响入流的因素；风力机数值模型则包含了整机结构与控制系统的协同建立。该部分内容为后续流场-风力机流固耦合一体化仿真模拟奠定基础条件。

II）动态尾流模型的建立

该部分研究风电场动态尾流模型的建立过程。综合考虑尾流的蜿蜒、亏损演化、偏转与叠加4项尾流输运过程，并使用编程语言对动态尾流模型建模，使用高精度的大涡模拟方法对动态尾流模型进行验证与参数优化。该部分对风电场尾流仿真奠定基础条件。

III）风力机动力响应数据的获取与处理

对风电场进行数值仿真，基于空气动力学、弹性力学、伺服控制等理论获取风力机的功率与载荷等动力响应数据。使用滤波函数，对原始数据进行降噪处理，并基于载荷时程数据计算风力机的疲劳损伤和运行寿命，分析不同入流对风电场动力响应数据的影响规律。

IV）偏航控制优化算法的设计

根据入流条件与风力机动力响应数据，以提升整场功率与降低风力机的疲劳载荷为研究目标，设计能够制定风电场最优偏航方案的改进串行优化（Serial Refine, SR）算法，并将其应用于目标风电场——Horns Rev 2期风电场中，评估优化后目标风电场的功率提升率与疲劳损伤程度。

V）场级智能协同控制策略的制定

使用机器学习手段，结合上述偏航控制优化算法与风力机的变桨-变速控制系统，对目标风电场展开研究，为其制定场级智能协同控制策略。根据目标风电场指定机型的疲劳寿命计算结果，确定偏航控制的偏航角度上下限，进而使用上述优化算法对场内每台风力机进行偏航优化迭代。设置不同的风向、风速与湍流强度组合的入流风况，制定整场在不同风况下的最优偏航组合方案。使用基于机器学习的多层感知器（Multi-Layer Perception, MLP）模型，以不同风况作为输入，最优偏航组合与风力机动力响应作为输出，构建样本数据库，训练流场-动力响应-控制一体化的机器学习代理模型，实现目标风电场的超前预报与及时响应，制定响应变化入流的场级智能协同控制策略。

（3）国、内外研究现状和发展动态

人工智能（Artificial Intelligence, AI）技术近年来正处于快速发展阶段，受益于计算机运算能力的提升，AI技术已经可以在许多任务上超越人类[1]。AI技术可以用于模拟物理问题，具有很好的泛化能力和统计推断能力，可为物理建模或实际工程解决方案提供一种替代方法，涵盖了数据分析、预测模型、自动化控制和可再生能源等多个领域。例如：AI模型能够通过分析海洋环境数据来预测精确的海洋波动、风速和其他环境参数，这对于海洋工程的规划和运营至关重要[2-3]。此外，AI技术还在开发自动化控制系统和决策支持系统方面发挥着重要作用，这些系统可以实时监测海洋工程设施的状态，并在必要时提供决策支持。

AI技术在海上风电领域的应用主要体现在动力响应预报方面。动力响应预报在海上风电领域中是十分重要的，而AI和机器学习技术在这过程中发挥着关键作用，它们能够从大量的环境数据中提取出关键特征，进而实现风力机在不同海洋环境下的响应预测。这些技术的应用主要集中在风速和功率预测[4]、风力机性能优化、机械组件监测[5]、故障预测、运维计划的优化[6]、尾流模型的优化[7-11]、多目标预测[12-15]等方面。这种结合使风力机的运行和维护更加智能化，有助于提高风力机的性能、降低事故风险并提高运营效率。目前，使用AI技术对海上风力机动力响应预报的研究主要分为风力机气动载荷预报[16]、海上风力机上部结构动力响应分析[17-20]和系泊张力与平台运动响应[21-25]三个部分。早期学者利用机器学习算法对不同形状的气流漩涡结构进行了识别[26]。Japer等人[27]采用人工神经网络(Artificial Neural Network，ANN)，以来流风速、风向和风力机位置作为输入变量，以风电场功率作为输出变量，实现了不同风况和不同风力机位置下风电场的功率预测。Zhang等人[28]基于卷积神经网络(Convolutional Neural Network，CNN)，通过输入多个时刻的瞬时三维流域来预测时均化流场。Sun等人[29]同样基于ANN搭建以来流风速、风向和偏航角作为输入的模型，从而预测风力机功率。Optis和Perr-Sauer[30]亦采用ANN搭建模型，以大气来流特征作为输入变量，以风力机功率作为输出，研究了湍流特性和大气稳定性对机器学习方法预测风电场功率的影响。Purohit等人[31]基于ANN搭建以风速、推力系数和湍流强度作为输入的模型，预测了风力机尾流速度场和湍流强度场。部分学者基于ANN建立了尾流预测模型，研究来流风速和湍流强度与风力尾流速度场和湍流场之间的演变关系[32,33]。

