数据驱动的尾流模型参数估计以分析尾流叠加效应
流体动力学
2023-06-22 v1
摘要
低精度尾流模型用于风场设计与控制优化。为推广至风场模型，通常利用近似叠加模型对单独建模的尾流进行叠加。尾流模型将大气与尾流湍流参数化，引入了未知模型参数，这些参数历史上通过理想化仿真或实验数据调优，且忽略了不确定性。我们使用马尔可夫链蒙特卡洛(MCMC)针对不同尾流叠加方法，对高斯尾流模型中的参数进行校准与不确定性估计。利用大涡模拟(LES)的发电数据以及实用规模尾流偏航现场实验生成了不确定参数的后验分布。尾流膨胀系数的后验对叠加方法的选择敏感，其均值与标准差的相对差异可达100%量级。该敏感性说明了叠加方法在尾流建模误差中的作用。我们将这些数据驱动的参数估计与基于标准湍流强度模型的估计作为基线进行比较。为评估预测精度，我们使用偏航对齐运行的训练数据集校准数据驱动参数估计。随后采用蒙特卡洛方法生成涡轮发电量的预测分布，并针对偏航失对齐运行的保留测试数据集进行评估。与基线参数估计的确定性预测相比，我们发现MCMC校准的参数将功率预测的总误差降低了约50%。数据驱动参数估计的另一益处是量化了不确定性，从而能够实现尾流模型预测中具有物理量化意义的置信区间。
引用
@article{arxiv.2306.11919,
title = {Data-driven wake model parameter estimation to analyze effects of wake superposition},
author = {Michael J. LoCascio and Catherine Gorle and Michael F. Howland},
journal= {arXiv preprint arXiv:2306.11919},
year = {2023}
}
备注
35 pages, 10 figures, 1 table