CN117454721A - 基于数字仿真实验的风电场尾流叠加效应评估方法和介质 - Google Patents

基于数字仿真实验的风电场尾流叠加效应评估方法和介质 Download PDF

Info

Publication number
CN117454721A
CN117454721A CN202311769379.8A CN202311769379A CN117454721A CN 117454721 A CN117454721 A CN 117454721A CN 202311769379 A CN202311769379 A CN 202311769379A CN 117454721 A CN117454721 A CN 117454721A
Authority
CN
China
Prior art keywords
wake
fan
wind
speed
power plant
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311769379.8A
Other languages
English (en)
Other versions
CN117454721B (zh
Inventor
王轲
周璐
闵皆昇
方正言
吴健明
刘杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Yuansuan Technology Co ltd
Original Assignee
Zhejiang Yuansuan Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Yuansuan Technology Co ltd filed Critical Zhejiang Yuansuan Technology Co ltd
Priority to CN202311769379.8A priority Critical patent/CN117454721B/zh
Publication of CN117454721A publication Critical patent/CN117454721A/zh
Application granted granted Critical
Publication of CN117454721B publication Critical patent/CN117454721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于数字仿真实验的风电场尾流叠加效应评估方法和介质，属于风电场技术领域。现有风电场尾流计算方法，通过一维尾流数学模型考虑距风电机组不同距离处的风速损耗，但风速损耗的计算存在诸多不确定因素，影响风电场尾流叠加效应的准确评估。本发明的基于数字仿真实验的风电场尾流叠加效应评估方法，通过构建尾流计算流体动力学模型、尾流效应元模型形成三维数字仿真实验手段，可以直接计算出处于尾流区域的风机风速，无需计算风速损耗，从而可以有效避免周边环境以及人工误差的影响；同时能对上游风机群尾流效应进行叠加，评估分析对下游风机的影响规律，因而可以有效提高风电场尾流叠加效应评估的准确性。

