找到 2 条结果
基于物理信息生成式深度学习的风力机分层动态尾流建模
Hierarchical dynamic wake modeling of wind turbine based on physics-informed generative deep learning
Qiulei Wang · Zilong Ti · Shanghui Yang · Kun Yang 等6人 · Applied Energy · 2025年1月 · Vol.378
摘要 随着电力需求的不断增长，风电场的规模远超以往。功率与载荷预测是风电场布局优化中最关键的两个课题。传统的尾流建模方法，如解析模型和计算流体动力学（CFD）模拟，在准确性和效率方面均难以有效应对如此大规模的问题。本研究提出了一种新颖的基于生成式深度学习的风力机分层动态尾流建模方法——PHOENIX（PHysics-infOrmed gEnerative deep learniNg for hIerarchical dynamic wake modeling eXploration），用于捕捉风...
解读: 该深度学习风电尾流建模技术对阳光电源风电变流器及储能系统具有重要价值。通过精准预测风机功率输出的时空特性,可优化ST系列储能PCS的充放电策略,提升风储协同效率。该物理信息神经网络方法可借鉴应用于iSolarCloud平台的预测性维护算法,结合GFM控制技术实现风电场群级功率平滑输出。动态尾流模型的...
面向风力机结构载荷与功率评估的机器学习应用：工程视角
Towards machine learning applications for structural load and power assessment of wind turbine: An engineering perspective
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...