2022, Vol. 40
2. 南京理工大学 新能源学院，江阴 214443
2. School of New Energy, Nanjing University of Science and Technology, Jiangyin 214443, China
近年来，为落实《巴黎协定》温室气体减排目标，世界各国积极制定能源转型战略，以风电为代表的新能源发展正阔步前进。美国能源部预测，至2030年美国风电装机容量有望增加到3.04亿千瓦，将满足其20%的电力需求。对于英国，2019年风电已占总电力的20％，预计到2030年风电可供应英国50%以上的电力[1]。此外，欧洲风能协会指出，至2050年左右风电将占据欧盟电力市场的半壁江山。由此，未来风电在全球仍将保持高速增长，风电大规模化发展是必然趋势。
为了加快风能高质量发展，我国也制定了积极的纲领性行业政策。特别地，为落实国家“30•60”碳排放战略目标，2020年10月北京国际风能大会（CWP 2020）上，来自全球400余家的风能企业代表联合发布了《风能北京宣言》[2]，其中提出了一个宏大的发展目标：中国风电总装机容量到2030年至少达到8亿千瓦；到2060年至少达到30亿千瓦，可提供全国30%以上的电力电量需求。根据国家能源局的统计，截至2021年8月末，我国累计装机容量达到2.95亿千瓦，仍与拟定目标相差甚远，面临一定的技术挑战。另一方面，海上风电凭借容量系数高、可大规模发展、有较好的消纳能力等优势成为近年来的开发热门。而我国海上风电发展起步较晚，目前占比较小，与国外存在一定的差距，具备极大的发展空间[3]。
风能的开发利用是一门综合性强且多学科高度交叉融合的工程技术，涉及空气动力学、气象学、结构力学、机电工程、材料科学、控制等多学科。其中，空气动力学是风能工程面临的首要和关键问题，决定着风工程的经济性、稳定性和安全性，一直是风能技术研究的重点和热点[4]。真实条件下，风力机运行在含大气/地形湍流和机组尾流的复杂气流环境中，面临强非定常、多尺度耦合、流动分离等空气动力学领域复杂问题。另外，风电机组大型化、风电场多样化和集群化、风电智能化和数字化是未来风电发展的大趋势，由此带来的新问题对风能技术提出了新的挑战。
在风能工程中，大气空气动力学（属于气象学）的主要任务是准确评估风资源，确保风能的合理开发利用，研究重点主要包括：1）大气边界层湍流风特性；2）大气边界层稳定度及其演变规律；3）复杂陆上地形/海上环境对风特性的影响；4）中尺度大气的预测；5）风能资源准确评估。风力机空气动力学的主要任务是叶片气动外形设计，直接关系到风力机的性能、效率和安全性等方面，研究重点包括：1）风力机专用翼型的设计与评估；2）风力机叶片的非定常气动特性及计算分析方法；3）风力机叶片设计及软件系统；4）风力机流动控制技术；5）大型叶片气弹效应；6）现代化/新型化风力机设计。
风电场空气动力学的主要任务是合理布置风电机组，使得风电场经济效益最大化和风资源利用最合理化，研究重点包括：1）风力机尾流气动特性及研究方法；2）风电场发电功率预测和发电效率提升技术；3）风电场微观选址及软件系统；4）海上风电场；5）复杂大气/地形条件下风电场流动及发电量预测；6）大气边界层与风电场之间、风电场集群之间的相互作用；7）大型风电场的气候/环境效应。作为风工程空气动力学研究进展综述的第二部分，本篇将针对大气空气动力学和风电场空气动力学两个主题，分别评述其国内外研究现状和取得的关键进展，期望为风能技术的发展及风工程项目的实施提供有益的参考。最后，在上述研究进展梳理和总结的基础上，对今后的研究方向和重点进行分析与展望。
1 风工程气动特性研究的复杂性风力机运行在近地面大气湍流内，同时不可避免地位于周围其他机组的尾流干扰之中，这使得风能工程项目（如风电场宏观选址和微观选址等）面临空气动力学领域复杂的流动问题，研究难点主要体现在以下几个方面[4-6]：
（1）非定常来流复杂。风电场位于大气边界层底部，主要吸收利用近地面30～300 m之内的风能资源。该区域内普遍存在风切变、风转向、湍流等多类风况。另外，受地形地貌、大气热力效应以及自由大气气压梯度的共同作用，边界层内还存在显著的周期（日、月、季节）变化特征，导致边界层结构和湍流风特性实时演变。不同时段的湍流风与风电场的相互作用如图1所示。这些均使得风电机组的气动现象呈现强非定常特点。
（2）风力机尾流效应复杂。风流经风力机后在其下游形成尾流，之后在横风向和纵向扩展、蜿蜒，最终以一种近乎混沌的方式消散。风力机尾流结构复杂，包括大气湍流、风力机部件绕流、机组运行脱出的旋转气流等。此外，尾涡发展演变模式多样，包括集中涡的形成、发展和衰减的演变，集中涡与大气湍流涡的相互牵扯与融合等，如图2所示。尾流效应不仅会降低下游机组的输出功率，还会增加叶片的非定常载荷，同时影响叶片的气固耦合特性和产生附加气动噪声。研究表明，即使在风力机下游10D～12D（D为风轮直径）距离后，尾流作用仍然存在，对下游机组产生不可忽视的影响。
|
图 1 陆上大气边界层（白天和晚上两个不同时段）的结构及与风电场相互作用示意图 Fig.1 Schematic of the onshore atmospheric boundary layer (ABL) structures during the day and night as well as the interaction with the wind farm |
|
图 2 风力机尾涡结构示意图（尖速比λ = 7.07工况条件下Tjaereborg风力机尾涡模拟，根据文献[7]重绘） Fig.2 Schematic diagram of vortex structure in the wake of a wind turbine (Tjaereborg wind turbine at a tip speed ratio λ = 7.07, adapted from reference [7]) |
（3）大型风电场内机组混合尾流复杂。对于包含数十台甚至上百台机组的风电场而言，机组尾涡的叠加和相互干扰以及尾流与大气的动量掺混等，使得尾流场呈现强非定常、多尺度效应、热力—动力耦合等高度复杂的特点。图3为航拍到的Horns Rev大型海上风电场在盐雾天气条件下的尾流流场。从图中可以看出，上游机组产生的尾流在下游持续发展，与下游机组的尾流相互干扰、融合，延续到很远的距离。据统计[8-9]，受风电场布局及大气稳定度的影响，风电场混合尾流可在下游发展5～20 km。另外，大型风力机叶片尺寸与大气边界层中的湍流大涡结构相当，可能引发共振效应，使得大型叶片非定常载荷的变化更为严峻，对机组安全性和寿命产生影响。
|
图 3 盐雾天气下航拍到的Horns Rev海上风电场尾流图[10] Fig.3 Aerial image of the wind turbine wakes of the Horns Rev wind farm under a low hanging fog condition[10] |
（4）大气层与大型风电场的多尺度效应及相互作用复杂。大气层中包含连续湍流尺度的物理现象，尺度涉及毫米量级的湍流耗散（Kolmogorov尺度）到百公里尺度的长波运动（大中尺度）[11]。这些多尺度的大气运动，通过大气底部的薄层（即大气边界层）作用于多个层面，包括微观的叶片附面层（空间尺度约为1×10−3 m，时间尺度约为1×10−3 s）到风力机（空间尺度约为1×101 m，时间尺度约为1×10−1 s），再到宏观的风电场（空间尺度约为1×103 m，时间尺度约为[10 s，days]），最终形成复杂的多尺度流场结构，如图4所示。此外，一方面，大气特性主导风电场的流动结构及发展、演变过程；另一方面，大型风电场或风电基地的覆盖区域可达数十甚至上百平方公里，产生的巨大扰动会持续抬升、充分扩散，从而影响和改变大气层的整体结构和特性，甚至可对局地气象、环境产生影响[12-13]。
|
图 4 风力机空气动力学研究中所涉及的多尺度问题（从翼型尺度到气象中尺度） Fig.4 Schematic diagram of the multi-scale problem in the wind turbine aerodynamic research(from the airfoil scale to the meteorological mesoscale) |
风力发电是将大气边界层内的风能转化为电能的技术，其效益取决于风资源的时空分布及机组的风能利用率。因此，作为风力机的入流和驱动条件，开展大气边界层湍流研究具有重要的理论意义和工程应用价值。
大气边界层是指大气层底部与陆地/海洋存在摩擦力作用的一个薄层，受表面摩擦、气压梯度和科氏力的综合影响，如图5[13]所示。对于一般湍流条件，大气边界层从垂直方向上又细分为：1）贴地层，靠近地面的一个薄层（0～2 m），风工程上可忽略不计；2）近地层（Prandtl层），从贴地层到离地高度100 m之内，此时，湍流黏性力占主导，风切变较大，风向基本不变，湍流通量随高度近似不变；3）艾克曼（Ekman）层，该层通常离地100 m～2 km，受摩擦力、科氏力和气压梯度力共同作用，使得风向随高度变化而转向；4）边界层以上为自由大气层，空气运动基本遵守地转风法则。
|
图 5 陆上典型大气边界层分层结构示意图 Fig.5 Schematic of the onshore ABL structure |
此外，不同于普通流体，大气边界层结构及其湍流特性还受到大气层结稳定性（包含不稳定、中性、稳定等）的严重影响。相应地，边界层中气象要素（风速、风向、温度）的时空分布规律也受此影响。例如，不同大气稳定度条件下，平均风速在空间域上表现为风速廓线形态差异，时间域上表现为风速波动振幅和频率不同[14]。如图6（a）所示，中性时风廓线呈指数分布，稳定大气呈上凸型，不稳定大气呈下凹型。在风力机轮毂高度处（H = 1.15D），不稳定和稳定条件下的风速相差19%；根据风力机的发电功率近似与来流风速的3次方呈正比关系，可以推算两种大气条件下的发电功率可相差47%。然而，当前风工程领域的多数工作仅以中性大气作为入流条件，势必会造成风力机设计选型不合理及风力机发电量评估误差，进而给风电项目的经济性带来风险。如图6（b）图所示，脉动风速也受大气稳定度的显著影响。不稳定条件下的脉动速度能量远高于稳定条件两个量级。湍流功率谱密度是计算风力机叶片疲劳特性的重要参数，若忽略大气稳定度的影响，会造成一定的风力机结构设计误差。
|
图 6 典型大气条件下的风速廓线及速度脉动功率谱分布（根据文献[14]的结果重绘） Fig.6 Wind speed profiles and vertical velocity fluctuation power spectra under typical atmospheric conditions (adapted from references [14]) |
风工程领域比较关注湍流风的速度特性（包括平均和脉动），其模拟精细度和准确度直接影响机组输出功率和机械载荷预测的可靠性[12]。目前，风力机的风轮旋转高度主要在近地面150 m以下的范围；但随着风电机组的大型化和超大型化发展（截至2021年1月，世界上最大的Haliade-X 12 MW海上风机，叶片长达107 m，叶尖最大高度为260 m），工程领域除了特别关注常规的近地层大气湍流运动规律之外，还应了解艾克曼层的风资源信息。因此本小节介绍近地层和艾克曼层的大气运动规律及定量化参数。
2.1.1 近地层如前所述，大气边界层风速廓线受大气稳定度的显著影响。根据莫宁-奥布霍夫（Monin-Obukhov）相似性理论，考虑大气稳定度因素的近地面层风速廓线表达式为：
| $ U\left(z\right) = \frac{{u}_{*}}{\kappa }\left[\mathrm{ln}\left(\frac{z}{{z}_{0}}\right)-\varPsi \left(\frac{z}{L}\right)\right] $ | (1) |
式中：
| $\begin{split}& \varPsi \left(\dfrac{z}{L}\right) =\\&\qquad \left\{\begin{array}{l} -4.7\left(\dfrac{z}{L}\right),\qquad\qquad\qquad\qquad\qquad\qquad\quad\;\;\, \dfrac{z}{L} ＞ 0\\ 0,\qquad\qquad\qquad\qquad\qquad\;\;\;\, \qquad\qquad\qquad\dfrac{z}{L} = 0\\ 2\mathrm{ln}\left(\dfrac{1+x}{2}\right)+\mathrm{ln}\left(\dfrac{1+{x}^{2}}{2}\right)-2\mathrm{arctan}\left(x\right)+\dfrac{\text{π}}{2} ,\quad \dfrac{z}{L} ＜ 0\end{array}\right. \end{split}$ | (2) |
式中：
对于叶轮顶部高度超过100 m的现代大型风电机组，叶片不可避免地运行在艾克曼层，此时不能仅用2.1.1节描述的近地层风速廓线进行风资源和载荷的评估，还必须同时考虑艾克曼层更复杂的风环境。为了使近地层和艾克曼层的风速廓线具有很好的连续性，统一后的表达形式为：
| $\begin{split}& U\left(z\right) = \\&\qquad \left\{\begin{array}{l}\dfrac{{u}_{*}}{\kappa }\left[\mathrm{ln}\left(\dfrac{z}{{z}_{0}}\right)-\mathrm{\varPsi }\left(\dfrac{z}{L}\right)\right],\quad \qquad z < {z}_{p}\\ {u}_{g}[-\sin{(\alpha }_{0})+\cos\left({\alpha }_{0}\right)],\quad \quad z = {z}_{p}\\ {u}_{g}\Bigg\{1 - 2{{\rm{e}}}^{- Y\left(z-{z}_{p}\right)}\Bigg[\sqrt{2}\text{s}\text{i}\text{n}{(\alpha }_{0}) \cos\Bigg({Y}(z - {z}_{p}) + \dfrac{{\text{π}} }{4} - {\alpha }_{0}\Bigg)+\\ \qquad {{\rm{e}}}^{-Y\left(z-{z}_{p}\right)}{\sin}^{2}{(\alpha }_{0})\Bigg]{\Bigg\}}^{2},\quad z > {z}_{p}\\ \end{array}\right. \end{split}$ | (3) |
式中：
随着风力机大型化发展，叶轮扫风范围内的风速廓线形态变得更为复杂，且最高点和最低点的风速差别可达30%左右，此时风工程设计需要更加准确全面的风资源分布信息。在此情况下，仅采用轮毂中心位置单一风速计算风力机性能的工程常规方法可能引起较大误差。为此，国际电工委员会（IEC）2017年发布了风电机组功率特性测试标准IEC 61400-12-1: 2017[17]，该标准考虑了扫风面积内多个高度的风速大小，提出了更能精确反映风轮扫掠面动能通量的等效风速概念用于机组功率特性评估。文献[18]采用理论分析的方法，研究了基于轮毂高度的单点风速法和等效风速法对风力机功率计算结果的影响，结果表明，采用等效风速法明显提高了功率计算的准确性。
2.2 脉动风特性及工程模型除上述平均风特性之外，还需特别关注能够体现大气湍流脉动的重要特征量—湍流强度。这是由于，一方面，湍流强度大小严重影响风电输出功率。研究表明[19]，随着湍流强度增大，发电容量系数（实际发电功率与额定功率之比）降低，例如，假定轮毂高度风速相同，以高湍流为特征的不稳定大气条件下风力机的输出功率比低湍流度的稳定层结条件下约降低15%～20%。另一方面，湍流强度影响风电机组各零部件载荷，例如，文献[20]的仿真结果表明，当湍流强度由12%升至14%～16%时，叶根和塔底的等效载荷均增大10%左右，由此会造成风力机结构的疲劳破坏概率增大，大大降低风力机组使用寿命。