Description

基于数字仿真实验的风电场尾流叠加效应评估方法和介质
技术领域
本发明涉及基于数字仿真实验的风电场尾流叠加效应评估方法和介质，属于风电场技术领域。
背景技术
在风电机运行过程中，风机的下游存在尾流效应，尾流区内风速下降，影响下游区域内风机的发电效率。而且，陆上风电场的下游机组受尾流效应影响下，其功率损失可达30%至40%，而对于尾流恢复速度更慢的海上风电场，尾流效应造成的损失更能比陆上风电场高40%到50%。并且风机的运行工况及运行策略变化较频繁，使用单一工况无法全方位捕获风机的实际工作状况。同时，一般风电场风机数量较多，对整个风电场进行建模需要消耗大量的时间成本以及资源成本，对后续的尾流叠加分析带来一定的困难，难以直接应用于风电场的数字孪生系统中，因此需要找到一种可以快速进行尾流叠加效应评估的方法。
进一步，中国专利（公开号：CN105335617B）公开了一种风电场尾流效应评估方法及装置，其包括：针对风电场中各风电机组建立单机尾流效应的风速模型；通过所述风速模型确定不同风速的风吹过单台风电机组后在沿风向传播方向上距风电机组不同距离处的风速损耗；根据各风电机组在不同风速下对应的所述风速损耗以及风电机组的叶轮直径，确定各风电机组在相应风速下的单机尾流效应的影响范围；对风电场中各风电机组在不同风速下的所述风速损耗对应其各自的所述影响范围进行叠加，评估风电场内尾流效应在不同区域的影响情况。
上述发明可快速地对风电场的尾流效应进行模拟评估，但上述发明需要考虑距风电机组不同距离处的风速损耗，但风速损耗的计算存在诸多不确定因素，比如风电机组短时间内的环境骤变以及相关人员的科研水平都会对风速损耗的取值造成影响，从而会影响风电场尾流叠加效应的准确评估，进而不利于提高风机的发电效率。
发明内容
针对上述问题或上述问题之一，本发明的目的一在于提供一种通过构建尾流计算流体动力学模型、尾流效应元模型形成三维数字仿真实验手段，可以直接计算出处于尾流区域的风机风速，无需计算风速损耗，从而可以有效避免周边环境以及人工误差的影响，因而可以有效提高风电场尾流叠加效应评估的准确性，进而便于提高风机的发电效率的基于数字仿真实验的风电场尾流叠加效应评估方法。
针对上述问题或上述问题之一，本发明的目的二在于提供一种充分考虑风电场结构信息以及工况数据对单风机尾流效应的影响，同时使用尾流评估数字化模型，判断下游风机在哪些风机尾流影响内，并利用尾流叠加效应仿真模型对上游风机群尾流效应进行叠加，评估分析对下游风机的影响规律，方案科学、合理，切实可行的基于数字仿真实验的风电场尾流叠加效应评估方法和介质。
为实现上述目的之一，本发明的第一种技术方案为：
基于数字仿真实验的风电场尾流叠加效应评估方法，包括以下步骤：
第一步，获取风电场结构信息以及工况数据；
第二步，根据风电场结构信息以及工况数据，将预先构建的尾流计算流体动力学模型进行转化，得到尾流效应元模型；
第三步，通过尾流效应元模型，对风速及风向监测数据进行处理，得到上游风机尾流区域若干位置处的速度，形成尾流速度数据集；
第四步，利用预先构建的尾流评估数字化模型对尾流速度数据集进行处理，得到多个单机尾流影响区域；
第五步，采用预先构建的尾流叠加效应仿真模型，对多个单机尾流影响区域进行叠加，得到复合尾流效应，实现基于数字仿真实验的风电场尾流叠加效应评估。
本发明充分考虑风电场尾流数据特点，通过构建尾流计算流体动力学模型、尾流效应元模型形成三维数字仿真实验手段，可以直接计算出处于尾流区域的风机风速，无需计算风速损耗，从而可以有效避免周边环境以及人工误差的影响，因而可以有效提高风电场尾流叠加效应评估的准确性，进而便于提高风机的发电效率。
同时，本发明充分考虑风电场结构信息以及工况数据对单风机尾流效应的影响，同时使用尾流评估数字化模型，判断下游风机在哪些风机尾流影响内，并利用尾流叠加效应仿真模型对上游风机群尾流效应进行叠加，评估分析对下游风机的影响规律，方案科学、合理，切实可行。
进一步，由于尾流计算流体动力学模型包括网格和各种求解模型，能处理复杂的三维问题，并且计算精度高，但需要的仿真时间较长，因此本发明将尾流计算流体动力学模型转化为尾流效应元模型，解决了计算时间过长的问题，同时尾流效应元模型只针对数据进行处理能够满足实时计算的要求，并且计算精度接近尾流计算流体动力学模型，因而使得本发明具有精度高、速度快、偏差小等优点，可以在短时间内得到不同工况下风电场每台风机的入流风速。
作为优选技术措施：
所述第一步中，风电场结构包括风机尺寸信息、风机数量和风机坐标位置；
工况数据包括风速、风向、偏航角、桨距角、转速、轴向速度、切向速度、轴向坐标和切向坐标。
本发明充分考虑了不同运行工况如风速、风向、空气密度，不同运行策略如桨距角、偏航角、风机转速等因素对单风机尾流效应的影响，使得本发明评估更加准确。
作为优选技术措施：
所述第二步中，构建尾流计算流体动力学模型的方法如下：
步骤21.根据风机尺寸信息，生成风力发电机的几何网格信息以及网格类型；
步骤22.根据工况数据，在几何网格信息以及网格类型的基础上，设置风况条件及运行条件，得到叶片风力数据；
步骤23.基于叶片风力数据，使用致动盘仿真单元代替风机全尺寸转子，进行计算流体动力学仿真，完成尾流计算流体动力学模型的构建。
作为优选技术措施：
使用致动盘仿真单元代替风机全尺寸转子的方法如下：
步骤231.计算作用在转子上的力，其包括作用在叶片单元上的升力和曳力；
作用在叶片单元上的升力通过密度、升力系数、叶片弦长、叶片翼型截面径向位置、叶轮的半径、攻角、雷诺数和相对速度进行计算；
作用在叶片单元上的曳力通过密度、曳力系数、叶片弦长、叶片翼型截面径向位置、叶轮的半径、攻角、雷诺数和相对速度进行计算；
相对速度为入流风速与旋转角速度的相对速度；
步骤232.根据作用在叶片单元上的升力和曳力，基于致动盘算法，计算升力系数和曳力系数；
步骤233.基于升力系数、曳力系数、叶片数目、密度、叶片弦长、入流角、叶片翼型截面径向位置和相对速度，计算得到作用在致动盘上的轴向力和切向力，实现全尺寸风机转子的代替。
作为优选技术措施：
将尾流计算流体动力学模型转化得到尾流效应元模型的方法如下：
步骤241.根据风机工作情况，选取影响风机尾流的工况数据；
步骤242.对工况数据中的每个输入参数进行概率算法定义，得到每个输入参数的分布曲线；
步骤243.使用拉丁超立方采样方法对每个输入参数的分布曲线进行采样，得到若干风机实际工况，形成样本数据；
风机实际工况至少包括风速、风向、偏航角、桨距角和风机转速；
步骤244.将样本数据均分成多个样本空间，在多个样本空间内随机抽样，随后将抽样得到的值通过标准正态分布的反函数映射为标准正态分布样本，再打乱抽样顺序，则得到计算样本空间；
步骤245.使用混沌多项式组对计算样本空间中的每一个变量进行表征，并形成一个混沌多项式族；
步骤246.根据混沌多项式族构建一个希尔伯特空间，用于将尾流计算流体动力学模型在正交基础上投影于各个混沌多项式上，获得混沌多项式展开函数；
步骤247.基于混沌多项式展开函数，确定尾流效应元模型。
作为优选技术措施：
所述第四步中，利用尾流评估数字化模型得到多个单机尾流影响区域的方法如下：
步骤41.使用径向基函数方法对尾流速度数据集进行插值，得到尾流区域内每个位置的速度数值，并建立尾流区域全域速度结果向量；并根据风电场结构信息，确定每台下游风机的坐标位置；
步骤42.根据某下游风机的具体位置坐标，在尾流区域全域速度结果向量中检索，得到对应具体位置坐标的仿真速度数值；
步骤43.将仿真速度数值与某上游风机的入流风速进行对比；
若所述仿真速度数值小于某上游风机的入流风速，则某下游风机处于所述上游风机尾流影响区域内，得到一个单机尾流影响区域；
若所述仿真速度数值大于或等于某上游风机的入流风速，则某下游风机未处于所述上游风机尾流影响区域内；
步骤44.循环执行步骤42和步骤43，直至所有下游风机对比完成，得到多个单机尾流影响区域。
作为优选技术措施：
所述第五步中，采用尾流叠加效应仿真模型得到复合尾流效应的方法如下：
步骤51.根据风电场结构信息，获取风电场风机排布信息；
步骤52.基于风电场风机排布信息，并结合风电场当地测风塔数据，对风机进行排序，得到风机排序数据；
