Page 203 - 新能源风力发电技术及其发展研究

Research on New Energy Wind Power Generation Technology and Development
新能源风力发电技术及其发展研究

2. 风洞模型试验
风洞模型试验也是一种重要的辅助手段。在风洞中，可以制作缩小比例的风
电场模型，包括地形模型和风机模型。通过改变风机模型的位置和风向等参数，

观察模型周围的气流流动情况。风洞试验能够提供非常直观的气流可视化效果，
如通过在气流中添加烟雾等示踪剂，可以清晰地看到尾流和湍流的形成过程。这
种试验方法对于研究复杂地形和特殊工况下的风机布局尤为有效。例如，在研究
海上风电场中风机在海浪和海风共同作用下的布局优化时，风洞模型试验可以模

拟海浪对气流的影响，帮助确定在不同海浪条件下风机的最佳间距和排列方式，
为实际的海上风电场设计提供可靠的依据。同时，风洞模型试验还可以用于验证
CFD 模拟的结果，通过对比试验数据和模拟数据，发现模拟过程中可能存在的
问题和误差，进一步优化 CFD 模型和模拟参数，提高模拟的准确性和可靠性。

此外，风洞试验还可以对一些新型风机设计或风机控制技术进行初步验证，在小
规模试验中评估其性能和可行性，为大规模应用提供参考。
3. 机器学习算法辅助
机器学习算法在风机布局优化中也有着重要的应用价值。通过收集大量的风

电场实际运行数据，包括风速、风向、风机功率输出、湍流强度等信息，利用机
器学习算法进行数据挖掘和分析。例如，采用神经网络算法构建风机性能预测模
型，将风速、风向、风机位置等作为输入参数，风机功率输出和湍流强度作为输
出参数。通过对大量数据的训练，该模型能够准确预测不同风机布局在不同风况

下的性能表现，为布局优化提供决策依据。机器学习算法还可以用于自动生成风
机布局方案。通过对已有成功案例的学习，算法能够根据场址的风资源特点、地
形地貌等条件，自动生成多种风机布局候选方案，并对这些方案进行初步评估和
排序。例如，利用遗传算法对风机布局方案进行优化搜索，以发电效率最大化、

湍流影响最小化等为目标函数，通过不断迭代优化，找到最优的风机布局方案。
同时，机器学习算法还可以用于实时优化风机运行参数，根据当前的风况和风机
状态，自动调整风机的转速、叶片桨距角等参数，提高风机的运行效率和稳定性。

4. 多物理场耦合模拟
在风机布局优化过程中，考虑多物理场耦合作用的模拟也是非常必要的。除
了气流场，风机的运行还涉及结构力学场、电磁场等多个物理场。例如，风机叶
片在旋转过程中会受到气流的作用力，同时也会产生自身的结构变形和振动，而

190