本技术公开一种基于改进型物理信息神经网络的风电场尾流预测方法,构建融合激光测风雷达模块、二维Navier‑Stokes方程和致动盘模型的基础型物理信息神经网络;对基础型物理信息神经网络采用余弦退火算法和动态损失函数权重,并引入逐步时间节省策略进行训练构建改进型物理信息神经网络;基于激光测风雷达稀疏测量点的视向风速数据构建训练数据集,对改进型物理信息神经网络进行训练,得到风电场尾流预测模型;输入空间位置数据和时间数据,得到预测的风电场尾流风速和空气压力。本发明中改进型物理信息神经网络将测量数据与物理规律进行结合,并通过采用精度提升策略和逐步时间节省策略,实现对整个风电场尾流的准确与高效预测。
背景技术
风能作为最重要的可再生能源之一,风力发电技术在全球范围内得到迅速发展。随着风电场规模的扩大和风力机的大型化发展,因尾流效应造成风能损失愈加严重。因此,为了减轻尾流效应的影响并提高风力机对风能的利用效率,准确与高效的尾流预测对于风电场的优化设计与控制具有重要意义。尾流效应是指由于上游风力机从迎风侧提取风能后在其后方形成湍流区域,导致下游风力机接收到的风速降低、湍流增强,从而使得风力机的发电效率降低和疲劳损耗增加。
当前,传统的基于深度学习技术的尾流预测模型,需要大量数据以实现模型训练,而在实际应用中往往难以获取满足需求的数据量,阻碍了其在工程实践中得到广泛应用。
激光测风雷达技术因具有测量精度高、时空分辨率高、探测范围广、响应速度快等优势,在风电领域得到了普遍应用。然而,激光测风雷达只能测量沿激光光束方向上稀疏位置的视向风速和风向,无法得到风电场尾流的详细信息。
因此,急需一种能够利用激光测风雷达稀疏测量点的视向风速数据,实现风电场尾流准确与高效预测的技术解决方案。
实现思路