風能利用中的空氣動力學研究進展Ⅱ：入流和尾流特性

王同光，田琳琳，鐘 偉，王 瓏，朱呈勇，2

(1. 南京航空航天大學 江蘇省風力機設計高技術研究重點實驗室，南京 210016；2. 南京理工大學 新能源學院，江陰 214443)

0 引言

近年來，為落實《巴黎協定》溫室氣體減排目標，世界各國積極制定能源轉型戰略，以風電為代表的新能源發展正闊步前進。美國能源部預測，至2030年美國風電裝機容量有望增加到3.04億千瓦，將滿足其20%的電力需求。對于英國，2019年風電已占總電力的20%，預計到2030年風電可供應英國50%以上的電力[1]。此外，歐洲風能協會指出，至2050年左右風電將占據歐盟電力市場的半壁江山。由此，未來風電在全球仍將保持高速增長，風電大規模化發展是必然趨勢。

為了加快風能高質量發展，我國也制定了積極的綱領性行業政策。特別地，為落實國家“30?60”碳排放戰略目標，2020年10月北京國際風能大會（CWP 2020）上，來自全球400余家的風能企業代表聯合發布了《風能北京宣言》[2]，其中提出了一個宏大的發展目標：中國風電總裝機容量到2030年至少達到8億千瓦；到2060年至少達到30億千瓦，可提供全國30%以上的電力電量需求。根據國家能源局的統計，截至2021年8月末，我國累計裝機容量達到2.95億千瓦，仍與擬定目標相差甚遠，面臨一定的技術挑戰。另一方面，海上風電憑借容量系數高、可大規模發展、有較好的消納能力等優勢成為近年來的開發熱門。而我國海上風電發展起步較晚，目前占比較小，與國外存在一定的差距，具備極大的發展空間[3]。

風能的開發利用是一門綜合性強且多學科高度交叉融合的工程技術，涉及空氣動力學、氣象學、結構力學、機電工程、材料科學、控制等多學科。其中，空氣動力學是風能工程面臨的首要和關鍵問題，決定著風工程的經濟性、穩定性和安全性，一直是風能技術研究的重點和熱點[4]。真實條件下，風力機運行在含大氣/地形湍流和機組尾流的復雜氣流環境中，面臨強非定常、多尺度耦合、流動分離等空氣動力學領域復雜問題。另外，風電機組大型化、風電場多樣化和集群化、風電智能化和數字化是未來風電發展的大趨勢，由此帶來的新問題對風能技術提出了新的挑戰。

在風能工程中，大氣空氣動力學（屬于氣象學）的主要任務是準確評估風資源，確保風能的合理開發利用，研究重點主要包括：1）大氣邊界層湍流風特性；2）大氣邊界層穩定度及其演變規律；3）復雜陸上地形/海上環境對風特性的影響；4）中尺度大氣的預測；5）風能資源準確評估。風力機空氣動力學的主要任務是葉片氣動外形設計，直接關系到風力機的性能、效率和安全性等方面，研究重點包括：1）風力機專用翼型的設計與評估；2）風力機葉片的非定常氣動特性及計算分析方法；3）風力機葉片設計及軟件系統；4）風力機流動控制技術；5）大型葉片氣彈效應；6）現代化/新型化風力機設計。

風電場空氣動力學的主要任務是合理布置風電機組，使得風電場經濟效益最大化和風資源利用最合理化，研究重點包括：1）風力機尾流氣動特性及研究方法；2）風電場發電功率預測和發電效率提升技術；3）風電場微觀選址及軟件系統；4）海上風電場；5）復雜大氣/地形條件下風電場流動及發電量預測；6）大氣邊界層與風電場之間、風電場集群之間的相互作用；7）大型風電場的氣候/環境效應。作為風工程空氣動力學研究進展綜述的第二部分，本篇將針對大氣空氣動力學和風電場空氣動力學兩個主題，分別評述其國內外研究現狀和取得的關鍵進展，期望為風能技術的發展及風工程項目的實施提供有益的參考。最后，在上述研究進展梳理和總結的基礎上，對今后的研究方向和重點進行分析與展望。

1 風工程氣動特性研究的復雜性

風力機運行在近地面大氣湍流內，同時不可避免地位于周圍其他機組的尾流干擾之中，這使得風能工程項目（如風電場宏觀選址和微觀選址等）面臨空氣動力學領域復雜的流動問題，研究難點主要體現在以下幾個方面[4-6]：

（1）非定常來流復雜。風電場位于大氣邊界層底部，主要吸收利用近地面30～300 m之內的風能資源。該區域內普遍存在風切變、風轉向、湍流等多類風況。另外，受地形地貌、大氣熱力效應以及自由大氣氣壓梯度的共同作用，邊界層內還存在顯著的周期（日、月、季節）變化特征，導致邊界層結構和湍流風特性實時演變。不同時段的湍流風與風電場的相互作用如圖1所示。這些均使得風電機組的氣動現象呈現強非定常特點。

圖1 陸上大氣邊界層（白天和晚上兩個不同時段）的結構及與風電場相互作用示意圖Fig. 1 Schematic of the onshore atmospheric boundary layer(ABL) structures during the day and night as well as the interaction with the wind farm

（2）風力機尾流效應復雜。風流經風力機后在其下游形成尾流，之后在橫風向和縱向擴展、蜿蜒，最終以一種近乎混沌的方式消散。風力機尾流結構復雜，包括大氣湍流、風力機部件繞流、機組運行脫出的旋轉氣流等。此外，尾渦發展演變模式多樣，包括集中渦的形成、發展和衰減的演變，集中渦與大氣湍流渦的相互牽扯與融合等，如圖2所示。尾流效應不僅會降低下游機組的輸出功率，還會增加葉片的非定常載荷，同時影響葉片的氣固耦合特性和產生附加氣動噪聲。研究表明，即使在風力機下游10D～12D（D為風輪直徑）距離后，尾流作用仍然存在，對下游機組產生不可忽視的影響。

圖2 風力機尾渦結構示意圖（尖速比λ = 7.07工況條件下Tjaereborg風力機尾渦模擬，根據文獻[7]重繪）Fig. 2 Schematic diagram of vortex structure in the wake of a wind turbine (Tjaereborg wind turbine at a tip speed ratio λ = 7.07, adapted from reference [7])

（3）大型風電場內機組混合尾流復雜。對于包含數十臺甚至上百臺機組的風電場而言，機組尾渦的疊加和相互干擾以及尾流與大氣的動量摻混等，使得尾流場呈現強非定常、多尺度效應、熱力—動力耦合等高度復雜的特點。圖3為航拍到的Horns Rev大型海上風電場在鹽霧天氣條件下的尾流流場。從圖中可以看出，上游機組產生的尾流在下游持續發展，與下游機組的尾流相互干擾、融合，延續到很遠的距離。據統計[8-9]，受風電場布局及大氣穩定度的影響，風電場混合尾流可在下游發展5～20 km。另外，大型風力機葉片尺寸與大氣邊界層中的湍流大渦結構相當，可能引發共振效應，使得大型葉片非定常載荷的變化更為嚴峻，對機組安全性和壽命產生影響。

圖3 鹽霧天氣下航拍到的Horns Rev海上風電場尾流圖[10]Fig. 3 Aerial image of the wind turbine wakes of the Horns Rev wind farm under a low hanging fog condition[10]

（4）大氣層與大型風電場的多尺度效應及相互作用復雜。大氣層中包含連續湍流尺度的物理現象，尺度涉及毫米量級的湍流耗散（Kolmogorov尺度）到百公里尺度的長波運動（大中尺度）[11]。這些多尺度的大氣運動，通過大氣底部的薄層（即大氣邊界層）作用于多個層面，包括微觀的葉片附面層（空間尺度約為1×10?3m，時間尺度約為1×10?3s）到風力機（空間尺度約為1×101m，時間尺度約為1×10?1s），再到宏觀的風電場（空間尺度約為1×103m，時間尺度約為[10 s，days]），最終形成復雜的多尺度流場結構，如圖4所示。此外，一方面，大氣特性主導風電場的流動結構及發展、演變過程；另一方面，大型風電場或風電基地的覆蓋區域可達數十甚至上百平方公里，產生的巨大擾動會持續抬升、充分擴散，從而影響和改變大氣層的整體結構和特性，甚至可對局地氣象、環境產生影響[12-13]。

圖4 風力機空氣動力學研究中所涉及的多尺度問題（從翼型尺度到氣象中尺度）Fig. 4 Schematic diagram of the multi-scale problem in the wind turbine aerodynamic research(from the airfoil scale to the meteorological mesoscale)

2 大氣邊界層特性及湍流風分布

風力發電是將大氣邊界層內的風能轉化為電能的技術，其效益取決于風資源的時空分布及機組的風能利用率。因此，作為風力機的入流和驅動條件，開展大氣邊界層湍流研究具有重要的理論意義和工程應用價值。

大氣邊界層是指大氣層底部與陸地/海洋存在摩擦力作用的一個薄層，受表面摩擦、氣壓梯度和科氏力的綜合影響，如圖5[13]所示。對于一般湍流條件，大氣邊界層從垂直方向上又細分為：1）貼地層，靠近地面的一個薄層（0～2 m），風工程上可忽略不計；2）近地層（Prandtl層），從貼地層到離地高度100 m之內，此時，湍流黏性力占主導，風切變較大，風向基本不變，湍流通量隨高度近似不變；3）艾克曼（Ekman）層，該層通常離地100 m～2 km，受摩擦力、科氏力和氣壓梯度力共同作用，使得風向隨高度變化而轉向；4）邊界層以上為自由大氣層，空氣運動基本遵守地轉風法則。

圖5 陸上典型大氣邊界層分層結構示意圖Fig. 5 Schematic of the onshore ABL structure

此外，不同于普通流體，大氣邊界層結構及其湍流特性還受到大氣層結穩定性（包含不穩定、中性、穩定等）的嚴重影響。相應地，邊界層中氣象要素（風速、風向、溫度）的時空分布規律也受此影響。例如，不同大氣穩定度條件下，平均風速在空間域上表現為風速廓線形態差異，時間域上表現為風速波動振幅和頻率不同[14]。如圖6（a）所示，中性時風廓線呈指數分布，穩定大氣呈上凸型，不穩定大氣呈下凹型。在風力機輪轂高度處（H= 1.15D），不穩定和穩定條件下的風速相差19%；根據風力機的發電功率近似與來流風速的3次方呈正比關系，可以推算兩種大氣條件下的發電功率可相差47%。然而，當前風工程領域的多數工作僅以中性大氣作為入流條件，勢必會造成風力機設計選型不合理及風力機發電量評估誤差，進而給風電項目的經濟性帶來風險。如圖6（b）圖所示，脈動風速也受大氣穩定度的顯著影響。不穩定條件下的脈動速度能量遠高于穩定條件兩個量級。湍流功率譜密度是計算風力機葉片疲勞特性的重要參數，若忽略大氣穩定度的影響，會造成一定的風力機結構設計誤差。