相比与实测数据与基于数值仿真的传统动力响应预报方式，使用AI技术可以提高海上风力机安全与稳定性的短期预测能力，并仰仗其极快的输出速率，使动力响应具备了实时预报的潜力。但需要指出的是，尽管AI技术在动力响应预报中表现出潜力，但其仍然依赖于基础数据库的建立，用以代理模型的训练，同时需要经过海上风力机试验或实测数据的验证，以确保代理模型在实际应用中的可靠性和准确性。

参考文献

[1] DONG H, DING Z H,ZHANG S H. Deep Reinforcement Learning［M］. Singapore: Springer Singapore, 2020.

[2] HOU Y L, WANG Q W. Big data and artificial intelligence application in energy field: a bibliometric analysis ［J］.Environmental Science and Pollution Research, 2023（6）：13960-13973..

[3] MA Y. Machine learning in ocean applications: wave prediction for advanced controls of renewable energy and modeling nonlinear viscous hydrodynamics［D］. Cambridge: Massachusetts Institute of Technology, 2020.

[4] ATEŞ K T. Estimation of short-term power of wind turbines using artificial neural network（ ANN） and swarm intelligence ［J］. Sustainability, 2023（18）: 13572.

[5] FARRAR N O, ALI M H, DASGUPTA D. Artificial intelligence and machine learning in grid connected wind turbine control systems：a comprehensive review［J］. Energies, 2023（ 3）： 1530.

[6] VIVES J, PALACI J, HEART J. Framework for bidirectional knowledge-based maintenance of wind turbines［J］. Computational Intelligence and Neuroscience, 2022, 2022 ： 1-6.

[7] [5] M. Fahim, V. Sharma, T. -V. Cao, B. Canberk and T. Q. Duong, "Machine Learning-Based Digital Twin for Predictive Modeling in Wind Turbines," in IEEE Access, vol. 10, pp. 14184-14194, 2022.

[8] Y. Huang, S. Lin and X. Zhao, "Multi-Agent Reinforcement Learning Control of a Hydrostatic Wind Turbine-Based Farm," in IEEE Transactions on Sustainable Energy, vol. 14, no. 4, pp. 2406-2416, Oct. 2023.

[9] Zhiwen Deng, Chang Xu, Xingxing Han, Zhe Cheng, Feifei Xue, Decentralized yaw optimization for maximizing wind farm production based on deep reinforcement learning, Energy Conversion and Management, Volume 286, 2023, 117031, ISSN 0196-8904.

[10]  Kun Yang, Xiaowei Deng, Layout optimization for renovation of operational offshore wind farm based on machine learning wake model, Journal of Wind Engineering and Industrial Aerodynamics, Volume 232, 2023, 105280, ISSN 0167-6105.

[11] Rui Li, Jincheng Zhang, Xiaowei Zhao, Dynamic wind farm wake modeling based on a Bilateral Convolutional Neural Network and high-fidelity LES data, Energy, Volume 258, 2022, 124845.

