文章采用幅值譜修正的逆傅里葉變換法（IFFT）對空間湍流風場進行建模。首先,基于Fourier-Stieltjes積分從數學上推導了頻譜的復共軛對稱序列表達式。然后,根據Kaimal風速目標譜確定模擬點的風速傅里葉幅值譜,結合模擬點與相鄰點的互功率譜確定該模擬點的相位信息;根據目標譜修正模擬點的風速幅值譜,產生具有時間和空間信息的風速時程序列。最后,對時程序列進行譜分析,并和Kaimal譜進行對比。結果表明,采用幅值譜修正的IFFT法得到的風速時程序列的功率譜密度（PSD）和目標譜的擬合度遠優(yōu)于傳統方法,且計算效率提高62%。 

【文章來源】：可再生能源. 2019,37(11)北大核心

【文章頁數】：5 頁

【部分圖文】：

輪轂處脈動風速時程曲線

序列�？梢钥闯�，采用4種方法模擬的脈動風速曲線具有良好的隨機性，且具有相近的統計特性（峰值、標準差等），間接說明了4種風速模擬方法的正確性。圖3為4種方法生成的風速時程序列對應的功率譜密度（PSD）。由圖可知，AR法風速時程的模擬自譜和Kaimal目標譜的吻合程度最差，模擬自譜在整個目標頻段內表現出較大的分散性，且模擬自譜的中心線與Kaimal目標譜有所偏差，當圖2輪轂處脈動風速時程曲線Fig.2Timehistorycurvesofwindspeedathub圖1浮動風機脈動風場網格劃分及節(jié)點編號Fig.1Meshdivisionsandnodenumbersofturbulentwindfarmforfloatingwindturbines0300時間/s900600-10-5051015風速/m·s-1（a）AR法0300時間/s900600-10-5051015風速/m·s-1（b）諧波疊加法0300時間/s900600-10-50510風速/m·s-1（c）傳統IFFT法（d）本文修正IFFT法0300時間/s900600-10-50510風速/m·s-110-4頻率/Hz10-2自譜密度/m2·s（a）AR法10-310-210-1100101100102104模擬自譜目標自譜10-4頻率/Hz10-2自譜密度/m2·s（b）諧波疊加法10-310-210-1100101100102104模擬自譜目標自譜10-4頻率/Hz10-2自譜密度/m2·s（c）傳統IFFT法10-310-210-1100101100102104模擬自譜目標自譜（2nz-1）（2ny+1）+1（2nz-3）（2ny+1）+1（2ny+

edanddirection[J].AppliedEnergy，2011，88（4）：1405-1414.[7]CassolaF，BurlandoM.WindspeedandwindenergyforecastthroughKalmanfilteringofnumericalweatherpredictionmodeloutput[J].AppliedEnergy，2012，99：154-166.[8]WangJ，NiuT.Ananalysis-forecastsystemforuncertaintymodelingofwindspeed:Acasestudyoflarge-scalewindfarms[J].AppliedEnergy，2017，211（7）：492-512.[9]ZhangW，WuJ.Performanceanalysisoffourmodifiedapproachesforwindspeedforecasting[J].AppliedEnergy，2012，99：324-333.圖3輪轂處脈動風速的自功率譜密度Fig.3Powerspectraldensityofturbulentwindspeedathub10-4頻率/Hz10-2自譜密度/m2·s（d）本文修正IFFT法10-310-210-1100101100102104模擬自譜目標自譜·1664·可再生能源2019，37（11）


本文編號：3270701