基于多尺度特征识别的风电场尾流数据驱动建模

《Renewable Energy》：Data-driven modeling of wind farm wake flow based on multi-scale feature recognition

风场尾流预测方法研究。提出基于视频帧插值与多尺度特征识别（SIFT/DTW）的数据驱动建模方法，通过有限数据插值实现二维/三维尾流场高效计算。六组案例测试显示MAPE达0.68%-2.28%，优于传统CFD模拟与物理模型，尤其在二维场足够时计算效率提升显著，为风场设计、功率预测提供新工具。

　　风能作为一种可再生能源，其高效利用对全球能源结构的优化具有重要意义。在风力发电场中，由于风力涡轮机之间的相互作用，形成了复杂的尾流效应。这种效应不仅影响风力涡轮机的输出功率，还对整个风场的运行效率和设备寿命产生深远影响。因此，如何准确且高效地预测风场尾流的发展趋势，成为风能研究领域的重要课题。本文旨在探讨一种快速的数据驱动型尾流建模方法，该方法受视频帧插值技术的启发，利用相似性原理，通过多尺度特征识别技术，将风场尾流数据转化为图像形式，并通过特征识别、匹配和插值实现对尾流场的预测。

在风场中，下游的风力涡轮机会受到上游涡轮机尾流的影响，导致风速下降、湍流强度增加以及疲劳载荷加重等现象。为了更好地理解和优化风场布局，研究人员已经尝试了多种方法，包括物理测量、数值模拟、基于物理的建模和数据驱动建模。其中，物理测量方法虽然能够提供高精度的数据，但其成本高昂，且受天气条件和设备性能的限制。数值模拟，如计算流体力学（CFD）和大涡模拟（LES），在预测尾流场方面具有较高的准确性，但计算成本也相对较高，难以在大规模优化任务中广泛应用。基于物理的建模方法通常通过简化物理模型和假设条件来构建尾流模型，虽然计算成本较低，但其预测精度受到简化假设的限制。相比之下，数据驱动建模方法利用大量高质量的数据进行训练和验证，近年来在风能研究中得到了广泛关注。

数据驱动建模方法的一个关键挑战在于如何从有限的数据集中提取有效的信息，以构建能够准确预测尾流场的模型。传统方法如主成分分析（PCA）和动态模式分解（DMD）被用于提取低维数据特征，但这些方法在风场尾流建模中的应用仍处于初步阶段。近年来，随着人工智能技术的发展，深度学习和机器学习方法被广泛应用于风场尾流预测。例如，神经网络被用于风场尾流建模，支持向量机（SVM）被用于风速预测，决策树和K近邻（KNN）方法也被用于风场尾流数据的分类和预测。然而，这些方法仍然依赖于大量高质量的数据集，而风场尾流数据的获取成本高、周期长，限制了其在实际应用中的推广。

受视频帧插值技术的启发，本文提出了一种基于多尺度特征识别的快速数据驱动型风场尾流建模方法。该方法通过将风场尾流数据转化为图像形式，利用图像处理技术识别和匹配关键特征，并通过插值方法生成新的尾流场。视频帧插值是一种常见的图像处理技术，其目标是通过两个已知视频帧之间的特征匹配和融合，生成中间帧以提高视频的帧率。常见的视频帧插值方法包括直接插值法、基于核的方法、基于相位的方法和基于包裹的方法。其中，基于包裹的方法因其能够准确识别和插值关键特征而受到关注。

本文提出的方法采用了基于尺度不变特征变换（SIFT）和动态时间规整（DTW）的多尺度特征识别技术。SIFT是一种经典的图像特征识别方法，能够识别和匹配不同尺度下的关键特征，从而实现对图像中关键结构的深入理解。该方法在图像处理领域得到了广泛应用，包括表面重建、边缘检测和噪声消除等。通过合理选择尺度范围和特征描述符，SIFT方法能够在有限的图像数据中提取丰富的信息。例如，有研究指出，通过优化尺度选择可以提高空中图像的匹配精度，增强在少量图像情况下的预测性能。此外，有研究提出了一种多尺度SIFT方法，能够在不同分辨率下稳健地提取特征，适用于数据有限的场景。还有研究通过在SIFT框架中引入自适应尺度描述符，提高了红外图像在小数据集中的匹配精度。

