Qiulei Wang · Junjie Hu · Shanghui Yang · Zhikun Dong 等6人 · Energy Conversion and Management · 2025年1月 · Vol.324

摘要 近几十年来，日益增长的能源需求加速了风电场的建设，对风力机性能中精确的载荷与功率评估提出了更高的要求。传统方法依赖于解析尾流模型和性能曲线，在复杂入流条件下往往难以适应，导致在预测风机载荷和功率输出时存在显著的不准确性。本研究以NREL 5MW基准风力机为案例，提出一种新颖的两阶段框架，用于应对风电场规划与开发各个阶段中的上述挑战。第一阶段是在初步设计阶段推导简化推力调制因子的推荐值，从而快速评估对风电场优化至关重要的最大推力载荷和疲劳推力载荷。第二阶段聚焦于详细设计阶段的机器学习模型的设...

解读: 该机器学习框架对阳光电源风电变流器及储能系统具有重要价值。通过LightGBM模型实现风机负载与功率的高精度预测(R²>0.98),可优化ST系列PCS的功率调度策略和PowerTitan储能系统的充放电控制。推荐推力调制因子方法可应用于iSolarCloud平台的预测性维护模块,结合GFM控制技术...