湍流强度TI的定义为脉动速度均方根
| $ TI = \frac{\mathrm{\sigma }}{\stackrel-{V}} = \frac{\sqrt{{{u}'}^{2}+{{v}'}^{2}+{{w}'}^{2}}}{\sqrt{{u}^{2}+{v}^{2}+{w}^{2}}} $ | (4) |
式中：
在风工程研究中，多数仅关注流向湍流强度
| $ {TI}_{u} = 1/\mathrm{ln}\left(z/{z}_{0}\right);\;\;{TI}_{v} = 0.8{TI}_{u};\;\;{TI}_{w} = 0.8{TI}_{u} $ | (5) |
与之不同，IEC规范中给出：
| $ \begin{split}{TI}_{u} = 1/\mathrm{l}\mathrm{n}\left(z/{z}_{0}\right) + 1.84{TI}_{15}/\bar{V}; \; {TI}_{v} = 0.7{TI}_{u};\;{TI}_{w} = 0.5{TI}_{u} \\\end{split}$ | (6) |
式中：
| $ TI\left(\dfrac{z}{L}\right) = \left\{\begin{array}{c}\dfrac{\kappa {A}_{i}{\left(1+{C}_{i}\; \dfrac{z}{L}\right)}^{-\frac{1}{2}}}{\mathrm{ln}\left(\dfrac{z}{z_0}\right)-\varPsi \left(\dfrac{z}{L}\right)},\quad \dfrac{z}{L}\geqslant 0\\ \dfrac{\kappa {A}_{i}{\left(1-{B}_{i} \; \dfrac{z}{L}\right)}^{\frac{1}{3}}}{\mathrm{ln}\left(\dfrac{z}{z_0}\right)-\varPsi \left(\dfrac{z}{L}\right)},\quad \dfrac{z}{L}\leqslant 0\end{array}\right. $ | (7) |
式中：
上述讨论主要针对近地层的湍流信息，而对于叶轮高度超过100 m的大型风力机设计，需考虑艾克曼层的湍流信息。Arya[22]给出了不稳定大气条件下艾克曼层的湍流强度计算公式：
| $ {TI}_{u,v,w} = \frac{{\sigma }_{u,v,w}}{\bar{V}} = \frac{0.6{w}_{*}}{\bar{V}} $ | (8) |
式中：
由上可知，各湍流强度计算模型差别较大。这反映了实际风场中湍流分布受热力、地面摩擦和地形等局地环境的影响，缺乏明确的规律性。后续工作中应针对大气湍流开展深入研究，厘清影响湍流强度分布的关键因素和作用规律，建立耦合多参数的新型湍流强度计算模型。此外，湍流积分尺度和功率谱密度等参数与叶片非定常载荷计算、疲劳特性计算密切相关，一些相关模型参阅文献[4]，这里不再赘述。
2.3 大气稳定度及其演变对风资源的影响相比于流体力学常规湍流，大气边界层内的湍流成分除地表摩擦形成的动力湍流之外，还包括太阳辐射造成的热力湍流，形成了热力—动力耦合。对于平坦地形或近海等下垫面相对简单的局地环境，热力因素（反映为大气稳定度）是影响大气湍流运动及特性的主要因素。在一天时间内，随着太阳辐射的强弱变化，地表加热和冷却的日循环会引起大气层结经历不稳定—弱不稳定—近中性—弱稳定—稳定的连续性演变过程（图7所示），这也是大气边界层的典型特征之一。具体而言：1）白天近地面形成不稳定的对流混合层，边界层厚度可达上千米；湍流活动剧烈且呈现有组织的大涡结构，垂直方向的强对流促使风速近似均匀分布。2）夜晚则相反，近地面形成稳定的逆温层，而上部仍然保持白天混合层的特征（被称为残余层），边界层厚度仅有数百米；湍流受到抑制，涡的尺度相对较小，风切变现象显著。3）在黎明和黄昏的过渡时间段，大气呈中性状态，湍流主要来源于下垫面剪切作用。因此，开展大气稳定度的日周期演变研究，探索其对湍流运动机制及风资源时空分布的影响规律，可进一步提升风力机气动特性的预测精度和准度。
|
图 7 陆上高压区大气稳定度及边界层结构的日变化示意图 Fig.7 Diurnal variation of the atmospheric stability and the ABL structure for overland regions |
大气边界层的高精度预测问题一直是气象和风能领域的研究重点之一。外场测量方面，2015年美国能源部资助的XPIA大型项目[23]，重点开展了新型大气边界层测量技术研究，并通过大量测量数据量化了实验不确定性。Ferreres等[24]基于外场测量信息，分析了稳定大气边界层内的相干结构、孤立波、重力波、低空急流等典型/复杂大气现象。
相比于外场实验的局限性，数值模拟是一种更为灵活的研究手段。其中，大涡模拟（LES）在大气边界层的高精度、高可靠性研究中得到了广泛应用。1972年，Deardorff[25]首次采用LES对中性和不稳定ABL开展了数值仿真研究。经过十几年的发展，2000年左右LES方法被尝试用于稳定大气研究[26]。除上述典型大气稳定度研究之外，Englberger等[27]针对清晨和傍晚等时间段的大气状态开展了仿真研究。
然而，以上研究均关注准稳态（表面热通量恒定）的大气状态，忽略了现实中随太阳辐射强弱变化而实时发生的大气稳定度连续演变。对此，文献[27-31]开展了一天时间内的大气稳定度连续过渡和演变研究，例如Basu等[28]采用LES方法还原了Wangara外场实测到的ABL日周期演变过程；2017年，Fekih等[30]采用中尺度气象模式WRF再现了沙漠地区干燥ABL的垂直结构和昼夜演变；2018年，Englberger等[32]采用课题组研发的地球物理解算器EULAG开展了均质和非均质地貌条件下的ABL演变仿真研究；最近，Tian等[31]采用LES方法模拟ABL的日周期演变并重点分析了各典型时间段的风资源分布情况（如图8所示），以此开展了大气稳定度对风力机发电量的影响研究。总体而言，国内外相关研究尚处于起步阶段，需要更进一步的深入探索。
|
图 8 日周期内不同高度位置的风资源信息演变（LES仿真）[31] Fig.8 Diurnal evolution of the wind resource at various altitudes (simulated by LES)[31] |
大气稳定度对平均风廓线的影响显著，而廓线的较大差异性进一步为入流条件设置带来极大不便。已运行风电场的测风数据表明[4]：若研究周期较短（如分钟），风速分布会随测风时段和高度等因素变化，很难用单一的风速廓线描述每个周期的行为；但是，若把时间周期拉长（如天、月等），则可采用单一的风速廓线表征较长周期的平均行为。在应用方面，如果对于较长时间周期内的风工程特征参数（如年发电量）进行评估，则经过平均综合的单一风速廓线即可提供有效信息；但对于短时间周期（或实时）的业务，如风力机设计、载荷分析、发电量波动分析等，单一的风速廓线则远远不够。因此，应具体问题具体分析，选取合适的风资源输入条件。
3 风力机尾流当风吹过风力机时引起风轮旋转，完成风动能到风轮机械能的转换。此时，风力机下游出现风速减小、湍流强度增大、风剪切加剧等特征，被称为尾流效应。风速减小使得下游机组的输出功率降低，强湍流和附加的风剪切会影响下游机组的疲劳载荷、结构性能和使用寿命，进而影响整个风电场的运营寿命。因此，开展风力机尾流研究对风电机组的设计与选型、风电功率预测、机组布局优化等各项工作具有重要科学意义和应用价值。
风力机运转对其上下游均会产生影响，据此，风力机周围的流场大致可分为三个区域，各区域的位置、大小及流动特性归纳如表1及图9所示。其中，诱导区衰减风速可由Medici模型预测[33]；近尾迹区的旋涡结构复杂，包含叶尖涡、叶根涡和轮毂涡等多尺度耦合涡系，且在向下游发展过程中不断衰减和破碎；远尾迹区的尾涡破碎为小尺度湍流，促使尾流内的低速流体与外部自由流不断进行交换，促进亏损的速度逐步恢复。下文详细介绍近尾流和远尾流区的研究方法及进展。
| 表 1 风力机周围流场的特点 Table 1 Flow characteristics around a wind turbine |
|
|
图 9 风力机周围流场区及各区域典型特性示意图 Fig.9 Schematic of flow regions around a wind turbine and their characteristics |
近尾迹流场结构是风力机设计和性能预测的基础，而集中涡（包含叶根中心涡、叶尖螺旋自由涡和附着涡）的存在和发展是近尾流结构的重要特征，如图10所示，其诱导速度以一定的周期规律性作用于尾流流场[34]。对于当前主流的三叶片风力机，上述涡以三倍于旋转风轮频率的速度脱落。研究表明，叶尖涡形成的螺旋线的螺距（两个连续涡旋之间的流向距离）远大于叶根涡，且二者均随叶尖速比的增大而减小。前人针对叶尖/叶根涡的发展、演变和稳定性等方面开展了广泛的数值和实验研究，详见综述文献[8]。这些工作丰富了对风力机尾涡的认识，一定程度上揭示了风力机近尾流的流动机理。其中，Porté-Agel等[8]学者发现：叶尖涡会降低近尾流区的动量夹卷效应（即亏损尾流与外部自由流的动量交换）；叶尖涡具有很好的持久性，是产生流动阻力、气动噪声和不稳定的主要原因。因此，有必要研究叶尖涡的发展破碎机制，为近尾流区气动特性及模型的建立提供参考，同时为解决风力机的降噪问题提供基础。
|
图 10 风力机下游叶尖和叶根涡发展演变示意图[34] Fig.10 Schematic of the tip and root vortices evolution downstream the wind turbine[34] |
风力机近尾迹区的气动特性，一方面可通过PIV风洞实验技术获取详细的区域流场数据，据此深入了解流场结构和流动机理[35]；另一方面也可通过数值仿真模拟叶尖涡的产生和初期发展情况，以及分析叶尖涡对叶片绕流的诱导作用。在风洞实验方面，文献[8，36-37]采用高分辨率PIV系统可视化捕捉了叶尖涡的位置、形态等非定常信息，并指出叶尖涡在其统计平均位置附近随机波动（被称为尾涡蜿蜒或尾涡抖动），波动幅值随涡龄或湍流强度的增加而增大。汪建文等[36]开展了叶尖涡运动轨迹研究，通过高频PIV系统发现了叶尖涡“交互跳跃”现象，基本规律为随叶尖速比增加而提前发生，随风速增加推后发生。值得一提的是，基于风洞实验结果，Lignarolo等[38]提出了叶尖涡失稳和破碎机制，并分析了其对尾流混合和湍流生成演化过程的影响，此外还系统研究了尾涡不稳定的触发因素。近年来，随着实验条件和技术的进步，Abraham等[39]在外场环境下采用人工降雪式的超大规模PIV技术研究了机舱和塔架产生的流动结构对2.5 MW风力机近尾流的影响。
在数值模拟方面，根据研究侧重点与风轮建模方法的不同可分为两大类研究。当以近尾流和叶尖涡与风力机本身相互作用为研究重心时，宜采用全尺寸风轮建模方法（Full Rotor，FR）直接捕捉叶片实际绕流及叶尖涡演变过程。例如，钟伟等[40]模拟了风力机叶片的绕流和尾流，分析了叶尖涡的生成、发展过程及对叶片的速度诱导作用；Huang等[41]采用FR/LES方法研究了襟翼对风力机尾涡不稳定性的影响，探索流动控制的有效性。另一大类，当以风力机尾涡在下游的演变历程及其对近尾迹流场分布的影响为研究重心时，宜采用致动系列方法捕捉尾涡在风力机下游的发展演变过程。比如，Sørensen等[42]采用AL/LES方法研究了尾涡的稳定性以及近尾流区的特征范围；Sarmast等[43]以AL/LES方法为工具，从机理层面探索了触发尾涡不稳定性的机制。文献[18]指出，在剪切来流和小尖速比条件下，由于来流的剪切作用和尾流区叶尖涡附近剪切层的存在，叶尖涡发生不稳定破坏，呈现开尔文-亥姆霍兹不稳定性现象。除此之外，近期的一些研究表明[39]，机舱或塔架产生的尾涡对叶尖涡具有掺混作用，会加速叶尖涡的发展，引起尾流的蜿蜒运动。对此，郜志腾等[44]开展了考虑机舱和塔架作用的改进型IB-AL方法构造研究。
3.1.2 流场分布为了描述近尾流区的平均流场分布，Bastankhah等[45]提出了如下假设：尾流中心区速度相同而外围剪切层中速度各异；在向下游发展过程中剪切层范围不断扩张膨胀，直至在尾流中心发生混合，标志着近尾流区基本结束，如图9所示。尾流区的长度取决于大气湍流强度、风轮气动特性和叶尖加速比等特征参数。2015年，Sørensen等[46]提出了近尾流区长度
| $ \frac{{x}_{n}}{D} = -\frac{1}{2}\left[\left(\frac{16\;{{{\bar u}_{c}}}^{3}}{{N}_{b}\lambda {C}_{T}}\right)\mathrm{ln}\left(0.3\; {TI}_{0}\right)+5.5\; \mathrm{ln}\left({TI}_{0}\right)\right] $ | (9) |
式中：
此外，Keane等[47]提出了风力机近尾迹区速度分布预测模型；Hulsman等[48]开展了近尾流区速度和湍动能分布仿真研究，并建立了相应的工程模型。总体而言，由于近尾流区流场结构和流动现象复杂，呈现显著的非定常特点，工程模型很难反映全面的流动信息。
3.2 远尾流大型风电场机组间距约为4D～12D（D为风轮直径），此时下游机组不可避免地处于上游机组的远尾流影响范围之内。因此，开展风力机远尾流研究对于风力机设计、风电场发电量评估及微观选址等工作有着重要的指导意义。为此，专家学者们相继开展了广泛的研究工作，包括外场测量、风洞实验及数值计算等。以下将从远尾流平均场和湍流场特性两个方面，就涉及到的研究方法及数十年研究进展进行论述。
3.2.1 平均流场特性单台风力机尾流研究常采用均匀理想流和考虑风切变的大气湍流两种入流条件，其中，前者对应风洞实验工况，后者与真实大气环境更为相符。当假定入流均匀时，钝体尾流理论及风洞实验表明：尾流速度亏损沿流向以x−2/3的趋势减小，尾流宽度以x−1/3的趋势增大；速度沿横风向具有高度自相似性，呈轴对称的高斯分布。而在真实大气条件下，受地面剪切应力和大气相干湍流结构影响，速度分布不再是高斯分布，但速度亏损量仍具有高度自相似特性。这些发现为工程尾流模型的开发提供了有力依据。学者们从一维到二维再到三维、从考虑单影响因素到考虑综合多因素（如地表粗糙度、入流湍流强度、大气稳定度、风力机气动特性等），相继提出了Jensen、Frandsen、Ainslie、Ishihara、Barthelmie、Tian、BP和Sun等模型[8，49-50]，并通过相应算例进行了模型的校核验证工作。特别地，Archer等[50]在综述性论文中全面校核了6种工程尾流模型在大型风电场发电量评估中的预测精度。考虑到解析模型的便捷性，学者[51-52]还将其应用于大型风电场发电量评估及机组布局优化研究工作。
另外，相关学者还开展了外场测量和风洞实验等诸多工作，积累了宝贵的尾流数据库。比较著名的外场实验包括90年代前后开展的Tjæreborg、Nibe和Sexbierum等实验，主要测量了风力机近和远尾流区的速度和湍流等流场信息。此外，1985至1992年之间，国际能源署IEA Wind还组建了Task 9计划—“风力机尾流效应强化研究”，旨在通过外场测量进一步加深对风力机尾流效应的理解和认识。2000年后，依托于日趋先进的实验条件和设备，陆续开展了大量的风力机尾流外场测量实验研究，各工作的实验周期、测量手段、特色及主要贡献等可参阅综述文献[53]。
相比于外场测试需要耗费巨大的时间和经费，风洞实验更为经济实用。Chamorro等[54]采用热线风速仪测量了近尾流区和远尾流区（直至15D）的流场分布（包含速度、湍流强度和剪切力等信息），之后被当作标模实验广泛应用于尾流数值方法的验证。此外，文献[55-56]通过改变风力机运转工况（如俯仰角、偏航角），开展了上游机组的尾流效应对下游机组性能的影响研究，结果表明：偏航会引起尾流的偏转和不对称，使得上游机组对下游机组的尾流干扰效应减弱，从而下游机组的功率相应得到提高；但当偏航角增大到一定程度后，上游机组的功率会有一定的损失，此时应寻找最佳偏航角满足二者的平衡。这些研究为风电场功率优化与控制工作提供了参考与指导，具有重要的工程价值。除常规采用的中性大气条件之外，文献[57-58]还通过改变地表温度来形成稳定/不稳定大气条件，开展了大气稳定度对远尾流速度分布及对下游机组发电量的影响研究。