步骤53.根据风机排序数据，对每个下游风机，叠加一个或多个单机尾流影响区域，得到若干下游风机的入流速度；
步骤54.基于若干下游风机的入流速度，确定上游风机对下游风机的复合尾流效应。
作为优选技术措施：
对风机进行排序的方法如下：
步骤521.获取风电场当地测风塔数据，其包括风向数据和风速数据；
步骤522.根据风向数据，在整个风电场范围建立坐标系，平行于风向为x轴，垂直于风向为y轴；
步骤523.按照风机的x轴坐标从小到大进行排序，若x轴坐标相等，则按y轴坐标从小到大进行排序，实现对整个风电场的风机进行排序；
当测风塔的风向数据或/和风速数据都更新时，旋转坐标系，对风电场内的风机重新进行排序；所述风机包括上游风机或/和下游风机。
作为优选技术措施：
得到下游风机入流速度的方法如下：
步骤531.获取风机排序数据，所述风机排序数据包括若干下游风机的坐标位置和测风塔风速数据；
步骤532.根据某下游风机的坐标位置，得到一个或多个单机尾流影响区域，并获取单机尾流影响区域的入流风速；
步骤533.将一个或多个单机尾流影响区域的入流速度进行叠加，得到某下游风机的入流速度，其具体叠加方法如下：
若某下游风机只处于一个单机尾流影响区域内，则将单机尾流影响区域的入流风速作为某下游风机的入流速度；
若某下游风机处于多个单机尾流影响区域内，则将多个单机尾流影响区域的入流风速进行相加，作为某下游风机的入流速度；
若某下游风机未处于任何一个单机尾流影响区域内，则将测风塔风速数据作为某下游风机的入流速度；
步骤534.循环执行步骤532至步骤533，得到若干下游风机的入流速度。
为实现上述目的之一，本发明的第二种技术方案为：
基于数字仿真实验的风电场尾流叠加效应评估方法，包括以下内容：
获取风电场结构信息以及工况数据；
根据风电场结构信息以及工况数据，将尾流计算流体动力学模型进行转化，得到尾流效应元模型；
利用尾流效应元模型对风速及风向监测数据进行处理，得到上游风机尾流区域若干位置处的速度，形成尾流速度数据集；
对尾流速度数据集进行处理，得到多个单机尾流影响区域；
对多个单机尾流影响区域进行叠加，得到复合尾流效应，实现基于数字仿真实验的风电场尾流叠加效应评估。
本发明充分考虑风电场尾流数据特点，通过构建尾流计算流体动力学模型、尾流效应元模型形成三维数字仿真实验手段，可以直接计算出处于尾流区域的风机风速，无需计算风速损耗，从而可以有效避免周边环境以及人工误差的影响，因而可以有效提高风电场尾流叠加效应评估的准确性，进而便于提高风机的发电效率。
为实现上述目的之一，本发明的第三种技术方案为：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于数字仿真实验的风电场尾流叠加效应评估方法。
与现有技术方案相比，本发明具有以下有益效果：
本发明充分考虑风电场尾流数据特点，通过构建尾流计算流体动力学模型、尾流效应元模型形成三维数字仿真实验手段，可以直接计算出处于尾流区域的风机风速，无需计算风速损耗，从而可以有效避免周边环境以及人工误差的影响，因而可以有效提高风电场尾流叠加效应评估的准确性，进而便于提高风机的发电效率。
同时，本发明充分考虑风电场结构信息以及工况数据对单风机尾流效应的影响，同时使用尾流评估数字化模型，判断下游风机在哪些风机尾流影响内，并利用尾流叠加效应仿真模型对上游风机群尾流效应进行叠加，评估分析对下游风机的影响规律，方案科学、合理，切实可行。
进一步，由于尾流计算流体动力学模型包括网格和各种求解模型，能处理复杂的三维问题，并且计算精度高，但需要的仿真时间较长，因此本发明将尾流计算流体动力学模型转化为尾流效应元模型，解决了计算时间过长的问题，同时尾流效应元模型只针对数据进行处理能够满足实时计算的要求，并且计算精度接近尾流计算流体动力学模型，因而使得本发明具有精度高、速度快、偏差小等优点，可以在短时间内得到不同工况下风电场每台风机的入流风速。
附图说明
图1为本发明风电场尾流叠加效应评估方法的一种流程图；
图2为本发明风电场尾流叠加效应评估方法的另一种流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。
如图1所示，本发明基于数字仿真实验的风电场尾流叠加效应评估方法的第一种具体实施例：
基于数字仿真实验的风电场尾流叠加效应评估方法，包括以下步骤：
第一步，获取风电场结构信息以及工况数据；
第二步，根据风电场结构信息以及工况数据，将预先构建的尾流计算流体动力学模型进行转化，得到尾流效应元模型；
第三步，通过尾流效应元模型，对风速及风向监测数据进行处理，得到上游风机尾流区域若干位置处的速度，形成尾流速度数据集；
第四步，利用预先构建的尾流评估数字化模型对尾流速度数据集进行处理，得到多个单机尾流影响区域；
第五步，采用预先构建的尾流叠加效应仿真模型，对多个单机尾流影响区域进行叠加，得到复合尾流效应，实现基于数字仿真实验的风电场尾流叠加效应评估。
本发明基于数字仿真实验的风电场尾流叠加效应评估方法的第二种具体实施例：
一种基于数字仿真实验的风电场尾流叠加效应评估方法，包括以下内容：
利用计算流体动力学（CFD）数值仿真求解算法，并通过三维有限体积方法，分析得到尾流计算流体动力学模型；
利用CFD与数字实验耦合方法，建立风机尾流效应元模型；
根据单机尾流效应评估方法，构建尾流评估数字化模型，用于判断尾流影响区域；
通过多风机尾流叠加效应评估方法，构建尾流叠加效应仿真模型，得到风电场内每台风机的入流风速。
本发明得到尾流计算流体动力学模型的第一种具体实施例：
得到尾流计算流体动力学模型的流程，包括以下步骤：
步骤1，生成风力发电机的几何及网格模型；
步骤2，设置风况条件及运行条件；
步骤3，设置CFD仿真计算模型；
步骤4，进行风力发电机尾流流场CFD计算；
步骤5，对网格尺寸及网格类型等进行网格敏感性、对湍流模型及求解算法等计算模型进行敏感性分析，从而减少网格及计算模型选择带来的仿真计算偏差；
步骤6，建立尾流计算流体动力学模型。
本发明建立风机尾流效应元模型的第一种具体实施例：
建立风机尾流效应元模型的方法，包括以下步骤：
步骤1，确定关键输入参数与输出参数；
步骤2，设置关键输入参数概率分布；
步骤3，进行数字实验设计，生成全面覆盖风机运行工况及运行策略的样本空间；
步骤4，耦合CFD计算方法进行计算；
步骤5，根据耦合计算结果，使用混沌多项式法，结合样本空间搭建尾流效应元模型。
本发明判断尾流影响区域的第一种具体实施例：
判断尾流影响区域的方法如下：
步骤1，基于实时风速及风向监测数据，使用尾流效应元模型，构建轮毂中心截面尾流区域内的速度输出数据集；
步骤2，使用基于径向基函数的曲线插值方法，对速度输出数据集进行插值，得到全面覆盖的尾流影响区域；
步骤3，针对给定位置坐标计算速度，同入流风速进行对比，进行尾流影响区域判断。
本发明得到风机入流风速的第一种具体实施例：
得到风机入流风速的方法如下：
步骤1，确定风机排布信息；
步骤2，根据测风塔风向对风电场风机进行排序；
步骤3，根据测风塔风速，结合尾流效应元模型及尾流影响区域判断，得到每台风机的入流风速；
步骤4，根据实时风速数据重复步骤3；
步骤5，根据实时风向及风速数据重复步骤2和步骤3，从而得到风电场内所有风机的入流风速。
本发明得到尾流计算流体动力学模型的第二种具体实施例：
在搭建尾流计算流体动力学模型时，使用有限体积法，考虑动量源项的不可压缩流体纳维斯托克斯（Navier-Stokes）方程，方程的表达式如下：
式中为流体密度，/>为时间；/>为流体在/>时刻，在i坐标上的速度分量；/>为流体在t时刻，在j坐标上的速度分量；/>为在/>坐标上的位置，/>为在/>坐标上的位置，/>为平均压力，/>为流体粘度；/>为雷诺应力张量，/>为动量源项。
使用致动盘仿真单元代替风机全尺寸转子建立尾流计算流体动力学模型，作用在转子上的力由作用在叶片单元上的升力和曳力组成；
作用在叶片单元上的升力方程如下所示：
式中为升力，/>为密度，/>为升力系数，/>为叶片弦长，/>为叶片翼型截面径向位置，为叶轮的半径，/>为攻角，/>为雷诺数，/>为入流风速与旋转角速度的相对速度。
作用在叶片单元上的曳力方程如下所示：
