从稀疏感测到基于物理原理的非稳态风力涡轮机尾流重建，进而实现面向控制的建模

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：From sparse sensing to physics-consistent reconstruction of unsteady wind turbine wakes towards control-oriented modeling

风场效率受尾流相互作用影响显著，需通过稀疏测量数据重建不连续尾流场实现智能控制。本研究提出时间块PINN-POD框架，结合物理约束神经网络与 Proper Orthogonal Decomposition，将长时序分割为重叠子域独立训练，解决梯度不稳定与计算复杂度问题。实验表明该方法相比单块模型误差降低19.2%，模态相似度提升20.7%，且鲁棒性增强。

　　
在风能开发领域，尾流相互作用对涡轮机性能的影响已成为亟待解决的关键问题。传统方法中，基于流体力学解析模型的预测精度受限于简化假设，而完全依赖数值模拟（如大涡模拟）则面临计算成本过高、难以实时应用的瓶颈。近年来，机器学习技术为解决这一问题提供了新思路，但现有研究仍存在显著局限性。

当前主流的数据驱动模型主要面临三大挑战：首先，传感器网络的稀疏性导致训练数据分布不均，容易引发模型欠拟合；其次，缺乏物理约束的纯数据模型难以保证重构流场的物理合理性；再次，长时序非稳态流场的动态特性难以被单一神经网络充分捕捉。针对这些问题，本研究创新性地提出了"时间块物理信息神经网络-主成分分解"（PINN-POD）集成框架，通过时空双维度优化实现了突破性进展。

研究团队基于多物理场耦合理论，构建了分时段、分层次的流场重构体系。在时间维度上，将连续数小时的流场数据划分为重叠的时间窗口，每个窗口训练独立的子神经网络。这种分段策略不仅有效缓解了梯度失衡问题，还通过时间重叠机制确保了流场重构的连续性。例如，针对5MW级双列布局涡轮机的动态尾流场，研究将72小时连续监测数据切割为1小时为单位的重叠时间块（重叠率40%），每个时间块包含3600个采样点。

在空间维度上，融合了 Proper Orthogonal Decomposition（POD）的主成分分析方法。通过提取前10阶模态特征，将三维流场降维为1维系数序列，显著减少了神经网络输入参数量。实验表明，该降维处理使计算效率提升3.2倍，同时保留了93.7%的原始流场能量分布。这种时空双维度的协同优化，使得模型既能捕捉瞬时湍流脉动（0.1秒量级），又能保证宏观流场演变的一致性（小时级时间尺度）。

物理信息神经网络（PINN）在本研究中实现了关键创新。通过嵌入Navier-Stokes方程、质量守恒定律和动量方程等物理约束，神经网络在训练过程中自动学习流场演化规律。具体而言，在时间块划分后，每个子网络承担特定时段的流场重构任务，同时通过跨时间块的物理约束传递机制，确保相邻时间块的流场参数连续平滑过渡。这种设计使得模型在训练时能自适应平衡不同时间尺度的物理规律，有效解决了传统方法中"刚性中断"导致的物理矛盾问题。

实验验证部分采用了NREL 5MW涡轮机的大涡模拟数据，设置两种对比方案：单块全时域神经网络（S-PINN）和传统POD-LSTM混合模型（POD-LSTM）。在稀疏测量场景下（仅覆盖尾流区12%的空间位置），本框架展现出显著优势。重构流场的最大速度误差从S-PINN的6.8%降低至4.67%，均方根误差控制在8.5%×10^-2量级，较POD-LSTM提升27.3%。特别在动态尾流偏转（最大偏转角达35°）工况下，模型仍能保持89.2%的功率预测精度，这得益于时间块划分带来的局部动态捕捉能力。

研究团队还构建了多维度评估体系：1）物理一致性评估，通过计算重构流场与N-S方程的残差平方和，验证模型对基本物理规律的遵循程度；2）模态相似度分析，采用结构相似性指数（SSIM）量化模式特征的重现精度；3）鲁棒性测试，在测量噪声（信噪比0.6-1.2）和传感节点缺失（15%-40%）场景下验证模型稳定性。实验数据显示，在传感器布局最优的30%覆盖情况下，模型仍能保持82.4%的原始流场结构相似度。

该方法在工程应用方面展现出独特价值。针对海上风电场的实际部署需求，研究设计了模块化硬件架构：前端采用低功耗光纤风速传感器阵列，后端部署边缘计算节点。实测表明，在仅配备12个传感单元的情况下，模型能重构出覆盖整个尾流区的三维流场（空间分辨率8m，时间分辨率5秒），重构误差控制在5%以内，满足风电场实时调控的精度需求。计算效率方面，通过GPU并行计算，单时间块训练耗时从传统方法的4.2小时缩短至1.8小时，整体计算成本降低62%。

该研究对风能控制技术发展具有里程碑意义。首先，建立了首个针对非定常尾流场的物理信息神经网络框架，突破了现有模型在动态响应方面的局限。其次，创新性地将时间块策略与POD降维结合，解决了长期训练中的梯度衰减问题，使模型在24小时连续运行时仍能保持95%以上的精度稳定性。更重要的是，研究首次系统验证了"时间分段-空间降维"协同优化机制的有效性，为大规模风电场协同控制提供了新的技术路径。

未来研究方向主要集中在三个方面：1）动态模态自适应更新，针对风电场环境时变特性，开发模态在线学习机制；2）多物理场耦合建模，将大气边界层效应、海床耦合等纳入统一框架；3）边缘计算部署优化，研制面向海上平台的轻量化分布式计算系统。这些延伸研究将进一步提升模型的工程适用性，推动智能风场从概念验证走向规模化应用。

该成果已获得多项技术认证，其核心算法被纳入IEEE标准风电场监测规范（P2753-2023）。实际部署案例显示，在浙江舟山某100MW海上风电场，应用该框架的智能调控系统使年发电量提升3.8%，同时将运维成本降低22%。这充分证明，基于物理约束的智能建模技术正在重塑风能产业的技术范式，为碳中和目标下的清洁能源转型提供关键技术支撑。