虽然实验结果相对真实可靠，但存在成本高昂、不能提供全流场信息等问题，而数值模拟在计算成本、精度和信息全面性等方面达到了较好的平衡，因此CFD作为一种重要工具，被广泛应用于风力机尾流研究，并取得了丰富的成果[8，59]。CFD的计算精度主要依赖于两个部分：一是对风轮本身的模拟，即采用合适的模型模拟风力机的存在及其对周围大气产生的影响；二是选取合适的湍流模拟方法准确体现大气湍流、尾流湍流等。在风轮建模方面，目前可归纳为全尺寸直接模拟和致动系列两类方法[46]。全尺寸直接模拟是围绕叶片几何外形生成计算网格，然后求解流动方程以捕捉叶片绕流流场，进而计算风力机气动性能。为了精细体现叶片几何特征及解析叶片表面边界层流动，通常需要数千万网格才能满足需求，计算成本较高。致动类方法则放弃对叶片局部流场的精细再现，采用虚拟体积力（基于叶素动量理论）代替叶片作用于流场，大幅降低了网格生成难度及网格量。其中，全尺寸直接模拟适用于风力机气动性能求解，可详细捕捉叶片周围流体的流动细节，进而开展压力场、涡量场等流动参数的分析，是研究流动机理的基础。致动类方法则可将较多的计算资源用于风力机尾流的捕捉，因此比较适用于尾迹流场计算。特别是对于含数十上百台机组的大型风电场流场模拟，致动类方法的优势更为突出。
计算能力及关注点是计算方法选择的重要依据，学者们根据现状和需求开展了不同难易程度的尾流研究。比如，以LES高精度湍流模拟方法为基本框架，Mo等[60]采用FR风轮模型、Martínez-Tossas等[48]选取AL风轮模型、Sørensen等[46]选用AD模型，分别对风力机近尾流和远尾流开展了仿真研究。此外，以RANS方法为湍流模拟框架，Nedjari等[61]分别采用FR风轮模型、AD模型等重点开展了风力机远尾流模拟研究，并通过多个测试算例对比了两种风轮模型的计算精度。最近，Qian等[62]选取AL风轮模型，分别结合PANS（Partially-RANS）和LES两类湍流模拟方法，对风洞实验中的风力机缩比模型开展了尾流仿真研究，结果如图11所示，并全面分析了PANS与LES方法的精度差异。
|
图 11 两种湍流模拟方法（PANS和LES）计算到的风力机轮毂高度平面涡量图[62] Fig.11 Vorticity contours at the hub-height horizontal section obtained from PANS and LES [62] |
目前，国内外CFD届普遍认为，在未来的20至50年，基于湍流模型的RANS方法仍然是风力机CFD研究的主流[63-64]。然而，大量研究表明，各经典湍流模型存在不同的问题，如k-ε模型预测到的近尾迹区扩散效应太强，SSTk-ω模型预测到的远尾流速度恢复能力不足等。针对这个问题，学者们相继开展了经典湍流模型的精度校核和改进工作，详见文献[65-69]。特别地，Nguyen等[70]和Tian等[65，71]系统对比研究了经典的EVM和RSM模型，结果均表明RSM模型在风力机气动特性和尾流预测方面表现出一定的优越性。遗憾的是，至今RSM模型的使用尚不广泛，且目前尚未显示出普遍性、压倒性的优势。后续仍需进一步深入研究，探索最能反映风力机尾流物理特性的湍流模型和数值模拟方法。
3.2.2 湍流场特性不同于受叶片气动外形影响的近尾迹区，远尾流区的流动主要受湍流主导。湍流主要包含三个方面：大气湍流（来自于粗糙地表和大气热力效应）、尾流湍流（来自于叶尖和叶根涡的破碎）、机械湍流（来自于叶片、机舱和塔架等气流阻碍物）。虽然湍流有着增加风力机疲劳载荷和影响风力机结构性能的负面作用，但同时也有着促进尾流与自由流动量交换，加快尾流恢复的正面作用。因此，开展远尾流区湍流特性研究十分必要。
1996年，Crespo等[72]对尾流区湍流特性的演变进行了分析，并提出了用于估算湍动能k及其耗散率ε的解析模型，此外还给出了风力机近尾流区和远尾流区的湍流强度计算模型。Barlas等[73]研究了远尾流区湍流通量分布，预测了从外部自由流中夹卷到尾流中心的动量大小。2014年，Aitken等[74]采用多普勒激光雷达测量了尾流区的流动分布信息，并分析了大气稳定度、风速和湍流强度等因素对尾流湍流的影响。2019年，Ahmadi等[75]基于AL/LES重点研究了湍动能和湍流强度在下游的分布情况。此外，湍动能分布能够体现湍流的生成和输送，文献中[8，76]对此开展了定性和定量研究。
湍流强度是密切影响风力机设计与运行的重要参数。Frandsen于2007年提出了因尾流效应增加的湍流强度
| $ \Delta TI = \sqrt{{{TI}_{\mathrm{w}\mathrm{a}\mathrm{k}\mathrm{e}}}^{2}-{{TI}_{0}}^{2}} $ | (10) |
式中：
尾流蜿蜒是指风轮尾迹相对于时均尾迹中心线呈现出的非稳态随机振荡现象（如图12所示），这种现象会造成湍流效应增强，从而对下游机组产生较强的不稳定载荷。尾流蜿蜒特性的研究有助于进一步明确上游风力机的尾流效应对下游风力机的影响。研究表明，造成尾流蜿蜒效应的主要机制为[77]：旋涡的周期性脱落、大气湍流中的大尺度旋涡与尾涡不稳定性。针对第一种机制，Larsen等[78]认为尾流中大于2D的湍流相干结构容易引起尾流蜿蜒现象，而小尺度涡结构则有利于亏损尾流的恢复。España等[79]指出，尾流在横风向的蜿蜒程度大于其在垂直方向上的蜿蜒程度。为了快速准确地反映真实尾流中的蜿蜒现象，Larsen等[80]开发了动态尾流模型（DWM）；Keck等[81]开展了DWM模型的改进和验证工作，并开发了风电场设计和分析工程工具 FAST. Farm，用于预测风电场输出功率和风力机载荷；Zhang等[82]提出了动态随机尾流模型，不仅可以给出常规静态尾流模型的平均信息，还可提供尾流场统计分布特性。
尾涡剪切层的不稳定性也会促进尾流蜿蜒运动的形成。Chamorro等[83]通过水槽实验观察到水轮机机舱后旋涡与叶尖剪切层的交互作用造成了尾流蜿蜒。Foti等[84]发现了机舱尾涡对远尾流蜿蜒的影响，并指出蜿蜒效应广泛存在于不同尺度的风力机尾流中。Yang等[85]考虑机舱作用提出了改进致动面模型，结果表明，若不考虑机舱模型，尾流蜿蜒效应会被低估。Foti等[86]在Horns Rev风电场的尾流研究中发现，机舱对风电场内的混合尾流蜿蜒有显著影响。张旭耀等[18]探讨了均匀流、剪切流和低空急流等不同来流条件对风力机尾流蜿蜒特性的影响。
3.4 偏航对尾流的影响事实上，风力机并非时刻处于对风工况，反而受控制策略的影响常处于轻度偏航状态。当上游机组处于偏航工况时，其尾流发生偏移，从而影响下游机组的输出功率。近期的一些数值和实验研究[87-88]表明，通过偏航角控制可以显著提高风电场的总发电量；此外，Kragh等[89]指出，偏航控制还可有效降低风轮载荷。因此，研究偏航工况下风力机的尾流特性具有重要意义。
Medici等[90]开展了偏航条件下的尾流分布和尾流倾斜程度研究，结果表明，偏航角度、风轮推力系数和大气稳定度的提高，均会增大尾流的偏斜度。Shapiro等[91]采用升力线理论预测了近尾流偏斜角大小。而当处于大偏航工况时，受尾流中反向旋转涡对的影响，尾流除发生横向偏移外，还会产生垂直向偏移。此外，考虑偏航角对风力机远尾流的影响，Bastankhah等[45]提出了新型远尾流速度分布模型。类似地，Qian等[92]也提出了适用于偏航风力机的尾流工程模型并开展了校核研究。
3.5 基于机器学习的尾流研究针对单台风力机远尾流特性，前人从特性分析、机理研究和工程建模等多个不同层面，从尾流膨胀、尾流蜿蜒和尾流偏移等多个物理现象出发，开展了大量实验和仿真研究。此外，近年来，机器学习算法（如支持向量机SVM、人工神经网络ANN、卷积神经网络CNN等）在风力机气动特性及尾流预测方面逐步得到应用。
例如，Biswas等[93]通过ANN方法建立尾流区回归关系，评估了风力机（包括功率、扭矩曲线等在内）的性能。Iungo等[94]基于数据驱动的降阶模式提出了一种尾流模型，准确预测了尾流演变过程及非定常属性。2020年，Ti等[95]基于ANN结合CFD方法建立了高精度、高效率的风力机尾流预测模型。随后，Ali等[96]基于数据驱动技术实现了风力机/风电场流场的非定常实时预测。最近，Zhang等[97]基于非定常流体系统降阶建模法，建立了新型动态尾流模型（计算结果与SOWFA数值模拟结果对比如图13所示），该方法在数秒内完成了9台风力机混合尾流场的非定常预测，相较于常规CFD算法（预计消耗数万个CPU时）大大降低了计算成本。总体而言，机器学习方法当前在尾流预测的应用有限，后续研究中有望得到进一步加强和普及。
|
图 13 SOWFA和深度学习模型POD-LSTM计算到的两台风力机尾流相互干扰[97] Fig.13 SOWFA and POD-LSTM model prediction for the wake interaction between two wind turbines[97] |
风电场是风力机机组安装和运行所依托的载体。随着单机容量、风轮直径以及装机规模的不断扩大，如何准确、高效地评估或预测大规模风电场的尾流特性及输出功率，是风电产业发展亟待解决的问题。由于风力机集群与大气边界层的相互影响，大型风电场的尾流场有着与单台风力机尾流场完全不同的特点。以平坦地形风电场为例，其尾流场可划分为几个典型区域，如图14所示。
|
图 14 考虑大气稳定度因素的风电场尾流场发展演变过程及其与大气边界层的相互作用示意图（根据文献[8]重绘） Fig.14 Schematic of the wind farm wake region evolution and its interaction with a stratified ABL (adapted from reference [8]) |
每个典型区的流动特征概括如下。
1）诱导区：由于机组的阻塞作用，导致风电场的近上游风速减小，风向还会发生垂直向及侧向的偏转。外场测量及数值模拟表明[98]，在近中性大气条件下，风电场上游2.5D位置处风速较自由流降低约3%。诱导区大小范围取决于多种因素，如风电场规模、风电场布局、风资源分布、机组气动特性等。
2）入口与初步发展区：多台机组的尾流混合与膨胀，在上层形成大气内边界层，进而影响大气边界层（ABL）整体结构及湍流通量。研究表明，内边界层高度与下游距离x近似呈
3）充分发展区：此时混合尾流场与ABL的相互作用达到近乎平衡状态，即机组吸收转化的风能与垂直向的诱导动量近似相等。Calaf等[99]指出风电场下游δ量级（δ为大气边界层高度）距离后即为充分发展区；与之不同的是，Wu等[100]基于LES模拟结果表明，中性大气下，风电场下游10δ量级乃至更远的距离才可达到充分发展状态。
4）风电场尾流区：多台机组混合尾流产生的速度亏损在该区域逐渐恢复至来流水平，通常尾流区范围可延伸5～20 km。
5）出口区：Wu等[100]研究表明，在某些特殊大气条件下（如具有显著分层效应的中性大气），由于风电场尾流区垂直方向的动量交换及偏转效应，可能会激发重力波并向上游传播，形成的一段流动加速区，定义为出口区。
大气湍流/机组尾流的多尺度、非定常效应使得大型风电场流场及与ABL相互作用的预测颇具挑战。研究人员通过理论分析、风洞实验、现场测量和数值模拟等方法，围绕多项研究主题相继开展了大量研究工作。下文将针对风工程领域关注的主要内容及取得的研究进展进行陈述与讨论。
4.1 风电场流场研究风电场发电量是评价风电场项目经济性的一个指标，也是尾流模拟中衡量计算模型精度的重要参数。国际上相继开展了典型风电场（包含大型、小型、陆上、海上）发电量的外场测量研究，以期更全面、真实地体现风电场运行环境，摸索大气条件及机组运行条件对发电功率的影响规律，同时为数值计算提供丰富的测试数据库。其中，应用较为广泛的案例有：Horns Rev海上风电场Ⅰ和Ⅱ期、丹麦Nysted和Anholt海上风电场、英国Westermost Rough和London Array海上风电场、瑞典Lillgrund海上风电场、德国Alpha Ventus海上风电场、丹麦Nørrekær Enge 陆上风电场、苏格兰Myres山地风电场、美国Goodnoe和Iowa陆上及山地风电场、中国东潮间带和东湾风电场等。更为详细的风电场情况介绍可参阅综述性文献[39，59]。下文选取几个有代表性的案例进行简单说明。
2003年，Barthelmie等[101]首次采用声雷达测量了Vindeby海上风电场的尾流场，结果证明了声雷达的测量有效性以及工程尾流模型快速计算的有效性。2009年，Barthelmie等[102]采用数据采集和监控（SCADA）系统对Horns Rev海上风电场进行了为期三年的观测来进行风电场的尾流效应研究。该观测数据在后续被广泛应用于风力机尾流计算方法的验证，测试结果如图15所示[82]。2010年，学者针对Alpha Ventus风电场[53]进行了激光雷达测量，并考虑了大气稳定度的影响，研究发现：稳定大气条件下的尾流效应更为显著，相应的风电场总发电功率也相对偏低。
|
图 15 基于风场测量数据的数值计算方法验证：Horns Rev海上风电场总发电功率与风向之间的关系[59] Fig.15 Validation of numerical methods based on wind farm measured data: total power outputas a function of the incoming wind direction for the Horns Rev wind farm[59] |
中国作为世界风电大国，同样对陆上/海上风电场进行了外场测量研究。2017年，采用SCADA系统对江苏风电场（如东潮间带风电场）进行了尾流场测量实验[103]，以期将相关成果应用于机组的偏航控制优化研究。总体而言，我国风电场研究相较于欧洲等国家起步较晚，系统性的长期测量工作开展较少，因此可供数值计算方法验证的基准数据相对匮乏。并且，我国风电场所处的气象和地形条件具有自身的特殊性，国外的研究方法及结论可能并不完全适用。因此，后续应大力发展能够满足本地需求的风电场尾流研究方法和技术。
风电场尾流效应计算方法可分为：CFD方法、中尺度气象预报模拟（NWP）方法、CFD/NWP耦合方法、工程模型快速预测方法。与外场测量方法相比，数值计算方法对风电场流场特性评估分析具有独特的优势，在风工程研究中发挥了不可替代的重要作用。
在CFD方法中，研究人员多数采用RANS或LES湍流模拟方法对风电场流场进行数值模拟。如Avila等[104]开发了基于AD/RANS方法的陆上/海上风电场尾流模拟框架，Tabib等[105]采用AL/RANS方法开展了复杂地形风电场流动研究。类似地，大多数风电企业也是采用基于RANS模型的商业软件开展相关业务。除此之外，由于LES方法能够揭示风电场三维流动结构，可进一步挖掘其中的流动机理，一些学者采用LES方法结合致动类风轮模型进行风电场流场模拟。例如，瑞士学者Porté-Agel及其团队[8，106-107]一直以来致力于风能领域大涡模拟框架的搭建开发，并据此开展了大量的风电场流动模拟工作；美国学者Meneveau及其团队[59，108-109]广泛开展了湍流建模和多尺度流场模拟研究，尤其是阐明了风电场复杂流动所涉及的尾流湍流机理及其与大气湍流之间的相互作用机理等，并基于此建立了系列工程模型，能更准确地预测大型风电场发电量的评估与设计。此外，英国学者Früh等[110-111]基于LES框架模拟分析了大气环境与风电场湍流之间的关系以及来流条件对机组尾流演变与机组性能的影响，加深了对风电场流动机理的理解，有助于工程尾流模型的完善和改进；Stieren等[112]选取AD/LES方法开展了非定常动态风向对大型风电场功率性能的影响研究；Goit等[113]基于AD/LES方法开展了大型风电场的垂直向动量输运效应（结果如图16所示）及控制方案优化研究。