式中为曳力，/>为曳力系数，/>为密度，/>为叶片弦长，/>为叶片翼型截面径向位置，为叶轮的半径，/>为攻角，/>为雷诺数，/>为入流风速与旋转角速度的相对速度。
作用在叶片上的力在正交平面中可以分解为作用在致动盘上的轴向力和切向力，从而代替全尺寸风机转子，减少网格量，降低模型复杂度及计算时间：
轴向力方程如下所示：
式中为轴向力，/>为叶片数目，/>为密度，/>为叶片弦长，/>为入流角，/>代表叶片翼型截面径向位置，/>为入流风速与旋转角速度的相对速度，/>为升力系数，/>为曳力系数。
切向力方程如下所示：
式中为切向力，/>为叶片数目，/>为密度，/>为叶片弦长，/>为入流角，/>代表叶片翼型截面径向位置，/>为入流风速与旋转角速度的相对速度，/>为升力系数，/>为曳力系数。
本发明建立风机尾流效应元模型的第二种具体实施例：
建立风机尾流效应元模型的方法，包括以下步骤：
步骤1，根据风机实际工作情况，选取影响风机尾流的关键输入参数（风速、风向、偏航角、桨距角、转速）。同时选取需要重点观测的物理参数及其坐标位置（轴向速度、切向速度、轴向坐标、切向坐标）；
步骤2，对每一个输入参数进行概率算法定义，得到每个输入的分布曲线。例如对风机的桨距角进行瑞利（Rayleigh）分布定义，得到桨距角的概率密度函数，其计算公式如下：
式中为桨距角的概率密度函数，/>为桨距角，/>为尺度参数，/>为位置参数。
步骤3，使用拉丁超立方采样方法进行数字实验设计，每个数字实验设计样本包括风机实际工况，风机实际工况包括风速、风向、偏航角、桨距角、风机转速。根据确定的样本数，将样本空间均分成多个小样本空间，在多个小样本空间内随机采样，随后将抽取的值通过标准正态分布的反函数映射为标准正态分布样本，最后打乱抽样顺序，则得到了风机尾流效应计算样本空间；
步骤4，通过设置CFD调用命令、耦合计算工作路径、执行命令文件路径、输入文件及标识、输出文件及标识等，进行CFD耦合计算设置；
步骤5，基于风机尾流的CFD耦合计算批量结果，使用混沌多项式法根据样本空间建立尾流效应元模型。具体而言，基于数字实验设计样本空间内各个变量的采样分布，获取各个变量的累计分布函数，并通过按组件转化，对每一个变量生成一个混沌多项式组。所有变量的混沌多项式组可形成一个混沌多项式族，该混沌多项式族可构建一个希尔伯特空间，即可以将物理模型在正交基础上投影于各个混沌多项式上，从而构建物理模型的混沌多项式展开，其表达式如下所示：
式中为尾流效应元模型的混沌多项式展开函数，/>为样本空间内所有变量，/>为确定性相关系数，通过训练获取，/>为正交多项式基函数。
选择使用第一样本训练尾流效应元模型，第一样本的表达式如下所示：
其中，为第一样本空间大小，/>为训练实验设计样本。
并使用代表尾流计算流体动力学模型，/>代表尾流效应元模型，从而根据第一样本，得到尾流计算流体动力学模型和尾流效应元模型的相应输出结果。
尾流计算流体动力学模型的输出结果的表达式如下所示：
式中，为第一样本中第/>个训练样本在尾流计算流体动力学模型中尾流区域速度的输出结果。
尾流效应元模型的输出结果的表达式如下所示：
式中，为第一样本中第/>个训练样本在尾流效应元模型中尾流区域速度的输出结果。
使用系数来评估尾流效应元模型对数据的拟合程度，其计算公式如下所示：
式中为样本在尾流计算流体动力学模型中尾流区域速度的平均输出，其具体计算公式如下所示：
选择使用第二样本验证尾流效应元模型，第二样本的表达式如下所示：
其中为第二样本空间大小，/>为验证实验设计样本。
进而根据用第二样本，得到尾流计算流体动力学模型和尾流效应元模型的相应输出结果，其表达式如下所示：
式中，为第二样本中第/>个验证样本在尾流计算流体动力学模型中尾流区域速度的输出结果，例如尾流区域速度，而/>为第二样本中第/>个验证样本在尾流效应元模型中尾流区域速度的输出结果。
使用系数来评估尾流效应元模型的预测性能：
式中为验证样本的尾流计算流体动力学模型中尾流区域速度的平均输出，其计算公式如下所示：
本发明判断尾流影响区域的第二种具体实施例：
尾流影响区域判断用于判断上游风机在运行过程中产生的尾流对下游风机入流条件的影响。明确上游风机在不同工况下的尾流影响区域，通过下游风机位置坐标判断下游是否受上游风机的尾流影响以及影响程度，从而在整场中评估风机运行策略对发电效益的影响。
本实施例中，通过尾流评估数字化模型，判断尾流影响区域，其包括以下步骤：
步骤1，根据风机实时运行工况（风速、风向）及运行策略（偏航角、桨距角、风机转速），使用尾流效应元模型得到上游风机尾流区域不同位置处的速度，形成尾流区域特定位置速度数据集；
步骤2，选取轮毂截面处的输出速度，使用基于径向基函数方法进行插值，得到风机尾流区域内每个位置的速度数值。针对已知的尾流区域速度特定位置数据集，构建径向基函数。尾流区域速度特定位置数据集的表达式如下：
其中为尾流区域位置坐标，/>为该坐标上的速度数值，/>为插值节点数。
径向基函数的表达式如下所示：
式中为尾流区域速度插值函数，N为插值节点数，/>为第i号径向基函数对应的权重系数，/>为径向基函数，/>为第i号径向基函数的控制点位置。
进而将数据集带入插值函数中可得：
式中为插值矩阵，/>为线性权重向量，/>为尾流区域全域速度结果向量；
步骤3，根据下游风机的具体位置坐标，通过步骤2计算得到该坐标点的速度数值，同上游风机轮毂高度处的入流风速/>进行对比，若/>，则下游风机处于上游风机尾流影响区域内。
本发明得到风机入流风速的第二种具体实施例：
风机入流风速通过尾流叠加效应仿真模型计算得到，尾流叠加效应仿真模型能用于快速分析风电场在不同运行工况下，每台风机在不同运行策略下，上游风机群尾流效应叠加后对下游风机入流风速的影响程度。
本实施例中，通过尾流叠加效应仿真模型对风电场的尾流叠加效应进行评估，可以明确得到风电场中每台风机真实的入流风速，以及真实风速-功率曲线，从而可以进行功率曲线的评估诊断，进而对风机运行策略进行优化，以提高风电场的发电效益，实现风电场的科学化规划与管理。
进而利用尾流叠加效应仿真模型，判断下游风机所受上游风机的尾流影响程度，其包括以下步骤：
步骤1，根据具体的风电场风机排布，确定每台风机的坐标位置；
步骤2，根据风电场当地测风塔数据对风机进行排序。根据测风塔的风向数据在整个风电场范围建立坐标系，平行于风向为x轴，垂直于风向为y轴。按照x轴坐标从小到大，若x轴坐标相等，则按y轴坐标从小到大进行排序，并对整个风电场的风机进行排序。序号越小，受尾流影响越小。
步骤3，1)根据测风塔风速数据，通过尾流效应元模型得到/>风机尾流区域特点位置速度数据集，再进行径向基函数插值得到/>风机的尾流区域全域速度数据集，从而进行尾流影响区域判断；
2)判断风机是否处于/>风机尾流区域内；
2.1)若处于风机尾流区域内，则根据/>风机具体位置坐标，通过尾流效应元模型得到特定位置数据集，通过插值得到全域数据集，计算得到/>风机的入流风速/>；
2.2)若不处于风机尾流区域内，则入流风速为/>；
3）根据风机的入流风速/>，通过尾流效应元模型得到/>风机尾流区域特点位置速度数据集，再进行径向基函数插值得到/>风机的尾流区域全域速度数据集，从而进行尾流影响区域判断；
4）判断风机是否处于/>、/>风机尾流区域内；/>
4.1）若只处于风机尾流区域内，则根据/>风机具体位置坐标，通过尾流效应元模型得到特定位置数据集，通过插值得到全域数据集，计算得到/>风机的入流风速/>；
4.2）若只处于风机尾流区域内，则根据/>风机具体位置坐标，通过尾流效应元模型计算得到特定位置数据集，通过插值得到全域数据集，计算得到/>风机的入流风速/>；
4.3）若处于风机和/>风机尾流叠加区域内，则对分别受上游风机尾流影响的入流速度进行线性叠加，则得到/>风机的入流风速/>；
4.4）若不处于风机和/>风机尾流区域内，则入流风速为/>；
以此类推。
（1）根据风机的入流风速/>，通过尾流效应元模型得到/>风机尾流区域特点位置速度数据集，再进行径向基函数插值得到/>风机的尾流区域全域速度数据集，从而进行尾流影响区域判断；
（2）判断风机是否处于/>、/>、...、/>风机尾流区域内；
