《Wind Energy》：Assessing Engineering Wake Models Against Operational Data: Insights From the Lillgrund Wind Farm Wake Steering Campaign
编辑推荐：
在真实运行条件下验证工程尾流模型对提升风电场性能预测至关重要。本研究利用欧盟Horizon 2020计划TotalControl项目在Lillgrund海上风电场采集的同步SCADA（Supervisory Control and Data Acquisiti
在真实运行条件下验证工程尾流模型对提升风电场性能预测至关重要。本研究利用欧盟Horizon 2020计划TotalControl项目在Lillgrund海上风电场采集的同步SCADA（Supervisory Control and Data Acquisition，数据采集与监视控制系统）与LiDAR（Light Detection and Ranging，激光雷达）实测数据集，涵盖基线运行（无偏航设定）与主动尾流转向两类工况。研究人员采用DNV开发的LongSim建模软件，评估了四种组合形式的解析尾流模型，各组合在速度亏损、附加湍流、尾流叠加与偏转机制上采用差异化公式。分析聚焦于时间平均的尾流速度亏损剖面、单台机组及全场功率输出，并以参考速度与参考功率进行归一化处理，采用平均绝对误差（Mean Absolute Error，MAE）量化模型精度。结果表明，在基线工况下，所评估模型总体上能够复现随尾流重叠程度系统性变化的尾流亏损趋势；在尾流转向工况下，可复现由人为偏航失准引起的尾流偏转特征，且在不同大气条件下表现稳定。归一化速度亏损的MAE范围为7%至15%，差异主要归因于来流非均匀性、近尾流区复杂性以及模型特有的参数化方案。功率预测结果显示，随着风电场排布深度的增加，误差呈累积趋势。采用累积尾流叠加与精细化湍流方案的模型组合与实测数据的吻合度更高；然而所有模型在捕捉局地流动特征方面均存在挑战，单台机组归一化功率输出的MAE介于3%至23%之间。全场功率输出误差介于?13%至+30%之间；值得注意的是，准确的全场功率预测可能掩盖单台机组层面的相互抵消误差。研究人员建议，未来研究应优先关注动态来流表征与阻塞效应纳入，以进一步提升预测可靠性。
研究背景与意义
风电场尾流效应会显著降低下游机组的功率输出并加剧疲劳载荷，因此准确预测尾流行为对风电场设计与优化至关重要。工程解析尾流模型因其计算高效而被工业界广泛采用，但其在真实大气与运行条件下的精度仍存在不确定性，亟需系统的现场验证。Lillgrund海上风电场以机组排布紧凑、SCADA与LiDAR实测数据完备而著称，为评估从早期基于雷诺平均纳维?斯托克斯（Reynolds-Averaged Navier-Stokes，RANS）理论的模型到近期涡片模型在内的多种主流工程模型提供了理想的中试平台。此前Horns Rev等风电场的验证已揭示模型普遍存在低估尾流损失的偏差，且精度随风电场深度增加而下降，受风向变率、参数调优与深阵列效应影响显著；尾流转向策略的引入进一步提升了验证难度。为此，研究人员依托欧盟Horizon 2020 TotalControl项目在Lillgrund开展的专项试验，利用高精度同步观测数据，系统评估不同工程尾流模型在基线与主动控制工况下的表现，成果发表于《Wind Energy》期刊，为模型改进与现场应用提供了关键依据。
关键技术方法
研究选取Lillgrund海上风电场48台Siemens SWT-2.3-93机组2019年至2020年的同步观测数据，包含一台上游机位安装的测风LiDAR（水平扫描）与两台机组安装的双多普勒扫描LiDAR（尾流断面测量），以及全风场2秒间隔SCADA数据。研究人员对来流湍流强度（Turbulence Intensity，TI）进行机舱TI校正，利用ERA5再分析资料估算莫宁?奥布霍夫长度（Monin–Obukhov length，L）以表征大气稳定性，并通过DNV Bladed软件结合实测桨距角生成考虑偏航效应的推力系数与功率系数曲线。在LongSim软件中配置四组模型组合，分别采用Ainslie、Bastankhah等速度亏损公式，Quarton?Ainslie、Crespo?Hernández等附加湍流方案，主导尾流或累积叠加方法，以及Bastankhah?Porté?Agel、涡片模型等偏转机制，针对7组基线与7组尾流转向工况开展对比验证。
研究结果
4.1 断面速度亏损
4.1.1 基线工况：模型总体复现了不同风向下的尾流亏损形态，包括满尾流与交错排布特征。Ainslie模型因主导尾流叠加假设呈现更尖锐的亏损过渡；累积叠加模型（ii、iv）对峰值亏损的估计优于其他组合，但在近尾流区普遍面临挑战。实测中观测到的机组间流速加速现象未被现有模型捕捉，推测与来流非均匀性及局部加速有关。
4.1.2 尾流转向工况：模型成功再现了偏航引起的尾流横向偏移方向与幅度。研究发现上游尾流会调制偏航机组的实际偏转效果，导致顺时针与逆时针偏航的不对称响应，该特征在模型中被复现但未在实测中直接观测。
4.1.3 误差分析：归一化速度亏损的MAE介于7%至15%之间，最高误差出现在来流非均匀性较强的工况，最低值约7%在各模型中表现一致。
4.2 功率预测
4.2.1 基线工况：上游机组功率偏差反映了来流非均匀性，下游功率误差随排布深度累积。模型ii与iv在全场功率分布上表现更优，但均无法完全复现由剪切、加速及恢复构成的复杂流动影响。
4.2.2 尾流转向工况：上游机组在接近额定风速时功率响应趋于饱和，削弱了来流非均匀性的影响。偏航机组及其下游机组的功率重分配趋势被多数模型捕捉，但局部误差仍较大，且各模型未表现出一致的优越性。
4.2.3 误差分析：单台机组归一化功率MAE在3%至23%之间，模型ii与iv稳定在3%至10%区间，与同期大涡模拟（Large Eddy Simulation，LES）结果相当。全场功率误差在?13%至+30%之间，低全场误差可能掩盖单台机组的显著偏差。
讨论与结论
研究证实，稳态工程尾流模型能够捕捉Lillgrund风电场在基线与尾流转向工况下的主要尾流亏损与偏转趋势，累积叠加方案与精细化湍流处理有助于提升预测一致性。然而，来流非均匀性、近尾流区复杂剪切、深阵列累积效应及阻塞效应的缺失仍是主要误差来源。归一化速度亏损MAE为7%至15%，单台机组功率MAE最优可达3%至10%，全场功率误差多在±10%以内。研究人员指出，未来模型发展应着重完善近尾流动力学表征、动态来流刻画及阻塞效应纳入，以提升在紧凑型风电场与主动控制场景下的预测可靠性。