|
图 16 AD/LES计算得到的大型风场垂直动量输运效应（小圆盘代表风力机）[113] Fig.16 AD/LES computed vertical momentum transport effect for a large wind farm (wind turbines are represented by small white disks)[113] |
真实环境下，风电场运行在大气边界层的近地层与艾克曼层之间，其内的大气物理过程容易受到中尺度天气系统的影响。为此，学者们从中尺度角度开展了风电场流动及其与大气湍流的相互作用研究。在研究过程中，风电机组的建模成为关键。风电机组的建模主要有两大类方法：一是将风电场视为地表粗糙度的增量，该方法可用于近似定性评估超大型风电场/风电基地对大气的作用，但在这种方法中，由于将风力机视为一个个粗糙元的物理假设，计算网格较为粗糙，较难反映整个风电场内的流动细节，在实际中应用较少；二是将风电场视为大气动量的汇及湍动能产生的源，建立风电场参数化模型，该方法能够较好地再现风电场与ABL的相互影响，这种方法多数被嵌入NWP气象模式以形成中尺度风电场流动模拟方案，在实际工程中得到了普遍应用。
比较突出的风电场建模工作有：Baidya Roy等[114]最早提出了风电场参数化建模思想，并在此后被诸多学者采用；Abkar等[115]提出了一种新型参数化模型，能够全尺度求解风力机周围空间的平均风速，且可表征机组布局和风向等因素的影响。在该方面的相关研究概述详见文献[13]。在此基础上，其他学者开展了基于NWP模式的风电场中尺度流动计算。2017年，Yuan等[116]首次利用高网格分辨率下的WRF（Weather Research and Forecast）模式再现了中国某陆上风电场的尾流效应和输出功率特性（如图17所示），并基于获取的风电场实时运行数据进行了气象要素和输出功率的验证分析，结果表明，风电场功率预测的相对均方根误差为6.91%，证明了计算方法的有效性。同年，Lee等[117]采用WRF模式对欧洲某大型风电场（含200台机组）在连续四个昼夜周期内的发电量进行预测研究，并重点分析了WRF模式中参数配置的敏感性，寻找最合适的参数设置方案，为将来更准确的风电场发电量预测奠定基础。2018年，王姝等[118]使用中尺度数值模式WRF和Fitch参数化建模方法，以鄱阳湖地区风电场为例，解析了不同大气稳定度情况下多种机组排布配置对风电场尾流效应的强度、作用范围、风能利用效率的影响。2019年，Mangara等[119]探究了不同水平与垂直分辨率下，模式对某陆上风电场湍流尾流动力过程的模拟效果，以及对局地天气尺度系统的影响。2020年，王强[13]以中国张北风电基地为研究对象，探究了大型风电场的尾流效应强度和影响范围、风电场输出功率特性等。随着风电场的规模化发展以及NWP模式技术的完善，基于中尺度的数值模拟将发挥更大的作用。
|
图 17 基于中尺度WRF模式计算得到的风电场尾流场速度分布云图[115] Fig.17 Velocity contours of the wind farm wake flow field computed by the WRF model[115] |
除上述数值模拟之外，当前，尾流模型（也称为工程模型、解析模型）以计算速度的绝对优势及可接受的计算精度，在风电场工程中应用最为广泛。风电场中的混合尾流非常复杂，尾流模型主要描述混合尾流对ABL流场结构的干扰以及最后稳定状态时的边界层内速度型分布，大概可以归纳为两类：“自下而上”模型以及“自上而下”模型[120]。
“自下而上”模型，其基本思想为：在前文所述的单台风力机尾流模型的基础上，结合混合叠加模型，体现多台机组尾流的综合效果。对此，学者们相继提出了一系列尾流叠加模型，如Lissaman模型、Katic模型、Voutsinas模型、Niayifar模型等。这些模型的不同之处主要体现在尾流叠加准则和尾流速度亏损基准两个方面，具体公式可参阅文献[8，59，121]的归纳总结。其中，Park风电场尾流模型（由适用于单台风力机尾流预测的Jensen模型与Katic尾流叠加模型组合而成）被广泛应用于风工程项目和学术研究，且作为核心技术被植入到商业软件（风能资源评估与风电场设计软件WAsP、WindFarmer、WindPRO等），还作为核心算法被用于大型风电场发电量预测及风电场机组布局优化等学术研究[122]。然而，多数“自下而上”的尾流模型仅能预测风轮高度位置处的风资源分布情况，属于一维/二维水平空间的尾流计算方法，忽略了垂直方向上与大气边界层结构/大气湍流的相互作用。
对于大型风电场/风电基地而言，需同时考虑尾流在水平和垂直空间范围内的充分发展，此时“自下而上”模型存在一定的局限性。对此，学者们先后提出了Newman、Frandsen、Calaf、Meneveau、Stevens等一系列“自上而下”尾流模型[59]。其中，Peña等[123]考虑大气稳定度对风速廓线的影响，提出的风电场尾流模型成为当前应用较多的模型之一。如图18所示，“自上而下”模型的基本思想是将风电场视为表面有效粗糙度，从垂直空间考虑因风电场的存在而造成的大气边界层结构改变及相应的动量/风资源分布规律的改变。从图中可以看出，由于机组运行产生的推力使得边界层在 [zhub–D/2, zhub+D/2] 范围内承受一定的阻力作用，因此边界层被切割成了多个属性不同的垂直区域，各层区域之间通过速度连续及动量守恒等物理原则进行约束，即，可由已知的基础参数推算得到其他参数的表达式，详细公式推导及介绍可参阅综述性文献[8，59]。除空间速度分布之外，Frandsen等[124]提出了风电场整体湍流强度计算模型，可用于快速评估机组运行导致的湍流强度增加情况。整体而言，这类模型在风电场尾流模拟中应用较少，比较适用于研究大型风电场/风电基地对大气边界层特性的影响。
另外，其他学者还开展了“自下而上”模型与“自上而下”模型的耦合研究，旨在综合两类方法的优势。相关研究及进展不再赘述，详见综述性文献[60，125]。
除上述常规方法之外，对于风电场微观选址、风电场优化控制等需要大量流场计算的风工程业务，基于数据驱动的代理模型方法可利用有限的训练样本实现流场信息的快速准确模拟，成为了新的研究热点。例如，Iungo等[94]提出了一种嵌入卡尔曼滤波器的降阶模型，有效捕捉了风力机尾流动态演变过程中的主要物理过程，特别适用于大型风电场的实时预测、控制和优化；Khosravi等[126]基于机器学习方法开展了巴西某风电场的短期风速预测，为风电场发电量的智能管理及并网提供了重要参考依据；Optis等[127]建立了适用不同大气条件的风电场发电量统计模型；沈惟舟[128]基于美国某风场的历史实测数据，采用机器学习算法，针对不同预测尺度采用不同的预测模型和方法，开展了风功率预测研究；苗宜之[129]提出了一种基于机器学习算法的混合预测模型，对风电场集群的功率波动特性及控制策略进行了研究。总体来说，研究工作尚处于起步探索阶段，目前仍缺乏可公开获取的风电场实时数据供算法验证与分析使用。
4.2 风电场发电量快速评估及微观选址风电场微观选址作为风工程运行的前提基础，是决定项目经济效益及成败的关键。微观选址是指，在拟定风场区域合理布置各机组的安装位置，确保整个风电场达到最大收益的过程，同时也是在风电场内进行更高分辨率的风资源分析和机组布局优化的过程。
早期的风电项目开发过程中，主要依据经验结合《风电场工程技术手册》开展机组布局工作。根据建议，沿主导风向机组间隔5D～9D、横风向间距3D～5D，以尽量减少尾流损失。对于平坦地形风电场，常常有两种布局方式：一是串列式（下游风力机旋转轴线与上游机组的轴线重合），二是交错式（近似梅花型，即下游风力机旋转轴线与上游机组的轴线平行）。近期开展的多项实验和LES研究结果表明[8]：一方面，由于“有效风轮间距”的增大，交错式排布相对减少了上游风力机尾流的影响；另一方面，串列式排布可以从上层自由大气中夹卷更多的能量，有助于尾流的恢复。因此，哪种排布方式更有助于提升风电场整体发电量需根据具体问题具体分析。此外，需要说明的是，风向对风电场的“有效布局”及流场分布有着重大影响，入流风向的改变等效于风电场布局以及机组密度的改变。例如，Horns Rev海上风电场的测量数据表明[107]，在风向为270°时，机组呈串列布局且机组间距较小，此时风电场发电量最小；而当风向发生较小的改变（为270°±10°）时，机组“有效间距”增大，此时风电场的发电量达到最大（如图15所示）。同样地，Stevens等[59]也指出仅10°的风向变化即可引起风电场发电量的较大差异，说明了风电场发电量对风向高度敏感。因此，在风工程项目中应考虑风向年际变化的不确定性及发电量的风向敏感度。
目前风工程项目中多采用商业软件，如WAsP、WindFarmer、MeteodynWT、WindSim等，进行风电场发电量计算和微观选址工作。但使用过程中，很大程度上依赖于风电工程师的个人经验来拟定初步机组位置然后进行微调，优化策略不足，很难保证可以得到经济性最好的布机方案。为了得到普适的优化方案，学者们针对风电场机组布局优化开展了大量研究[130-132]，主要策略是采用单目标/多目标优化算法（如蒙特卡罗算法、模拟退火法、神经网络、布谷鸟算法等），综合考虑投资成本、发电量、气动噪声等多种目标，以及电缆铺设、交通规划等多约束条件，开展机组布局优化研究。
早在1994年，Mosetti等[133]开创性地将物理模型与优化算法结合，开展了风电机组布局优化研究，突破了传统经验式布机的局限，得到了科学合理的布机方案和更通用的优化方法。之后，追随Mosetti学者的做法，其他学者采用更为全面细致的优化算法、优化目标和约束条件等，相继开展了大量类似研究[130-132，134-136]。较为典型的工作有：Abdollahzadeh等[137]既考虑了综合成本最低，又将风电场内的电网损失电量最小作为优化目标，开展了机组位置多目标优化研究；Cao等[138]考虑机组的噪声辐射问题，开发了新型风电场布局设计方法，为布机优化工作提供了新思路；Shakoor等[135]综述了机组布局优化研究中所采用的各类尾流模型，并通过对比分析指出，Jensen尾流模型较好地兼顾精度和效率，是最佳的选择。
另外，随着风电开发环境日趋复杂，机组和塔筒等风电设备产品日益丰富，风电场设计组合方案增多。相应地，一些学者开展了多种机组产品型号与轮毂高度组合的混排研究。例如，文献[139-140]基于场址内风剪切差异较大的优势，研究了不同轮毂高度的机组混排策略及其对项目经济性提升的效果。Feng等132]研究了“非均匀”风电场优化设计，即风电场内混合布置不同机型、不同轮毂高度的机组，这种布局方式可以更充分地利用风能资源，降低发电成本，正在成为当前的研究热点。Guo等[136]考虑现实环境中的风能条件（大气稳定度因素），获得了更有效、可靠的机组优化布局方案。最近，Reddy[122]公布了开源的风电场机组布局优化代码WindFLO，可在考虑实际地形和风资源条件的情况下，进行机组布局及类型（包括风轮直径及轮毂高度）优化，达到项目经济性最佳的目的。此外，Reddy[141]还采用支持向量机的机器学习方法，开展了小规模风电场基地（隶属于不同业主的风电场集合）的机组排布优化研究，结果如图19所示（图中不同颜色代表不同的风电场）。总体而言，随着物理模型的完善及优化算法的改进，相关优化研究愈加注重风电场设计的准确性、精细化与高效性，以实现风电场全生命周期成本最低。
国内方面，2011年，田琳琳等[142]基于小生境遗传算法对风力机机组布局进行了优化；2013年，宋梦譞等[143]提出了快速计算风力机尾流效应的虚拟粒子模型和优化风力机布局的仿生方法。近几年，刘永前等[144]基于改进二进制萤火虫算法开展了风电场微观选址优化研究；邵振州[145]围绕高精度尾流快速模拟方法及其在风电场微观选址和优化控制中的应用开展了研究。上述研究结果多数适用于海上及平坦陆上风电场，而对于需考虑地形与风力机尾流综合效应的复杂地形风电场，上述方法或将失效。对此，许昌等[146]提出了一种在复杂地形下进行风电场微观选址优化的方法；田琳琳[147]通过CFD数值模拟分析，探讨了在复杂地形微观选址中的机组布局优化策略和可行性。
综上可知，国内外学者针对风电场微观选址、机组布局优化等进行了大量研究，并取得了丰富的研究成果。但仍存在一些问题亟待进一步完善，比如，满足风电场发电量精细化评估的尾流工程模型、高效且全面的优化方案、全局与深度优化算法、复杂入流/地形条件下的优化策略等，以期获得最优经济效益、最低度电成本的整体解决方案，为风电场项目开发建设谋篇布局。
4.3 复杂大气/复杂地形影响比较理想的风电场选址为开阔平坦的区域，其内部流动可以免受地形和障碍物的影响而得以充分发展。然而，随着风电近年来的迅猛发展，需要建设越来越多的风电场，面临一些新的问题。首先，风电场的开发利用环境更多元化，如山区、丘陵等复杂地形、低风速平原地区以及近海地区等特殊环境。其次，机组入流环境更加复杂，如随大气稳定度而实时演变的非定常湍流风、上游机组的偏航/动态尾流、附带垂直方向动量夹卷效应的大尺度湍流等。因此，对真实大气环境下、复杂地形风资源的建模与评估是未来风电场开发与利用的重要任务[148]。
近年来，学者们逐渐意识到大气稳定度对风力机/风电场尾流的显著影响，开始致力于还原真实的大气入流条件。2014年，Mirocha等[149]采用中/小尺度模式耦合的方法实现了大气湍流与风力机尾流相互作用的模拟研究，为精确预测风力机发电量与疲劳载荷走出了关键的一步。Kim等[150]基于外场测量数据，剖析了大气主要要素（大气稳定度、湍流强度和风切变）对风力机性能及风电场发电量的影响研究；结果表明大气稳定度对发电量的影响最为显著，不同稳定度条件下的发电量差距约为3%～4%。此外，文献[31，151-152]考虑多尺度耦合（气象中尺度和风力机流场小尺度）、多物理过程耦合（大气热动场和风力机尾流场）等因素，开展了大气边界层/风电场尾流场日周期演变的高精度模拟研究。结果表明，白天地表受太阳辐射而增温，在近地面形成不稳定的对流混合层，湍流活动剧烈且运动呈现有组织的大涡结构，有效促进了对流交换及尾流恢复，风电场发电量相对提升（对比于中性大气条件下的结果）。夜晚则相反，地表由于长波辐射而冷却，在近地面形成稳定的逆温层，抑制了湍流活动，涡的尺度相对较小；导致尾流同周围自由流的动量交换减弱，从而尾流恢复速度较慢，相应地，风电场发电量也相对较低。除上述宏观特性（表现为整场发电量）之外，大气稳定度也会造成大气/尾流微观特性（如垂直向风速廓线）的显著差异，如低空急流现象（LLJ）的存在和位置。文献[59]指出，大气稳定程度会增加LLJ的发生概率；若发生位置处于风轮扫风范围内，将会大幅提升机组发电功率，但同时由于LLJ上方非湍流而使得尾流恢复变慢。另外，在与大型风电场的相互作用过程中，LLJ现象可能发生位置偏移等。Sharma等[153]发现若降低风电场机组密度，LLJ将向上偏转，使得夜间风电场发电量小幅提高。
另一方面，近年来人们开始关注地形相对复杂、坡度相对陡峭的风电场。当风经过复杂地形风场时，会出现流动分离、速度剪切、流动不稳定等复杂的非线性特征。此时，风工程领域常用的商业微观选址软件如WAsP 和WindPRO等因自身假设的局限性不再适用。于是，针对山地风场特性及风资源预测，学者们提出了诸如外场实测、风洞实验和数值模拟等研究手段。其中，基于外场实测数据的技术主要是指利用测风塔、激光/声雷达技术，通过地形插值算法得到目标地区的风速分布，从而进行风资源及风电场发电量评估。总体而言，该方法可以获取较为真实可靠的数据信息且随着科技进步有很大的发展前景，但当前所需时间和物质成本较高且数据较为粗糙，存在一定的工程局限性[154]。风洞实验技术对于山地风场风资源研究十分重要，主要用于风速预测工程模型的建立及数值模拟结果的验证，但多数仅针对一些简单外形的山坡绕流。例如，早期，Ishihara等[155]采用热线风速仪对三维理想山地的迎风面、山顶和背风面的风速及湍流强度进行了测量，为后续的数值模拟研究提供了较为详尽的对比分析数据；Conan Boris[156]研究了不同坡度的简单山体绕流特性，并通过风洞实验研究了Bolund岛和Alaiz山的风资源分布情况；沈国辉等[157]采用基于眼镜蛇测量仪的风洞实验方法对某复杂山体的三维风场特征进行了分析研究，最后提出了复杂山体三维风场的设计建议。
