摘要：复杂山地风电场普遍存在观测风速数据质量差引起风资源评估误差大、风功率预测精度低的问题。而复杂山地风速呈现较强的间隙性、波动性和非平稳性,导致常规质量控制方法无法有效提高数据质量。针对此,提出一种基于粒子群改进变分模态分解和长短期记忆网络的集成学习算法(PVL),并应用于复杂山地观测风速的质量控制以提高风速数据的质量。以广西某复杂山地风场内5基观测塔2015—2016年逐10 min风速数据为案例进行PVL应用效果检验,并与传统单站及空间回归法、反距离加权法进行对比。应用表明,PVL比传统方法具有更高的寻误率,且在异地形、多风况上具有更强的适应性。

摘要：山地风受地形影响呈现强烈的间隙性、波动性和非平稳性,观测质量差,常规质量控制方法无法有效地提升其观测质量。针对此,构造一种基于变分模态分解、卷积神经网络、门控循环单元组合深度学习的质量控制方法(VCG),并引入粒子群智能优化策略、风功率重构模型,综合提升观测数据质量。为验证该方法的效果,运用该方法对江西赣州、四川广元、安徽芜湖、湖北黄石、河南平顶山、广西贺州某地共6座复杂山地风电场目标观测塔2016年10 min风速、风向数据进行质量控制,并与单一机器学习方法、空间回归方法(SRT)、反距离加权法(IDW)进行对比。结果表明,该方法适用于山地风电场的观测风数据的质量控制,相较于常规方法具有更高的可疑数据检错率;控制后的数据能更好地还原观测背景场,应用于风电场的发电量评估业务具有更低的误差率;且具有地形适应性强的特点。

摘要：基于工程应用中翼型尾缘开口对风力机叶片气动特性的影响,文章建立了6.7 MW水平轴风力机动力学模型,采用CFD和BEM联合仿真的方法探究了翼型尾缘开口为0,0.1%c,0.3%c,0.5%c时对风力机叶片气动特性的影响。结果表明:随着尾缘开口的增加,翼型的升力系数、升阻比具有一定程度的增加;阻力系数在失速前几乎不变,失速后略微变化;翼型发生失速的角度为12°,不同开口翼型失速分离点的位置略向后缘移动。此外,在3-D湍流风作用下,大型叶片变形和轴向力均略微增大,发电量最大增加了0.88%。