EPTSMElectric Power Technology and Safety Management2997-34732997-3503Art and Technology10.61369/EPTSM.2025040012Article人工智能驱动的风电机组叶片气动性能智能优化方法https://artdesignp.com/journal/EPTSM/2/4/10.61369/EPTSM.2025040012韦昌虎2025242025-04-20随着全球对清洁能源需求的不断增长，风力发电作为一种重要的可再生能源利用方式，受到了广泛关注。风电机组叶片作为风力发电系统的关键部件，其气动性能直接影响着风电机组的发电效率和稳定性。传统的叶片气动性能优化方法存在计算成本高、效率低等问题，难以满足现代风电产业快速发展的需求。本文提出一种基于人工智能的风电机组叶片气动性能智能优化方法，该方法融合计算流体力学（CFD）、机器学习和智能优化算法，实现对叶片气动性能的高效优化。通过建立叶片气动性能预测模型，利用智能优化算法搜索最优的叶片设计参数，显著提高了叶片的气动性能，为风电机组的高效运行提供了有力支持。风力发电,风电机组叶片,气动性能,人工智能,智能优化算法

[1] 吴子文.基于风力发电智能偏航系统风能高效利用研究[D].辽宁工程技术大学,2022.DOI:10.27210/d.cnki.glnju.2022.000978. [2] 王屹立.基于多源信息融合的风力发电齿轮箱寿命预测与延寿策略研究[D].重庆大学,2023.DOI:10.27670/d.cnki.gcqdu.2023.001486. [3] 王康德,刘文泽,陈泽,等.基于运行状态与功率特性引导的覆冰天气下风电机组功率预测[J].电力自动化设备,2024,44(11):88-93+133.DOI:10.16081/j.epae.202408002. [4] 邹港,赵斌,罗强,等.基于PCA-VMD-MVO-SVM的短期光伏输出功率预测方法[J].电力科学与技术学报,2024,39(05):163-171.DOI:10.19781/j.issn.1673-9140.2024.05.017. [5] 刘香怡.面向风力发电预测的智能优化算法研究[D].青岛科技大学,2024.DOI:10.27264/d.cnki.gqdhc.2024.000762. [6] 段佳帅.风力发电机组偏航系统运行特性分析和故障分析研究[D].沈阳工业大学,2024.DOI:10.27322/d.cnki.gsgyu.2024.001295. [7] 金叶.双馈风力发电机发电量及转速稳定性提升技术研究[D].河北科技大学,2024.DOI:10.27107/d.cnki.ghbku.2024.000066. [8] 蒲欣雨.基于风电功率预测的微电网优化运行研究[D].华北水利水电大学,2024.DOI:10.27144/d.cnki.ghbsc.2024.000541. [9] 刘香怡.面向风力发电预测的智能优化算法研究[D].青岛科技大学,2024.DOI:10.27264/d.cnki.gqdhc.2024.000762. [10] 许子煜.光储微网混合储能控制策略及能量管理研究[D].华东交通大学,2024.DOI:10.27147/d.cnki.ghdju.2024.000637.