（3）若只处于（/>）风机尾流区域内，则根据/>风机具体位置坐标，通过尾流效应元模型得到特定位置数据集，再通过插值得到全域数据集，计算得到/>风机的入流风速/>；
（4）若处于、/>、...、/>风机中至少两台风机的尾流叠加区域内，则叠加相应风机的入流风速/>为/>风机的入流风速；
（5）若不处于、/>、...、/>风机中任何一台风机的尾流区域内，则入流风速为/>；
步骤4，当测风塔的风速数据更新时，重复步骤3得到更新后风电场每台风机的入流风速；
步骤5，当测风塔的风向数据和风速数据都更新时，旋转坐标系，重复步骤2对风电场内风机重新排序，重复步骤3得到更新后风电场每台风机的入流风速。
因此本发明可以在不同的风速、风向下，以及每台风机不同的桨距角、偏航角、风机转速状态下，快速得到风电场内每台风机的真实入流风速，用于优化运行策略、提升发电效益以及科学化制定运维策略。本发明结合计算流体动力学数值模拟与数字实验设计，具有精度高、速度快、偏差小等优点，可以在短时间内得到不同工况下风电场每台风机的入流风速。
如图2所示，本发明基于数字仿真实验的风电场尾流叠加效应评估方法的第三种具体实施例：
一种基于数字仿真实验的风电场尾流叠加效应评估方法，包括以下步骤：
步骤1：通过建立尾流计算流体动力学模型，使用致动盘仿真单元进行叶片单元上的轴向力及切向力的仿真计算，在进行网格敏感性和计算模型敏感性分析后建立风机尾流CFD仿真流程；
步骤2：明确风机尾流区域的关键输入参数及输出参数，包括运行工况、运行策略、重点观测位置风速参数等。针对不同的输入参数类型，进行相对应的概率函数定义。使用拉丁超立方采样采样方法对输入参数进行数字实验设计，得到样本数目小，覆盖面积全的样本空间；
步骤3：耦合步骤1中的风机尾流CFD仿真流程与步骤2中的实验设计方法进行流体动力学计算，模型边界条件调取样本空间内数据进行更新，并处理仿真结果，进行多工况多案例流程化仿真分析计算。根据批量计算结果，使用混沌多项式法搭建高精度尾流效应元模型；
步骤4：针对单台风机，根据实际工况中的风速信息，带入尾流效应元模型中得到风机尾流场速度信息，并使用径向基函数插值方法遍历整个尾流区域。然后根据下游风机位置进行尾流影响区域判断；
步骤5：针对风电场风机排布信息，通过实时工况中的风向信息对整个风电场的风机进行排序，确定每台风机的编号。通过风速信息带入尾流效应元模型中，得到特点位置数据集，通过插值方法得到全域数据集，快速得到每台风机的尾流影响区域，依次判断风电场中每台风机受上游风机的尾流影响程度，未处于任何一台风机尾流区域内则认为无尾流影响，风电场入流风速为该风机入流风速，处于一个上游风机尾流区域内则根据尾流效应元模型进行单风机尾流效应评估，处于多个（两个及以上）上游风机尾流区域内则进行多重尾流叠加效应评估。
使用以上步骤，实现不同运行工况下风电场内尾流叠加效应评估，实时得到每台风机的入流风速。
本发明能够根据风电场实时运行工况，对每台风机的尾流叠加效应进行评估，快速得到高准确度的风机入流风速。
因而本发明可以综合考虑尾流叠加效应引起的下游风场的减速效应，快速分析下游风机的出力和载荷情况，对风电场每台风机的发电效益进行精确评估。在数字孪生系统中使用尾流叠加效应评估系统可以根据实际监测数据，实时得到每台风机的入流风速，评估风机发电功率，从而进行控制策略的优化，以提升整个风电场的发电效益。
应用本发明对某风机进行尾流叠加效应评估的一种具体实施例：
对某风机进行尾流叠加效应评估，具体实现流程如下：
步骤1、根据某风机具体型号建立风机尾流CFD仿真计算网格模型，计算区域为，其中/>为叶片直径。风机放置距离入口平面6个风机直径处，由于尾流区域的速度梯度较大，将风机附近10个叶片直径的区域进行加密，避免了尾流区域的精细网格往较大网格扩散时产生的数值发散。整体网格采用结构化六面体网格。
以风速、风向、偏航角、桨距角、风机转速为输入变量，梳理参数化网格配置文件、入流风轮廓线配置文件、计算模型配置文件以及计算结果自动后处理文件。
输入参数为：风速5.3m/s，风机转速6.78r/min，风向、偏航角、桨距角设置为0度。输出参数为风机后轮毂界面60度周向范围内，7个风机直径的纵向范围内的49个观测点。
根据输入参数进行CFD试算，计算收敛后对网格尺寸及网格类型等进行网格敏感性、对湍流模型及求解算法等计算模型进行敏感性分析，从而减少网格及计算模型选择带来的仿真计算偏差，建立风机尾流效应CFD仿真流程。
步骤2，根据输入参数的实际物理特性，对不同参数进行针对的概率密度函数定义，并定义概率密度曲线的上下限。
根据每个输入参数的概率密度分布，使用拉丁超立方采样方法进行数字实验，得到168个样本空间。
步骤3，设置CFD调用命令、耦合计算工作路径、执行命令文件路径、输入文件及标识、输出文件及标识等，进行数字实验与CFD耦合计算。
根据耦合计算结果，使用混沌多项式法，结合样本空间搭建高精度尾流效应元模型。
使用800个第一样本训练尾流效应元模型，同时使用200个第二样本验证尾流效应元模型，形成高精度的尾流效应元模型。
步骤4，假设风机轮毂处入流风速为10m/s，根据尾流效应元模型，得到风机后49个点的轴向风速和切向风速，使用径向基函数插值函数进行插值，进行尾流影响区域判断。
根据下游风机的具体位置信息，计算该点处的速度数据为11.67m/s，大于/>风机轮毂处入流风速，则判断/>风机不在/>风机尾流影响区域内。
步骤5，根据风电场内10台风机的位置信息，确定每台风机的坐标位置。
在整个风电场范围内建立坐标系，平行于风向为x轴，垂直于风向为y轴。假设测风塔风向为东南方向，旋转坐标系，按照x轴坐标从小到大，若x轴坐标相等，则按y轴坐标从小到大进行排序，得到风机排序。
假设测风塔风速为10m/s，即1号风机的入流风速为10m/s，根据2号风机位置信息，判断是否在1号风机尾流影响范围内。
2号风机若在1号风机尾流影响范围内，则根据尾流效应元模型，得到49个点的轴向风速和切向风速数据集，通过径向基函数插值得到全域数据集，得到10m/s入流风速下1号风机的尾流影响区域，并通过2号风机位置坐标确定2号风机入流风速。
2号风机若不在1号风机尾流影响范围内，则2号风机的入流风速为10m/s。
根据3号风机的位置信息，判断是否在1号风机和2号风机的尾流影响范围内。
3号风机若在1号或2号风机尾流影响范围内，则根据尾流效应元模型，分别得到1号风机和2号风机尾流区域内49个点的轴向风速和切向风速数据集，分别通过径向基函数插值得到尾流区域速度全域数据集，得到1号或2号风机的尾流影响区域，并通过3号风机位置坐标确定3号风机入流风速。
3号风机若同时处于1号和2号风机尾流影响范围内，则产生尾流叠加效应，根据3号风机的位置坐标，线性叠加3号风机在1号风机尾流影响内的速度和在2号风机尾流影响内的速度，得到3号风机的入流风速。
3号风机若不在1号风机或2号风机的尾流影响范围内，则3号风机的入流风速为10m/s。
依次类推，得到风电场内每台风机的入流风速。
当测风塔的实时风速速度更新时，更新1号风机的入流风速，按照以上方法重新计算风电场每台风机的入流风速。
当测风塔的风向数据及风速数据更新时，旋转坐标系，重新对风电场内风机重新排序，按照以上方法重新计算风电场每台风机的入流风速。
进而在整个风电场范围内，根据测风塔的实时风速及风向数据，考虑不同风机的运行策略对尾流场的影响，快速并准确得到每台风机的入流风速，并且不受测风塔更新频率及风机数目限制。
应用本发明方法的一种设备实施例：
一种电子设备，其包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的基于数字仿真实验的风电场尾流叠加效应评估方法。
