基于天气模式预测风电场功率与下游尾流的无监督学习方法

风能资源评估通常需要数值模型，但此类模型计算量过大，难以考虑多年时间尺度。无监督机器学习技术正日益被用于识别少量代表性天气模式以模拟长期行为。本文开发了一种新颖的风能工作流，首次将无监督聚类技术得到的天气模式与数值天气预报模型（此处为WRF）相结合，从而高效且准确地长期预测整个风电场的功率与下游尾流。我们使用ERA5再分析数据，不仅基于低空气压进行聚类，还首次基于更相关的风速变量进行聚类。我们还比较了聚类使用大尺度与局地尺度域的效果。在每一个聚类中心运行一次WRF模拟，并使用一种新颖的后处理技术汇总结果。通过将我们的工作流应用于两个不同区域，我们表明长期预测与一整年WRF模拟的结果一致，但所需计算时间不足2%。当基于风速聚类时获得最准确的结果。此外，在整个欧洲域上聚类足以预测风电场功率输出，但下游尾流预测受益于更小域的使用。最后，我们表明这些下游尾流会影响局地天气模式。我们的方法通过提供一种快速、准确且灵活、适用于任何全球区域的方法论，促进了功率输出与下游风场尾流的多年预测。此外，这些准确的下游尾流长期预测提供了首个有助于缓解风电场下游风能损失影响的工具，因为它们可用于确定最优风电场选址。