圖6 典型大氣條件下的風速廓線及速度脈動功率譜分布（根據文獻[14]的結果重繪）Fig. 6 Wind speed profiles and vertical velocity fluctuation power spectra under typical atmospheric conditions(adapted from references [14])

2.1 平均風速分布及工程模型

風工程領域比較關注湍流風的速度特性（包括平均和脈動），其模擬精細度和準確度直接影響機組輸出功率和機械載荷預測的可靠性[12]。目前，風力機的風輪旋轉高度主要在近地面150 m以下的范圍；但隨著風電機組的大型化和超大型化發展（截至2021年1月，世界上最大的Haliade-X 12 MW海上風機，葉片長達107 m，葉尖最大高度為260 m），工程領域除了特別關注常規的近地層大氣湍流運動規律之外，還應了解艾克曼層的風資源信息。因此本小節介紹近地層和艾克曼層的大氣運動規律及定量化參數。

2.1.1 近地層

如前所述，大氣邊界層風速廓線受大氣穩定度的顯著影響。根據莫寧-奧布霍夫（Monin-Obukhov）相似性理論，考慮大氣穩定度因素的近地面層風速廓線表達式為：

式中：U(z)為 高度z處的風速；u?為 摩擦速度，κ為卡門常數，一般取值為0.40；z0為地表粗糙度；L為莫寧-奧布霍夫穩定度常數（即大氣運動所引起的剪切力與熱浮力之比）。Ψ (z/L)為大氣層結穩定度z/L的普適函數：當z/L或L為正值時表示穩定層結，當z/L或L為負值則表示不穩定層結；當L的絕對值大于500時，則大氣邊界層是中性層結。具體表達式為[15]：

式中：x=(1?16z/L)1/4。需要說明的是，當z/L=0即中性層結時，式（2）即可還原為風工程領域常用的對數型廓線形式。

2.1.2 艾克曼層

對于葉輪頂部高度超過100 m的現代大型風電機組，葉片不可避免地運行在艾克曼層，此時不能僅用2.1.1節描述的近地層風速廓線進行風資源和載荷的評估，還必須同時考慮艾克曼層更復雜的風環境。為了使近地層和艾克曼層的風速廓線具有很好的連續性，統一后的表達形式為：

式中：zp為 近地層厚度，α0為表面層風與地轉風的夾角，ug為 地轉風速，u?為考慮大氣熱穩定性的摩擦速率，Y為長度標度。參數的詳細說明與計算公式可參閱文獻[16]。

隨著風力機大型化發展，葉輪掃風范圍內的風速廓線形態變得更為復雜，且最高點和最低點的風速差別可達30%左右，此時風工程設計需要更加準確全面的風資源分布信息。在此情況下，僅采用輪轂中心位置單一風速計算風力機性能的工程常規方法可能引起較大誤差。為此，國際電工委員會（IEC）2017年發布了風電機組功率特性測試標準IEC 61400-12-1:2017[17]，該標準考慮了掃風面積內多個高度的風速大小，提出了更能精確反映風輪掃掠面動能通量的等效風速概念用于機組功率特性評估。文獻[18]采用理論分析的方法，研究了基于輪轂高度的單點風速法和等效風速法對風力機功率計算結果的影響，結果表明，采用等效風速法明顯提高了功率計算的準確性。

2.2 脈動風特性及工程模型

除上述平均風特性之外，還需特別關注能夠體現大氣湍流脈動的重要特征量—湍流強度。這是由于，一方面，湍流強度大小嚴重影響風電輸出功率。研究表明[19]，隨著湍流強度增大，發電容量系數（實際發電功率與額定功率之比）降低，例如，假定輪轂高度風速相同，以高湍流為特征的不穩定大氣條件下風力機的輸出功率比低湍流度的穩定層結條件下約降低15%～20%。另一方面，湍流強度影響風電機組各零部件載荷，例如，文獻[20]的仿真結果表明，當湍流強度由12%升至14%～16%時，葉根和塔底的等效載荷均增大10%左右，由此會造成風力機結構的疲勞破壞概率增大，大大降低風力機組使用壽命。

湍流強度TI的定義為脈動速度均方根 σ與平均風速之比：

式中：u、v、w分別為流向、橫風向和垂直向的瞬時速度，u′、v′、w′為相應的脈動速度。

在風工程研究中，多數僅關注流向湍流強度TIu。但實際上，橫風向和垂直向也存在湍流強度，且具有各向異性的特點，一般TIu>TIv>TIw。在風力機相關計算中，不同國家采用的湍流強度計算模型不同。例如，丹麥設計規范中使用的公式相對簡單：

與之不同，IEC規范中給出：

式中：TI15為 平均風速Vˉ=15m/s時所對應的湍流強度值。需要說明的是，上述模型均假設大氣呈中性穩定狀態，不存在熱力效應，湍流強度只與地面粗糙度相關。此外，文獻[21]中給出了考慮大氣穩定度因素的湍流強度計算公式：

式中：i=u,v,w；Au=1.99；Bu=0.33；Cu=1.32。

上述討論主要針對近地層的湍流信息，而對于葉輪高度超過100 m的大型風力機設計，需考慮艾克曼層的湍流信息。Arya[22]給出了不穩定大氣條件下艾克曼層的湍流強度計算公式：

由上可知，各湍流強度計算模型差別較大。這反映了實際風場中湍流分布受熱力、地面摩擦和地形等局地環境的影響，缺乏明確的規律性。后續工作中應針對大氣湍流開展深入研究，厘清影響湍流強度分布的關鍵因素和作用規律，建立耦合多參數的新型湍流強度計算模型。此外，湍流積分尺度和功率譜密度等參數與葉片非定常載荷計算、疲勞特性計算密切相關，一些相關模型參閱文獻[4]，這里不再贅述。

2.3 大氣穩定度及其演變對風資源的影響

相比于流體力學常規湍流，大氣邊界層內的湍流成分除地表摩擦形成的動力湍流之外，還包括太陽輻射造成的熱力湍流，形成了熱力—動力耦合。對于平坦地形或近海等下墊面相對簡單的局地環境，熱力因素（反映為大氣穩定度）是影響大氣湍流運動及特性的主要因素。在一天時間內，隨著太陽輻射的強弱變化，地表加熱和冷卻的日循環會引起大氣層結經歷不穩定—弱不穩定—近中性—弱穩定—穩定的連續性演變過程（圖7所示），這也是大氣邊界層的典型特征之一。具體而言：1）白天近地面形成不穩定的對流混合層，邊界層厚度可達上千米；湍流活動劇烈且呈現有組織的大渦結構，垂直方向的強對流促使風速近似均勻分布。2）夜晚則相反，近地面形成穩定的逆溫層，而上部仍然保持白天混合層的特征（被稱為殘余層），邊界層厚度僅有數百米；湍流受到抑制，渦的尺度相對較小，風切變現象顯著。3）在黎明和黃昏的過渡時間段，大氣呈中性狀態，湍流主要來源于下墊面剪切作用。因此，開展大氣穩定度的日周期演變研究，探索其對湍流運動機制及風資源時空分布的影響規律，可進一步提升風力機氣動特性的預測精度和準度。

圖7 陸上高壓區大氣穩定度及邊界層結構的日變化示意圖Fig. 7 Diurnal variation of the atmospheric stability and the ABL structure for overland regions

大氣邊界層的高精度預測問題一直是氣象和風能領域的研究重點之一。外場測量方面，2015年美國能源部資助的XPIA大型項目[23]，重點開展了新型大氣邊界層測量技術研究，并通過大量測量數據量化了實驗不確定性。Ferreres等[24]基于外場測量信息，分析了穩定大氣邊界層內的相干結構、孤立波、重力波、低空急流等典型/復雜大氣現象。

相比于外場實驗的局限性，數值模擬是一種更為靈活的研究手段。其中，大渦模擬（LES）在大氣邊界層的高精度、高可靠性研究中得到了廣泛應用。1972年，Deardorff[25]首次采用LES對中性和不穩定ABL開展了數值仿真研究。經過十幾年的發展，2000年左右LES方法被嘗試用于穩定大氣研究[26]。除上述典型大氣穩定度研究之外，Englberger等[27]針對清晨和傍晚等時間段的大氣狀態開展了仿真研究。

然而，以上研究均關注準穩態（表面熱通量恒定）的大氣狀態，忽略了現實中隨太陽輻射強弱變化而實時發生的大氣穩定度連續演變。對此，文獻[27-31]開展了一天時間內的大氣穩定度連續過渡和演變研究，例如Basu等[28]采用LES方法還原了Wangara外場實測到的ABL日周期演變過程；2017年，Fekih等[30]采用中尺度氣象模式WRF再現了沙漠地區干燥ABL的垂直結構和晝夜演變；2018年，Englberger等[32]采用課題組研發的地球物理解算器EULAG開展了均質和非均質地貌條件下的ABL演變仿真研究；最近，Tian等[31]采用LES方法模擬ABL的日周期演變并重點分析了各典型時間段的風資源分布情況（如圖8所示），以此開展了大氣穩定度對風力機發電量的影響研究。總體而言，國內外相關研究尚處于起步階段，需要更進一步的深入探索。

圖8 日周期內不同高度位置的風資源信息演變（LES仿真）[31]Fig. 8 Diurnal evolution of the wind resource at various altitudes(simulated by LES)[31]

大氣穩定度對平均風廓線的影響顯著，而廓線的較大差異性進一步為入流條件設置帶來極大不便。已運行風電場的測風數據表明[4]：若研究周期較短（如分鐘），風速分布會隨測風時段和高度等因素變化，很難用單一的風速廓線描述每個周期的行為；但是，若把時間周期拉長（如天、月等），則可采用單一的風速廓線表征較長周期的平均行為。在應用方面，如果對于較長時間周期內的風工程特征參數（如年發電量）進行評估，則經過平均綜合的單一風速廓線即可提供有效信息；但對于短時間周期（或實時）的業務，如風力機設計、載荷分析、發電量波動分析等，單一的風速廓線則遠遠不夠。因此，應具體問題具體分析，選取合適的風資源輸入條件。