应用本发明方法的一种计算机介质实施例：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于数字仿真实验的风电场尾流叠加效应评估方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包括有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是根据本申请实施例的方法、设备（系统）、计算机程序产品的流程图或/和方框图来描述的。应理解可由计算机程序指令实现流程图或/和方框图中的每一流程或/和方框以及流程图或/和方框图中的流程或/和方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程或/和方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程或/和方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程或/和方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.基于数字仿真实验的风电场尾流叠加效应评估方法，其特征在于：
包括以下步骤：
第一步，获取风电场结构信息以及工况数据；
第二步，根据风电场结构信息以及工况数据，将预先构建的尾流计算流体动力学模型进行转化，得到尾流效应元模型；
第三步，通过尾流效应元模型，对风速及风向监测数据进行处理，得到上游风机尾流区域若干位置处的速度，形成尾流速度数据集；
第四步，利用预先构建的尾流评估数字化模型对尾流速度数据集进行处理，得到多个单机尾流影响区域；
第五步，采用预先构建的尾流叠加效应仿真模型，对多个单机尾流影响区域进行叠加，得到复合尾流效应，实现基于数字仿真实验的风电场尾流叠加效应评估。
2.如权利要求1所述的基于数字仿真实验的风电场尾流叠加效应评估方法，其特征在于：
所述第一步中，风电场结构包括风机尺寸信息、风机数量和风机坐标位置；
工况数据包括风速、风向、偏航角、桨距角、转速、轴向速度、切向速度、轴向坐标和切向坐标。
3.如权利要求1所述的基于数字仿真实验的风电场尾流叠加效应评估方法，其特征在于：
所述第二步中，构建尾流计算流体动力学模型的方法如下：
步骤21.根据风机尺寸信息，生成风力发电机的几何网格信息以及网格类型；
步骤22.根据工况数据，在几何网格信息以及网格类型的基础上，设置风况条件及运行条件，得到叶片风力数据；
步骤23.基于叶片风力数据，使用致动盘仿真单元代替风机全尺寸转子，进行计算流体动力学仿真，完成尾流计算流体动力学模型的构建。
4.如权利要求3所述的基于数字仿真实验的风电场尾流叠加效应评估方法，其特征在于：
使用致动盘仿真单元代替风机全尺寸转子的方法如下：
步骤231.计算作用在转子上的力，其包括作用在叶片单元上的升力和曳力；
作用在叶片单元上的升力通过密度、升力系数、叶片弦长、叶片翼型截面径向位置、叶轮的半径、攻角、雷诺数和相对速度进行计算；
作用在叶片单元上的曳力通过密度、曳力系数、叶片弦长、叶片翼型截面径向位置、叶轮的半径、攻角、雷诺数和相对速度进行计算；
相对速度为入流风速与旋转角速度的相对速度；
步骤232.根据作用在叶片单元上的升力和曳力，基于致动盘算法，计算升力系数和曳力系数；
步骤233.基于升力系数、曳力系数、叶片数目、密度、叶片弦长、入流角、叶片翼型截面径向位置和相对速度，计算得到作用在致动盘上的轴向力和切向力，实现全尺寸风机转子的代替。
5.如权利要求4所述的基于数字仿真实验的风电场尾流叠加效应评估方法，其特征在于：
将尾流计算流体动力学模型转化得到尾流效应元模型的方法如下：
步骤241.根据风机工作情况，选取影响风机尾流的工况数据；
步骤242.对工况数据中的每个输入参数进行概率算法定义，得到每个输入参数的分布曲线；
步骤243.使用拉丁超立方采样方法对每个输入参数的分布曲线进行采样，得到若干风机实际工况，形成样本数据；
风机实际工况至少包括风速、风向、偏航角、桨距角和风机转速；
步骤244.将样本数据均分成多个样本空间，在多个样本空间内随机抽样，随后将抽样得到的值通过标准正态分布的反函数映射为标准正态分布样本，再打乱抽样顺序，则得到计算样本空间；
步骤245.使用混沌多项式组对计算样本空间中的每一个变量进行表征，并形成一个混沌多项式族；
步骤246.根据混沌多项式族构建一个希尔伯特空间，用于将尾流计算流体动力学模型在正交基础上投影于各个混沌多项式上，获得混沌多项式展开函数；
步骤247.基于混沌多项式展开函数，确定尾流效应元模型。
6.如权利要求1所述的基于数字仿真实验的风电场尾流叠加效应评估方法，其特征在于：
所述第四步中，利用尾流评估数字化模型得到多个单机尾流影响区域的方法如下：
步骤41.使用径向基函数方法对尾流速度数据集进行插值，得到尾流区域内每个位置的速度数值，并建立尾流区域全域速度结果向量；并根据风电场结构信息，确定每台下游风机的坐标位置；
步骤42.根据某下游风机的具体位置坐标，在尾流区域全域速度结果向量中检索，得到对应具体位置坐标的仿真速度数值；
步骤43.将仿真速度数值与某上游风机的入流风速进行对比；
若所述仿真速度数值小于某上游风机的入流风速，则某下游风机处于所述上游风机尾流影响区域内，得到一个单机尾流影响区域；
若所述仿真速度数值大于或等于某上游风机的入流风速，则某下游风机未处于所述上游风机尾流影响区域内；
步骤44.循环执行步骤42和步骤43，直至所有下游风机对比完成，得到多个单机尾流影响区域。
7.如权利要求1-6任一所述的基于数字仿真实验的风电场尾流叠加效应评估方法，其特征在于：
所述第五步中，采用尾流叠加效应仿真模型得到复合尾流效应的方法如下：
步骤51.根据风电场结构信息，获取风电场风机排布信息；
步骤52.基于风电场风机排布信息，并结合风电场当地测风塔数据，对风机进行排序，得到风机排序数据；
步骤53.根据风机排序数据，对每个下游风机，叠加一个或多个单机尾流影响区域，得到若干下游风机的入流速度；
步骤54.基于若干下游风机的入流速度，确定上游风机对下游风机的复合尾流效应。
8.如权利要求7所述的基于数字仿真实验的风电场尾流叠加效应评估方法，其特征在于：
对风机进行排序的方法如下：
步骤521.获取风电场当地测风塔数据，其包括风向数据和风速数据；
步骤522.根据风向数据，在整个风电场范围建立坐标系，平行于风向为x轴，垂直于风向为y轴；
步骤523.按照风机的x轴坐标从小到大进行排序，若x轴坐标相等，则按y轴坐标从小到大进行排序，实现对整个风电场的风机进行排序；
当测风塔的风向数据或/和风速数据都更新时，旋转坐标系，对风电场内的风机重新进行排序；所述风机包括上游风机或/和下游风机。
9.如权利要求8所述的基于数字仿真实验的风电场尾流叠加效应评估方法，其特征在于：
得到下游风机入流速度的方法如下：
步骤531.获取风机排序数据，所述风机排序数据包括若干下游风机的坐标位置和测风塔风速数据；
步骤532.根据某下游风机的坐标位置，得到一个或多个单机尾流影响区域，并获取单机尾流影响区域的入流风速；
步骤533.将一个或多个单机尾流影响区域的入流速度进行叠加，得到某下游风机的入流速度，其具体叠加方法如下：
若某下游风机只处于一个单机尾流影响区域内，则将单机尾流影响区域的入流风速作为某下游风机的入流速度；
若某下游风机处于多个单机尾流影响区域内，则将多个单机尾流影响区域的入流风速进行相加，作为某下游风机的入流速度；
若某下游风机未处于任何一个单机尾流影响区域内，则将测风塔风速数据作为某下游风机的入流速度；
步骤534.循环执行步骤532至步骤533，得到若干下游风机的入流速度。
10.一种计算机可读存储介质，其特征在于：
其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-9任一所述的基于数字仿真实验的风电场尾流叠加效应评估方法。
CN202311769379.8A 2023-12-21 2023-12-21 基于数字仿真实验的风电场尾流叠加效应评估方法和介质 Active CN117454721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311769379.8A CN117454721B (zh) 2023-12-21 2023-12-21 基于数字仿真实验的风电场尾流叠加效应评估方法和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311769379.8A CN117454721B (zh) 2023-12-21 2023-12-21 基于数字仿真实验的风电场尾流叠加效应评估方法和介质

