偏航工況下水平軸風力機尾流時序特征實驗研究*

張立棟，潘品印，梁佳興，趙秀勇，田文鑫，李欽偉

偏航工況下水平軸風力機尾流時序特征實驗研究*

張立棟1,?，潘品印1，梁佳興1，趙秀勇2，田文鑫2，李欽偉3

（1. 東北電力大學 能源與動力工程學院，吉林 吉林 132012；2. 國電環境保護研究院有限公司 國家環境保護大氣物理模擬與污染控制重點實驗室，南京 210031；3. 中國電建集團吉林省電力勘測設計院有限公司，長春 130021）

風力機的尾流效應會導致整個風電場風速分布不均勻。為研究風力機尾流效應的規律性，對比0°、15°、30° 不同偏航角工況下的風力機尾流速度開展風洞實驗研究。分析風力機尾流時序特征的同時，采用最大信息化理論統計方法分析風力機水平方向上特征測點位置的相關性。結果表明，不同偏航工況下，風力機下游尾流徑向方向上速度的相互影響不同，同時風力機展向方向的不同距離處，同一特征測點速度也存在不同的相互影響；且隨偏航角的增大，尾流寬度增大，尾流逐漸恢復。

風力機；風洞實驗；尾流效應；偏航

0 引 言

風力發電作為新能源中最為成熟且最具有規模開發條件的能源利用方式之一，得到了廣泛的重視[1]。風力機相關技術[2-4]的快速發展，可助力雙碳目標早日實現。風力機尾流會影響風電場的發電效率[5]，是風電場微觀選址中必須考慮的影響因素之一[6]。此外，采用激光雷達技術可以對實際已經建成的風電場進行尾流研究[7]，對風力機尾流特性的規律性研究可為新建及改建風電場設計提供一定的參考。

近年來，國內外諸多學者通過實驗和數值模擬方法研究風力機尾流演化規律。ZHAO等[8]通過實驗研究了風力機尾流的風廓線及速度虧損值的變化趨勢。劉惠文等[9]通過實驗測量了剪切來流條件下的風力機尾流的湍流積分長度的演變規律，發現在大于4倍直徑的遠尾流場存在不穩定的尾流彎曲現象。韓玉霞等[10]通過時間分辨粒子圖像測速法（time resolved-particle image velocity, TR-PIV）研究了直徑為300 mm的風力機尾流的擬序結構特征規律，發現大渦的擬序結構具有周期性，湍流強度增加，擬序結構易耗散。王澤棟等[5]和楊瑞等[11]分別研究了串列布置風力機的尾流影響，均發現增大風力機的間距可提高下游風力機發電功率。王澤棟等還發現增大來流湍流度和調整上游風力機的偏航角也可提高下游風力機發電功率。

史俊杰等[6]利用制動盤方法模擬研究了山丘地形上風力機的尾流時空演變規律，發現風力機尾流受地形的二次渦影響較大。王燕等[12]采用致動線模型中的大渦模擬方法模擬了風力機尾流場，并采用本征正交分解方法分析了尾流結構尺度和湍流強度變化與階數的關系。PIQUé等[13]則研究了高雷諾數下風力機尾流的平均速度場的自相似性。此外，張旭耀等[14]和李德順等[15]采用致動線模型和大渦模擬的方法研究了直徑為14.8 m的風力機尾流特性，張旭耀等發現在風力機下游一定距離處軸向速度虧損也滿足自相似性；李德順等發現不同尾流位置處的低頻湍流結構和高頻湍流結構之間的差異。

李昉[16]基于最大信息系數（maximal information coefficient, MIC）算法進行變量選擇得出風力機多種參數同風速之間的相關程度。MI等[17]采用最大信息化評估圓柱擾流的近尾流速度場的奇異值分解（singular value decomposition, SVD）參數的相關性。最大信息化可以分析不同參數之間的相關性，還可以分析相同參數不同測點之間的相關性[18]。

本文采用風洞實驗，對風力機縮比模型的尾流特征進行測量，同時對比0°、15°、30° 三種偏航角下風力機尾流參數的差異性，分析尾流區不同位置的速度分布及測點間速度相關性。

1 實驗部分

實驗用風力機以NREL WindPACT 1.5 MW為研究對象，風力機模型直徑為1 m，輪轂高度為1.2 m。風洞實驗段長為24 m，寬為4 m，高為3 m[19]。實驗中采用皮托管采集數據，采樣頻率為300 Hz。測點布置在風力機正后方的3、5、7三個位置，分布在平面上，測點間隔為0.1 m，同時測量的測點共計20個，具體實驗設置如圖1所示。

圖1 風力機及測點布置模型

結合實驗所得的0°、15°、30° 不同偏航角下3、5、7三個尾流輪轂高度位置的時序速度數據，通過分析風力機在不同偏航工況下的瞬時速度時序圖，了解不同位置尾流的時序特征。此外，基于最大信息系數的特性，分析不同測點數據相關性。

2 結果與討論

2.1 尾流時序特征

圖2分別為風力機偏航角為0°、15°、30° 在不同尾流位置處的瞬時水平速度時序云圖，并分別作平均速度曲線。偏航角為0° 時，如圖2（a）所示，流向左右呈現對稱現象，在3位置處，位于輪轂中心（?0.25，0.25）位置處的風速明顯減小，尾流速度虧損較大，尾流效應較為明顯。但隨著流向距離的增大，在5、7位置處的尾流速度逐漸恢復，使得尾流速度虧損減弱。從圖2（b）可知，15° 偏航角下，3位置（?0.1，0.25）范圍內速度虧損較大。同時，圖2（c）的30° 偏航角的3位置（0，0.25）范圍內速度虧損較大，與圖2（a）和圖2（b）的尾流相似，在5、7位置處的尾流速度逐漸恢復，7位置30° 偏航角尾流速度恢復最好，在15°和30° 偏航角時的最低速度位置在/= 0.1處。

結合圖2的3、5、7位置處時序云圖與平均速度曲線，圖1中④、⑤、⑥測點位置可以進一步分析偏航對尾流的影響。

圖2 0°（a）、15°（b）、30°（c） 偏航角時風力機瞬時速度時序云圖和平均速度曲線

2.2 最大信息化及相關性

MIC被用于檢測變量之間的相關程度和機器學習的特征選擇[20]，該方法是將數據空間網格劃分，不同網格中各點的分布情況可由各網格互信息表示：

在不同劃分標準的網格中最大的互信息值即為MIC值，表達為：

根據式（1）和式（2）分析風力機水平方向上3、5、7位置處的不同測點位置處6 000個瞬時速度數據。在計算過程中，將每個測點的6 000個瞬時速度分為同一時間段的9組數據并對每組求平均值，通過得到的9個平均值計算不同測點位置處的速度的MIC值，來探索同構數據間的相關性。由于當風力機處于不同偏航工況時，風力機尾流各測點位置速度特征不同，因此將尾流不同位置處④、⑤、⑥測點作為特征點分析不同偏航工況下速度間的相關性，比較不同偏航工況下的尾流特征。表1為不同偏航工況下測點⑤在3、5、7位置的MIC值，不同偏航工況下3、5、7位置處測點④、⑤、⑥兩兩之間的MIC值如表2所示。

表1 不同尾流距離的測點⑤的MIC值在不同偏航角的對比

根據統計學原理中相關系數理論[22]，在偏航角為0° 時，3與5、3與7、5與7間同一測點位置處的MIC值分別為0.230、0.590、0.558，可知3與5處間的速度相關性并不明顯，而3與7、5與7間的速度相關性呈強相關，風力機旋轉的尾流周期效應導致近尾流與遠尾流的MIC值有差距。當偏航角為15° 時，3與5、3與7、5與7間測點⑤處的MIC值分別為0.125、0.225、0.320，可知3、5、7位置間速度相關性較小，表明3、5、7位置相互間的速度影響較小。在30° 偏航工況條件下，3與5、3與7、5與7間同一測點位置處的MIC值分別為0.991、0.225、0.32。3與5間的速度相關性呈強相關，3位置對5位置的速度影響較大，在近尾流區域，尾流渦對測點⑤處的影響較小，導致其相關性較大。而3與7以及5與7間的速度影響較小。

由此可知，隨著風力機偏航角度的增大，3位置對5位置速度影響先減小后增大，而3對7以及5對7的速度影響逐漸降低。

表2 3D、5D、7D位置處不同偏航角時測點④～ ⑥之間的MIC值

在0° 偏航工況下，3、5、7位置處測點④與測點⑤的MIC值均為0.991，測點⑤與測點⑥間的MIC值分別為0.991、0.590、0.590。這說明在0° 偏航時，3、5、7位置處在測點④與測點⑤位置間速度相互之間的影響很大，而在5、7位置處測點⑤與測點⑥間的影響雖然仍較大，但相比于3位置仍有差距。當偏航工況為15° 時，3、5、7位置處測點④與測點⑤的MIC值分別為0.558、0.590、0.590；測點⑤與測點⑥間的MIC值分別為0.991、0.590、0.558。3、5、7位置處測點④和測點⑤間速度影響較大，且3、5、7位置差異不大。而3位置處測點⑤與測點⑥間速度影響相比于5和7位置最大，5與7位置處對測點⑤與測點⑥的速度影響較小，且5與7位置處差異不大。當偏航工況為30° 時，3、5、7位置處測點④與測點⑤的MIC值分別為0.225、0.991、0.991，測點⑤與測點⑥間的MIC值分別為0.991、0.558、0.590。3位置處測點④與測點⑤間的影響較小，5、7位置處測點④對測點⑤的影響很大；而3位置處測點⑤與測點⑥間的速度影響很大，5、7位置處測點⑤與測點⑥的速度影響較小且差異不大。

因此，隨著風力機偏航角的增大，3位置處測點④與測點⑤的速度影響逐漸減小，而5和7位置處測點④與測點⑤間的速度影響先減小后增大；而3位置處測點⑤對測點⑥的速度影響穩定不變且影響很大，5和7位置處上葉尖與測點⑥間的速度影響差異不大。

3 結 論

通過分析風力機下游尾流時序云圖研究了不同偏航工況下尾流的時序特征，利用最大信息化理論統計方法分析了特征點之間的相關性，得出以下結論：

風力機在不同偏航工況下，風力機水平方向上同一測點位置的速度相關性有明顯區別，相比于0°與30° 偏航工況，風力機葉片偏航角為15° 時，水平方向上同一測點位置間的相關性最小，同一測點位置間速度的相互影響最小。且在風力機不同偏航工況下，風力機在3、5、7位置處同一測點以及距離同一測點相等距離的兩個測點相互間均存在影響，隨著偏航角度的增大，尾流間相互影響先增大后減小，當風力機葉片偏航角為15° 時，尾流間的相互影響最小。

在風力機不同偏航工況下，隨著風力機葉片偏航角和風力機水平方向距離的增大，尾流效應減弱，尾流寬度減小，尾流速度恢復程度越來越高。同時，偏航角的改變也導致了風力機尾流速度分布中平均速度最小值點的位置向輪轂方向偏移。

[1] 劉一帆, 鐘淋涓, 楊濤, 等. 1.5MW風力機整機定常及非定常數值模擬[J]. 新能源進展, 2016, 4(4): 266-271. DOI: 10.3969/j.issn.2095-560X.2016.04.002.

[2] 郭興文, 姚皓譯, 蔡新, 等. 考慮連接段厚度影響的風力機組合塔架優化設計[J]. 新能源進展, 2022, 10(2): 146-152. DOI: 10.3969/j.issn.2095-560X.2022.02.007.

[3] 石磊, 李巖, 馮放, 等. 表面疏水性對結冰切向粘結強度影響試驗研究[J]. 太陽能學報, 2022, 43(10): 493-498. DOI: 10.1360/zd-2011-41-12-1795.

[4] 陳明, 趙振宙, 孟令玉, 等. 渦流發生器參數化模型風力機葉段表面應用方法研究[J]. 機械工程學報, 2022, 58(8): 258-265. DOI: 10.3901/JME.2022.08.258.

[5] 王澤棟, 郝俊博, 易文武, 等. 尾流對串列式風力機性能影響的風洞試驗研究[J]. 機械工程學報, 2022, 58(12): 237-249. DOI: 10.12677/aepe.2013.12010.

[6] 史俊杰, 許昌, 雷嬌, 等. 典型山丘地形與風力機誘導渦流耦合演變規律[J]. 機械工程學報, 2020, 56(4): 85-94. DOI: 10.3901/JME.2020.04.085.

[7] 高曉霞, 王騰淵, 趙飛, 等. 基于激光雷達掃描數據的湍流強度影響下風力機尾流特性研究[J]. 太陽能學報, 2019, 40(12): 3645-3650. DOI: 10.3788/cjl201340. 1213003.

[8] ZHAO X Y, HU T Y, ZHANG L D, et al. Experimental study on the characteristics of wind turbine wake field considering yaw conditions[J]. Energy science & engineering, 2021, 9(12): 2333-2341. DOI: 10.1002/ ese3.987.

[9] 劉惠文, 鄭源, 楊春霞, 等. 剪切來流條件下風力機尾流場特性實驗研究[J]. 中國電機工程學報, 2018, 38(23): 6987-6993. DOI: 10.13334/j.0258-8013.pcsee. 180877.

[10] 韓玉霞, 汪建文, 劉珍, 等. 基于TR-PIV風力機尾跡擬序結構特征的實驗研究[J]. 太陽能學報, 2019, 40(10): 2892-2898. DOI: 10.1360/ze2012-42-11-1255.

[11] 楊瑞, 張志勇, 王強, 等. 串列風力機三維尾流場的實驗研究[J]. 蘭州理工大學學報, 2017, 43(5): 60-64. DOI: 10.1360/ze1999-29-1-82.

[12] 王燕, 程杰, 賈安, 等. 基于本征正交分解的水平軸風力機非定常尾跡特性分析[J]. 農業工程學報, 2022, 38(7): 69-77. DOI: 10.1360/za2007-37-6-709.

[13] PIQUé A, MILLER M A, HULTMARK M. Laboratory investigation of the near and intermediate wake of a wind turbine at very high Reynolds numbers[J]. Experiments in fluids, 2022, 63(6): 106. DOI: 10.1007/s00348-022-03455-0.

[14] 張旭耀, 楊從新, 郜志騰, 等. 水平軸風力機尾流的自相似性與流場特性研究[J]. 中國電機工程學報, 2018, 38(15): 4482-4489. DOI: 10.1360/zc2000-43-6-593.

[15] 李德順, 胡進森, 于佳鑫, 等. 水平軸風力機尾流湍流結構的時空演化[J]. 蘭州理工大學學報, 2020, 46(3): 64-69. DOI: 10.1360/csb1984-29-5-314.

[16] 李昉. 基于風場大數據變量選擇的多模型風速預測研究[D]. 北京: 華北電力大學, 2021. DOI: 10.27139/d. cnki.ghbdu.2021.000891.

[17] MI J Y, LAIMA S, JIN X W, et al. Machine learning modeling for the near-wake mean velocity deficit profiles behind a rough circular cylinder[J]. Ocean engineering, 2022, 259: 111791. DOI: 10.1016/j.oceaneng.2022. 111791.

[18] 柳雨葉. 基于最大信息化原理的地鐵施工多源同構數據相關性機理研究[D]. 武漢: 武漢輕工大學, 2017.

[19] 柯世堂, 陸曼曼, 吳鴻鑫, 等. 基于風洞試驗15 MW風力機葉片顫振后形態與能量圖譜研究[J]. 空氣動力學學報, 2022, 40(4): 169-180. DOI: 10.7638/kqdlxxb- 2021.0417.

[20] RESHEF D N, RESHEF Y A, FINUCANE H K, et al. Detecting novel associations in large data sets[J]. Science, 2011, 334(6062): 1518-1524. DOI: 10.1126/ science. 1205438.

[21] 程逸, 胡陽, 馬素玲. 等. 基于MIC-LSTM與CKDE的風電機組機艙溫度區間預測[J].智慧電力, 2020, 48(07): 16-23. DOI: 10.3969/j.issn.1673-7598.2020.07.003.

[22] 李潔明, 祁新娥. 統計學原理[M]. 5版. 上海: 復旦大學出版社, 2010.

Experimental Study on Timing Characteristics of Horizontal Axis Wind Turbine Wake Under Yaw Conditions

ZHANG Lidong1,?, PAN Pinyin1, LIANG Jiaxing1, ZHAO Xiuyong2, TIAN Wenxin2, LI Qinwei3

(1. School of Energy and Power Engineering, Northeast Electric Power University, Jilin 132012, Jilin, China;2. State Environmental Protection Key Laboratory of Atmospheric Physical Modeling and Pollution Control, National Environmental Protection Research Institute for Electric Power Co. Ltd., Nanjing 210031, China;3. Power Construction Corporation of China, POWERCHINA Jilin Electric Power Engineering Co. Ltd., Changchun 130021, China)

The wake effect of wind turbine can lead to the uneven wind speed distribution throughout the wind farm. In order to study the regularity of wind turbine wake effect, this paper conducts a wind tunnel experimental study to compare the wind turbine wake velocity under different yaw angle conditions of 0°, 15°, and 30°. The correlation between the wind turbine wake velocity and the location of the characteristic measurement points in the horizontal direction of the wind turbine is analyzed using the maximum information theory statistical method. The results show that the interaction of velocities in the radial direction of the downstream wake of the wind turbine is different under different yaw conditions, and the interaction of velocities at different distances of the wind turbine spreading direction is also affected; and the width of the wake increases and the recovery of the wake gradually increases with the increase of the yaw angle.

wind turbine; wind tunnel experiment; wake effect; yaw

2095-560X（2023）06-0543-05

TK89

A

10.3969/j.issn.2095-560X.2023.06.008

2023-01-23

2023-02-13

吉林省科技廳重點研發項目（20200403141SF）；龍源（北京）新能源工程技術有限公司項目（LYH-2021-17）

張立棟，E-mail：lidongzhang@neepu.edu.cn

張立棟, 潘品印, 梁佳興, 等. 偏航工況下水平軸風力機尾流時序特征實驗研究[J]. 新能源進展, 2023, 11(6): 543-547.

： ZHANG Lidong, PAN Pinyin, LIANG Jiaxing, et al. Experimental study on timing characteristics of horizontal axis wind turbine wake under yaw conditions[J]. Advances in new and renewable energy, 2023, 11(6): 543-547.

張立棟（1980-），男，博士，教授，碩士生導師，主要從事風能有效利用研究。