3 風力機尾流

當風吹過風力機時引起風輪旋轉，完成風動能到風輪機械能的轉換。此時，風力機下游出現風速減小、湍流強度增大、風剪切加劇等特征，被稱為尾流效應。風速減小使得下游機組的輸出功率降低，強湍流和附加的風剪切會影響下游機組的疲勞載荷、結構性能和使用壽命，進而影響整個風電場的運營壽命。因此，開展風力機尾流研究對風電機組的設計與選型、風電功率預測、機組布局優化等各項工作具有重要科學意義和應用價值。

風力機運轉對其上下游均會產生影響，據此，風力機周圍的流場大致可分為三個區域，各區域的位置、大小及流動特性歸納如表1及圖9所示。其中，誘導區衰減風速可由Medici模型預測[33]；近尾跡區的旋渦結構復雜，包含葉尖渦、葉根渦和輪轂渦等多尺度耦合渦系，且在向下游發展過程中不斷衰減和破碎；遠尾跡區的尾渦破碎為小尺度湍流，促使尾流內的低速流體與外部自由流不斷進行交換，促進虧損的速度逐步恢復。下文詳細介紹近尾流和遠尾流區的研究方法及進展。

表1 風力機周圍流場的特點Table 1 Flow characteristics around a wind turbine

圖9 風力機周圍流場區及各區域典型特性示意圖Fig. 9 Schematic of flow regions around a wind turbine and their characteristics

3.1 近尾流

3.1.1 集中渦系（葉尖、葉根、輪轂渦）

近尾跡流場結構是風力機設計和性能預測的基礎，而集中渦（包含葉根中心渦、葉尖螺旋自由渦和附著渦）的存在和發展是近尾流結構的重要特征，如圖10所示，其誘導速度以一定的周期規律性作用于尾流流場[34]。對于當前主流的三葉片風力機，上述渦以三倍于旋轉風輪頻率的速度脫落。研究表明，葉尖渦形成的螺旋線的螺距（兩個連續渦旋之間的流向距離）遠大于葉根渦，且二者均隨葉尖速比的增大而減小。前人針對葉尖/葉根渦的發展、演變和穩定性等方面開展了廣泛的數值和實驗研究，詳見綜述文獻[8]。這些工作豐富了對風力機尾渦的認識，一定程度上揭示了風力機近尾流的流動機理。其中，Porté-Agel等[8]學者發現：葉尖渦會降低近尾流區的動量夾卷效應（即虧損尾流與外部自由流的動量交換）；葉尖渦具有很好的持久性，是產生流動阻力、氣動噪聲和不穩定的主要原因。因此，有必要研究葉尖渦的發展破碎機制，為近尾流區氣動特性及模型的建立提供參考，同時為解決風力機的降噪問題提供基礎。

圖10 風力機下游葉尖和葉根渦發展演變示意圖[34]Fig. 10 Schematic of the tip and root vortices evolution downstream the wind turbine[34]

風力機近尾跡區的氣動特性，一方面可通過PIV風洞實驗技術獲取詳細的區域流場數據，據此深入了解流場結構和流動機理[35]；另一方面也可通過數值仿真模擬葉尖渦的產生和初期發展情況，以及分析葉尖渦對葉片繞流的誘導作用。在風洞實驗方面，文獻[8，36-37]采用高分辨率PIV系統可視化捕捉了葉尖渦的位置、形態等非定常信息，并指出葉尖渦在其統計平均位置附近隨機波動（被稱為尾渦蜿蜒或尾渦抖動），波動幅值隨渦齡或湍流強度的增加而增大。汪建文等[36]開展了葉尖渦運動軌跡研究，通過高頻PIV系統發現了葉尖渦“交互跳躍”現象，基本規律為隨葉尖速比增加而提前發生，隨風速增加推后發生。值得一提的是，基于風洞實驗結果，Lignarolo等[38]提出了葉尖渦失穩和破碎機制，并分析了其對尾流混合和湍流生成演化過程的影響，此外還系統研究了尾渦不穩定的觸發因素。近年來，隨著實驗條件和技術的進步，Abraham等[39]在外場環境下采用人工降雪式的超大規模PIV技術研究了機艙和塔架產生的流動結構對2.5 MW風力機近尾流的影響。

在數值模擬方面，根據研究側重點與風輪建模方法的不同可分為兩大類研究。當以近尾流和葉尖渦與風力機本身相互作用為研究重心時，宜采用全尺寸風輪建模方法（Full Rotor，FR）直接捕捉葉片實際繞流及葉尖渦演變過程。例如，鐘偉等[40]模擬了風力機葉片的繞流和尾流，分析了葉尖渦的生成、發展過程及對葉片的速度誘導作用；Huang等[41]采用FR/LES方法研究了襟翼對風力機尾渦不穩定性的影響，探索流動控制的有效性。另一大類，當以風力機尾渦在下游的演變歷程及其對近尾跡流場分布的影響為研究重心時，宜采用致動系列方法捕捉尾渦在風力機下游的發展演變過程。比如，S?rensen等[42]采用AL/LES方法研究了尾渦的穩定性以及近尾流區的特征范圍；Sarmast等[43]以AL/LES方法為工具，從機理層面探索了觸發尾渦不穩定性的機制。文獻[18]指出，在剪切來流和小尖速比條件下，由于來流的剪切作用和尾流區葉尖渦附近剪切層的存在，葉尖渦發生不穩定破壞，呈現開爾文-亥姆霍茲不穩定性現象。除此之外，近期的一些研究表明[39]，機艙或塔架產生的尾渦對葉尖渦具有摻混作用，會加速葉尖渦的發展，引起尾流的蜿蜒運動。對此，郜志騰等[44]開展了考慮機艙和塔架作用的改進型IB-AL方法構造研究。

3.1.2 流場分布xn/D的預測模型：

為了描述近尾流區的平均流場分布，Bastankhah等[45]提出了如下假設：尾流中心區速度相同而外圍剪切層中速度各異；在向下游發展過程中剪切層范圍不斷擴張膨脹，直至在尾流中心發生混合，標志著近尾流區基本結束，如圖9所示。尾流區的長度取決于大氣湍流強度、風輪氣動特性和葉尖加速比等特征參數。2015年，S?rensen等[46]提出了近尾流區長度

此外，Keane等[47]提出了風力機近尾跡區速度分布預測模型；Hulsman等[48]開展了近尾流區速度和湍動能分布仿真研究，并建立了相應的工程模型。總體而言，由于近尾流區流場結構和流動現象復雜，呈現顯著的非定常特點，工程模型很難反映全面的流動信息。

3.2 遠尾流

大型風電場機組間距約為4D～12D（D為風輪直徑），此時下游機組不可避免地處于上游機組的遠尾流影響范圍之內。因此，開展風力機遠尾流研究對于風力機設計、風電場發電量評估及微觀選址等工作有著重要的指導意義。為此，專家學者們相繼開展了廣泛的研究工作，包括外場測量、風洞實驗及數值計算等。以下將從遠尾流平均場和湍流場特性兩個方面，就涉及到的研究方法及數十年研究進展進行論述。

3.2.1 平均流場特性

單臺風力機尾流研究常采用均勻理想流和考慮風切變的大氣湍流兩種入流條件，其中，前者對應風洞實驗工況，后者與真實大氣環境更為相符。當假定入流均勻時，鈍體尾流理論及風洞實驗表明：尾流速度虧損沿流向以x?2/3的趨勢減小，尾流寬度以x?1/3的趨勢增大；速度沿橫風向具有高度自相似性，呈軸對稱的高斯分布。而在真實大氣條件下，受地面剪切應力和大氣相干湍流結構影響，速度分布不再是高斯分布，但速度虧損量仍具有高度自相似特性。這些發現為工程尾流模型的開發提供了有力依據。學者們從一維到二維再到三維、從考慮單影響因素到考慮綜合多因素（如地表粗糙度、入流湍流強度、大氣穩定度、風力機氣動特性等），相繼提出了Jensen、Frandsen、Ainslie、Ishihara、Barthelmie、Tian、BP和Sun等模型[8，49-50]，并通過相應算例進行了模型的校核驗證工作。特別地，Archer等[50]在綜述性論文中全面校核了6種工程尾流模型在大型風電場發電量評估中的預測精度。考慮到解析模型的便捷性，學者[51-52]還將其應用于大型風電場發電量評估及機組布局優化研究工作。

另外，相關學者還開展了外場測量和風洞實驗等諸多工作，積累了寶貴的尾流數據庫。比較著名的外場實驗包括90年代前后開展的Tj?reborg、Nibe和Sexbierum等實驗，主要測量了風力機近和遠尾流區的速度和湍流等流場信息。此外，1985至1992年之間，國際能源署IEA Wind還組建了Task 9計劃—“風力機尾流效應強化研究”，旨在通過外場測量進一步加深對風力機尾流效應的理解和認識。2000年后，依托于日趨先進的實驗條件和設備，陸續開展了大量的風力機尾流外場測量實驗研究，各工作的實驗周期、測量手段、特色及主要貢獻等可參閱綜述文獻[53]。

相比于外場測試需要耗費巨大的時間和經費，風洞實驗更為經濟實用。Chamorro等[54]采用熱線風速儀測量了近尾流區和遠尾流區（直至15D）的流場分布（包含速度、湍流強度和剪切力等信息），之后被當作標模實驗廣泛應用于尾流數值方法的驗證。此外，文獻[55-56]通過改變風力機運轉工況（如俯仰角、偏航角），開展了上游機組的尾流效應對下游機組性能的影響研究，結果表明：偏航會引起尾流的偏轉和不對稱，使得上游機組對下游機組的尾流干擾效應減弱，從而下游機組的功率相應得到提高；但當偏航角增大到一定程度后，上游機組的功率會有一定的損失，此時應尋找最佳偏航角滿足二者的平衡。這些研究為風電場功率優化與控制工作提供了參考與指導，具有重要的工程價值。除常規采用的中性大氣條件之外，文獻[57-58]還通過改變地表溫度來形成穩定/不穩定大氣條件，開展了大氣穩定度對遠尾流速度分布及對下游機組發電量的影響研究。