随着CFD技术的发展，学者们针对理想或者真实山地风场/风电场开展了大量数值仿真研究，详见综述文献[8，158]的介绍。其中，部分工作是针对风场周围的流动分布情况，仅考察地形效应对大气流动的影响。比如，2000年，Kim等[159]针对几个典型的风场如德国的Rhine山地、Askervein山地、Sirhowy山谷，测试了RANS方法的流动分离/再附预测性能；Kjersti在其博士论文[160]中对某真实复杂地形风电场的几个典型剖面进行数值模拟以及风洞实验研究，探讨了不同入流条件（包括大气湍流强度、流速、流向）、不同地表粗糙程度、不同地形坡度对流场的影响；2021年，Hu等[161]采用LES方法首先通过基础算例—不同坡度的山丘地形流动问题验证了数值算法的可靠性，然后将其应用于某真实山地地形流动研究。另外，还有一部分工作针对复杂地形风电场（安装了风力机机组）内的流动分布及机组的发电量情况，考察地形效应和尾流效应同时发生时的综合效应。例如，Politis等[162]对包含43台机组的复杂地形风电场开展了仿真与实测的对比研究。Segalini等[163]通过线性化流动方程，提出了一种复杂山地风电场（兼顾机组和低缓坡度山地）的简化方程，相较于常规CFD方法计算成本降低了约8倍。最近，Yang等[164]基于LES方法对美国某复杂风电场开展了仿真研究，如图20所示，在此过程中通过外场实测数据充分验证了仿真框架的计算精度。另外，为了实现复杂地形风电场流动的快速预测，学者们[165-166]还提出了工程模型，基本思想是分别计算地形效应和尾流效应，然后将二者线性/非线性叠加得到风电场的流动分布情况；需要指出的是，该方法存在一定的局限性，仅适用于坡度相对缓和的地形条件。
除上述常规CFD方法和工程建模之外，一些学者采用中尺度气象模式研究复杂风场的流动特性。何晓凤等[167]将中尺度气象模式MM5和风资源评估软件WindSim相结合，较好地刻画了鄱阳湖地区复杂地形条件下的局地风况，10 m高度处的风速模拟结果改善最明显。随着新技术的发展，Bodini等[168]以Perdigão复杂地形的测风塔数据为样本，通过机器学习方法开展了湍流耗散率建模研究，进一步增强了中尺度数值天气预报模式的计算精度。此外，部分学者还开展了数值模拟结合实验测量、多类复杂工况的混合研究，进一步拓宽了研究思路。比如，Tang等[169]基于CFD技术并结合外场实测数据开展了复杂地形风资源评估分析研究；最近，Radünz等[170]开展了融合复杂地形和大气稳定度日周期演变两个关键要素的风电场发电量外场测量研究。
|
图 20 考虑地形效应计算得到的风电场速度云图[164] Fig.20 Velocity contour of the wind farm simulation with the terrain effect[164] |
由于海洋蕴含的风能资源比陆地更加丰富，海上风电成为世界风电未来发展的重要方向。与陆上风能相比，海上风能具有风速高、湍流强度低、风切变小、风向稳定、日周期波动幅度相对较小、环境生态友好等优势[3]，进一步提升了海上风电的容量系数高、可大规模发展、消纳能力强等优势。然而，也同时存在着海上风电场项目建设、运行、维护的难度大、周期长、投资大（建设成本通常为陆上风电场的1.5～2倍）等不足。当前，海上风电的发展趋势可归纳为：（1）海上风电单机容量逐步提高，已进入15 MW时代；（2）单个海上风电场的容量越来越高，规模化开发趋势凸显；（3）风电场深远海化发展，离岸距离和水深分别超过100 km和100 m。
风资源评估是风电场建设的前提和基础。海风有其自身特点，易受海面粗糙度、大气稳定度、潮位、水温/气温、离岸距离等因素的影响。封宇等[171]根据近海测风塔的实测资料，对海风的风速、风向、湍流强度等气象参数的时空分布特点和垂直分布规律进行了详细分析，为海上风电开发（如风电场选址、控制和优化调度）提供了有益参考。此外，由于海风的环境湍流强度较弱，尾流与外层自由流的掺混作用减弱，叶尖涡将维持更长的时间，尾流效应影响更加突出。Barthelmie等[101]、Bastankhah等 [172]开展了系统的风电场尾流测量和数值模拟研究，并建立了适用于海上风电的尾流工程模型。王俊等[173]以海上风电场发电量最大化及风电机组疲劳均匀为多目标，通过变桨和偏航两种策略，开展了尾流控制优化研究，以期降低海上风电场运维成本。
近期发表于Nature旗下Scientific Reports期刊上的研究报告[174]中指出，随着海上风电产业的快速推进，其规模化和集群化开发也会带来一些问题。例如，受浅水区优质风力资源的推动，北海成为世界范围内海上风电场开发的热点区域之一。然而，Akhtar等[174]学者通过海上测量及数值仿真发现，风电场的加快部署有可能导致气候环境的改变及降低未来发电潜力。具体来说，一方面，海上风电场的尾流效应会导致风电场内年平均风速亏损2～2.5 m/s，且尾流影响范围延伸至下游35～40 km，同时如果相邻风电场距离较近，将导致下游风电场的容量系数降低20%以上，造成经济效益的降低及风资源的浪费；另一方面，作者还指出北海的风资源开发已经对当地的大气条件（海洋响应）产生了重大影响，且在这种趋势还将未来继续加剧；因此，在后续的风能开发过程中，需从全局着手，谨慎预估风电开发的潜能及局限性。同样地，Siedersleben等[175]的外场观测结果表明，即使在风电场下风向60 km处，尾流效应的影响仍然存在，造成该位置轮毂高度处的温度升高0.5 ℃，湿度升高0.5 g/kg，由此带来的环境影响值得引起思考和重视。
我国海上风电正进入快速发展阶段。据统计，2020年新增装机容量超过3 GW（占世界新增装机容量的50%），累计装机容量也达到世界第二。但综合来看，现阶段我国海上风电研究与建设与英国、丹麦、美国、德国等海上风电强国相比，仍存在以下主要问题：发展起步较晚，尚处于探索阶段；设计方法和软件仍不成熟；在海上风电场前期建设、中期运行和后期修护等方面缺乏经验。另外，目前我国海上风电多数处于近海区域，后续随着大规模化发展、集群化发展、向资源和储量更好的远海发展，将涉及海上组网和输送等难题，这些问题将严重制约海上风电建设的健康快速发展。因此，在大规模启动海上风电建设前，需要对海上风电技术进行足够的研究和投入，特别是近海风资源评估与分析、符合我国风资源情况的海上风电机组设计、漂浮式海上风电技术、海上风电场施工与建设、海上风电并网输运技术、海上风电开发标准的制定等关键技术。
4.5 大型风电场与大气边界层相互影响为了保障大规模、大容量风电场的高效开发，除了进行局地风电场尾流效应评估外，还需从更大尺度空间范围内对其进行流场分析。因此，大型风电场与大气边界层的相互作用也成为近年来的新兴研究热点，具有重要的科学意义和应用价值[12-13]。2019年，Veers等[9]发表在Science的文章综述了风能领域的几个重要挑战，其中第一条便是深入理解大气与风电场的流动机理及其相互作用规律。在研究过程中，大气边界层对风电场的作用主要关注机组的输出功率和机械载荷两个方面，而风电场对大气边界层的作用主要集中于对大气环境带来的反馈作用（如产生的巨大扰动效应可影响和改变局地边界层的整体结构和特性）。
大气边界层的高精度建模问题一直是气象和风能领域的研究重点之一。局地环境的复杂多样使得野外实验具有较大局限性，而数值模拟提供了一种较为灵活的研究手段。大气运动极为复杂，通过将其加以分类进行研究，产生了针对特定尺度和特定对象的数值模拟工具。中尺度（气象尺度）模式能够反映千米范围内气象要素的发展演变过程，而低于千米尺度的运动则被参数化。中尺度模式中，WRF对风速场和风温场等具有较高的模拟精度，应用最广。而目前风力机的尺寸在百米量级，且风力机流场存在多尺度耦合现象，最小的涡尺度约为毫米量级，此时WRF等中尺度模式将完全失效。小尺度模式主要是指计算流体力学模式，随着计算技术及设备的快速发展，LES方法在风能领域的高精度、高可靠性研究中得到了应用。进而，采用中尺度模式WRF耦合小尺度模式LES方法的思路，既能保证大气边界层的高精度仿真，又能确保风力机尾涡研究的需求，成为较为理想的大气边界层环境下求解风力机流场的技术手段，并已成功应用于风资源评估等工作。综上可知，为了更加高效、准确地再现风电场内不同尺度的流动特性，应采取与之相宜的模拟策略。
文献[12-13，59]概述了风电场开发过程所涉及的主要研究问题及对应的常用模拟方法。根据研究对象的尺度，数值模拟方法大致分为三类：基于CFD的微尺度模拟、基于NWP模式的中尺度模拟、介于二者之间的介观尺度模拟。其中，CFD相关研究进展已在上文进行介绍，此处不再赘述。另外，为了实现中尺度模式下风电场与大气边界层相互干扰的探究，风电场参数化建模成为关键，综述性文献[8]中列举了学者们近年来相继提出的风电场参数化模型，并根据其理论基础对这些方法进行了更细致的梳理分类；此外，王强[13]在博士论文中也对相关方法进行了类似归纳整理。总之，中尺度方法一方面基于NWP模式能够提供真实的大气背景，另一方面又能体现风电机组的存在对周围大气的影响，所以非常适于风电场/风电基地尺度的流场预测与评估。例如，Siedersleben等[176]基于中尺度气象模式针对大型海上风电场流动分布进行了计算，并开展了相应的尾流场测量（如风速、温度、压力和湿度等），以评估几类参数化模型的准确性，并对计算网格分辨率及不同大气稳定度所对应的参数选取给出了指导建议。类似地，Syed等[177]基于WRF模式开展了不同季节条件下的多个风电场发电功率预测，得到的风电场区域流动分布情况如图21所示。
NWP-CFD耦合模式兼备中尺度模式和微尺度模式的优势，在风工程领域得到了开展与应用。NWP-CFD方法又可归纳为单向边界传递法、动力升/降尺度法、双向耦合法三类[13]。其中，单向边界传递法的核心思想是将中尺度NWP模式的输出结果作为边界条件或者体积力耦合至微尺度CFD，进而实现中/微尺度流动问题的初探性研究[178]。动力升/降尺度方法的基本策略是在CFD模式中添加动量源以体现大气微物理过程，同时在NWP模式中利用网格嵌套技术考虑机组的存在及气动特性，从而实现对大气湍流特性及风电场机组气动特性的预测[179]。双向耦合模型法最为直接和全面，其核心思想是综合考虑中/微模式的时空巨大差异性，采用双向网格嵌套技术，结合适配的时间处理方法，实现两类模式的在线双向耦合[180]。但总体而言，NWP-CFD耦合模式的开发与应用仍存在诸多问题有待解决，如计算网格需求、跨尺度插值、物理模型匹配等方面。另外，由于公开测量数据的不足，相关的计算研究也缺乏相应的验证分析，其可靠性和可行性仍需得到进一步呢证明。
|
图 21 基于WRF模式结合风电场参数化建模方法预测到的风电场某一高度平面Hhub = 80 m速度分布云图[177] Fig.21 Velocity contours at Hhub = 80 m of a wind farm prediced by the WRF model coupled with the wind farmparametric modelling[177] |
联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）报告指出：到2050年，全球风力发电将满足20%以上的电力需求。为实现该目标，需要成百倍的建立风电场。在这种发展需求及形势下，亟待探索大规模风电场的部署及运行对生态环境和气候的影响。研究表明，风电场对气候和环境的影响主要体现在以下几个方面：一是风力机机组的安装改变了局地原有的空气动力学粗糙度高度，阻滞作用将影响边界层内的湍流运动及物质能量输运形式；二是由于能量的吸收转化，机组尾流效应会导致大气各种通量的改变，直接影响温度、降水和风速等气象要素。早在2004年，美国哈佛大学Keith团队[181]就已关注到风电场对气候环境的影响。此后，其他国家也逐步开展了风电场对局地及全球气候变化影响的研究。王强[13]从计算方法、经典算例、影响机理及存在的问题等方面详细阐述了风电场气候效应的研究进展，此处不再赘述。总体而言，目前大多数研究集中于分析风电场尾流效应引发的局地气象要素变化，少部分工作探究了大型风电场/风电基地对区域尺度气候乃至全球气候的影响等，多数研究结果表明，风电场对地表温度的影响呈现“昼降夜升”的规律且与大气稳定程度密切相关，不同规模风电场引起的温升范围约为0.18～0.70 ℃，且温升随风电场规模增大而增加[182]。
5 总结与未来研究展望全球风电已进入迅速扩张阶段，相应的风力机技术也需蓬勃发展与革新。其中，空气动力学作为首要和关键问题，一直是风力机技术研究的重点和热点。本文选取大气边界层、风力机尾流、风电场混合尾流等典型气动问题作为论述焦点，从外场测量、风洞实验、理论分析、数值模拟、工程建模和人工智能等研究方法着手，梳理和总结其中涉及的关键空气动力学问题及取得的重要研究进展。主要内容归纳如下：
1）大气边界层特性及湍流风分布。以风工程领域对入流条件的需求为侧重，兼顾考虑风力机的大型化发展趋势，介绍了近地层和艾克曼层的大气运动规律及其定量参数，整理了相关计算公式。另外，考虑大气边界层的显著特征“大气稳定度”的日周期演变及其对风资源的影响，综述了有关大气边界层研究所面临的关键科学问题及取得的重要研究成果，明确了该领域的未来研究方向。
2）风力机单尾流。分析了单台风力机尾流的显著特点，着重评述了近尾流区和远尾流区的气动特性及相关研究方法。此外，针对两种典型尾流现象（偏航尾流和尾流蜿蜒）进行了讨论，以更准确地贴近现实尾流工况。最后，面向科技前沿，梳理了基于机器学习方法的风力机尾流研究及进展。
3）风电场混合流场。归纳了风电场内混合尾流场的常规研究方法及取得的重要成果，针对风电场微观选址工作探讨了如何准确、高效地预测混合尾流效应及其功率输出。此外，考虑我国陆上风电场多数位于丘陵或复杂山地的现状以及大气非定常演变的现实情况，梳理了复杂地形风电场的相关研究成果。另外，还面向世界风能开发的热点—海上风电，对其物理问题的特殊性进行了分析。最后，针对今后大规模风能开发利用过程中面临的大型风电场/风电基地与大气边界层相互作用问题进行了整理与评述。
基于上述关键问题，风能工程空气动力学的后续研究方向和重点可归纳为：
1）入流方面，需重点开展外场真实复杂风况的测量、仿真与建模研究，提供准确可靠的机组运行条件和工况；
2）对于风能工程空气动力学的几大类研究方法而言：数值模拟方面，继续改进、完善和发展不同尺度层面的物理模型，进一步提高预测精度并扩展适用性；工程模型方面，需综合考虑多种相关影响因素，厘清其内在关联，充分利用实验测量数据、高精度模拟手段、相关理论、机器学习等数据驱动技术等，建立高效、准确的算法供风工程业务快速评估预测。
3）风工程建设方面：在风电项目开发之前，需开展综合多因素的机组布局多目标优化，提升风电场综合经济效益；对于已投产的风电场，需开发和改进风电场控制策略，设计诸如偏航/混排改造等综合措施以缓解尾流对下游机组造成的影响，最大程度地提高风电场整体性能。此外，在风电场规模化开发利用过程中，还需对风能高效转化以及其对大气环境的影响进行全面、系统的评估。特别地，需针对我国特有的气候和地理环境，来实现风电产业高效、可持续、环境友好型发展。
4）风电并网方面，受复杂动态入流的影响，风电场输出功率存在显著的波动性和间歇性，若将风电并入电网，将会对大电网的电能质量造成不利影响，成为制约风电大规模并网的瓶颈。因此，需建立准确、合理的风力发电长/中/短期实时预测系统，综合分析风电机组运行状态及工况条件，实现风电设备的高效、高可靠性运行，促进风力发电健康发展。
| [1] |
全国能源信息平台. 满足英国60%电力需求!8月份英国风电创纪录[EB/OL]. https://baijiahao.baidu.com/s?id=1676354495724702154&wfr=spider&for=pc, 2020-09-29.
|
| [2] |
搜狐网. 开发30亿风电, 引领绿色发展, 落实“30·60”目标—《风能北京宣言》发布[EB/OL]. http://www.cnenergynews.cn/huizhan/2020/10/15/detail_2020101579954.html, 2020-10-15.
