[论文解读] The Area Localized Coupled Model for Analytical Mean Flow Prediction in Arbitrary Wind Farm Geometries

Genevieve M. Starke, Charles Meneveau+2 more|arXiv (Cornell University)|Sep 28, 2020

Wind Energy Research and Development参考文献 34被引用 18

一句话总结

该区域局部耦合（ALC）模型通过使用Voronoi剖分定义风机特异性区域，将超高斯尾迹模型与局部化自上而下的边界层模型耦合，从而在任意风力发电机组布局中预测平均流场。该模型通过最小化尾迹与自上而下速度估计之间的最小二乘误差，改进了现有模型在预测功率和轮毂高度风速方面的表现，在非均匀来流条件下，对规则、随机及混合风力发电机组配置的LES验证模拟中表现出高精度。

ABSTRACT

This work introduces the Area Localized Coupled (ALC) model, which extends earlier approaches to coupling classical wake superposition and atmospheric boundary layer models in order to enable applicability to arbitrary wind-farm layouts. Coupling wake and top-down boundary layer models is particularly challenging since the latter requires averaging over planform areas associated with certain turbine-specific regions of the flow. The ALC model uses Voronoi tesselation to define a local area around each turbine. A top-down description of a developing internal boundary layers is then applied over Voronoi cells upstream of each turbine to estimate the local mean velocity profile. Coupling between the velocity at hub-height based on this localized top-down model and a wake model is achieved by enforcing a minimum least-square-error in mean velocity in each cell. The ALC model is implemented using a wake model with a profile that transitions from a top-hat to Gaussian function and accounts for wake interactions through linear superposition. Detailed comparisons to large-eddy simulation (LES) data demonstrate the efficacy of the model in accurate predictions of both power and hub height velocity for complex wind farm geometries. Further validation with LES for a hybrid array-random farm that has half of the turbines arranged in an array and the other half randomly distributed indicates the model's versatility with respect to capturing results from different wind farm configurations. In both cases, the ALC model is shown to produce improved power predictions for both the farm and individual turbines over prevailing approaches for a range of wind inflow directions.

研究动机与目标

• 开发一种适用于任意风机几何布局的风力发电机组平均流场预测的可推广分析模型。
• 克服现有耦合尾迹-自上而下模型的局限性，这些模型受限于规则阵列或需要完全发展流场区域。
• 整合非均匀来流剖面及与位置相关的湍流效应，以提升真实风力发电机组布局中的预测精度。
• 实现对摩擦速度、内边界层增长及粗糙度高度的局部化预测，以增强物理解读。

提出的方法

• ALC模型使用Voronoi剖分将风力发电机组区域划分为与风机相关的平面单元，实现局部化建模。
• 采用超高斯尾迹剖面表示速度亏损，从风机附近近似为平顶分布，过渡至下游的高斯分布。
• 自上而下的模型描述每个Voronoi单元在风机上游的发展内边界层，考虑局部湍流与粗糙度影响。
• 通过最小化单元平均风速预测的最小二乘误差，实现尾迹模型与自上而下模型之间的耦合。
• 尾迹扩展系数基于局部摩擦速度与平均平流速度之比确定，实现与位置相关的尾迹扩展。
• 模型通过迭代调整尾迹扩展系数与平面推力系数，使两种模型的预测结果相互协调。

实验结果

研究问题

• RQ1 能否将耦合尾迹-自上而下模型推广至任意风力发电机组几何布局，包括不规则和混合布局？
• RQ2 如何在支持非均匀来流条件的前提下，捕捉局部湍流与边界层发展？
• RQ3 与现有分析模型相比，ALC模型在多样化风力发电机组配置中对功率与速度预测的改进程度如何？
• RQ4 该模型能否在复杂流场情景下准确预测风场整体及单个风机的性能？

主要发现

• ALC模型在圆形风力发电机组布局中准确预测了速度分布与功率输出，与LES数据相比，速度单元与尾迹相互作用均得到良好捕捉。
• 在混合阵列-随机风力发电机组布局中，ALC模型在功率预测中显著降低了与LES相比的离散度，散点图中数据点紧密沿1:1线分布。
• 该模型在多种风向条件下，均提升了对单个风机及整个风场的功率预测精度，优于现有主流方法。
• 引入非均匀来流剖面显著提升了模型性能，尤其对直接暴露于变化来流条件的上游风机效果更明显。
• ALC模型成功捕捉了复杂布局中从初始到完全发展边界层状态的过渡，局部内边界层增长在摩擦速度估计中得到体现。
• 模型采用Voronoi剖分，使其可适用于任何风机排列——规则、随机或混合——而无需几何约束。