雖然實驗結果相對真實可靠，但存在成本高昂、不能提供全流場信息等問題，而數值模擬在計算成本、精度和信息全面性等方面達到了較好的平衡，因此CFD作為一種重要工具，被廣泛應用于風力機尾流研究，并取得了豐富的成果[8，59]。CFD的計算精度主要依賴于兩個部分：一是對風輪本身的模擬，即采用合適的模型模擬風力機的存在及其對周圍大氣產生的影響；二是選取合適的湍流模擬方法準確體現大氣湍流、尾流湍流等。在風輪建模方面，目前可歸納為全尺寸直接模擬和致動系列兩類方法[46]。全尺寸直接模擬是圍繞葉片幾何外形生成計算網格，然后求解流動方程以捕捉葉片繞流流場，進而計算風力機氣動性能。為了精細體現葉片幾何特征及解析葉片表面邊界層流動，通常需要數千萬網格才能滿足需求，計算成本較高。致動類方法則放棄對葉片局部流場的精細再現，采用虛擬體積力（基于葉素動量理論）代替葉片作用于流場，大幅降低了網格生成難度及網格量。其中，全尺寸直接模擬適用于風力機氣動性能求解，可詳細捕捉葉片周圍流體的流動細節，進而開展壓力場、渦量場等流動參數的分析，是研究流動機理的基礎。致動類方法則可將較多的計算資源用于風力機尾流的捕捉，因此比較適用于尾跡流場計算。特別是對于含數十上百臺機組的大型風電場流場模擬，致動類方法的優勢更為突出。

計算能力及關注點是計算方法選擇的重要依據，學者們根據現狀和需求開展了不同難易程度的尾流研究。比如，以LES高精度湍流模擬方法為基本框架，Mo等[60]采用FR風輪模型、Martínez-Tossas等[48]選取AL風輪模型、S?rensen等[46]選用AD模型，分別對風力機近尾流和遠尾流開展了仿真研究。此外，以RANS方法為湍流模擬框架，Nedjari等[61]分別采用FR風輪模型、AD模型等重點開展了風力機遠尾流模擬研究，并通過多個測試算例對比了兩種風輪模型的計算精度。最近，Qian等[62]選取AL風輪模型，分別結合PANS（Partially-RANS）和LES兩類湍流模擬方法，對風洞實驗中的風力機縮比模型開展了尾流仿真研究，結果如圖11所示，并全面分析了PANS與LES方法的精度差異。

圖11 兩種湍流模擬方法（PANS和LES）計算到的風力機輪轂高度平面渦量圖[62]Fig. 11 Vorticity contours at the hub-height horizontal section obtained from PANS and LES [62]

目前，國內外CFD屆普遍認為，在未來的20至50年，基于湍流模型的RANS方法仍然是風力機CFD研究的主流[63-64]。然而，大量研究表明，各經典湍流模型存在不同的問題，如k-ε模型預測到的近尾跡區擴散效應太強，SSTk-ω模型預測到的遠尾流速度恢復能力不足等。針對這個問題，學者們相繼開展了經典湍流模型的精度校核和改進工作，詳見文獻[65-69]。特別地，Nguyen等[70]和Tian等[65，71]系統對比研究了經典的EVM和RSM模型，結果均表明RSM模型在風力機氣動特性和尾流預測方面表現出一定的優越性。遺憾的是，至今RSM模型的使用尚不廣泛，且目前尚未顯示出普遍性、壓倒性的優勢。后續仍需進一步深入研究，探索最能反映風力機尾流物理特性的湍流模型和數值模擬方法。

3.2.2 湍流場特性

不同于受葉片氣動外形影響的近尾跡區，遠尾流區的流動主要受湍流主導。湍流主要包含三個方面：大氣湍流（來自于粗糙地表和大氣熱力效應）、尾流湍流（來自于葉尖和葉根渦的破碎）、機械湍流（來自于葉片、機艙和塔架等氣流阻礙物）。雖然湍流有著增加風力機疲勞載荷和影響風力機結構性能的負面作用，但同時也有著促進尾流與自由流動量交換，加快尾流恢復的正面作用。因此，開展遠尾流區湍流特性研究十分必要。

1996年，Crespo等[72]對尾流區湍流特性的演變進行了分析，并提出了用于估算湍動能k及其耗散率ε的解析模型，此外還給出了風力機近尾流區和遠尾流區的湍流強度計算模型。Barlas等[73]研究了遠尾流區湍流通量分布，預測了從外部自由流中夾卷到尾流中心的動量大小。2014年，Aitken等[74]采用多普勒激光雷達測量了尾流區的流動分布信息，并分析了大氣穩定度、風速和湍流強度等因素對尾流湍流的影響。2019年，Ahmadi等[75]基于AL/LES重點研究了湍動能和湍流強度在下游的分布情況。此外，湍動能分布能夠體現湍流的生成和輸送，文獻中[8，76]對此開展了定性和定量研究。

湍流強度是密切影響風力機設計與運行的重要參數。Frandsen于2007年提出了因尾流效應增加的湍流強度 ?TI的計算公 式[8]：

式中：TIwake、TI0分別為尾流區和入流的湍流強度。已有研究表明[8]，在橫風向或垂直向兩個維度上，當采用均勻入流工況時，TIwake近似呈高斯分布，且最強湍流（即高斯分布的“峰值”）發生在尾流半徑位置；當采用考慮風切變的真實大氣入流時，橫風向與均勻入流工況的結果類似，而在垂直向上，最強湍流通常發生在最高的葉尖位置，輪轂高度以下的湍流被明顯抑制。在流向這個維度上，葉尖繞流產生的剪切層區（即近尾流區）TIwake較強，而在遠尾流區湍流強度逐漸減小，直到恢復至入流水平。基于實驗數據、高精度數值模擬結果，研究者們假定 ?TI與入流湍流強度、風力機推力系數和下游距離x等因素相關，相繼提出了Quarton、Hassan、Crespo、Xie and Archer和Qian等湍流強度模型[8]。這些模型較為相似，均具有一維特性，且預測到的近尾流湍流強度較實驗結果偏高，后續仍較大的改進空間。

3.3 尾流蜿蜒效應

尾流蜿蜒是指風輪尾跡相對于時均尾跡中心線呈現出的非穩態隨機振蕩現象（如圖12所示），這種現象會造成湍流效應增強，從而對下游機組產生較強的不穩定載荷。尾流蜿蜒特性的研究有助于進一步明確上游風力機的尾流效應對下游風力機的影響。研究表明，造成尾流蜿蜒效應的主要機制為[77]：旋渦的周期性脫落、大氣湍流中的大尺度旋渦與尾渦不穩定性。針對第一種機制，Larsen等[78]認為尾流中大于2D的湍流相干結構容易引起尾流蜿蜒現象，而小尺度渦結構則有利于虧損尾流的恢復。Espa?a等[79]指出，尾流在橫風向的蜿蜒程度大于其在垂直方向上的蜿蜒程度。為了快速準確地反映真實尾流中的蜿蜒現象，Larsen等[80]開發了動態尾流模型（DWM）；Keck等[81]開展了DWM模型的改進和驗證工作，并開發了風電場設計和分析工程工具 FAST.Farm，用于預測風電場輸出功率和風力機載荷；Zhang等[82]提出了動態隨機尾流模型，不僅可以給出常規靜態尾流模型的平均信息，還可提供尾流場統計分布特性。

圖12 風力機尾流蜿蜒示意圖[18]Fig. 12 Schematic of the meandering motion of a wind turbine wake[18]

尾渦剪切層的不穩定性也會促進尾流蜿蜒運動的形成。Chamorro等[83]通過水槽實驗觀察到水輪機機艙后旋渦與葉尖剪切層的交互作用造成了尾流蜿蜒。Foti等[84]發現了機艙尾渦對遠尾流蜿蜒的影響，并指出蜿蜒效應廣泛存在于不同尺度的風力機尾流中。Yang等[85]考慮機艙作用提出了改進致動面模型，結果表明，若不考慮機艙模型，尾流蜿蜒效應會被低估。Foti等[86]在Horns Rev風電場的尾流研究中發現，機艙對風電場內的混合尾流蜿蜒有顯著影響。張旭耀等[18]探討了均勻流、剪切流和低空急流等不同來流條件對風力機尾流蜿蜒特性的影響。

3.4 偏航對尾流的影響

事實上，風力機并非時刻處于對風工況，反而受控制策略的影響常處于輕度偏航狀態。當上游機組處于偏航工況時，其尾流發生偏移，從而影響下游機組的輸出功率。近期的一些數值和實驗研究[87-88]表明，通過偏航角控制可以顯著提高風電場的總發電量；此外，Kragh等[89]指出，偏航控制還可有效降低風輪載荷。因此，研究偏航工況下風力機的尾流特性具有重要意義。

Medici等[90]開展了偏航條件下的尾流分布和尾流傾斜程度研究，結果表明，偏航角度、風輪推力系數和大氣穩定度的提高，均會增大尾流的偏斜度。Shapiro等[91]采用升力線理論預測了近尾流偏斜角大小。而當處于大偏航工況時，受尾流中反向旋轉渦對的影響，尾流除發生橫向偏移外，還會產生垂直向偏移。此外，考慮偏航角對風力機遠尾流的影響，Bastankhah等[45]提出了新型遠尾流速度分布模型。類似地，Qian等[92]也提出了適用于偏航風力機的尾流工程模型并開展了校核研究。

3.5 基于機器學習的尾流研究

針對單臺風力機遠尾流特性，前人從特性分析、機理研究和工程建模等多個不同層面，從尾流膨脹、尾流蜿蜒和尾流偏移等多個物理現象出發，開展了大量實驗和仿真研究。此外，近年來，機器學習算法（如支持向量機SVM、人工神經網絡ANN、卷積神經網絡CNN等）在風力機氣動特性及尾流預測方面逐步得到應用。

例如，Biswas等[93]通過ANN方法建立尾流區回歸關系，評估了風力機（包括功率、扭矩曲線等在內）的性能。Iungo等[94]基于數據驅動的降階模式提出了一種尾流模型，準確預測了尾流演變過程及非定常屬性。2020年，Ti等[95]基于ANN結合CFD方法建立了高精度、高效率的風力機尾流預測模型。隨后，Ali等[96]基于數據驅動技術實現了風力機/風電場流場的非定常實時預測。最近，Zhang等[97]基于非定常流體系統降階建模法，建立了新型動態尾流模型（計算結果與SOWFA數值模擬結果對比如圖13所示），該方法在數秒內完成了9臺風力機混合尾流場的非定常預測，相較于常規CFD算法（預計消耗數萬個CPU時）大大降低了計算成本。總體而言，機器學習方法當前在尾流預測的應用有限，后續研究中有望得到進一步加強和普及。

圖13 SOWFA和深度學習模型POD-LSTM計算到的兩臺風力機尾流相互干擾[97]Fig. 13 SOWFA and POD-LSTM model prediction for the wake interaction between two wind turbines[97]