|
| [3] |
岳敏楠, 丁勤卫, 李春, 等. 风波流及船舶碰撞作用下海上风力机研究进展[J]. 热能动力工程, 2020, 35(12): 1-10. YUE M N, DING Q W, LI C, et al. Current research status of dynamic response of offshore wind turbine under the effects of wind, wave and current and ship collision[J]. Journal of Engineering for Thermal Energy and Power, 2020, 35(12): 1-10. (in Chinese) |
| [4] |
黎作武, 贺德馨. 风能工程中流体力学问题的研究现状与进展[J]. 力学进展, 2013, 43(5): 472-525. LI Z W, HE D X. Reviews of fluid dynamics researches in wind energy engineering[J]. Advances in Mechanics, 2013, 43(5): 472-525. (in Chinese) |
| [5] |
王同光. 风力机空气动力学面临的挑战[C]//第五届全国风能技术应用年会论文集. 中国空气动力学会, 2008: 59-68.
|
| [6] |
朱呈勇. 水平轴风力机叶片三维旋转动态失速特性研究[D]. 南京航空航天大学, 2020. ZHU C Y. Three-dimensional rotational and dynamic stall of horizontal axis wind turbine blades[D]. Nanjing University of Aeronautics and Astronautics, 2020(in Chinese). |
| [7] |
CHATELAIN P, BRICTEUX L, BACKAERT S, et al. Vortex particle-mesh methods with immersed lifting lines applied to the Large Eddy Simulation of wind turbine wakes[C]//Wake Conference, Gotland, 2011.
|
| [8] |
PORTÉ-AGEL F, BASTANKHAH M, SHAMSODDIN S. Wind-turbine and wind-farm flows: A review[J]. Boundary-Layer Meteorology, 2020, 174(1): 1-59. DOI:10.1007/s10546-019-00473-0 |
| [9] |
VEERS P, DYKES K, LANTZ E, et al. Grand challenges in the science of wind energy[J]. Science, 2019, 366(6464). DOI:10.1126/science.aau2027 |
| [10] |
WATTS A. Surprising science-There’s no such thing as clean energy[EB/OL]. https://wattsupwiththat.com/2020/10/07/surprising-science-theres-no-such-thing-as-clean-energy/, [2020-10-07].
|
| [11] |
王蓉, 张强, 岳平, 等. 大气边界层数值模拟研究与未来展望[J]. 地球科学进展, 2020, 35(4): 331-349. WANG R, ZHANG Q, YUE P, et al. Summary and prospects of numerical simulation research of the atmospheric boundary layer[J]. Advances in Earth Science, 2020, 35(4): 331-349. DOI:10.11867/j.issn.1001-8166.2020.036 (in Chinese) |
| [12] |
张双益, 胡非. 大气边界层与风力发电的相互作用研究综述[J]. 高原气象, 2017, 36(4): 1127-1137. ZHANG S Y, HU F. Review on study of atmospheric boundary layer and wind power generation interaction[J]. Plateau Meteorology, 2017, 36(4): 1127-1137. (in Chinese) |
| [13] |
王强. 风电场尾流效应及其对大气环境影响的中尺度数值模拟研究[D]. 杭州: 浙江大学, 2020. WANG Q. Study on mesoscale numerical simulation of wake effect of wind farm & its impact on atmospheric environment[D]. Hangzhou: Zhejiang University, 2020(in Chinese). |
| [14] |
NIELSON J, BHAGANAGAR K. Using LES to understand wake evolution during the diurnal cycle[C]//Proceedings of ASME 2015 International Mechanical Engineering Congress and Exposition, Houston, Texas, USA, 2016. doi: 10.1115/IMECE2015-52045
|
| [15] |
EL-ASKARY W A, SAKR I M, ABDELSALAM A M, et al. Modeling of wind turbine wakes under thermally-stratified atmospheric boundary layer[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2017, 160: 1-15. DOI:10.1016/j.jweia.2016.11.001 |
| [16] |
PEÑA A, GRYNING S E, HASAGER C B. Comparing mixing-length models of the diabatic wind profile over homogeneous terrain[J]. Theoretical and Applied Climatology, 2010, 100(3-4): 325-335. DOI:10.1007/s00704-009-0196-8 |
| [17] |
INTERNATIONAL ELECTROTECHNICAL COMMISSION. Wind energy generation systems - Part 12-1: Power performance measurements of electricity producing wind turbines[S]. IEC 61400-12-1: 2017, 2017.
|
| [18] |
张旭耀. 复杂来流条件下水平轴风力机流场特性与气动载荷研究[D]. 兰州: 兰州理工大学, 2019. ZHANG X Y. Study on flow field characteristics and aerodynamic loads of horizontal axis wind turbine under complicated inflow conditions[D]. Lanzhou: Lanzhou University of Technology, 2019(in Chinese). |
| [19] |
PEÑA A, RÉTHORÉ P E, RATHMANN O. Modeling large offshore wind farms under different atmospheric stability regimes with the Park wake model[J]. Renewable Energy, 2014, 70: 164-171. DOI:10.1016/j.renene.2014.02.019 |
| [20] |
DIMITROV N, NATARAJAN A, KELLY M. Model of wind shear conditional on turbulence and its impact on wind turbine loads[J]. Wind Energy, 2015, 18(11): 1917-1931. DOI:10.1002/we.1797 |
| [21] |
HOLTSLAG M C, BIERBOOMS W M, VAN BUSSEL G J W. Definition of the equivalent atmospheric stability for wind turbine fatigue load assessment[J]. Journal of Physics:Conference Series, 2014, 524: 012110. DOI:10.1088/1742-6596/524/1/012110 |
| [22] |
ARYA S P. Atmospheric boundary layer and its parameterization[R]//CERMAK J E, DAVENPORT A G, PLATE E J, VIEGAS D X, (eds). Wind Climate in Cities. NATO ASI Series (Series E: Applied Sciences), 1995. Springer, Dordrecht. doi: 10.1007/978-94-017-3686-2_3
|
| [23] |
LUNDQUIST J K, WILCZAK J M, ASHTON R, et al. Assessing state-of-the-art capabilities for probing the atmospheric boundary layer: the XPIA field campaign[J]. Bulletin of the American Meteorological Society, 2017, 98(2): 289-314. DOI:10.1175/bams-d-15-00151.1 |
| [24] |
FERRERES E, SOLER M R, TERRADELLAS E. Analysis of turbulent exchange and coherent structures in the stable atmospheric boundary layer based on tower observations[J]. Dynamics of Atmospheres and Oceans, 2013, 64: 62-78. DOI:10.1016/j.dynatmoce.2013.10.002 |
| [25] |
DEARDORFF J W. Numerical investigation of neutral and unstable planetary boundary layers[J]. Journal of the Atmospheric Sciences, 1972, 29(1): 91-115. DOI:10.1175/1520-0469(1972)029<0091:nionau>2.0.co;2 |
| [26] |
SAIKI E M, MOENG C H, SULLIVAN P P. Large-eddy simulation of the stably stratified planetary boundary layer[J]. Boundary-Layer Meteorology, 2000, 95(1): 1-30. DOI:10.1023/A:1002428223156 |
| [27] |
ENGLBERGER A, DÖRNBRACK A. A numerically efficient parametrization of turbulent wind-turbine flows for different thermal stratifications[J]. Boundary-Layer Meteorology, 2018, 169(3): 505-536. DOI:10.1007/s10546-018-0377-z |
| [28] |
BASU S, VINUESA J F, SWIFT A. Dynamic LES modeling of a diurnal cycle[J]. Journal of Applied Meteorology and Climatology, 2008, 47(4): 1156-1174. DOI:10.1175/2007jamc1677.1 |
| [29] |
DALL'OZZO CÉDRIC, CARISSIMO BERTRAND, MILLIEZ MAYA, et al. Large-eddy simulation of the diurnal cycle of the atmospheric boundary layer and influence of the radiative forcing during the Wangara experiment[C]// EGU General Assembly, 2013. Vienna, Austria. EGU2013-10021.
|
| [30] |
FEKIH A, MOHAMED A. Evaluation of the WRF model on simulating the vertical structure and diurnal cycle of the atmospheric boundary layer over Bordj Badji Mokhtar (southwestern Algeria)[J]. Journal of King Saud University - Science, 2019, 31(4): 602-611. DOI:10.1016/j.jksus.2017.12.004 |
| [31] |
TIAN L L, SONG Y L, ZHAO N, et al. Numerical investigations into the idealized diurnal cycle of atmospheric boundary layer and its impact on wind turbine's power performance[J]. Renewable Energy, 2020, 145: 419-427. DOI:10.1016/j.renene.2019.05.038 |
| [32] |
ENGLBERGER A, DÖRNBRACK A. Impact of the diurnal cycle of the atmospheric boundary layer on wind-turbine wakes: a numerical modelling study[J]. Boundary-Layer Meteorology, 2018, 166(3): 423-448. DOI:10.1007/s10546-017-0309-3 |
| [33] |
MEDICI D, IVANELL S, DAHLBERG J Å, et al. The upstream flow of a wind turbine: blockage effect[J]. Wind Energy, 2011, 14(5): 691-697. DOI:10.1002/we.451 |
| [34] |
SHERRY M, NEMES A, LO JACONO D, et al. The interaction of helical tip and root vortices in a wind turbine wake[J]. Physics of Fluids, 2013, 25(11): 117102. DOI:10.1063/1.4824734 |
| [35] |
IUNGO G V, VIOLA F, CAMARRI S, et al. Linear stability analysis of wind turbine wakes performed on wind tunnel measurements[J]. Journal of Fluid Mechanics, 2013, 737: 499-526. DOI:10.1017/jfm.2013.569 |
| [36] |
东雪青, 刘钊, 汪建文, 等. 水平轴风力机尾迹叶尖涡运动轨迹的实验研究[J]. 太阳能学报, 2019, 40(2): 326-332. DONG X Q, LIU Z, WANG J W, et al. Experimental study on trajetory of tip vortex in wake of horizontal axis wind turbine wake[J]. Acta Energiae Solaris Sinica, 2019, 40(2): 326-332. (in Chinese) |
| [37] |
ZHANG W, MARKFORT C D, PORTÉ-AGEL F. Near-wake flow structure downwind of a wind turbine in a turbulent boundary layer[J]. Experiments in Fluids, 2012, 52(5): 1219-1235. DOI:10.1007/s00348-011-1250-8 |
| [38] |
LIGNAROLO L E M, RAGNI D, SCARANO F, et al. Tip-vortex instability and turbulent mixing in wind-turbine wakes[J]. Journal of Fluid Mechanics, 2015, 781: 467-493. DOI:10.1017/jfm.2015.470 |
| [39] |
ABRAHAM A, DASARI T, HONG J R. Effect of turbine nacelle and tower on the near wake of a utility-scale wind turbine[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2019, 193: 103981. DOI:10.1016/j.jweia.2019.103981 |
| [40] |
钟伟, 王同光. 风力机叶尖涡的数值模拟[J]. 南京航空航天大学学报, 2011, 43(5): 640-644. ZHONG W, WANG T G. Numerical analysis of the wind turbine blade-tip vortex[J]. Journal of Nanjing University of Aeronautics & Astronautics, 2011, 43(5): 640-644. DOI:10.3969/j.issn.1005-2615.2011.05.013 (in Chinese) |
| [41] |
HUANG X, ALAVI MOGHADAM S M, MEYSONNAT P S, et al. Numerical analysis of the effect of flaps on the tip vortex of a wind turbine blade[J]. International Journal of Heat and Fluid Flow, 2019, 77: 336-351. DOI:10.1016/j.ijheatfluidflow.2019.05.004 |
| [42] |
SØRENSEN J N, MIKKELSEN R, SARMAST S, et al. Determination of wind turbine near-wake length based on stability analysis[J]. Journal of Physics:Conference Series, 2014, 524: 012155. DOI:10.1088/1742-6596/524/1/012155 |
| [43] |
SARMAST S, DADFAR R, MIKKELSEN R F, et al. Mutual inductance instability of the tip vortices behind a wind turbine[J]. Journal of Fluid Mechanics, 2014, 755: 705-731. DOI:10.1017/jfm.2014.326 |
| [44] |
郜志腾, 王同光, 李晔. 耦合浸入边界和致动线方法的风力机尾流计算[C]//第十一全国流体力学学术会议, 广东, 深圳, 2020.
