基于机器学习的风力机性能与尾流相互作用建模
流体动力学
2022-12-06 v1 机器学习
摘要
不同的机器学习（ML）模型在陆上风电场收集的 SCADA 和气象数据上进行训练，随后针对在不同风与大气条件下对风力机和风电场层面的风速、湍流强度及功率捕获的预测，从保真度与精度方面进行评估。应用于所研究数据集的机器学习数据质量控制与预处理方法被发现优于标准统计方法。一个由线性插值模型、高斯过程、深度神经网络（DNN）和支持向量机组成，并配以 DNN 滤波器的混合模型，在对风力机功率捕获建模时达到了高精度。来流自由流风速与湍流强度 因风电场上方风场演化及运行风力机相关效应而产生的改变，也被 DNN 模型所捕捉。因此，风力机层面建模通过预测功率捕获的模型实现，而风场层面建模则通过将由自由流条件预测各风力机位置风速与 的模型与预测功率捕获的模型相结合来实现。将这些模型组合所得结果与预期的功率捕获性能一致，并为未来风电场建模与诊断工作带来前景。尽管训练 ML 模型计算开销大，但在典型现代笔记本电脑上使用训练好的模型模拟整个风电场仅需几秒，且总计算成本仍低于其他可用的中保真度模拟方法。
引用
@article{arxiv.2212.01483,
title = {Modeling Wind Turbine Performance and Wake Interactions with Machine Learning},
author = {C. Moss and R. Maulik and G. V. Iungo},
journal= {arXiv preprint arXiv:2212.01483},
year = {2022}
}