大型风电机组多点特征风速选择及估计OA

【目的】针对大型风电机组容量增大、机组叶片半径急剧增加、机前入流风速场分布及垂直风切变效应更为复杂,轮毂高度处单点有效风速难以充分表征入流风况的问题,提出了一种大型风电机组多点特征风速选择及估计方法。【方法】首先,基于机前入流风速场网格数据,提出随机森林结合Boruta(RF-Boruta)分步算法,实现超大风轮扫掠面内特征风速格点的稳定筛选;然后,引入混合多变量长短时记忆(x LSTM-Mixer)神经网络算法,结合计及输入-输出延迟阶次的嵌入式特征工程策略,构建机组动力学特性驱动的多点特征风速超短期多步动态估计模型;最后,在SOWFA平台完成10 MW风电机组大涡模拟及IEC标准下全风速范围内7种风况的数值仿真与流场数据采集,对所提方法进行验证。【结果】结果表明:筛选得到含轮毂中心在内的4个代表性特征风速点(半径50~60 m、120°角度间隔布置),x LSTM-Mixer模型对多点风速的当前时刻滤波及未来80步超前预测相对误差均≤2.8%,实现秒级高精度估计,科尔莫戈罗夫-斯米尔诺夫(KS)统计量≤0.2,结构相似性指数(SSIM)≥0.96,相较于传统LSTM、Transformer模型,精确度提升约10%,且在分布匹配与结构捕捉能力上优势显著。【结论】该方法突破了单点风速表征的局限性,为风功率预测、机组运行控制及发电量评估提供了可靠技术支撑。