[12] Xiuxing Yin, Xiaowei Zhao, Big data driven multi-objective predictions for offshore wind farm based on machine learning algorithms, Energy, Volume 186, 2019, 115704.

[13] Xiuxing Yin, Wencan Zhang, Zhansi Jiang, Li Pan, Data-driven multi-objective predictive control of offshore wind farm based on evolutionary optimization, Renewable Energy, Volume 160, 2020, Pages 974-986.

[14] Xiuxing Yin, Xiaowei Zhao, Jin Lin, Aris Karcanias, Reliability aware multi-objective predictive control for wind farm based on machine learning and heuristic optimizations, Energy, Volume 202, 2020, 117739.

[15] Ruiyang He, Hongxing Yang, Shilin Sun, Lin Lu, Haiying Sun, Xiaoxia Gao, A machine learning-based fatigue loads and power prediction method for wind turbines under yaw control, Applied Energy, Volume 326, 2022, 120013.

[16] JIANG X, DAY S, CLELLAND D, et al. Analysis and realtime prediction of the full-scale thrust for floating wind turbine based on artificial intelligence［J］. Ocean Engineering, 2019, 175: 207-216.

[17] PAN L, WANG X D. Variable pitch control on direct-driven PMSG for offshore wind turbine using Repetitive-TS fuzzy 22 PID control［J］. Renewable Energy, 2020, 159: 221-237.

[18] SIERRA-GARCIA J E, SANTOS M. Deep learning and fuzzy logic to implement a hybrid wind turbine pitch control［J］. Neural Computing and Applications, 2022 （13）: 10503-10517.

[19] WANG Z M, QIAO D S, TANG G Q, et al. An identification method of floating wind turbine tower responses using deep learning technology in the monitoring system［J］. Ocean Engineering, 2022, 261: 112105.

[20] SIMPSON T, DERVILIS N, COUTURIER P, et al. Reduced order modeling of non-linear monopile dynamics via an AE-LSTM scheme［J］. Frontiers in Energy Research, 2023, 11: 1128201.

[21] 张德庆, 王超, 杜君峰. 基于人工神经网络算法的深海浮式系统动力响应预报方法［J］. 中国造船, 2021 （1）: 123-132.

[22] WANG Z M, QIAO D S, YAN J, et al. A new approach to predict dynamic mooring tension using LSTM neural network based on responses of floating structure［J］. Ocean Engineering, 2022, 249: 110905.

[23] QIAO D S, LI P, MA G, et al. Realtime prediction of dynamic mooring lines responses with LSTM neural network model ［J］. Ocean Engineering, 2021, 219: 108368.

[24] MAO Y X, WANG T Q, DUAN M L. A DNN-based approach to predict dynamic mooring tensions for semi-submersible platform under a mooring line failure condition［J］. Ocean Engineering, 2022, 266: 112767.

[25] SHI W, HU L H, LIN Z B, et al. Short-term motion prediction of floating offshore wind turbine based on muti-input LSTM neural network［J］. Ocean Engineering, 2023, 280: 114558.

[26] Spencer A J M, Rivlin R S. Isotropic integrity bases for vectors and second-order tensors - Part I[J]. Archive for Rational Mechanics and Analysis, 1962, 9(1): 45–63.

[27] Japar F , Mathew S , Narayanaswamy B , et al. Estimating the wake losses in large wind farms: A machine learning approach[C]// Innovative Smart Grid Technologies Conference. IEEE, 2014: 1–5.

[28] Zhang Z, Santoni C, Herges T, et al. Time-Averaged Wind Turbine Wake Flow Field Prediction Using Autoencoder Convolutional Neural Networks[J]. Energies, 2021, 15(1): 1-20.

[29] Sun H, Qiu C, Lu L, et al. Wind turbine power modelling and optimization using artificial neural network with wind field experimental data[J]. Applied Energy, 2020, 280(12): 1-12.