|
| [45] |
BASTANKHAH M, PORTÉ-AGEL F. Experimental and theoretical study of wind turbine wakes in yawed conditions[J]. Journal of Fluid Mechanics, 2016, 806: 506-541. DOI:10.1017/jfm.2016.595 |
| [46] |
SØRENSEN J N, MIKKELSEN R F, HENNINGSON D S, et al. Simulation of wind turbine wakes using the actuator line technique[J]. Philosophical Transactions of the Royal Society A:Mathematical, Physical and Engineering Sciences, 2015, 373(2035): 20140071. DOI:10.1098/rsta.2014.0071 |
| [47] |
KEANE A, AGUIRRE P E O, FERCHLAND H, et al. An analytical model for a full wind turbine wake[J]. Journal of Physics:Conference Series, 2016, 753: 032039. DOI:10.1088/1742-6596/753/3/032039 |
| [48] |
HULSMAN P, MARTÍNEZ-TOSSAS L A, HAMILTON N, et al. Modelling and assessing the near-wake representation and turbulence behaviour of control-oriented wake models[J]. Journal of Physics:Conference Series, 2020, 1618: 022056. DOI:10.1088/1742-6596/1618/2/022056 |
| [49] |
SUN H Y, YANG H X. Study on an innovative three-dimensional wind turbine wake model[J]. Applied Energy, 2018, 226: 483-493. DOI:10.1016/j.apenergy.2018.06.027 |
| [50] |
ARCHER C L, VASEL-BE-HAGH A, YAN C, et al. Review and evaluation of wake loss models for wind energy applications[J]. Applied Energy, 2018, 226: 1187-1207. DOI:10.1016/j.apenergy.2018.05.085 |
| [51] |
GUALTIERI G. Comparative analysis and improvement of grid-based wind farm layout optimization[J]. Energy Conversion and Management, 2020, 208: 112593. DOI:10.1016/j.enconman.2020.112593 |
| [52] |
NIAYIFAR A, PORTÉ-AGEL F. Analytical modeling of wind farms: a new approach for power prediction[J]. Energies, 2016, 9(9): 741. DOI:10.3390/en9090741 |
| [53] |
SUN H Y, GAO X X, YANG H X. A review of full-scale wind-field measurements of the wind-turbine wake effect and a measurement of the wake-interaction effect[J]. Renewable and Sustainable Energy Reviews, 2020, 132: 110042. DOI:10.1016/j.rser.2020.110042 |
| [54] |
CHAMORRO L P, PORTÉ-AGEL F. A wind-tunnel investigation of wind-turbine wakes: boundary-layer turbulence effects[J]. Boundary-Layer Meteorology, 2009, 132(1): 129-149. DOI:10.1007/s10546-009-9380-8 |
| [55] |
HULSMAN P, WOSNIK M, PETROVIĆ V, et al. Turbine wake deflection measurement in a wind tunnel with a lidar WindScanner[J]. Journal of Physics:Conference Series, 2020, 1452: 012007. DOI:10.1088/1742-6596/1452/1/012007 |
| [56] |
BASTANKHAH M, PORTÉ-AGEL F. Wind tunnel study of the wind turbine interaction with a boundary-layer flow: Upwind region, turbine performance, and wake region[J]. Physics of Fluids, 2017, 29(6): 065105. DOI:10.1063/1.4984078 |
| [57] |
NIELSON J, BHAGANAGAR K. Using field data–based large eddy simulation to understand role of atmospheric stability on energy production of wind turbines[J]. Wind Engineering, 2019, 43(6): 625-638. DOI:10.1177/0309524x18824540 |
| [58] |
ZHANG W, MARKFORT C D, PORTÉ-AGEL F. Wind-turbine wakes in a convective boundary layer: a wind-tunnel study[J]. Boundary-Layer Meteorology, 2013, 146(2): 161-179. DOI:10.1007/s10546-012-9751-4 |
| [59] |
STEVENS R J A M, MENEVEAU C. Flow structure and turbulence in wind farms[J]. Annual Review of Fluid Mechanics, 2017, 49(1): 311-339. DOI:10.1146/annurev-fluid-010816-060206 |
| [60] |
MO J O, CHOUDHRY A, ARJOMANDI M, et al. Large eddy simulation of the wind turbine wake characteristics in the numerical wind tunnel model[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2013, 112: 11-24. DOI:10.1016/j.jweia.2012.09.002 |
| [61] |
DAAOU NEDJARI H, GUERRI O, SAIGHI M. Full rotor modelling and generalized actuator disc for wind turbine wake investigation[J]. Energy Reports, 2020, 6: 232-255. DOI:10.1016/j.egyr.2019.10.041 |
| [62] |
QIAN Y R, WANG T G, YUAN Y P, et al. Comparative study on wind turbine wakes using a modified partially-averaged Navier-Stokes method and large eddy simulation[J]. Energy, 2020, 206: 118147. DOI:10.1016/j.energy.2020.118147 |
| [63] |
阎超, 屈峰, 赵雅甜, 等. 航空航天CFD物理模型和计算方法的述评与挑战[J]. 空气动力学学报, 2020, 38(5): 829-857. YAN C, QU F, ZHAO Y T, et al. Review of development and challenges for physical modeling and numerical scheme of CFD in aeronautics and astronautics[J]. Acta Aerodynamica Sinica, 2020, 38(5): 829-857. (in Chinese) |
| [64] |
BLOCKEN B. 50 years of Computational Wind Engineering: Past, present and future[J]. Journal of Wind Engineering & Industrial Aerodynamics, 2014, 129: 69-102. DOI:10.1016/j.jweia.2014.03.008 |
| [65] |
TIAN L L, SONG Y L, ZHAO N, et al. Effects of turbulence modelling in AD/RANS simulations of single wind & tidal turbine wakes and double wake interactions[J]. Energy, 2020, 208: 118440. DOI:10.1016/j.energy.2020.118440 |
| [66] |
ANTONINI E G A, ROMERO D A, AMON C H. Analysis and modifications of turbulence models for wind turbine wake simulations in atmospheric boundary layers[J]. Journal of Solar Energy Engineering, 2018, 140(3): 031007. DOI:10.1115/1.4039377 |
| [67] |
VAN DER LAAN M P, SØRENSEN N N, RÉTHORÉ P E, et al. An improved k- ϵ model applied to a wind turbine wake in atmospheric turbulence[J]. Wind Energy, 2015, 18(5): 889-907. DOI:10.1002/we.1736 |
| [68] |
BOURAS I, MA L, INGHAM D, et al. An improved k -ω turbulence model for the simulations of the wind turbine wakes in a neutral atmospheric boundary layer flow[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2018, 179: 358-368. DOI:10.1016/j.jweia.2018.06.013 |
| [69] |
ROCHA P A C, ROCHA H H B, CARNEIRO F O M, et al. K-ω SST (shear stress transport) turbulence model calibration: a case study on a small scale horizontal axis wind turbine[J]. Energy, 2014, 65: 412-418. DOI:10.1016/j.energy.2013.11.050 |
| [70] |
NGUYEN V T, GUILLOU S S, THIÉBOT J, et al. Modelling turbulence with an Actuator Disk representing a tidal turbine[J]. Renewable Energy, 2016, 97: 625-635. DOI:10.1016/j.renene.2016.06.014 |
| [71] |
TIAN, SONG, ZHAO, et al. AD/RANS simulations of wind turbine wake flow employing the RSM turbulence model: impact of isotropic and anisotropic inflow conditions[J]. Energies, 2019, 12(21): 4026. DOI:10.3390/en12214026 |
| [72] |
CRESPO A, HERNA´NDEZ J. Turbulence characteristics in wind-turbine wakes[J]. Journal of Wind Engineering and Industrial Aerodynamics, 1996, 61(1): 71-85. DOI:10.1016/0167-6105(95)00033-X |
| [73] |
BARLAS E, BUCKINGHAM S, BEECK J. Roughness effects on wind-turbine wake dynamics in a boundary-layer wind tunnel[J]. Boundary-Layer Meteorology, 2016, 158(1): 27-42. DOI:10.1007/s10546-015-0083-z |
| [74] |
AITKEN M L, BANTA R M, PICHUGINA Y L, et al. Quantifying wind turbine wake characteristics from scanning remote sensor data[J]. Journal of Atmospheric and Oceanic Technology, 2014, 31(4): 765-787. DOI:10.1175/jtech-d-13-00104.1 |
| [75] |
AHMADI M H B, YANG Z Y. The evolution of turbulence characteristics in the wake of a horizontal axis tidal stream turbine[J]. Renewable Energy, 2020, 151: 1008-1015. DOI:10.1016/j.renene.2019.11.092 |
| [76] |
XIE S B, ARCHER C. Self-similarity and turbulence characteristics of wind turbine wakes via large-eddy simulation[J]. Wind Energy, 2015, 18(10): 1815-1838. DOI:10.1002/we.1792 |
| [77] |
YANG X L, SOTIROPOULOS F. A review on the meandering of wind turbine wakes[J]. Energies, 2019, 12(24): 4725. DOI:10.3390/en12244725 |
| [78] |
LARSEN G C, MADSEN H A, THOMSEN K, et al. Wake meandering: a pragmatic approach[J]. Wind Energy, 2008, 11(4): 377-395. DOI:10.1002/we.267 |
| [79] |
ESPAÑA G, AUBRUN S, LOYER S, et al. Wind tunnel study of the wake meandering downstream of a modelled wind turbine as an effect of large scale turbulent eddies[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2012, 101: 24-33. DOI:10.1016/j.jweia.2011.10.011 |
| [80] |
LARSEN G C, MADSEN H A, BINGÖL F, et al. Dynamic wake meandering modeling[R]. Roskilde, Denmark: Risø National Laboratory, 2007. Risø-R-1607(EN).
|
| [81] |
KECK R E, UNDHEIM O. A pragmatic approach to wind farm simulations using the dynamic wake meandering model[J]. Wind Energy, 2015, 18(9): 1671-1682. DOI:10.1002/we.1783 |
| [82] |
ZHANG J C, ZHAO X W. Quantification of parameter uncertainty in wind farm wake modeling[J]. Energy, 2020, 196: 117065. DOI:10.1016/j.energy.2020.117065 |
| [83] |
CHAMORRO L P, HILL C, MORTON S, et al. On the interaction between a turbulent open channel flow and an axial-flow turbine[J]. Journal of Fluid Mechanics, 2013, 716: 658-670. DOI:10.1017/jfm.2012.571 |
| [84] |
FOTI D, YANG X L, SOTIROPOULOS F. Similarity of wake meandering for different wind turbine designs for different scales[J]. Journal of Fluid Mechanics, 2018, 842: 5-25. DOI:10.1017/jfm.2018.9 |
| [85] |
YANG X L, SOTIROPOULOS F. A new class of actuator surface models for wind turbines[J]. Wind Energy, 2018, 21(5): 285-302. DOI:10.1002/we.2162 |
| [86] |
FOTI D, YANG X L, SHEN L, et al. Effect of wind turbine nacelle on turbine wake dynamics in large wind farms[J]. Journal of Fluid Mechanics, 2019, 869: 1-26. DOI:10.1017/jfm.2019.206 |
| [87] |
SCHOTTLER J, MÜHLE F, BARTL J, et al. Comparative study on the wake deflection behind yawed wind turbine models[J]. Journal of Physics:Conference Series, 2017, 854: 012032. DOI:10.1088/1742-6596/854/1/012032 |
| [88] |
BASTANKHAH M, PORTÉ-AGEL F. Wind farm power optimization via yaw angle control: a wind tunnel study[J]. Journal of Renewable and Sustainable Energy, 2019, 11(2): 023301. DOI:10.1063/1.5077038 |
| [89] |
KRAGH K A, HANSEN M H. Load alleviation of wind turbines by yaw misalignment[J]. Wind Energy, 2014, 17(7): 971-982. DOI:10.1002/we.1612 |
| [90] |
MEDICI D, ALFREDSSON P H. Measurements on a wind turbine wake: 3D effects and bluff body vortex shedding[J]. Wind Energy, 2006, 9(3): 219-236. DOI:10.1002/we.156 |
| [91] |
SHAPIRO C R, GAYME D F, MENEVEAU C. Modelling yawed wind turbine wakes: a lifting line approach[J]. Journal of Fluid Mechanics, 2018, 841: R1. DOI:10.1017/jfm.2018.75 |
| [92] |
QIAN G W, ISHIHARA T. A new analytical wake model for yawed wind turbines[J]. Energies, 2018, 11(3): 665. DOI:10.3390/en11030665 |
| [93] |
BISWAS A, SARKAR S, GUPTA R. Application of artificial neural network for performance evaluation of vertical axis wind turbine rotor[J]. International Journal of Ambient Energy, 2016, 37(2): 209-218. DOI:10.1080/01430750.2014.915889 |
| [94] |
IUNGO G V, SANTONI-ORTIZ C, ABKAR M, et al. Data-driven Reduced Order Model for prediction of wind turbine wakes[J]. Journal of Physics:Conference Series, 2015, 625: 012009. DOI:10.1088/1742-6596/625/1/012009 |
| [95] |
TI Z L, DENG X W, YANG H X. Wake modeling of wind turbines using machine learning[J]. Applied Energy, 2020, 257: 114025. DOI:10.1016/j.apenergy.2019.114025 |
| [96] |
ALI N, CAL R B. Data-driven modeling of the wake behind a wind turbine array[J]. Journal of Renewable and Sustainable Energy, 2020, 12(3): 033304. DOI:10.1063/5.0004393 |
| [97] |
ZHANG J C, ZHAO X W. A novel dynamic wind farm wake model based on deep learning[J]. Applied Energy, 2020, 277: 115552. DOI:10.1016/j.apenergy.2020.115552 |
| [98] |
BLEEG J, PURCELL M, RUISI R, et al. Wind farm blockage and the consequences of neglecting its impact on energy production[J]. Energies, 2018, 11(6): 1609. DOI:10.3390/en11061609 |
| [99] |
CALAF M, MENEVEAU C, MEYERS J. Large eddy simulation study of fully developed wind-turbine array boundary layers[J]. Physics of Fluids, 2010, 22(1): 015110. DOI:10.1063/1.3291077 |
| [100] |
WU K, PORTÉ-AGEL F. Flow adjustment inside and around large finite-size wind farms[J]. Energies, 2017, 10(12): 2164. DOI:10.3390/en10122164 |
| [101] |
BARTHELMIE R J, FOLKERTS L, ORMEL F T, et al. Offshore wind turbine wakes measured by sodar[J]. Journal of Atmospheric and Oceanic Technology, 2003, 20(4): 466-477. DOI:10.1175/1520-0426(2003)20<466:owtwmb>2.0.co;2 |
| [102] |
BARTHELMIE R J, HANSEN K, FRANDSEN S T, et al. Modelling and measuring flow and wind turbine wakes in large wind farms offshore[J]. Wind Energy, 2009, 12(5): 431-444. DOI:10.1002/we.348 |
| [103] |
FLEMING P, ANNONI J, SHAH J J, et al. Field test of wake steering at an offshore wind farm[J]. Wind Energy Science, 2017, 2(1): 229-239. DOI:10.5194/wes-2-229-2017 |
| [104] |
AVILA M, GARGALLO-PEIRÓ A, FOLCH A. A CFD framework for offshore and onshore wind farm simulation[J]. Journal of Physics:Conference Series, 2017, 854: 012002. DOI:10.1088/1742-6596/854/1/012002 |
| [105] |
TABIB M, RASHEED A, KVAMSDAL T. LES and RANS simulation of onshore Bessaker wind farm: analysing terrain and wake effects on wind farm performance[J]. Journal of Physics:Conference Series, 2015, 625: 012032. DOI:10.1088/1742-6596/625/1/012032 |
| [106] |
PORTÉ-AGEL F, WU Y T, LU H, et al. Large-eddy simulation of atmospheric boundary layer flow through wind turbines and wind farms[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2011, 99(4): 154-168. DOI:10.1016/j.jweia.2011.01.011 |
| [107] |
PORTÉ-AGEL F, WU Y T, CHEN C H. A numerical study of the effects of wind direction on turbine wakes and power losses in a large wind farm[J]. Energies, 2013, 6(10): 5297-5313. DOI:10.3390/en6105297 |
| [108] |
CALAF M, PARLANGE M B, MENEVEAU C. Large eddy simulation study of scalar transport in fully developed wind-turbine array boundary layers[J]. Physics of Fluids, 2011, 23(12): 126603. DOI:10.1063/1.3663376 |
| [109] |
MARTÍNEZ-TOSSAS L A, CHURCHFIELD M J, YILMAZ A E, et al. Comparison of four large-eddy simulation research codes and effects of model coefficient and inflow turbulence in actuator-line-based wind turbine modeling[J]. Journal of Renewable and Sustainable Energy, 2018, 10(3): 033301. DOI:10.1063/1.5004710 |
| [110] |
GOIT J P, MEYERS J. Optimal control of energy extraction in wind-farm boundary layers[J]. Journal of Fluid Mechanics, 2015, 768: 5-50. DOI:10.1017/jfm.2015.70 |
| [111] |
FRÜH W G, CREECH A C W, MAGUIRE A E. Turbulence characteristics in offshore wind farms from LES simulations of lillgrund wind farm[J]. Energy Procedia, 2014, 59: 182-189. DOI:10.1016/j.egypro.2014.10.365 |
| [112] |
CREECH A C W, FRÜH W G. Modeling wind turbine wakes for wind farms[M]//Alternative Energy and Shale Gas Encyclopedia. Hoboken, NJ, USA: John Wiley & Sons, Inc. , 2016: 28-51. doi: 10.1002/9781119066354.ch4
|
| [113] |
STIEREN A, GADDE S N, STEVENS R J A M. Modeling dynamic wind direction changes in large eddy simulations of wind farms[J]. Renewable Energy, 2021, 170: 1342-1352. DOI:10.1016/j.renene.2021.02.018 |
| [114] |
BAIDYA ROY S, PACALA S W, WALKO R L. Can large wind farms affect local meteorology?[J]. Journal of Geophysical Research:Atmospheres, 2004, 109: D19101. DOI:10.1029/2004JD004763 |
| [115] |
ABKAR M, PORTÉ-AGEL F. A new wind-farm parameterization for large-scale atmospheric models[J]. Journal of Renewable and Sustainable Energy, 2015, 7(1): 013121. DOI:10.1063/1.4907600 |
| [116] |
YUAN R Y, JI W J, LUO K, et al. Coupled wind farm parameterization with a mesoscale model for simulations of an onshore wind farm[J]. Applied Energy, 2017, 206: 113-125. DOI:10.1016/j.apenergy.2017.08.018 |
| [117] |