Publications (2)

Publication Number Publication Date
CN117454721A true CN117454721A (zh) 2024-01-26
CN117454721B CN117454721B (zh) 2024-03-22

Family

ID=89582217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311769379.8A Active CN117454721B (zh) 2023-12-21 2023-12-21 基于数字仿真实验的风电场尾流叠加效应评估方法和介质

Country Status (1)

Country Link
CN (1) CN117454721B (zh)

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN105335617A (zh) * 2015-11-05 2016-02-17 北京金风科创风电设备有限公司 风电场尾流效应评估方法及装置
CN106203695A (zh) * 2016-07-07 2016-12-07 华北电力大学 一种降低尾流效应的风电场内优化调度方法
WO2016200277A1 (en) * 2015-06-10 2016-12-15 Statoil Asa Rotor blade shaped to enhance wake diffusion
CN109190187A (zh) * 2018-08-10 2019-01-11 国电联合动力技术有限公司 一种基于多物理模型的风电场尾流计算方法及系统
CN110067699A (zh) * 2019-05-27 2019-07-30 大连交通大学 一种高速重载工况变压力机械制动方法及大兆瓦风电机机械制动系统
EP3517774A1 (en) * 2018-01-25 2019-07-31 Siemens Gamesa Renewable Energy A/S Method and apparatus for cooperative controlling wind turbines of a wind farm
CN111682592A (zh) * 2020-05-13 2020-09-18 九江学院 一种分布式风电场功率优化方法及装置
CN112001131A (zh) * 2020-07-28 2020-11-27 河海大学 一种改进风力机尾流叠加计算方法
CN112597583A (zh) * 2020-12-11 2021-04-02 五邑大学 高速列车尾部射流气动减阻数值仿真分析方法及装置
CN113326636A (zh) * 2021-06-30 2021-08-31 广东电网有限责任公司 一种远海海上风电场时序出力曲线快速生成方法及系统
CN113688581A (zh) * 2021-07-28 2021-11-23 国网冀北张家口风光储输新能源有限公司 风电场有功出力优化控制的方法、装置、电子设备及介质
CN113836762A (zh) * 2021-08-25 2021-12-24 中国大唐集团新能源科学技术研究院有限公司 一种风力机及风电场数字镜像模拟展示系统
US11250189B1 (en) * 2018-04-30 2022-02-15 United States Of America As Represented By The Secretary Of The Air Force Identifying effects of geometric variations of physical parts
CN114169614A (zh) * 2021-12-09 2022-03-11 中国华能集团清洁能源技术研究院有限公司 一种基于风力机尾流模型优化的风电场优化调度方法及系统
CN115017731A (zh) * 2022-06-29 2022-09-06 华能集团技术创新中心有限公司 一种海上风电场动态尾流建模方法及装置
CN115081360A (zh) * 2022-08-23 2022-09-20 华北电力大学 基于简易致动盘模型的风电场尾流评估方法及装置
CN115544884A (zh) * 2022-10-12 2022-12-30 浙江大学 一种基于数据驱动的大型风电场尾流快速计算方法及系统
CN116227357A (zh) * 2023-03-13 2023-06-06 哈尔滨工业大学（深圳） 一种风电场尾流预测方法、模型及其系统
CN116221021A (zh) * 2023-04-10 2023-06-06 香港大学深圳研究院 一种基于多层人工智能体系的风电场协同偏航控制方法
CN116245039A (zh) * 2022-12-19 2023-06-09 中国华能集团清洁能源技术研究院有限公司 海上风力发电场群的尾流评估方法及系统
CN116581827A (zh) * 2023-05-23 2023-08-11 华能安阳能源有限责任公司 一种考虑尾流影响的限负荷条件下风电场机组启停策略