[30] Optis M, Perr-Sauer J. The importance of atmospheric turbulence and stability in machine-learning models of wind farm power production[J]. Renewable and Sustainable Energy Reviews, 2019, 112(9): 27-41.

[31] Purohit S, Ng E Y K, Syed Ahmed Kabir I F. Evaluation of three potential machine learning algorithms for predicting the velocity and turbulence intensity of a wind turbine wake[J]. Renewable Energy, 2022, 184(1): 405–420.

[32] Ti Z, Deng X W, Yang H. Wake modeling of wind turbines using machine learning[J]. Applied Energy, 2020, 257(1): 1-17.

[33] Ti Z, Deng X W, Zhang M. Artificial Neural Networks based wake model for power prediction of wind farm[J]. Renewable Energy, 2021, 172(7): 618-631.

（4）创新点与项目特色

I）本项目在风电场数值模拟的研究中，背景风场与风力机均采用动态仿真建模，且对风力机的建模考虑了动态控制系统的作用，实现了流场-动力响应-动态控制一体化的流固耦合仿真，这是本项目的一个特色。

II）在风力机尾流仿真中，传统的CFD方法计算成本高，计算效率低。本项目计划采用的动态尾流蜿蜒模型综合考虑了尾流输运过程中的各种情况——亏损演化、蜿蜒、偏转与叠加，模型的部分参数会根据高保真的大涡模拟计算结果进行矫正，使本项目的尾流仿真在保持较低计算成本的同时，能够保证科研所需精度。这是本项目的另一个特色，同时也是相较传统CFD仿真的一个创新点。

III）在以往的研究中，已有学者以整场功率最大化为目标,使用SR算法制定风电场最优偏航策略。本研究在前人的基础上，综合考虑了风力机的疲劳损伤，通过衡量风力机的使用寿命与整场发电量的提升，结合不同风况下风力机的转速、变桨与偏航控制策略，发展了同时考虑疲劳、动态功率输出和控制系统的改进SR算法。这是本项目的一个创新点。

IV）本项目使用基于人工智能的MLP模型对偏航优化后的Horns Rev 2期风电场进行场级协同控制代理模型的训练，且根据目标风电场的实际入流条件——风向、风速和湍流强度来调整网络的层数、神经元个数以及层与层的连接方式，通过数次试算以得到对流场特征、控制策略与风力机动力响应拟合效果最优，计算效率最高的预测模型框架。本项目将理论模型应用于实践，对传统的人工神经网络进行迭代优化，同时结合改进SR算法以适用本项目的研究，在使用动态尾流模型高效低成本地对风电场进行数值仿真的基础上，进一步提升了风电场对动态入流的响应速度。这既是本项目的一个特色，也是一个创新点。

（5）技术路线、拟解决的问题及预期成果

I）研究方案与技术路线

a）研究方案

1.数值模型的建立

以下为背景风场和风力机数值模型的建立方案，首先对背景风场数值模型的建立进行介绍。

近海风场入流类型多为指数型风——风速与距海平面高度成指数型增长趋势，如式5-1所示。

5-1

式中，和分别表示在距离海平面高度为和处的平均风速大小，为风速的参考高度；表示风轮廓线的幂律指数。值得注意的是，在该式中，和是作为已知变量存在的。因此，影响近海入流风的主要因素可以概括为风向、风速、风轮廓线幂律指数与大气湍流强度4种变量。

本项目拟采用具有高保真度的大涡模拟（Large Eddy Simulation, LES）方法和基于统计学的谐波合成入流方法2种可选方案对数值背景风场进行建模。

LES通过滤波函数将不可压缩流体分解为大尺度涡和小尺度涡，并分别求解。其中，大尺度涡直接使用Navier-Stokes方程求解，小尺度涡则通过亚格子尺度（Sub-Grid Scale, SGS）模型进行求解。相比于直接数值模拟（Direct Numerical Simulation, DNS），LES消耗的计算资源较少，同时比雷诺时均方程（Reynolds-Averaged Navier-Stokes, RANS）求解具有更高的精度。LES通过有限体积法求解控制方程，将所有变量放置在网格中心点上，并采用线性插值将变量从网格中心向网格面进行处理，类似于二阶中心有限差分格式。时间推进阶段采用Issa的PISO（Pressure-Implicit Splitting Operation）算法，这是一种隐式预测/校正方案。在动量方程中，体积力源项和速度对流项采用显式处理以避免多次迭代，而隐式项则采用二阶后差分离散格式进行时间积分。对于计算域的处理，采用Scotch分解方法进行并行计算。LES不仅考虑到影响入流风的4中变量，还综合考虑了温度通量、地面粗糙度、逆温层高度、大气稳定度等地理气象科学因素，可以很好地模拟出具有大气边界层特征的数值背景风场。

相比于LES，基于统计学方法的谐波合成入流以牺牲部分计算精度为代价，换取了计算成本低、计算周期短等优势。该方法所生成的入流具备的等保真度符合了IEC标准，且能够满足科研所需精度和实际工程需求。

该方法考虑了影响入流的4种主要因素，通过反傅立叶变换将湍流频域谱转化为时域文件，反映了平均风速和风向的变化，并基于泰勒冻结湍流假设和气动力学理论生成了三维空间数值入流风场。具体流程如图5.1所示。

图5.1 基于统计学的谐波合成入流生成流程

对风力机的数值建模包括整机结构与控制系统的建模。其中，整机结构包括风力机各部件形体参数（如图5.2所示）、质量参数、叶片各段翼型升阻力系数、气动扭转角以及安装角等气动参数、旋转结构转动惯量、结构刚度等结构参数。

图5.2 风力机部分部件形体参数示意图

控制系统包括风力机的发电机变速（Variable Speed, VS）控制、比例-积分-微分（Proportion Integration Differentiation, PID）增益变桨控制与主动偏航控制（Active Yaw Control, AYC）参数。本项目将对建模后的风力机进行功率仿真试算，将仿真结果与风力机官方发布的功率曲线相对比，以验证数值建模的精度。

2.动态尾流模型的建立

尾流可以被定义为风力机下游的一段平均风速下降、湍流强度升高的区域，这段区域沿着下游发展的过程中所表现出的动态变化的一系列行为被称作尾流的动态输运。动态尾流模型就是对尾流输运过程进行建模得出的。

尾流的动态输运过程包含4个方面——尾流的亏损演化、蜿蜒、偏转和叠加。基于尾流轴对称假设，认为尾流的输运是在一个个径向有限差分的极坐标尾流平面上瞬态进行的。瞬态计算体现在使用低通时间滤波函数，将风场中的湍流涡分离为大尺度（大于两倍风力机直径）和小尺度（小于两倍风力机直径）两种结构。其中，大尺度涡结构决定了尾流中心轨迹的方向，进而控制着尾流的蜿蜒；小尺度涡结构则影响尾流的亏损演化。该滤波函数的时间离散差分格式如式5-2和式5-3所示。

for	5-2
	5-3

式5-2中：表示在第个离散时间步时，第个尾流平面处（该式中为0）输入量的时间离散状态；为低通时间滤波参数（范围为）；式5-3中：为离散时间步长；为滤波函数的截止频率，，其中为风轮平面上的空间平均入流速度大小，代表风轮直径大小。为了保持尾流亏损演化的准稳态发展，尾流平面的状态将随时间步的推进向下等价传递，如式5-4所示。

for

5-4

式中，为尾流平面的总数量，其余参数与前式一致。

 