4 風電場混合流場

風電場是風力機機組安裝和運行所依托的載體。隨著單機容量、風輪直徑以及裝機規模的不斷擴大，如何準確、高效地評估或預測大規模風電場的尾流特性及輸出功率，是風電產業發展亟待解決的問題。由于風力機集群與大氣邊界層的相互影響，大型風電場的尾流場有著與單臺風力機尾流場完全不同的特點。以平坦地形風電場為例，其尾流場可劃分為幾個典型區域，如圖14所示。

圖14 考慮大氣穩定度因素的風電場尾流場發展演變過程及其與大氣邊界層的相互作用示意圖（根據文獻[8]重繪）Fig. 14 Schematic of the wind farm wake region evolution and its interaction with a stratified ABL (adapted from reference [8])

每個典型區的流動特征概括如下。

1）誘導區：由于機組的阻塞作用，導致風電場的近上游風速減小，風向還會發生垂直向及側向的偏轉。外場測量及數值模擬表明[98]，在近中性大氣條件下，風電場上游2.5D位置處風速較自由流降低約3%。誘導區大小范圍取決于多種因素，如風電場規模、風電場布局、風資源分布、機組氣動特性等。

2）入口與初步發展區：多臺機組的尾流混合與膨脹，在上層形成大氣內邊界層，進而影響大氣邊界層（ABL）整體結構及湍流通量。研究表明，內邊界層高度與下游距離x近似呈x4/5的關系，在下游逐漸發展直至達到ABL高度；然后從更上層的自由大氣中夾卷一定的動量，與ABL在垂直方向共同擴張。

3）充分發展區：此時混合尾流場與ABL的相互作用達到近乎平衡狀態，即機組吸收轉化的風能與垂直向的誘導動量近似相等。Calaf等[99]指出風電場下游δ量級（δ為大氣邊界層高度）距離后即為充分發展區；與之不同的是，Wu等[100]基于LES模擬結果表明，中性大氣下，風電場下游10δ量級乃至更遠的距離才可達到充分發展狀態。

4）風電場尾流區：多臺機組混合尾流產生的速度虧損在該區域逐漸恢復至來流水平，通常尾流區范圍可延伸5～20 km。

5）出口區：Wu等[100]研究表明，在某些特殊大氣條件下（如具有顯著分層效應的中性大氣），由于風電場尾流區垂直方向的動量交換及偏轉效應，可能會激發重力波并向上游傳播，形成的一段流動加速區，定義為出口區。

大氣湍流/機組尾流的多尺度、非定常效應使得大型風電場流場及與ABL相互作用的預測頗具挑戰。研究人員通過理論分析、風洞實驗、現場測量和數值模擬等方法，圍繞多項研究主題相繼開展了大量研究工作。下文將針對風工程領域關注的主要內容及取得的研究進展進行陳述與討論。

4.1 風電場流場研究

風電場發電量是評價風電場項目經濟性的一個指標，也是尾流模擬中衡量計算模型精度的重要參數。國際上相繼開展了典型風電場（包含大型、小型、陸上、海上）發電量的外場測量研究，以期更全面、真實地體現風電場運行環境，摸索大氣條件及機組運行條件對發電功率的影響規律，同時為數值計算提供豐富的測試數據庫。其中，應用較為廣泛的案例有：Horns Rev海上風電場Ⅰ和Ⅱ期、丹麥Nysted和Anholt海上風電場、英國Westermost Rough和London Array海上風電場、瑞典Lillgrund海上風電場、德國Alpha Ventus海上風電場、丹麥N?rrek?r Enge 陸上風電場、蘇格蘭Myres山地風電場、美國Goodnoe和Iowa陸上及山地風電場、中國東潮間帶和東灣風電場等。更為詳細的風電場情況介紹可參閱綜述性文獻[39，59]。下文選取幾個有代表性的案例進行簡單說明。

2003年，Barthelmie等[101]首次采用聲雷達測量了Vindeby海上風電場的尾流場，結果證明了聲雷達的測量有效性以及工程尾流模型快速計算的有效性。2009年，Barthelmie等[102]采用數據采集和監控（SCADA）系統對Horns Rev海上風電場進行了為期三年的觀測來進行風電場的尾流效應研究。該觀測數據在后續被廣泛應用于風力機尾流計算方法的驗證，測試結果如圖15所示[82]。2010年，學者針對Alpha Ventus風電場[53]進行了激光雷達測量，并考慮了大氣穩定度的影響，研究發現：穩定大氣條件下的尾流效應更為顯著，相應的風電場總發電功率也相對偏低。

圖15 基于風場測量數據的數值計算方法驗證：Horns Rev海上風電場總發電功率與風向之間的關系[59]Fig. 15 Validation of numerical methods based on wind farm measured data: total power output as a function of the incoming wind direction for the Horns Rev wind farm[59]

中國作為世界風電大國，同樣對陸上/海上風電場進行了外場測量研究。2017年，采用SCADA系統對江蘇風電場（如東潮間帶風電場）進行了尾流場測量實驗[103]，以期將相關成果應用于機組的偏航控制優化研究。總體而言，我國風電場研究相較于歐洲等國家起步較晚，系統性的長期測量工作開展較少，因此可供數值計算方法驗證的基準數據相對匱乏。并且，我國風電場所處的氣象和地形條件具有自身的特殊性，國外的研究方法及結論可能并不完全適用。因此，后續應大力發展能夠滿足本地需求的風電場尾流研究方法和技術。

風電場尾流效應計算方法可分為：CFD方法、中尺度氣象預報模擬（NWP）方法、CFD/NWP耦合方法、工程模型快速預測方法。與外場測量方法相比，數值計算方法對風電場流場特性評估分析具有獨特的優勢，在風工程研究中發揮了不可替代的重要作用。

在CFD方法中，研究人員多數采用RANS或LES湍流模擬方法對風電場流場進行數值模擬。如Avila等[104]開發了基于AD/RANS方法的陸上/海上風電場尾流模擬框架， Tabib等[105]采用AL/RANS方法開展了復雜地形風電場流動研究。類似地，大多數風電企業也是采用基于RANS模型的商業軟件開展相關業務。除此之外，由于LES方法能夠揭示風電場三維流動結構，可進一步挖掘其中的流動機理，一些學者采用LES方法結合致動類風輪模型進行風電場流場模擬。例如，瑞士學者Port-Agel及其團隊[8，106-107]一直以來致力于風能領域大渦模擬框架的搭建開發，并據此開展了大量的風電場流動模擬工作；美國學者Meneveau及其團隊[59，108-109]廣泛開展了湍流建模和多尺度流場模擬研究，尤其是闡明了風電場復雜流動所涉及的尾流湍流機理及其與大氣湍流之間的相互作用機理等，并基于此建立了系列工程模型，能更準確地預測大型風電場發電量的評估與設計。此外，英國學者Früh等[110-111]基于LES框架模擬分析了大氣環境與風電場湍流之間的關系以及來流條件對機組尾流演變與機組性能的影響，加深了對風電場流動機理的理解，有助于工程尾流模型的完善和改進；Stieren等[112]選取AD/LES方法開展了非定常動態風向對大型風電場功率性能的影響研究；Goit等[113]基于AD/LES方法開展了大型風電場的垂直向動量輸運效應（結果如圖16所示）及控制方案優化研究。

圖16 AD/LES計算得到的大型風場垂直動量輸運效應（小圓盤代表風力機）[113]Fig. 16 AD/LES computed vertical momentum transport effect for a large wind farm (wind turbines are represented by small white disks)[113]

真實環境下，風電場運行在大氣邊界層的近地層與艾克曼層之間，其內的大氣物理過程容易受到中尺度天氣系統的影響。為此，學者們從中尺度角度開展了風電場流動及其與大氣湍流的相互作用研究。在研究過程中，風電機組的建模成為關鍵。風電機組的建模主要有兩大類方法：一是將風電場視為地表粗糙度的增量，該方法可用于近似定性評估超大型風電場/風電基地對大氣的作用，但在這種方法中，由于將風力機視為一個個粗糙元的物理假設，計算網格較為粗糙，較難反映整個風電場內的流動細節，在實際中應用較少；二是將風電場視為大氣動量的匯及湍動能產生的源，建立風電場參數化模型，該方法能夠較好地再現風電場與ABL的相互影響，這種方法多數被嵌入NWP氣象模式以形成中尺度風電場流動模擬方案，在實際工程中得到了普遍應用。

比較突出的風電場建模工作有：Baidya Roy等[114]最早提出了風電場參數化建模思想，并在此后被諸多學者采用；Abkar等[115]提出了一種新型參數化模型，能夠全尺度求解風力機周圍空間的平均風速，且可表征機組布局和風向等因素的影響。在該方面的相關研究概述詳見文獻[13]。在此基礎上，其他學者開展了基于NWP模式的風電場中尺度流動計算。2017年，Yuan等[116]首次利用高網格分辨率下的WRF（Weather Research and Forecast）模式再現了中國某陸上風電場的尾流效應和輸出功率特性（如圖17所示），并基于獲取的風電場實時運行數據進行了氣象要素和輸出功率的驗證分析，結果表明，風電場功率預測的相對均方根誤差為6.91%，證明了計算方法的有效性。同年，Lee等[117]采用WRF模式對歐洲某大型風電場（含200臺機組）在連續四個晝夜周期內的發電量進行預測研究，并重點分析了WRF模式中參數配置的敏感性，尋找最合適的參數設置方案，為將來更準確的風電場發電量預測奠定基礎。2018年，王姝等[118]使用中尺度數值模式WRF和Fitch參數化建模方法，以鄱陽湖地區風電場為例，解析了不同大氣穩定度情況下多種機組排布配置對風電場尾流效應的強度、作用范圍、風能利用效率的影響。2019年，Mangara等[119]探究了不同水平與垂直分辨率下，模式對某陸上風電場湍流尾流動力過程的模擬效果，以及對局地天氣尺度系統的影響。2020年，王強[13]以中國張北風電基地為研究對象，探究了大型風電場的尾流效應強度和影響范圍、風電場輸出功率特性等。隨著風電場的規模化發展以及NWP模式技術的完善，基于中尺度的數值模擬將發揮更大的作用。

圖17 基于中尺度WRF模式計算得到的風電場尾流場速度分布云圖[115]Fig. 17 Velocity contours of the wind farm wake flow field computed by the WRF model[115]