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
WO2016200277A1 (en) * 2015-06-10 2016-12-15 Statoil Asa Rotor blade shaped to enhance wake diffusion
CN105335617A (zh) * 2015-11-05 2016-02-17 北京金风科创风电设备有限公司 风电场尾流效应评估方法及装置
CN106203695A (zh) * 2016-07-07 2016-12-07 华北电力大学 一种降低尾流效应的风电场内优化调度方法
EP3517774A1 (en) * 2018-01-25 2019-07-31 Siemens Gamesa Renewable Energy A/S Method and apparatus for cooperative controlling wind turbines of a wind farm
US11250189B1 (en) * 2018-04-30 2022-02-15 United States Of America As Represented By The Secretary Of The Air Force Identifying effects of geometric variations of physical parts
CN109190187A (zh) * 2018-08-10 2019-01-11 国电联合动力技术有限公司 一种基于多物理模型的风电场尾流计算方法及系统
CN110067699A (zh) * 2019-05-27 2019-07-30 大连交通大学 一种高速重载工况变压力机械制动方法及大兆瓦风电机机械制动系统
CN111682592A (zh) * 2020-05-13 2020-09-18 九江学院 一种分布式风电场功率优化方法及装置
CN112001131A (zh) * 2020-07-28 2020-11-27 河海大学 一种改进风力机尾流叠加计算方法
CN112597583A (zh) * 2020-12-11 2021-04-02 五邑大学 高速列车尾部射流气动减阻数值仿真分析方法及装置
CN113326636A (zh) * 2021-06-30 2021-08-31 广东电网有限责任公司 一种远海海上风电场时序出力曲线快速生成方法及系统
CN113688581A (zh) * 2021-07-28 2021-11-23 国网冀北张家口风光储输新能源有限公司 风电场有功出力优化控制的方法、装置、电子设备及介质
CN113836762A (zh) * 2021-08-25 2021-12-24 中国大唐集团新能源科学技术研究院有限公司 一种风力机及风电场数字镜像模拟展示系统
CN114169614A (zh) * 2021-12-09 2022-03-11 中国华能集团清洁能源技术研究院有限公司 一种基于风力机尾流模型优化的风电场优化调度方法及系统
CN115017731A (zh) * 2022-06-29 2022-09-06 华能集团技术创新中心有限公司 一种海上风电场动态尾流建模方法及装置
CN115081360A (zh) * 2022-08-23 2022-09-20 华北电力大学 基于简易致动盘模型的风电场尾流评估方法及装置
CN115544884A (zh) * 2022-10-12 2022-12-30 浙江大学 一种基于数据驱动的大型风电场尾流快速计算方法及系统
CN116245039A (zh) * 2022-12-19 2023-06-09 中国华能集团清洁能源技术研究院有限公司 海上风力发电场群的尾流评估方法及系统
CN116227357A (zh) * 2023-03-13 2023-06-06 哈尔滨工业大学（深圳） 一种风电场尾流预测方法、模型及其系统
CN116221021A (zh) * 2023-04-10 2023-06-06 香港大学深圳研究院 一种基于多层人工智能体系的风电场协同偏航控制方法
CN116581827A (zh) * 2023-05-23 2023-08-11 华能安阳能源有限责任公司 一种考虑尾流影响的限负荷条件下风电场机组启停策略

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LEE, YUJIN等: "Numerical Investigation of Ground Effect of Dual Ducted Fan Aircraft During Hovering Flight", 《JOURNAL OF THE KOREAN SOCIETY FOR AERONAUTICAL AND SPACE SCIENCES》, 25 October 2022 (2022-10-25), pages 677 - 693 *
宁旭;曹留帅;万德成;: "基于尾流模型的风场偏航控制优化研究", 海洋工程, no. 05, 30 September 2020 (2020-09-30) *
赵家瑜;史绍平;闫姝;穆延非;陈新明;张波;李启明;: "基于动网格对风力机尾流的数值模拟", 太阳能学报, no. 12, 28 December 2016 (2016-12-28) *
陈振宇;刘吉臻;林忠伟;谢镇;李庚达;李雄威;胡峰;: "风电机组动态尾流频域特性分析与建模", 智慧电力, no. 07, 20 July 2020 (2020-07-20) *

Also Published As

Publication number Publication date
CN117454721B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN102938003B (zh) 一种叶轮机械计入错频的气动弹性稳定性数值预测方法
Pasquale et al. Optimization of turbomachinery flow surfaces applying a CFD-based throughflow method
CN109190327B (zh) 有机朗肯循环系统分析优化方法、装置及设备
CN113048086B (zh) 一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法
CN114254460B (zh) 基于图卷积神经网络的透平机械气动鲁棒性优化方法
CN111159941A (zh) 一种用于汽车液力变矩器内流场瞬态数值模拟的方法
CN112417773A (zh) 多级轴流膨胀机的多学科优化设计方法、装置及设备
Pierret Multi-objective and multi-disciplinary optimization of three-dimensional turbomachinery blades
Lengyel et al. Design of a counter rotating fan-an aircraft engine technology to reduce noise and CO2-emissions
CN117436322B (zh) 基于叶素理论的风力机叶片气动弹性仿真方法和介质
Kadhim et al. Design optimization workflow and performance analysis for contoured endwalls of axial turbines
Pongetti et al. Using autoencoders and output consolidation to improve machine learning models for turbomachinery applications
Schmitz et al. Novel performance prediction of a transonic 4.5 stage compressor
Digraskar Simulations of flow over wind turbines
Safari et al. A novel combination of adaptive tools for turbomachinery airfoil shape optimization using a real-coded genetic algorithm
CN117454721B (zh) 基于数字仿真实验的风电场尾流叠加效应评估方法和介质
CN114841091B (zh) 一种基于代理模型技术的离心通风机的气动优化设计方法
Song et al. Multidisciplinary robust optimization approach of fan rotors under structural constraints with blade curvature
CN113379103B (zh) 基于降阶模型的泵类设备内部流场的预测方法
Leylek et al. Global Three-Dimensional Surrogate Modeling of Gas Turbine Aerodynamic Performance
Lai et al. An Approach to automatically optimize the Hydraulic performance of Blade System for Hydraulic Machines using Multi-objective Genetic Algorithm
Vedam et al. Evaluation of Gradient and Curvature-Based Adaptive Mesh Refinement for Viscous Transonic Flows
CN117454805B (zh) 基于流体降阶仿真的风机尾流影响计算方法和系统
Zanoni Aerodynamic multi-objective optimization of a transonic compressor rotor using meanline methods and CFD
Popov et al. Axial compressor optimization method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant