考虑复杂地形与尾流效应的中尺度风电场群协同布局优化策略

宓鑫磊

华能大安清洁能源电力有限公司龙沼风电场

摘要：随着风电场从单一风电场向大规模风电场群（中型尺度）发展以及在不同复杂地表条件下广泛布局，传统基于简单几何形状只针对局域选址进行优化的方法已难以满足全局收益最优的要求。除影响风能密度之外，复杂地形对风机尾流效应的影响也是复杂多样的，这严重影响到整个风电场的发电效率及设备安全运行。本文的研究目的就是探讨复杂的地形效应以及尾流之间的耦合作用特征及其对风电群布置的影响，并以此为依据建立了以经济效益、发电效率及安全性为目标函数的综合多目标协同优化体系，并提出了一种分阶协同优化方法，该方法基于三阶递阶优化与信息反馈机制，采用上阶数学模型及智能优化算法对中阶尺度风力发电厂进行整体协同优化，提升风力发电群体的整体利益。

关键词:中尺度风电场群；复杂地形；尾流效应；协同布局优化；多目标优化​

1.引言

在全球推进能源转型的大背景下，风电以其最为成熟的技术储备以及最低的成本成为最具可持续性的能源品种，并正发生从小规模到大规模的重大变革。尤其是对于风资源丰富的地理环境复杂多变的高海拔及山地地区，中等规模风电场群建设已成为主流发展趋势，但其带来了一系列新问题：传统风电场规划都是建立在平坦地形基础上的或是单个风电场的最优化问题，没有考虑到大气边界层运动的时间空间变化性、多个风电场间尾流效应叠加和干扰等因素的影响，这样会导致实际发生的电量远超计划数，并加大了机损率，缩短了使用寿命。因此，认知并量化复杂地形－尾流效应之间的耦合规律，突破单个风电场优化边界，基于整个风电群尺度进行统筹规划设计优化，在最大化利用程度的基础上实现最大程度的资源利用率、投资收益及运行安全稳定水平是当前风工程领域面临的核心科学技术问题之一。本文就是在以上假设的基础上对中等规模风电企业群协同规划设计优化方法进行研究分析[1]。

2.复杂地形与尾流效应耦合特征及影响

2.1复杂地形与尾流效应核心特征

复杂地形（如山地、沟壑、陡坡等）通过改变地表粗糙度与局部气压场，显著影响近地面风场的运动与热量分布。它不仅导致风速加速或减速、风向偏转分流，还易诱发强烈的分离流与湍流涡旋。例如，山顶因气流压缩而风速增大，但其背风侧常因气流分离形成大范围的尾流阴影区和剧烈湍流区。这种高度异质化的风资源分布与时空多变的湍流特性，是复杂地形风电场选址与机组选型必须优先评估的关键。

同时，风机运行自身产生的尾流效应，会在下游形成速度衰减、湍流增强的狭长区域，并向下游扩散，直接影响后续风机的效率与结构安全。在复杂地形中，上述两类现象并非简单叠加，而是通过非线性机制深度耦合：地形强迫会改变气流结构与能量分布，从而显著影响尾流的生成位置、发展路径和耗散速率。例如，当尾流进入狭窄山谷时，受两侧地形挤压，其衰减速度可能减慢，湍流强度进一步增大，对下游风机造成更显著的疲劳载荷；反之，若尾流经过山脊加速区，则可能因气流再附着而更快恢复。这种地形调制与尾流演变之间的双向耦合效应，使得整体流场扰动远大于二者独立作用之和，构成了中尺度风电场集群微观选址、机组布局与协同控制中亟待深入研究的核心科学问题，也对高精度风流数值模拟、智能排布优化及风机自适应控制提出了更高要求。

2.2二者对中尺度风电场群布局的耦合影响

地形条件影响和尾流效应影响都会使中型风电场的布置形式变得复杂。在发电收益上，由于两者之间存在联系，使得整个风电场整体出力不能得到有效的预测，地形因素会破坏平地上合理的机位间距规律。进而导致上层机器尾流偏离预期方向、传播到较远的下层机器或因地形遮挡而避开某台机器的位置，使部分机器出现严重的容量损失，另外一些机器也出现了容量过剩的情况，打破了各个风电场所做出的贡献之间达到平衡的状态以及整个系统的容量比例；二是就机组荷载和安全性而言，地形自身会与尾流中的强湍流叠加在一起，大大加大了风机的动载荷，在复杂流场区域（例如山脊背风波）的机组，疲劳应力将会明显上升，从而对机组的安全性和使用寿命产生较大影响；增大维护成本和故障率；第三，在电网互联和稳定性方面，这样的相互作用会使风电场出力的空间波动更加剧烈，集中输出的精确度下降，给电网调度和安全稳定控制带来了更大的困难，所以改进优化阶段需要考虑怎样通过机群的协同布置来减小波动，提升输出特性。

地形的起伏、坡度和朝向都会影响到区域风场的流速、风向分布，产生局部加速或者减速区，尾流效应的传播路径也会随着地形的变化而发生变化，弯折、扩散或者汇聚，两者叠加之后对中型风电场布置的影响就更加复杂了。以山谷地形为例，气流被两侧山体所限制，在其内部形成狭管效应，风速增大但流向集中，尾流容易沿着山谷方向传播，造成下游机组长时间处在尾流影响区内，进而加重容量损耗的情况出现。而在丘陵地区缓坡处，地形较为平坦，但是尾流扩散范围也会随之增大，尾流衰减速度也较慢，原来合理设置的机位间距在尾流覆盖范围改变之后就会失效。另外，在复杂地形中，尾流和地形湍流叠加会使得风机叶片受到不均匀的载荷作用，从而增大了风机的故障率，并且会减短叶片、齿轮箱等重要部件的使用寿命，进而提高了风电场运行成本，而且复杂的相互影响还会降低出力预测的准确度，给风电场的功率调度及运维安排造成诸多麻烦。

3.中尺度风电场群协同布局优化目标与约束

3.1多维度协同优化目标

多目标优化作为中尺度风电场群协同布局优化的核心部分，主要考虑经济性、适用性和安全性等多个方面因素，并以风电场群整体最优为目标，寻找满足以下三类目标条件下的最优布局方式。第一类目标为寻找能使得一个风电场群在整个寿命周期内单位电能生产成本最小或者净现值最大，这也就要求在对风电场进行设计的时候，在考虑建设阶段的成本投入即设备数量、基建规模以及输电线路长度的基础上，也要正确估计出地理位置和尾流效应造成的风电功率损失的程度。为达到前期投资费用与后期收益的最优化；第二类是在确保风电机组整体出力的基础上，尽量提升风电机组的整体稳定性，可通过对机组阵列集中的出力波动程度进行控制或者对其能质特性进行改进来实现，从而有效地提升风电机组的能质水平及对电网的友好度[3]。最后一类尽量减小整个风电场群体内单个风机的平均载荷或者最大载荷，合理布局以避免其在过高的风速区内，从而保证大部件寿命，节省维修费用。不同目标间存在很多冲突，如最大化出力带来的集中布置可能造成尾流损失以及过载率提高，进而增加了电能成本。因此，协调优化的关键是利用多目标优化算法得到帕累托最优前沿，给决策者提供多个折中解。

3.2布局优化核心约束条件

为了得到最优解，必须满足一些自然科学和工程方面的要求，这就是问题可行方案的搜索空间；主要约束条件有地域限制，即不能在生态保护区、基本农田区、生活区或军用区内修建建筑，还要考虑到坡度和地质情况对机位基础建设及可施工性的不利影响，保证方案具有可行性；技术约束条件包括单机间距要满足最小安全距离，防止运行过程中发生碰撞，整个风电场排布要符合接入点容量制约和输电线路承载力制约等要求。是空气动力学的物理标准，也是交互作用效应研究的重要环节，即优化算法所要进行的风资源评价以及尾流损失预测等工作，必须依靠对高分辨率地表风场流体数值模拟（如使用CFD方法得到）的精确分析来完成，从而能够真实地反映地形与尾流之间的相互影响关系，因此认为优化过程中的输入数据是可靠的；其他还有减少噪声污染、降低阳光辐射等，都是社会环境方面的要求，这些共同保证了优化结果不仅是理论上的最优，而且考虑到了技术和生态环境的社会性合理性与可行性。地域约束要与当地的国土空间规划相衔接，对禁建区作出准确的划定，对于坡度大于25°的地段还要开展地质勘探工作，以防出现基础沉降这类的安全隐患，技术约束方面，单机最小安全距离应当依照风机轮毂高度和叶片长度共同计算得出，输电线路承载能力必须适应风电场的最大出力需求，以免造成线路超载的情况发生。空气动力学约束下CFD数值模拟要考虑到地形的细小之处和尾流的散布情况，对不同的风速、风向等状况下的流场进行细致的研究，并且保证尾流损失预测的误差处在可接受的程度之内。社会环境约束还要考虑到风机运行给周边居民生活带来的影响，噪声排放要达到《风电场噪声限值及测量方法》的要求，不能让夜间运行的噪声影响到居民的正常休息，阳光辐射遮挡也要避开居民区的主要采光区域，使优化方案更具有实用性、可接受性。