图5.3 动态尾流蜿蜒示意图

关于产生尾流蜿蜒现象产生的物理机制有多种理论解释，目前最有说服力的是“来流大尺度涡”理论。该理论将尾流视作两种尺度湍流的叠加，分别是湍流背景风场环境中的涡产生的大尺度湍流，以及由尾流剪切效应和风力机叶片束缚涡所产生的小尺度湍流，这种小尺度湍流被环境中大尺度的湍流结构夹带着，不断向下游发展演化，便形成了尾流蜿蜒现象。图5.3示意了动态尾流蜿蜒的过程，红色箭头示意湍流入流的大小和方向，黄色散点为存储时序湍流风速度矢量信息的空间离散背景风场，蓝色箭头为尾流平面（蓝色截面）各自对应的方向向量，且尾流平面均与风轮面平行。在尾流输运过程中，各尾流平面的中心位置及运动轨迹均由上述的滤波函数计算确定，如图中的光滑蓝色曲线所示。

此外，基于薄剪切层假设以及自由来流速度远远小于0.3倍的当地声速，小尺度涡结构对尾流亏损演化的影响可通过求解极坐标系下稳态雷诺时均不可压缩Navier-Stokes方程来实现，如式5-5和式5-6所示，

	5-5
	5-6

薄剪切层假设假定了尾流径向的速度梯度远大于轴向速度梯度，因此忽略了Navier-Stokes方程中的压力梯度项，体现为式5-5；同时，基于尾流结构的轴对称假设，可忽略极坐标系下连续性方程与N-S方程对流项中的项，最终以式5-6体现。式中：和分别表示极坐标系下轴向和径向的流速大小；为(,)位置处对应的涡粘系数。

图5.4 尾流偏转示意图

当风轮平面方向向量与入流风矢量出现偏斜角度时，会在尾流中诱导出侧向分速度，导致尾流的偏斜运动，这种现象被称为尾流偏转，如图5.4所示，为入流风偏斜角度。为了更好地体现偏斜入流产生的尾流剪切效应，引入一组自变量为的线性修正，对尾流中心位置进行偏斜扩展（图5.4中蓝色实线），以此实现风力机在偏航控制状态下的尾流偏转模拟。

在实际风电场中，下游风力机受到的尾流效应往往是上游风力机远尾流区域所产生的。因此，为了提升远尾流区域的计算精度，计算模型中引入了基于致动盘理论的近尾流修正项，综合考虑了近尾流区域的风速下降和尾流膨胀效应，为远尾流区的亏损演化提供一个入口边界条件。此外，风电场中存在着大量且复杂的尾流叠加区域，计算时通过体积重合法对这些叠加区域进行并行识别，将叠加区域的风速亏损分解为轴向和径向两个分量，轴向上的亏损基于和方根（Root Sum Square，RSS）公式计算，而径向上的亏损则直接通过矢量和叠加求解，最终合成得到尾流叠加区域的风速矢量。

本项目将通过以上理论基础，使用编程语言对动态尾流模型建模，并将计算得到的结果与高精度的致动线模型结果进行对比，用以验证动态尾流模型的数值精度。

3.风力机动力响应数据的获取与处理

本项目计划采用基于改进致动盘模型（Actuator Disk Model, ADM）获取风力机的动力响应数据，包括风力机时序发电功率、疲劳载荷以及载荷循环周期等关键输出参数。接着将对原始输出数据中的异常值、错误值和离群点进行检测和预处理，使用滤波函数降低数据的噪音和波动，使得数据更易于分析和理解。

根据改进ADM理论，风力机的气动力基于叶尖和轮毂修正的定常叶速/动量定理计算而来，进而得到包括风轮的转速与气动力矩等动力响应。将风力机叶片沿其展向进行间距为dr的离散化处理，并对不同径向位置处的叶素单元截面翼型进行二维受力分析，如图5.5所示。