除上述數值模擬之外，當前，尾流模型（也稱為工程模型、解析模型）以計算速度的絕對優勢及可接受的計算精度，在風電場工程中應用最為廣泛。風電場中的混合尾流非常復雜，尾流模型主要描述混合尾流對ABL流場結構的干擾以及最后穩定狀態時的邊界層內速度型分布，大概可以歸納為兩類：“自下而上”模型以及“自上而下”模型[120]。

“自下而上”模型，其基本思想為：在前文所述的單臺風力機尾流模型的基礎上，結合混合疊加模型，體現多臺機組尾流的綜合效果。對此，學者們相繼提出了一系列尾流疊加模型，如Lissaman模型、Katic模型、Voutsinas模型、Niayifar模型等。這些模型的不同之處主要體現在尾流疊加準則和尾流速度虧損基準兩個方面，具體公式可參閱文獻[8，59，121]的歸納總結。其中，Park風電場尾流模型（由適用于單臺風力機尾流預測的Jensen模型與Katic尾流疊加模型組合而成）被廣泛應用于風工程項目和學術研究，且作為核心技術被植入到商業軟件（風能資源評估與風電場設計軟件WAsP、WindFarmer、WindPRO等），還作為核心算法被用于大型風電場發電量預測及風電場機組布局優化等學術研究[122]。然而，多數“自下而上”的尾流模型僅能預測風輪高度位置處的風資源分布情況，屬于一維/二維水平空間的尾流計算方法，忽略了垂直方向上與大氣邊界層結構/大氣湍流的相互作用。

對于大型風電場/風電基地而言，需同時考慮尾流在水平和垂直空間范圍內的充分發展，此時“自下而上”模型存在一定的局限性。對此，學者們先后提出了Newman、Frandsen、Calaf、Meneveau、Stevens等一系列“自上而下”尾流模型[59]。其中，Pe?a等[123]考慮大氣穩定度對風速廓線的影響，提出的風電場尾流模型成為當前應用較多的模型之一。如圖18所示，“自上而下”模型的基本思想是將風電場視為表面有效粗糙度，從垂直空間考慮因風電場的存在而造成的大氣邊界層結構改變及相應的動量/風資源分布規律的改變。從圖中可以看出，由于機組運行產生的推力使得邊界層在 [zhub–D/2,zhub+D/2] 范圍內承受一定的阻力作用，因此邊界層被切割成了多個屬性不同的垂直區域，各層區域之間通過速度連續及動量守恒等物理原則進行約束，即，可由已知的基礎參數推算得到其他參數的表達式，詳細公式推導及介紹可參閱綜述性文獻[8，59]。除空間速度分布之外，Frandsen等[124]提出了風電場整體湍流強度計算模型，可用于快速評估機組運行導致的湍流強度增加情況。整體而言，這類模型在風電場尾流模擬中應用較少，比較適用于研究大型風電場/風電基地對大氣邊界層特性的影響。

圖18 經典“自上而下”模型的原理示意圖[8]Fig. 18 Principle diagram of classical top-down models[8]

另外，其他學者還開展了“自下而上”模型與“自上而下”模型的耦合研究，旨在綜合兩類方法的優勢。相關研究及進展不再贅述，詳見綜述性文獻[60，125]。

除上述常規方法之外，對于風電場微觀選址、風電場優化控制等需要大量流場計算的風工程業務，基于數據驅動的代理模型方法可利用有限的訓練樣本實現流場信息的快速準確模擬，成為了新的研究熱點。例如，Iungo等[94]提出了一種嵌入卡爾曼濾波器的降階模型，有效捕捉了風力機尾流動態演變過程中的主要物理過程，特別適用于大型風電場的實時預測、控制和優化；Khosravi等[126]基于機器學習方法開展了巴西某風電場的短期風速預測，為風電場發電量的智能管理及并網提供了重要參考依據；Optis等[127]建立了適用不同大氣條件的風電場發電量統計模型；沈惟舟[128]基于美國某風場的歷史實測數據，采用機器學習算法，針對不同預測尺度采用不同的預測模型和方法，開展了風功率預測研究；苗宜之[129]提出了一種基于機器學習算法的混合預測模型，對風電場集群的功率波動特性及控制策略進行了研究。總體來說，研究工作尚處于起步探索階段，目前仍缺乏可公開獲取的風電場實時數據供算法驗證與分析使用。

4.2 風電場發電量快速評估及微觀選址

風電場微觀選址作為風工程運行的前提基礎，是決定項目經濟效益及成敗的關鍵。微觀選址是指，在擬定風場區域合理布置各機組的安裝位置，確保整個風電場達到最大收益的過程，同時也是在風電場內進行更高分辨率的風資源分析和機組布局優化的過程。

早期的風電項目開發過程中，主要依據經驗結合《風電場工程技術手冊》開展機組布局工作。根據建議，沿主導風向機組間隔5D～9D、橫風向間距3D～5D，以盡量減少尾流損失。對于平坦地形風電場，常常有兩種布局方式：一是串列式（下游風力機旋轉軸線與上游機組的軸線重合），二是交錯式（近似梅花型，即下游風力機旋轉軸線與上游機組的軸線平行）。近期開展的多項實驗和LES研究結果表明[8]：一方面，由于“有效風輪間距”的增大，交錯式排布相對減少了上游風力機尾流的影響；另一方面，串列式排布可以從上層自由大氣中夾卷更多的能量，有助于尾流的恢復。因此，哪種排布方式更有助于提升風電場整體發電量需根據具體問題具體分析。此外，需要說明的是，風向對風電場的“有效布局”及流場分布有著重大影響，入流風向的改變等效于風電場布局以及機組密度的改變。例如，Horns Rev海上風電場的測量數據表明[107]，在風向為270°時，機組呈串列布局且機組間距較小，此時風電場發電量最小；而當風向發生較小的改變（為270°±10°）時，機組“有效間距”增大，此時風電場的發電量達到最大（如圖15所示）。同樣地，Stevens等[59]也指出僅10°的風向變化即可引起風電場發電量的較大差異，說明了風電場發電量對風向高度敏感。因此，在風工程項目中應考慮風向年際變化的不確定性及發電量的風向敏感度。

目前風工程項目中多采用商業軟件，如WAsP、WindFarmer、MeteodynWT、WindSim等，進行風電場發電量計算和微觀選址工作。但使用過程中，很大程度上依賴于風電工程師的個人經驗來擬定初步機組位置然后進行微調，優化策略不足，很難保證可以得到經濟性最好的布機方案。為了得到普適的優化方案，學者們針對風電場機組布局優化開展了大量研究[130-132]，主要策略是采用單目標/多目標優化算法（如蒙特卡羅算法、模擬退火法、神經網絡、布谷鳥算法等），綜合考慮投資成本、發電量、氣動噪聲等多種目標，以及電纜鋪設、交通規劃等多約束條件，開展機組布局優化研究。

早在1994年，Mosetti等[133]開創性地將物理模型與優化算法結合，開展了風電機組布局優化研究，突破了傳統經驗式布機的局限，得到了科學合理的布機方案和更通用的優化方法。之后，追隨Mosetti學者的做法，其他學者采用更為全面細致的優化算法、優化目標和約束條件等，相繼開展了大量類似研究[130-132，134-136]。較為典型的工作有：Abdollahzadeh等[137]既考慮了綜合成本最低，又將風電場內的電網損失電量最小作為優化目標，開展了機組位置多目標優化研究；Cao等[138]考慮機組的噪聲輻射問題，開發了新型風電場布局設計方法，為布機優化工作提供了新思路；Shakoor等[135]綜述了機組布局優化研究中所采用的各類尾流模型，并通過對比分析指出，Jensen尾流模型較好地兼顧精度和效率，是最佳的選擇。

另外，隨著風電開發環境日趨復雜，機組和塔筒等風電設備產品日益豐富，風電場設計組合方案增多。相應地，一些學者開展了多種機組產品型號與輪轂高度組合的混排研究。例如，文獻[139-140]基于場址內風剪切差異較大的優勢，研究了不同輪轂高度的機組混排策略及其對項目經濟性提升的效果。Feng等132]研究了“非均勻”風電場優化設計，即風電場內混合布置不同機型、不同輪轂高度的機組，這種布局方式可以更充分地利用風能資源，降低發電成本，正在成為當前的研究熱點。Guo等[136]考慮現實環境中的風能條件（大氣穩定度因素），獲得了更有效、可靠的機組優化布局方案。最近，Reddy[122]公布了開源的風電場機組布局優化代碼WindFLO，可在考慮實際地形和風資源條件的情況下，進行機組布局及類型（包括風輪直徑及輪轂高度）優化，達到項目經濟性最佳的目的。此外，Reddy[141]還采用支持向量機的機器學習方法，開展了小規模風電場基地（隸屬于不同業主的風電場集合）的機組排布優化研究，結果如圖19所示（圖中不同顏色代表不同的風電場）。總體而言，隨著物理模型的完善及優化算法的改進，相關優化研究愈加注重風電場設計的準確性、精細化與高效性，以實現風電場全生命周期成本最低。

圖19 優化后的風電場機組布局分布圖[141]Fig. 19 Wind farm layout after optimization[141]

國內方面，2011年，田琳琳等[142]基于小生境遺傳算法對風力機機組布局進行了優化；2013年，宋夢譞等[143]提出了快速計算風力機尾流效應的虛擬粒子模型和優化風力機布局的仿生方法。近幾年，劉永前等[144]基于改進二進制螢火蟲算法開展了風電場微觀選址優化研究；邵振州[145]圍繞高精度尾流快速模擬方法及其在風電場微觀選址和優化控制中的應用開展了研究。上述研究結果多數適用于海上及平坦陸上風電場，而對于需考慮地形與風力機尾流綜合效應的復雜地形風電場，上述方法或將失效。對此，許昌等[146]提出了一種在復雜地形下進行風電場微觀選址優化的方法；田琳琳[147]通過CFD數值模擬分析，探討了在復雜地形微觀選址中的機組布局優化策略和可行性。

綜上可知，國內外學者針對風電場微觀選址、機組布局優化等進行了大量研究，并取得了豐富的研究成果。但仍存在一些問題亟待進一步完善，比如，滿足風電場發電量精細化評估的尾流工程模型、高效且全面的優化方案、全局與深度優化算法、復雜入流/地形條件下的優化策略等，以期獲得最優經濟效益、最低度電成本的整體解決方案，為風電場項目開發建設謀篇布局。