DTW是一种用于时间序列匹配和插值的算法，能够通过动态调整时间序列的对齐方式，实现对相似特征的匹配和插值。在风场尾流建模中，DTW能够有效处理时间序列数据，识别不同时间点上的尾流特征，并生成新的尾流场。该方法在风场尾流预测中具有独特的优势，因为它能够处理时间序列数据中的非线性变化，提高预测的准确性。

本文提出的方法仅需要两个尾流场快照作为输入，从而实现了最低的输入要求。此外，这也是首次将多尺度特征识别方法应用于动态风场系统生成的数据，从而扩展了该方法的应用范围。通过将风场尾流数据转化为图像形式，并利用SIFT和DTW方法识别和插值关键特征，该方法能够在有限的数据集中实现高效的尾流场预测。该方法不仅能够处理二维尾流场，还能够扩展至三维尾流场，具有较高的灵活性和适用性。

为了验证该方法的有效性，本文设计了六个代表性案例，涵盖了不同类型的风场尾流场，包括不同间距和不同尺寸的微型风场、间距和尺寸组合变化的风场、不同数量的风力涡轮机以及不同风向偏移度的风场。通过这些案例的评估，该方法在多个场景中均表现出较高的预测精度，其平均绝对百分比误差（MAPE）范围在0.68%至2.28%之间。此外，该方法在计算效率方面也具有显著优势，相较于大涡模拟（LES）和Meteodyn WT等方法，其能够在满足工业需求的情况下，快速生成尾流场数据，从而为风场设计、功率预测等任务提供支持。

在风场尾流建模中，计算流体力学（CFD）方法被广泛用于模拟风场尾流场。CFD方法通过求解纳维-斯托克斯方程，能够提供高精度的尾流场数据。然而，CFD方法的计算成本较高，尤其在需要处理大规模风场时，计算资源的需求会显著增加。为了减少计算成本，研究人员通常采用简化模型，如作用盘模型（ADM）、作用线模型（ALM）和作用面模型（ASM）。这些模型通过简化风力涡轮机的结构，减少计算复杂度，从而提高计算效率。例如，作用线模型能够更真实地模拟风力涡轮机的局部升力和阻力分布，从而提高对近尾流结构和叶片末端尾流偏转的预测精度。然而，这些简化模型仍然存在一定的局限性，尤其是在处理复杂风场结构时，其预测精度可能受到影响。

此外，本文还探讨了数据驱动方法在风场尾流建模中的应用。通过将风场尾流数据转化为图像形式，并利用多尺度特征识别技术提取关键特征，该方法能够在有限的数据集中实现高效的尾流场预测。这种基于图像处理的方法不仅能够处理二维尾流场，还能够扩展至三维尾流场，具有较高的灵活性和适用性。通过将尾流场数据转化为图像，可以利用图像处理技术识别和匹配关键特征，并通过插值方法生成新的尾流场。这种方法的优势在于，它能够在不依赖复杂物理模型的情况下，实现对尾流场的快速预测，从而降低计算成本。

本文提出的方法在多个案例中得到了验证，包括不同间距、不同尺寸、不同风向偏移度等场景。在这些案例中，该方法均表现出较高的预测精度，其平均绝对百分比误差（MAPE）范围在0.68%至2.28%之间。此外，该方法在计算效率方面也具有显著优势，相较于传统的数值模拟方法，其能够在满足工业需求的情况下，快速生成尾流场数据。因此，该方法可以作为风场设计和功率预测的替代方案，平衡计算效率和预测精度。

在风场尾流建模中，数据驱动方法的应用前景广阔。随着风场数据的不断积累，数据驱动方法的预测精度有望进一步提高。此外，结合人工智能技术，如深度学习和机器学习，可以进一步优化数据驱动方法的性能。例如，利用神经网络进行尾流场预测，可以提高模型的泛化能力和预测精度。同时，结合动态模式分解（DMD）等方法，可以提取尾流场的动态特征，提高预测的准确性。

总之，本文提出的一种基于多尺度特征识别的快速数据驱动型风场尾流建模方法，不仅能够有效解决风场尾流数据获取成本高的问题，还能够在有限的数据集中实现高效的尾流场预测。该方法通过将尾流场数据转化为图像形式，并利用SIFT和DTW技术识别和插值关键特征，为风场设计和功率预测提供了新的思路和技术手段。未来的研究可以进一步优化该方法，提高其在复杂风场环境中的适用性，并探索其与其他人工智能技术的结合，以实现更高的预测精度和计算效率。