图5.5 叶素单元的离散与受力情况
	5-7
	5-8

式5-7与式5-8分别为叶素单元翼型截面的入流速度和入流角度的计算公式。式中：x和y分别代表风轮轴向和风轮旋转方向；和分别为自由来流速度与轮毂中心距离为r处的叶素单元的线速度；与分别为轴向和切向诱导因子；和分别为翼型截面的轴向入流速度与因风轮旋转而产生的切向相对速度，这两者最终根据三角关系合成为——截面翼型的相对入流速度；为相对入流角，可通过攻角和扭转角求和获得。

相对入流速度在叶素单元上产生的升力L和阻力D可由式5-8计算：

5-8

式中：为风电场空气密度，常取值为1.225 kg/m3；c为截面翼型的弦长；B为叶片数量，取值为3；和分别为截面翼型在攻角为时的升力系数与阻力系数，可通过查阅相关资料表格获得。

将升力L与阻力D分别向x与y方向进行投影，合成叶素单元的轴向推力和切向力，进而结合动量理论联立推力与力矩方程，同时引入叶尖与轮毂修正系数，迭代求得与，以及叶素单元的二维推力与力矩的值，最终将二维气动力沿叶片展长进行积分，获得风力机三维气动力的计算结果。

获得风力机三维气动力后，根据风力机的控制系统对发电机转速进行实时调节，实现风力机的变速控制策略，如式5-9所示。

5-9

式中：为风轮的角加速度，亦称转速变化率；为传动系统（风轮和机舱内部齿轮）的总转动惯量；为入流施加给风轮的气动转矩；代表变速箱的传动比；为发电机转矩。当气动转矩大于传动比与发电机转矩的乘积时，，风力机将减速运行，发电机转速也将相应降低，反之风轮转速提高，发电机转速相应提高，实现不同风速下发电机转速、转矩与功率输出的实时变化。

对于疲劳载荷的计算，本项目计划采用风力机中最容易出现疲劳损伤的部分——叶根，使用雨流循环计数算法、线性累积损伤理论和S-N曲线等理论基础，以MATLAB作为计算工具，将仿真稳定的400 s叶根处连续波动载荷信号转换为损伤等效载荷（Damage Equivalent Load, DEL），进而计算风力机运行时的寿命。

4.偏航控制优化算法的设计

本项目计划使用Python语言作为工具，对串行优化（Serial Refine, SR）算法进行编程和改进。

目标风电场计划选用2010投产的Horns Rev 2期近海风电场。该风电场由91台2.3 MW的固定式基础海上风力机组成，总装机容量209.3 MW，场址风功率密度为338  W/m²，距离海岸线不超过32 km，水深不超过17 m，风电场实拍照片如图5.6所示。

图5.6 Horns Rev 2期风电场实拍图像

基于SR算法对目标风电场内风力机的最优偏航角度进行迭代寻优，直至确定制定偏航精度下的整场最大化的偏航控制方案。该方法具备算法结构简单易实现，可手动调节计算精度的优点。

SR算法通过三个步骤确定整场最优偏航方案：

I）将风电场中所有风力机按照从来流的上游至下游顺序依次排序，并进行编号；

II）按照排序顺序遍历每台风力机偏航角，直至找到整场功率最大化的偏航组合；

III）在该组合下再次更细化地遍历偏航角，直至找到整场功率最大化的偏航组合。

图5.7是SR算法确定整场功率最大化偏航方案的实例：

图5.7 SR算法场级偏航优化实例

该实例将最优偏航组合方案的制定分成了两个阶段。第一阶段将风电场中N台机组按照入流上游至下游顺序排序，依次将风力机按照顺序偏航并计算整场功率，将整场功率最大化时的偏航组合方案记录下来供优化阶段使用；优化阶段在第一阶段的偏航组合基础上，以更为细化的偏航精度进一步设置按顺序设置每台风力机的偏航角度，并计算整场功率，输出功率最大时的偏航组合方案作为偏航优化的结果。