4.3 復雜大氣/復雜地形影響

比較理想的風電場選址為開闊平坦的區域，其內部流動可以免受地形和障礙物的影響而得以充分發展。然而，隨著風電近年來的迅猛發展，需要建設越來越多的風電場，面臨一些新的問題。首先，風電場的開發利用環境更多元化，如山區、丘陵等復雜地形、低風速平原地區以及近海地區等特殊環境。其次，機組入流環境更加復雜，如隨大氣穩定度而實時演變的非定常湍流風、上游機組的偏航/動態尾流、附帶垂直方向動量夾卷效應的大尺度湍流等。因此，對真實大氣環境下、復雜地形風資源的建模與評估是未來風電場開發與利用的重要任務[148]。

近年來，學者們逐漸意識到大氣穩定度對風力機/風電場尾流的顯著影響，開始致力于還原真實的大氣入流條件。2014年，Mirocha等[149]采用中/小尺度模式耦合的方法實現了大氣湍流與風力機尾流相互作用的模擬研究，為精確預測風力機發電量與疲勞載荷走出了關鍵的一步。Kim等[150]基于外場測量數據，剖析了大氣主要要素（大氣穩定度、湍流強度和風切變）對風力機性能及風電場發電量的影響研究；結果表明大氣穩定度對發電量的影響最為顯著，不同穩定度條件下的發電量差距約為3%～4%。此外，文獻[31，151-152]考慮多尺度耦合（氣象中尺度和風力機流場小尺度）、多物理過程耦合（大氣熱動場和風力機尾流場）等因素，開展了大氣邊界層/風電場尾流場日周期演變的高精度模擬研究。結果表明，白天地表受太陽輻射而增溫，在近地面形成不穩定的對流混合層，湍流活動劇烈且運動呈現有組織的大渦結構，有效促進了對流交換及尾流恢復，風電場發電量相對提升（對比于中性大氣條件下的結果）。夜晚則相反，地表由于長波輻射而冷卻，在近地面形成穩定的逆溫層，抑制了湍流活動，渦的尺度相對較小；導致尾流同周圍自由流的動量交換減弱，從而尾流恢復速度較慢，相應地，風電場發電量也相對較低。除上述宏觀特性（表現為整場發電量）之外，大氣穩定度也會造成大氣/尾流微觀特性（如垂直向風速廓線）的顯著差異，如低空急流現象（LLJ）的存在和位置。文獻[59]指出，大氣穩定程度會增加LLJ的發生概率；若發生位置處于風輪掃風范圍內，將會大幅提升機組發電功率，但同時由于LLJ上方非湍流而使得尾流恢復變慢。另外，在與大型風電場的相互作用過程中，LLJ現象可能發生位置偏移等。Sharma等[153]發現若降低風電場機組密度，LLJ將向上偏轉，使得夜間風電場發電量小幅提高。

另一方面，近年來人們開始關注地形相對復雜、坡度相對陡峭的風電場。當風經過復雜地形風場時，會出現流動分離、速度剪切、流動不穩定等復雜的非線性特征。此時，風工程領域常用的商業微觀選址軟件如WAsP 和WindPRO等因自身假設的局限性不再適用。于是，針對山地風場特性及風資源預測，學者們提出了諸如外場實測、風洞實驗和數值模擬等研究手段。其中，基于外場實測數據的技術主要是指利用測風塔、激光/聲雷達技術，通過地形插值算法得到目標地區的風速分布，從而進行風資源及風電場發電量評估。總體而言，該方法可以獲取較為真實可靠的數據信息且隨著科技進步有很大的發展前景，但當前所需時間和物質成本較高且數據較為粗糙，存在一定的工程局限性[154]。風洞實驗技術對于山地風場風資源研究十分重要，主要用于風速預測工程模型的建立及數值模擬結果的驗證，但多數僅針對一些簡單外形的山坡繞流。例如，早期，Ishihara等[155]采用熱線風速儀對三維理想山地的迎風面、山頂和背風面的風速及湍流強度進行了測量，為后續的數值模擬研究提供了較為詳盡的對比分析數據；Conan Boris[156]研究了不同坡度的簡單山體繞流特性，并通過風洞實驗研究了Bolund島和Alaiz山的風資源分布情況；沈國輝等[157]采用基于眼鏡蛇測量儀的風洞實驗方法對某復雜山體的三維風場特征進行了分析研究，最后提出了復雜山體三維風場的設計建議。

隨著CFD技術的發展，學者們針對理想或者真實山地風場/風電場開展了大量數值仿真研究，詳見綜述文獻[8，158]的介紹。其中，部分工作是針對風場周圍的流動分布情況，僅考察地形效應對大氣流動的影響。比如，2000年，Kim等[159]針對幾個典型的風場如德國的Rhine山地、Askervein山地、Sirhowy山谷，測試了RANS方法的流動分離/再附預測性能；Kjersti在其博士論文[160]中對某真實復雜地形風電場的幾個典型剖面進行數值模擬以及風洞實驗研究，探討了不同入流條件（包括大氣湍流強度、流速、流向）、不同地表粗糙程度、不同地形坡度對流場的影響；2021年，Hu等[161]采用LES方法首先通過基礎算例—不同坡度的山丘地形流動問題驗證了數值算法的可靠性，然后將其應用于某真實山地地形流動研究。另外，還有一部分工作針對復雜地形風電場（安裝了風力機機組）內的流動分布及機組的發電量情況，考察地形效應和尾流效應同時發生時的綜合效應。例如，Politis等[162]對包含43臺機組的復雜地形風電場開展了仿真與實測的對比研究。Segalini等[163]通過線性化流動方程，提出了一種復雜山地風電場（兼顧機組和低緩坡度山地）的簡化方程，相較于常規CFD方法計算成本降低了約8倍。最近，Yang等[164]基于LES方法對美國某復雜風電場開展了仿真研究，如圖20所示，在此過程中通過外場實測數據充分驗證了仿真框架的計算精度。另外，為了實現復雜地形風電場流動的快速預測，學者們[165-166]還提出了工程模型，基本思想是分別計算地形效應和尾流效應，然后將二者線性/非線性疊加得到風電場的流動分布情況；需要指出的是，該方法存在一定的局限性，僅適用于坡度相對緩和的地形條件。

圖20 考慮地形效應計算得到的風電場速度云圖 [164]Fig. 20 Velocity contour of the wind farm simulation with the terrain effect[164]

除上述常規CFD方法和工程建模之外，一些學者采用中尺度氣象模式研究復雜風場的流動特性。何曉鳳等[167]將中尺度氣象模式MM5和風資源評估軟件WindSim相結合，較好地刻畫了鄱陽湖地區復雜地形條件下的局地風況，10 m高度處的風速模擬結果改善最明顯。隨著新技術的發展，Bodini等[168]以Perdig?o復雜地形的測風塔數據為樣本，通過機器學習方法開展了湍流耗散率建模研究，進一步增強了中尺度數值天氣預報模式的計算精度。此外，部分學者還開展了數值模擬結合實驗測量、多類復雜工況的混合研究，進一步拓寬了研究思路。比如，Tang等[169]基于CFD技術并結合外場實測數據開展了復雜地形風資源評估分析研究；最近，Radünz等[170]開展了融合復雜地形和大氣穩定度日周期演變兩個關鍵要素的風電場發電量外場測量研究。

4.4 海上風電場

由于海洋蘊含的風能資源比陸地更加豐富，海上風電成為世界風電未來發展的重要方向。與陸上風能相比，海上風能具有風速高、湍流強度低、風切變小、風向穩定、日周期波動幅度相對較小、環境生態友好等優勢[3]，進一步提升了海上風電的容量系數高、可大規模發展、消納能力強等優勢。然而，也同時存在著海上風電場項目建設、運行、維護的難度大、周期長、投資大（建設成本通常為陸上風電場的1.5～2倍）等不足。當前，海上風電的發展趨勢可歸納為：（1）海上風電單機容量逐步提高，已進入15 MW時代；（2）單個海上風電場的容量越來越高，規模化開發趨勢凸顯；（3）風電場深遠海化發展，離岸距離和水深分別超過100 km和100 m。

風資源評估是風電場建設的前提和基礎。海風有其自身特點，易受海面粗糙度、大氣穩定度、潮位、水溫/氣溫、離岸距離等因素的影響。封宇等[171]根據近海測風塔的實測資料，對海風的風速、風向、湍流強度等氣象參數的時空分布特點和垂直分布規律進行了詳細分析，為海上風電開發（如風電場選址、控制和優化調度）提供了有益參考。此外，由于海風的環境湍流強度較弱，尾流與外層自由流的摻混作用減弱，葉尖渦將維持更長的時間，尾流效應影響更加突出。 Barthelmie等[101]、Bastankhah等[172]開展了系統的風電場尾流測量和數值模擬研究，并建立了適用于海上風電的尾流工程模型。王俊等[173]以海上風電場發電量最大化及風電機組疲勞均勻為多目標，通過變槳和偏航兩種策略，開展了尾流控制優化研究，以期降低海上風電場運維成本。

近期發表于Nature旗下Scientific Reports期刊上的研究報告[174]中指出，隨著海上風電產業的快速推進，其規模化和集群化開發也會帶來一些問題。例如，受淺水區優質風力資源的推動，北海成為世界范圍內海上風電場開發的熱點區域之一。然而，Akhtar等 [174]學者通過海上測量及數值仿真發現，風電場的加快部署有可能導致氣候環境的改變及降低未來發電潛力。具體來說，一方面，海上風電場的尾流效應會導致風電場內年平均風速虧損2～2.5 m/s，且尾流影響范圍延伸至下游35～40 km，同時如果相鄰風電場距離較近，將導致下游風電場的容量系數降低20%以上，造成經濟效益的降低及風資源的浪費；另一方面，作者還指出北海的風資源開發已經對當地的大氣條件（海洋響應）產生了重大影響，且在這種趨勢還將未來繼續加劇；因此，在后續的風能開發過程中，需從全局著手，謹慎預估風電開發的潛能及局限性。同樣地，Siedersleben等[175]的外場觀測結果表明，即使在風電場下風向60 km處，尾流效應的影響仍然存在，造成該位置輪轂高度處的溫度升高0.5 ℃，濕度升高0.5 g/kg，由此帶來的環境影響值得引起思考和重視。

我國海上風電正進入快速發展階段。據統計，2020年新增裝機容量超過3 GW（占世界新增裝機容量的50%），累計裝機容量也達到世界第二。但綜合來看，現階段我國海上風電研究與建設與英國、丹麥、美國、德國等海上風電強國相比，仍存在以下主要問題：發展起步較晚，尚處于探索階段；設計方法和軟件仍不成熟；在海上風電場前期建設、中期運行和后期修護等方面缺乏經驗。另外，目前我國海上風電多數處于近海區域，后續隨著大規模化發展、集群化發展、向資源和儲量更好的遠海發展，將涉及海上組網和輸送等難題，這些問題將嚴重制約海上風電建設的健康快速發展。因此，在大規模啟動海上風電建設前，需要對海上風電技術進行足夠的研究和投入，特別是近海風資源評估與分析、符合我國風資源情況的海上風電機組設計、漂浮式海上風電技術、海上風電場施工與建設、海上風電并網輸運技術、海上風電開發標準的制定等關鍵技術。