4.中尺度风电场群协同布局优化策略

4.1分层协同优化整体思路

针对大规模复杂中尺度风电场群规划问题采用多层级联合优化方法：将优化过程分解为宏观－中观－微观三个层次的不同规模问题，逐级进行求解；并采用信息传递实现上下反馈和更新，从而达到由上而下逐层精细化的优化目的。本研究采用中尺度气候模型和地理信息系统进行大范围的风场分析，在此基础上将风场聚类并确定出各个子簇的位置及其边界，以达到最大化的风功率获取以及提前预测其对电网提供的支撑能力的目的。其次，在宏观基础上进行微观分析，对每个单体风电场分别采用精细化CFD模型计算地形影响下的风况，进而优化各风电场内机位布置及间距，特别是场间尾流的影响。这是为了解决风力场之间的问题，减轻耦合带来的不良效果。最后，工作聚焦于微观细节，即每台机器的确切定位。在保证必要的距离限制的基础上，致力于提高单机的发电能力和负载率，运用智能优化技术（例如基因算法或粒子群算法）进行最后的微调。它不仅是一个自上而下的逐步确定的过程，而且也是一个微观优化结果可以反馈给中观甚至宏观进行再决策的持续互动式协同优化过程[4]。

4.2关键优化措施

在实际应用上述不同级别的协同优化技术过程中，需要一系列重要的优化技术和科学技术手段的支持：高精度、高效能的耦合数学模型是实现协同优化的基础，由中小型尺度气候模型、基于CFD技术的小尺度风场动态模型和先进的工程尾流模型组成（如考虑地面效应的Jensen模型或LES模型）；为了能够对复杂地形环境下风电场内风况分布及尾流效应进行真实有效的快速分析，为优化提供可靠的理论依据。为此，将采用高效多目标智能优化方法，由于设计变量众多（风电机位位置），同时目标函数较复杂。而与此同时存在的限制条件是非线性的，所以传统的办法无法实现目标，只能利用基因法、仿生学退火法以及粒子群等全局优化方法，并针对该问题的特点进行改进，如引入约束处理策略、采用并行运算来提高求解效率，在庞大的可行域中快速地找到最优方案。还将运用机器学习等数据驱动方法，借助于历史数据或者数值模拟得到的大规模样本训练代理模型来高效地预估给定布置下的发电功率和负荷而不必消耗大量机时执行昂贵的物理模型[5]。显著提升优化过程中的运算速度，实现重复迭代及规划这个比较的前提是创建一个综合性的决定支持系统，将地形信息、风能产出数据、最优策略决策以及可视化呈现方法结合起来提供给规划者，为他们提供了直观、科学的选择依据，让他们对一系列多目标最优化结果的帕累托解进行判断，进而选出适合该项目的最佳布局方案。

结论

总之，在复杂地形下风电场群选址应跳出以往单一孤立的思维模式，并充分考虑复杂地形以及尾流效应对风电场群布局的影响。本文介绍了两者的交互关系及其影响机理，突出了二者协同优化对风电场群综合效益提升的重要意义。在多目标（经、科、安）多层次上建立了目标体系，在严格的物理及工程技术约束下采用宏观—中观—微观三重嵌套式协调优化方法，在高精度数值仿真、智能优化算法以及大数据技术等关键技术支撑下的优化求解。这种策略可以显著提高风电场整体的能源效率，降低单位电价，同时保障机组安全运行并平抑出力波动程度，对促进风电行业高质量可持续发展具有重要意义及现实意义。后续研究工作还有更优的耦合方式、更具智能性的寻优算法及全生命周期风险管控优化方案等。

参考文献

[1]刘军,曹梦娇.考虑尾流影响时风电场功率最大化优化控制[J].电气传动,2020,50(12):54-58.

[2]李长霖,贾燕冰,石俊逸,刘佳婕,韩肖清.考虑风电集群效应的风储系统一次调频容量配置策略[J].中国电机工程学报,2025,45(8):2969-2980+I0010.

[3]袁瑛,康巍,关新.复杂地形风电场风功率二次标定及数据可靠性研究[J].能源与环保,2025,47(9):114-122+128.

[4]谭文浩.复杂地形高边坡风电场运输道路施工关键技术[J].建筑技术开发,2025,52(8):85-87.

[5]李林敏,杨青,潘航平.动态风工况下复杂地形风电场流场多尺度仿真[J].太阳能学报,2022,43(11):179-185.

...