值得注意的是，功率最大化不等同于效益最大化。本项目在SR算法的基础上，考虑由于偏航带来的疲劳损伤，进而设置偏航角度的上下限，对SR算法的底层代码进行改进。相比于原始代码，改进后的代码为偏航优化过程增加了约束，排除了多种可能导致风力机疲劳加剧的优化方案。

5.场级智能协同控制策略的制定

本项目计划采用机器学习中最常用的人工神经网络（Artificial Neural Network, ANN）之一——多层全连接网络来搭建风电场动力响应预测模型，该网络亦称“多层感知器（Multi-Layer Perception, MLP）”，一般存在多个深度，可以看成是神经网络的基本形式。单个感知器具有一定的拟合能力，因此多层感知器有更为强大的拟合能力，可以用来解决更为复杂的问题。MLP是按误差逆传播算法训练的多层前向网络，由输入层、隐藏层和输出层组成。层与层之间使用全互联方式，同一层不同节点不连接，通过学习算法来调节权值，学习算法由信号前向传播和误差反向传播组成。

由于是最基本的ANN之一，MLP的变体形式也有很多。本项目可以根据目标风电场的实际入流条件——风向、风速、风切变幂律指数和湍流强度来调整网络的层数、神经元个数以及层与层的连接方式，通过数次试算以得到对流场特征、控制策略与风力机动力响应拟合效果最优，计算效率最高的预测模型框架。

 

b）技术路线

根据研究内容与方案，本项目计划实施的技术路线如图5.8所示。

图5.8 本研究技术路线

 

II）拟解决的问题

（1）背景风场与风力机的数值模型建立，以及动态尾流模型的建模；

（2）考虑动态入流的风电场流场-动力响应-动态控制一体化流固耦合仿真；

（3）综合考虑风电场功率提升与疲劳载荷降低（提能降载）的优化算法设计；

（4）基于优化算法与MLP，能够及时响应变化入流的风电场场级智能协同控制策略的制定。

III）预期成果

发表论文一篇，申报发明专利一项，申报软件著作权一项，完成项目结题报告。

（6）项目研究进度安排

（1）2024.04-2024.05

调研和查新，深入了解风电场智能优化控制方案的相关背景和现有研究成果，阅读相关文献和资料。根据所学知识和调研成果，制定可行的研究方案。

（2）2024.04-2024.07

数值背景风场的建立与风力机数值模型的建立。

采用具有高保真度的大涡模拟（Large Eddy Simulation）方法和基于统计学的谐波合成入流方法2种可选方案对数值背景风场进行建模。根据整机结构与控制系统的建模建立风力机数值模型。

（3）2024.05-2024.08

动态尾流模型的建立。

通过已有理论基础，使用编程语言对动态尾流模型建模，并将计算得到的结果与高精度的致动线模型结果进行对比，用以验证动态尾流模型的数值精度。

（4）2024.09-2024.11

风力机动力响应数据的获取与处理。

本项目计划采用基于改进致动盘的数值仿真方法获取风力机的动力响应数据，使用滤波函数降低数据的噪音和波动。再结合变速控制策略，风力机可实现不同风速下发电机转速、转矩与功率输出的实时变化。

（5）2024.12-2025.02

偏航控制优化算法的设计。

团队成员将基于SR算法对目标风电场内风力机的最优偏航角度进行迭代寻优，直至确定制定偏航精度下的整场最优偏航控制方案。

 

 

（6）2025.03-2025.06

场级智能协同控制策略的制定。

采用机器学习中最常用人工神经网络（ANN）之一——多层全连接网络来搭建风电场动力响应预测模型，通过数次试算以得到对流场特征、控制策略与风力机动力响应拟合效果最优，计算效率最高的预测模型框架。

（7）2025.01-2025.06

整理相关材料，完成论文撰写、专利与软著申报。

（8）2025.05-2025.06

整理项目研究成果，完成项目结题报告。

 

图5.9是本项目的进度安排与实施周期横道图。

图5.9 项目进度安排与实施周期