4.5 大型風電場與大氣邊界層相互影響

為了保障大規模、大容量風電場的高效開發，除了進行局地風電場尾流效應評估外，還需從更大尺度空間范圍內對其進行流場分析。因此，大型風電場與大氣邊界層的相互作用也成為近年來的新興研究熱點，具有重要的科學意義和應用價值[12-13]。2019年，Veers等[9]發表在Science的文章綜述了風能領域的幾個重要挑戰，其中第一條便是深入理解大氣與風電場的流動機理及其相互作用規律。在研究過程中，大氣邊界層對風電場的作用主要關注機組的輸出功率和機械載荷兩個方面，而風電場對大氣邊界層的作用主要集中于對大氣環境帶來的反饋作用（如產生的巨大擾動效應可影響和改變局地邊界層的整體結構和特性）。

大氣邊界層的高精度建模問題一直是氣象和風能領域的研究重點之一。局地環境的復雜多樣使得野外實驗具有較大局限性，而數值模擬提供了一種較為靈活的研究手段。大氣運動極為復雜，通過將其加以分類進行研究，產生了針對特定尺度和特定對象的數值模擬工具。中尺度（氣象尺度）模式能夠反映千米范圍內氣象要素的發展演變過程，而低于千米尺度的運動則被參數化。中尺度模式中，WRF對風速場和風溫場等具有較高的模擬精度，應用最廣。而目前風力機的尺寸在百米量級，且風力機流場存在多尺度耦合現象，最小的渦尺度約為毫米量級，此時WRF等中尺度模式將完全失效。小尺度模式主要是指計算流體力學模式，隨著計算技術及設備的快速發展，LES方法在風能領域的高精度、高可靠性研究中得到了應用。進而，采用中尺度模式WRF耦合小尺度模式LES方法的思路，既能保證大氣邊界層的高精度仿真，又能確保風力機尾渦研究的需求，成為較為理想的大氣邊界層環境下求解風力機流場的技術手段，并已成功應用于風資源評估等工作。綜上可知，為了更加高效、準確地再現風電場內不同尺度的流動特性，應采取與之相宜的模擬策略。

文獻[12-13，59]概述了風電場開發過程所涉及的主要研究問題及對應的常用模擬方法。根據研究對象的尺度，數值模擬方法大致分為三類：基于CFD的微尺度模擬、基于NWP模式的中尺度模擬、介于二者之間的介觀尺度模擬。其中，CFD相關研究進展已在上文進行介紹，此處不再贅述。另外，為了實現中尺度模式下風電場與大氣邊界層相互干擾的探究，風電場參數化建模成為關鍵，綜述性文獻[8]中列舉了學者們近年來相繼提出的風電場參數化模型，并根據其理論基礎對這些方法進行了更細致的梳理分類；此外，王強[13]在博士論文中也對相關方法進行了類似歸納整理。總之，中尺度方法一方面基于NWP模式能夠提供真實的大氣背景，另一方面又能體現風電機組的存在對周圍大氣的影響，所以非常適于風電場/風電基地尺度的流場預測與評估。例如，Siedersleben等[176]基于中尺度氣象模式針對大型海上風電場流動分布進行了計算，并開展了相應的尾流場測量（如風速、溫度、壓力和濕度等），以評估幾類參數化模型的準確性，并對計算網格分辨率及不同大氣穩定度所對應的參數選取給出了指導建議。類似地，Syed等[177]基于WRF模式開展了不同季節條件下的多個風電場發電功率預測，得到的風電場區域流動分布情況如圖21所示。

圖21 基于WRF模式結合風電場參數化建模方法預測到的風電場某一高度平面Hhub = 80 m速度分布云圖[177]Fig. 21 Velocity contours at Hhub = 80 m of a wind farm prediced by the WRF model coupled with the wind farm parametric modelling[177]

NWP-CFD耦合模式兼備中尺度模式和微尺度模式的優勢，在風工程領域得到了開展與應用。NWPCFD方法又可歸納為單向邊界傳遞法、動力升/降尺度法、雙向耦合法三類[13]。其中，單向邊界傳遞法的核心思想是將中尺度NWP模式的輸出結果作為邊界條件或者體積力耦合至微尺度CFD，進而實現中/微尺度流動問題的初探性研究[178]。動力升/降尺度方法的基本策略是在CFD模式中添加動量源以體現大氣微物理過程，同時在NWP模式中利用網格嵌套技術考慮機組的存在及氣動特性，從而實現對大氣湍流特性及風電場機組氣動特性的預測[179]。雙向耦合模型法最為直接和全面，其核心思想是綜合考慮中/微模式的時空巨大差異性，采用雙向網格嵌套技術，結合適配的時間處理方法，實現兩類模式的在線雙向耦合[180]。但總體而言，NWP-CFD耦合模式的開發與應用仍存在諸多問題有待解決，如計算網格需求、跨尺度插值、物理模型匹配等方面。另外，由于公開測量數據的不足，相關的計算研究也缺乏相應的驗證分析，其可靠性和可行性仍需得到進一步呢證明。

聯合國政府間氣候變化專門委員會（Intergovernmental Panel on Climate Change，IPCC）報告指出：到2050年，全球風力發電將滿足20%以上的電力需求。為實現該目標，需要成百倍的建立風電場。在這種發展需求及形勢下，亟待探索大規模風電場的部署及運行對生態環境和氣候的影響。研究表明，風電場對氣候和環境的影響主要體現在以下幾個方面：一是風力機機組的安裝改變了局地原有的空氣動力學粗糙度高度，阻滯作用將影響邊界層內的湍流運動及物質能量輸運形式；二是由于能量的吸收轉化，機組尾流效應會導致大氣各種通量的改變，直接影響溫度、降水和風速等氣象要素。早在2004年，美國哈佛大學Keith團隊[181]就已關注到風電場對氣候環境的影響。此后，其他國家也逐步開展了風電場對局地及全球氣候變化影響的研究。王強[13]從計算方法、經典算例、影響機理及存在的問題等方面詳細闡述了風電場氣候效應的研究進展，此處不再贅述。總體而言，目前大多數研究集中于分析風電場尾流效應引發的局地氣象要素變化，少部分工作探究了大型風電場/風電基地對區域尺度氣候乃至全球氣候的影響等，多數研究結果表明，風電場對地表溫度的影響呈現“晝降夜升”的規律且與大氣穩定程度密切相關，不同規模風電場引起的溫升范圍約為0.18～0.70 ℃，且溫升隨風電場規模增大而增加[182]。

5 總結與未來研究展望

全球風電已進入迅速擴張階段，相應的風力機技術也需蓬勃發展與革新。其中，空氣動力學作為首要和關鍵問題，一直是風力機技術研究的重點和熱點。本文選取大氣邊界層、風力機尾流、風電場混合尾流等典型氣動問題作為論述焦點，從外場測量、風洞實驗、理論分析、數值模擬、工程建模和人工智能等研究方法著手，梳理和總結其中涉及的關鍵空氣動力學問題及取得的重要研究進展。主要內容歸納如下：

1）大氣邊界層特性及湍流風分布。以風工程領域對入流條件的需求為側重，兼顧考慮風力機的大型化發展趨勢，介紹了近地層和艾克曼層的大氣運動規律及其定量參數，整理了相關計算公式。另外，考慮大氣邊界層的顯著特征“大氣穩定度”的日周期演變及其對風資源的影響，綜述了有關大氣邊界層研究所面臨的關鍵科學問題及取得的重要研究成果，明確了該領域的未來研究方向。

2）風力機單尾流。分析了單臺風力機尾流的顯著特點，著重評述了近尾流區和遠尾流區的氣動特性及相關研究方法。此外，針對兩種典型尾流現象（偏航尾流和尾流蜿蜒）進行了討論，以更準確地貼近現實尾流工況。最后，面向科技前沿，梳理了基于機器學習方法的風力機尾流研究及進展。

3）風電場混合流場。歸納了風電場內混合尾流場的常規研究方法及取得的重要成果，針對風電場微觀選址工作探討了如何準確、高效地預測混合尾流效應及其功率輸出。此外，考慮我國陸上風電場多數位于丘陵或復雜山地的現狀以及大氣非定常演變的現實情況，梳理了復雜地形風電場的相關研究成果。另外，還面向世界風能開發的熱點—海上風電，對其物理問題的特殊性進行了分析。最后，針對今后大規模風能開發利用過程中面臨的大型風電場/風電基地與大氣邊界層相互作用問題進行了整理與評述。

基于上述關鍵問題，風能工程空氣動力學的后續研究方向和重點可歸納為：

1）入流方面，需重點開展外場真實復雜風況的測量、仿真與建模研究，提供準確可靠的機組運行條件和工況；

2）對于風能工程空氣動力學的幾大類研究方法而言：數值模擬方面，繼續改進、完善和發展不同尺度層面的物理模型，進一步提高預測精度并擴展適用性；工程模型方面，需綜合考慮多種相關影響因素，厘清其內在關聯，充分利用實驗測量數據、高精度模擬手段、相關理論、機器學習等數據驅動技術等，建立高效、準確的算法供風工程業務快速評估預測。

3）風工程建設方面：在風電項目開發之前，需開展綜合多因素的機組布局多目標優化，提升風電場綜合經濟效益；對于已投產的風電場，需開發和改進風電場控制策略，設計諸如偏航/混排改造等綜合措施以緩解尾流對下游機組造成的影響，最大程度地提高風電場整體性能。此外，在風電場規模化開發利用過程中，還需對風能高效轉化以及其對大氣環境的影響進行全面、系統的評估。特別地，需針對我國特有的氣候和地理環境，來實現風電產業高效、可持續、環境友好型發展。

4）風電并網方面，受復雜動態入流的影響，風電場輸出功率存在顯著的波動性和間歇性，若將風電并入電網，將會對大電網的電能質量造成不利影響，成為制約風電大規模并網的瓶頸。因此，需建立準確、合理的風力發電長/中/短期實時預測系統，綜合分析風電機組運行狀態及工況條件，實現風電設備的高效、高可靠性運行，促進風力發電健康發展。