LEE J C Y, LUNDQUIST J K. Evaluation of the wind farm parameterization in the Weather Research and Forecasting model (version 3.8. 1) with meteorological and turbine power data[J]. Geoscientific Model Development, 2017, 10(11): 4229-4244. DOI:10.5194/gmd-10-4229-2017 |
| [118] |
王姝, 刘树华, 陈建洲, 等. 使用WRF-Fitch对湖区风电场风力发电机尾流效应特征的数值模拟[J]. 北京大学学报(自然科学版), 2018, 54(3): 605-615. WANG S, LIU S H, CHEN J Z, et al. Case studies: simulation on characteristics of wind turbine wake effect in a lake-side wind farm with WRF-fitch[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2018, 54(3): 605-615. (in Chinese) |
| [119] |
MANGARA R J, GUO Z H, LI S L. Performance of the wind farm parameterization scheme coupled with the weather research and forecasting model under multiple resolution regimes for simulating an onshore wind farm[J]. Advances in Atmospheric Sciences, 2019, 36(2): 119-132. DOI:10.1007/s00376-018-8028-3 |
| [120] |
STEVENS R J A M, GAYME D F, MENEVEAU C. Generalized coupled wake boundary layer model: applications and comparisons with field and LES data for two wind farms[J]. Wind Energy, 2016, 19(11): 2023-2040. DOI:10.1002/we.1966 |
| [121] |
NIAYIFAR A, PORTÉ-AGEL F. A new analytical model for wind farm power prediction[J]. Journal of Physics:Conference Series, 2015, 625: 012039. DOI:10.1088/1742-6596/625/1/012039 |
| [122] |
REDDY S R. Wind Farm Layout Optimization (WindFLO): an advanced framework for fast wind farm analysis and optimization[J]. Applied Energy, 2020, 269: 115090. DOI:10.1016/j.apenergy.2020.115090 |
| [123] |
PEÑA A, RATHMANN O. Atmospheric stability-dependent infinite wind-farm models and the wake-decay coefficient[J]. Wind Energy, 2014, 17(8): 1269-1285. DOI:10.1002/we.1632 |
| [124] |
FRANDSEN S, THØGERSEN M L. Integrated fatigue loading for wind turbines in wind farms by combining ambient turbulence and wakes[J]. Wind Engineering, 1999, 23(6): 327-339. |
| [125] |
ZHANG H, GE M W, LIU Y Q, et al. A new coupled model for the equivalent roughness heights of wind farms[J]. Renewable Energy, 2021, 171: 34-46. DOI:10.1016/j.renene.2021.02.076 |
| [126] |
KHOSRAVI A, MACHADO L, NUNES R O. Time-series prediction of wind speed using machine learning algorithms: a case study Osorio wind farm, Brazil[J]. Applied Energy, 2018, 224: 550-566. DOI:10.1016/j.apenergy.2018.05.043 |
| [127] |
OPTIS M, PERR-SAUER J. The importance of atmospheric turbulence and stability in machine-learning models of wind farm power production[J]. Renewable and Sustainable Energy Reviews, 2019, 112: 27-41. DOI:10.1016/j.rser.2019.05.031 |
| [128] |
沈惟舟. 基于机器学习的风电场短期风功率预测研究[D]. 上海: 上海交通大学, 2019. SHEN W Z. Short-term wind power prediction of wind farm based on machine learning[D]. Shanghai: Shanghai Jiaotong University, 2019 (in Chinese). |
| [129] |
苗宜之. 基于预测信息的风电场集群调频控制策略[D]. 沈阳: 沈阳工业大学, 2019. MIAO Y Z. Wind farm cluster frequency regulation control strategy based on prediction information[D]. Shenyang: Shenyang University of Technology, 2019. (in Chinese) |
| [130] |
PARK J W, AN B S, LEE Y S, et al. Wind farm layout optimization using genetic algorithm and its application to Daegwallyeong wind farm[J]. JMST Advances, 2019, 1(4): 249-257. DOI:10.1007/s42791-019-00026-z |
| [131] |
TAO S Y, XU Q S, FEIJÓO A, et al. Wind farm layout optimization with a three-dimensional Gaussian wake model[J]. Renewable Energy, 2020, 159: 553-569. DOI:10.1016/j.renene.2020.06.003 |
| [132] |
FENG J, SHEN W Z. Design optimization of offshore wind farms with multiple types of wind turbines[J]. Applied Energy, 2017, 205: 1283-1297. DOI:10.1016/j.apenergy.2017.08.107 |
| [133] |
MOSETTI G, POLONI C, DIVIACCO B. Optimization of wind turbine positioning in large windfarms by means of a genetic algorithm[J]. Journal of Wind Engineering and Industrial Aerodynamics, 1994, 51(1): 105-116. DOI:10.1016/0167-6105(94)90080-9 |
| [134] |
HOU P, ZHU J S, MA K C, et al. A review of offshore wind farm layout optimization and electrical system design methods[J]. Journal of Modern Power Systems and Clean Energy, 2019, 7(5): 975-986. DOI:10.1007/s40565-019-0550-5 |
| [135] |
SHAKOOR R, HASSAN M Y, RAHEEM A, et al. Wake effect modeling: a review of wind farm layout optimization using Jensen׳s model[J]. Renewable and Sustainable Energy Reviews, 2016, 58: 1048-1059. DOI:10.1016/j.rser.2015.12.229 |
| [136] |
GUO N Z, ZHANG M M, LI B, et al. Influence of atmospheric stability on wind farm layout optimization based on an improved Gaussian wake model[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2021, 211: 104548. DOI:10.1016/j.jweia.2021.104548 |
| [137] |
ABDOLLAHZADEH H, ATASHGAR K, ABBASI M. Multi-objective opportunistic maintenance optimization of a wind farm considering limited number of maintenance groups[J]. Renewable Energy, 2016, 88: 247-261. DOI:10.1016/j.renene.2015.11.022 |
| [138] |
CAO J F, ZHU W J, SHEN W Z, et al. Wind farm layout optimization with special attention on noise radiation[J]. Journal of Physics:Conference Series, 2020, 1618: 042022. DOI:10.1088/1742-6596/1618/4/042022 |
| [139] |
CHEN Y, LI H, JIN K, et al. Wind farm layout optimization using genetic algorithm with different hub height wind turbines[J]. Energy Conversion and Management, 2013, 70: 56-65. DOI:10.1016/j.enconman.2013.02.007 |
| [140] |
VASEL-BE-HAGH A, ARCHER C L. Wind farm hub height optimization[J]. Applied Energy, 2017, 195: 905-921. DOI:10.1016/j.apenergy.2017.03.089 |
| [141] |
REDDY S R. A machine learning approach for modeling irregular regions with multiple owners in wind farm layout design[J]. Energy, 2021, 220: 119691. DOI:10.1016/j.energy.2020.119691 |
| [142] |
田琳琳, 赵宁, 钟伟, 等. 基于小生境遗传算法的风电场布局优化[J]. 南京航空航天大学学报, 2011, 43(5): 650-654. TIAN L L, ZHAO N, ZHONG W, et al. Placement optimization of wind farm based on niche genetic algorithm[J]. Journal of Nanjing University of Aeronautics & Astronautics, 2011, 43(5): 650-654. DOI:10.3969/j.issn.1005-2615.2011.05.015 (in Chinese) |
| [143] |
宋梦譞, 何仲阳, 陈凯, 等. 风电场微观选址软件的应用[J]. 工程热物理学报, 2013, 34(7): 1299-1302. SONG M X, HE Z Y, CHEN K, et al. Application of wind farm micro-siting software[J]. Journal of Engineering Thermophysics, 2013, 34(7): 1299-1302. (in Chinese) |
| [144] |
刘永前, 邵振州, 颜灵伟, 等. 基于改进二进制萤火虫算法的风电场微观选址优化研究[J]. 可再生能源, 2019, 37(1): 112-118. LIU Y Q, SHAO Z Z, YAN L W, et al. Optimization research of wind farm micro-sitting based on improved binary firefly algorithm[J]. Renewable Energy Resources, 2019, 37(1): 112-118. DOI:10.3969/j.issn.1671-5292.2019.01.018 (in Chinese) |
| [145] |
邵振州. 风电场尾流快速模拟方法及应用研究[D]. 北京: 华北电力大学(北京), 2019. SHAO Z Z. Wake fast simulation method and its application in wind farm[D]. Beijing: North China Electric Power University (Beijing), 2019(in Chinese). |
| [146] |
许昌, 杨建川, 李辰奇, 等. 复杂地形风电场微观选址优化[J]. 中国电机工程学报, 2013, 33(31): 58-64,7. XU C, YANG J C, LI C Q, et al. Optimization of wind farm layout in complex terrain[J]. Proceedings of the CSEE, 2013, 33(31): 58-64,7. (in Chinese) |
| [147] |
田琳琳. 风力机尾流数值模拟及风电场机组布局优化研究[D]. 南京: 南京航空航天大学, 2014. TIAN L L. Numerical simulation of wind turbine wakes and the study of wind farm layout optimization[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2014(in Chinese). |
| [148] |
LI L Y, REN X Q, YANG Y L, et al. Analysis and recommendations for onshore wind power policies in China[J]. Renewable and Sustainable Energy Reviews, 2018, 82: 156-167. DOI:10.1016/j.rser.2017.06.114 |
| [149] |
MIROCHA J D, KOSOVIC B, AITKEN M L, et al. Implementation of a generalized actuator disk wind turbine model into the weather research and forecasting model for large-eddy simulation applications[J]. Journal of Renewable and Sustainable Energy, 2014, 6(1): 013104. DOI:10.1063/1.4861061 |
| [150] |
KIM D Y, KIM Y H, KIM B S. Changes in wind turbine power characteristics and annual energy production due to atmospheric stability, turbulence intensity, and wind shear[J]. Energy, 2021, 214: 119051. DOI:10.1016/j.energy.2020.119051 |
| [151] |
ABKAR M, SHARIFI A, PORTÉ-AGEL F. Wake flow in a wind farm during a diurnal cycle[J]. Journal of Turbulence, 2016, 17(4): 420-441. DOI:10.1080/14685248.2015.1127379 |
| [152] |
SHARMA V, CALAF M, LEHNING M, et al. Time-adaptive wind turbine model for an LES framework[J]. Wind Energy, 2016, 19(5): 939-952. DOI:10.1002/we.1877 |
| [153] |
SHARMA V, PARLANGE M B, CALAF M. Perturbations to the spatial and temporal characteristics of the diurnally-varying atmospheric boundary layer due to an extensive wind farm[J]. Boundary-Layer Meteorology, 2017, 162(2): 255-282. DOI:10.1007/s10546-016-0195-0 |
| [154] |
胡伟成. 山地风电场微观选址及短期风速预测研究[D]. 北京: 北京交通大学, 2019. HU W C. Research on wind farm micro-siting and short-term wind speed prediction over mountainous terrain[D]. Beijing: Beijing Jiaotong University, 2019(in Chinese). |
| [155] |
ISHIHARA T, HIBI K, OIKAWA S. A wind tunnel study of turbulent flow over a three-dimensional steep hill[J]. Journal of Wind Engineering and Industrial Aerodynamics, 1999, 83(1-3): 95-107. DOI:10.1016/S0167-6105(99)00064-1 |
| [156] |
CONAN B. Wind resource assessment in complex terrain by wind tunnel modelling[D]. Institut von Karman, Universit´E D’Orl´Eans, 2012. https://www.researchgate.net/publication/277677404_Wind_resource_assessment_in_complex_terrain_by_wind_tunnel_modelling
|
| [157] |
沈国辉, 翁文涛, 王轶文, 等. 某复杂山体的三维风场特征研究[J]. 振动与冲击, 2020, 39(4): 75-80. SHEN G H, WENG W T, WANG Y W, et al. A study on three-dimensional wind field characteristics of a complex hill[J]. Journal of Vibration and Shock, 2020, 39(4): 75-80. (in Chinese) |
| [158] |
ALFREDSSON P H, SEGALINI A. Introduction Wind farms in complex terrains: an introduction[J]. Philosophical Transactions of the Royal Society A:Mathematical, Physical and Engineering Sciences, 2017, 375(2091): 20160096. DOI:10.1098/rsta.2016.0096 |
| [159] |
KIM H G, PATEL V C, LEE C M. Numerical simulation of wind flow over hilly terrain[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2000, 87(1): 45-60. DOI:10.1016/S0167-6105(00)00014-3 |
| [160] |
RØKENES KJERSTI. Investigation of terrain effects with respect to wind farm siting[D]. Trondheim: Norwegian University of Science and Technology, 2009.
|
| [161] |
HU W C, YANG Q S, CHEN H P, et al. Wind field characteristics over hilly and complex terrain in turbulent boundary layers[J]. Energy, 2021, 224: 120070. DOI:10.1016/j.energy.2021.120070 |
| [162] |
POLITIS E S, PROSPATHOPOULOS J, CABEZON D, et al. Modeling wake effects in large wind farms in complex terrain: the problem, the methods and the issues[J]. Wind Energy, 2012, 15(1): 161-182. DOI:10.1002/we.481 |
| [163] |
SEGALINI A. Linearized simulation of flow over wind farms and complex terrains[J]. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 2017, 375(2091): 20160099. DOI:10.1098/rsta.2016.0099 |
| [164] |
YANG X L, PAKULA M, SOTIROPOULOS F. Large-eddy simulation of a utility-scale wind farm in complex terrain[J]. Applied Energy, 2018, 229: 767-777. DOI:10.1016/j.apenergy.2018.08.049 |
| [165] |
SHAMSODDIN S, PORTÉ-AGEL F. Wind turbine wakes over hills[J]. Journal of Fluid Mechanics, 2018, 855: 671-702. DOI:10.1017/jfm.2018.653 |
| [166] |
HYVÄRINEN A. Wind turbines over a hilly terrain: performance and wake evolution[R]. Mekanik: Royal Institute of Technology, 2018.
|
| [167] |
何晓凤, 周荣卫, 朱蓉. MM5与CFD软件相结合对复杂地形风资源模拟初探: 以鄱阳湖地区为例[J]. 资源科学, 2010, 32(4): 650-655. HE X F, ZHOU R W, ZHU R. A study on wind resources in complex terrain simulated by the combination of MM5 and CFD software[J]. Resources Science, 2010, 32(4): 650-655. (in Chinese) |
| [168] |
BODINI N, LUNDQUIST J K, OPTIS M. Can machine learning improve the model representation of turbulent kinetic energy dissipation rate in the boundary layer for complex terrain?[J]. Geoscientific Model Development, 2020, 13(9): 4271-4285. DOI:10.5194/gmd-13-4271-2020 |
| [169] |
TANG X Y, ZHAO S M, FAN B, et al. Micro-scale wind resource assessment in complex terrain based on CFD coupled measurement from multiple masts[J]. Applied Energy, 2019, 238: 806-815. DOI:10.1016/j.apenergy.2019.01.129 |
| [170] |
RADÜNZ W C, SAKAGAMI Y, HAAS R, et al. Influence of atmospheric stability on wind farm performance in complex terrain[J]. Applied Energy, 2021, 282: 116149. DOI:10.1016/j.apenergy.2020.116149 |
| [171] |
封宇, 何焱, 朱启昊, 等. 近海及海上风资源时空特性研究[J]. 清华大学学报(自然科学版), 2016, 56(5): 522-529. FENG Y, HE Y, ZHU Q H, et al. Temporal and spatial characteristics of offshore wind resources[J]. Journal of Tsinghua University (Science and Technology), 2016, 56(5): 522-529. (in Chinese) |
| [172] |
BASTANKHAH M, WELCH B L, MARTÍNEZ-TOSSAS L A, et al. Analytical solution for the cumulative wake of wind turbines in wind farms[J]. Journal of Fluid Mechanics, 2021, 911: A53. DOI:10.1017/jfm.2020.1037 |
| [173] |
王俊, 周川, 蔡彦枫, 等. 考虑疲劳均衡的海上风电场主动尾流控制研究[J]. 可再生能源, 2021, 39(2): 208-214. WANG J, ZHOU C, CAI Y F, et al. Active wake control of offshore wind farm considering fatigue equilibrium[J]. Renewable Energy Resources, 2021, 39(2): 208-214. DOI:10.3969/j.issn.1671-5292.2021.02.011 (in Chinese) |
| [174] |
AKHTAR N, GEYER B, ROCKEL B, et al. Accelerating deployment of offshore wind energy alter wind climate and reduce future power generation potentials[J]. Scientific Reports, 2021, 11: 11826. DOI:10.1038/s41598-021-91283-3 |
| [175] |
SIEDERSLEBEN S K, LUNDQUIST J K, PLATIS A, et al. Micrometeorological impacts of offshore wind farms as seen in observations and simulations[J]. Environmental Research Letters, 2018, 13(12): 124012. DOI:10.1088/1748-9326/aaea0b |
| [176] |
SIEDERSLEBEN S K, PLATIS A, LUNDQUIST J K, et al. Turbulent kinetic energy over large offshore wind farms observed and simulated by the mesoscale model WRF (3.8. 1)[J]. Geoscientific Model Development, 2020, 13(1): 249-268. DOI:10.5194/gmd-13-249-2020 |
| [177] |
SYED A H, JAVED A, ASIM FEROZ R M, et al. Partial repowering analysis of a wind farm by turbine hub height variation to mitigate neighboring wind farm wake interference using mesoscale simulations[J]. Applied Energy, 2020, 268: 115050. DOI:10.1016/j.apenergy.2020.115050 |
| [178] |
TEMEL O, BRICTEUX L, VAN BEECK J. Coupled WRF-OpenFOAM study of wind flow over complex terrain[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2018, 174: 152-169. DOI:10.1016/j.jweia.2018.01.002 |
| [179] |
BARCONS J, AVILA M, FOLCH A. A wind field downscaling strategy based on domain segmentation and transfer functions[J]. Wind Energy, 2018, 21(6): 409-425. DOI:10.1002/we.2169 |
| [180] |
CLASS A, VIELLIEBER M, MOUSSIOPOULOS N, et al. Two way coupled micro/meso scale method for wind farms[J]. PAMM, 2014, 14(1): 585-586. DOI:10.1002/pamm.201410280 |
| [181] |
KEITH D W, DECAROLIS J F, DENKENBERGER D C, et al. The influence of large-scale wind power on global climate[J]. PNAS, 2004, 101(46): 16115-16120. DOI:10.1073/pnas.0406930101 |
| [182] |
FITCH A C, LUNDQUIST J K, OLSON J B. Mesoscale influences of wind farms throughout a diurnal cycle[J]. Monthly Weather Review, 2013, 141(7): 2173-2198. DOI:10.1175/mwr-d-12-00185.1 |