風電場風參數感知方法現狀與展望

沈小軍， 周沖成， 付雪姣， 雷川麗

(1. 同濟大學 電子與信息工程學院， 上海 201804； 2. 國網湖南省經濟技術研究院， 湖南 長沙 410004)

隨著風電技術的不斷發展，風能的高效利用和風電場的智能化運行已經成為風力發電的研究熱點, 對風能的利用率提出了進一步提升的要求[1].風速的精準感知不僅有利于風機發電的最大風能跟蹤，而且還能為風電機組的變槳距控制提供可靠的控制參數，對于降低風機的疲勞載荷和極限載荷具有重要意義[2-4].準確地獲取風向可降低風電機組偏航系統的誤動作次數，在提高風能捕獲效率的同時，實現風電機組運行安全性和風機壽命的延伸[5-7].風密度是決定風電機組的實際功率曲線的主要因素之一，對風電機組發電控制性能優化具有重要意義[8-9].可見，精確、全面、高效經濟的風參數感知不僅有利于提升風電場的發電經濟效益，而且對提高風電機組的運行安全和控制性能具有重要的意義.

風能固有的隨機波動性、間歇性、矢量多變性等特征仍是風力發電優化控制和并網面臨的主要挑戰.理論上，超前預知風速、風向、風密度等參數可為解決該難題提供強有力的技術方案，超前一定時間裕度的風參數預測不僅能降低風能的未知性給風力發電系統帶來的風險，在提高風能利用率增加風力發電效益的同時，還能為風機控制性能的提升拓展空間[10].比如分鐘級時間裕度的風參數前瞻預測能實現風機的偏航預判、變槳及發電的前饋控制；數小時及數天級時間尺度下的風參數預知可為風電場輸出功率預測和并網調度計劃提供指導.顯然，精確高效的風參數感知預測技術對風電機組的智能優化控制及并網調度具有重要的指導意義和工程應用價值.

本文從風參數實測感知和風參數預測感知技術兩條技術路線分別概述了當前風電場風參數感知技術，并從全面性、準確性以及經濟性角度討論傳統風參數感知技術的特點及其局限性，提出并討論了風電機組機群數據共享關聯下風參數的復合感知新方法的技術路線及需解決的關鍵問題，為風電場風參數感知技術的發展提供參考.

1 風參數實測感知方法

目前風參數感知存在實測感知和預測感知兩條技術路線，在風參數實測感知方面，又包含風電機組風速風向儀實測和激光雷達感測兩種主要形式.

1.1 基于機艙風速風向儀的風參數實測感知

根據工作原理，機艙風速風向儀可分為機械式和超聲波式，如圖1所示.其中常見的機艙式機械風速風向儀主要由風向標和風杯式風速儀構成[11].

a 機械型b 超聲波型

圖1機艙式風速風向儀實物示意

Fig.1Windspeedandwinddirectioninstrumentrepresentationpicturefixedonwindturbinenacelle

風速測量是利用一個低慣性的風杯部件作為感應部件，在水平風力的驅動下風杯旋轉，由霍爾磁敏元件即可計算出風速；風向測量是利用一個低慣性的風向標部件隨風旋轉，帶動轉軸下端的風向碼盤，通過信號發生裝置推算出實時風向.機械旋轉式風速風向儀的結構簡單、價格低廉，是目前風電場風速、風向測量的主要工具.但由于機械結構存在慣性延遲，在低風速(微風)時不工作，只能測量較高風速，所以測量精度不高，且存在磨損損耗，易受風沙、冰凍雨雪干擾，壽命較低.

超聲波式風速風向儀工作原理是利用超聲波時差法來實現風速的測量[12].超聲波在風電場中傳播速度受風速的影響，監測不同角度超聲波返回值，通過計算得到精確的風速和風向.超聲波式測量精度較高，一般風速誤差為1 m·s-1，另外可測量瞬時脈動風速且不受風速大小影響.相比傳統機械式風速風向儀，超聲波式風速風向儀無摩擦損耗帶來的系列缺點，但成本高昂，同時易受惡劣天氣影響.超聲波式風速風向儀在現場得到了部分應用.

基于機艙風速風向儀的風參數感知技術簡單可靠，并且獲取的是實測數據，因而不用考慮風電場域內風機間復雜的尾流效應和復雜地形帶來的湍流效應.然而，風速風向儀測量精度低和測量時間滯后等問題限制了風力發電機變槳、發電、偏航控制性能的進一步提升.在風機的變槳距控制中，由于風速測量精度較低，會影響槳距角控制產生較大偏差，從而增加風電機組的疲勞載荷和極限載荷的風險；在風力機的發電控制中，機艙式風速風向儀實測感知技術沒有提供風密度參數，加之風速測量精度的影響，使得風力發電系統不能實現最大風能跟蹤，風能利用率有待提高；再者，風向實測值的準確性和時間上的滯后性不能為偏航系統提供準確的偏航指導，影響了偏航系統動作的有效性和風電機組運行的安全性.

1.2 基于機艙激光雷達的風參數感測

為克服傳統風電機組風速風向儀存在風參數實測精度低、易受風沙雨雪影響、測量參數不全面、不能提供超前時間的預測信息等問題，近年來不少學者嘗試將激光雷達感測技術應用于風電機組風參數感知獲取.所謂激光雷達感測技術(light detection and ranging，LIDAR)是指采用先進的無線遙感技術，通過探測激光與被探測無相互作用的光波信號來遙感測量風速風向[13].激光雷達安裝位置在風電機艙上，與渦輪軸軸對齊，如圖2所示.圖2中d為風電機組葉片直徑.

圖2 機艙式激光雷達測風示意圖

當渦輪機轉動時，激光雷達在轉子平面楔掃描風場上游的區域，掃描的角度一般為15°，在風機葉片前方50～100 m的區域循環掃描，聚集的激光雷達形成30°角2/3葉片半徑的半錐性區域.相對于激光雷達的固定位置和方位角，從激光雷達的旋轉楔形掃描器中計算出所記錄的風速風向信息.激光雷達在風參數測量應用方面取得了很好地效果，能為風電機組提供前方50～100 m的風速、風向10 s內的預測數據.

風電機艙的激光雷達感測精度高，風速測量誤差最大不超過3%[13]；在風參數獲取的時間尺度方面，激光雷達可提前10 s獲取即將傳播到達風能的風速、風向信息，能為風力發電控制提供超短時間的預測參數，吸引了大量專家學者對風力發電前饋控制領域的探索[14-15].

激光雷達感測技術在風速、風向的超短時前瞻預測獲取上具有顯著優勢，為實現風力發電前饋控制奠定了基礎.但是激光雷達屬于精密儀器，價格高昂，不適合廣泛應用于大型風電場中.并且，激光雷達前饋風參數感知是建立在湍流凍結假設的基礎上，對風機前方的湍流效應和尾流效應考慮不足；另外，現有的激光雷達測風技術在低頻段效果較好，雷達觀測信號通過低通濾波，風力發電機控制器只在風電場風向低頻變化時響應，對風速風向突變的情況假設過于理想化，需要建立風電場關聯模型，已有學者開展了相關探索研究[16].

2 風參數預測感知方法

風參數實測感知方法是運用測量技術和先進探測技術來獲取風速、風向等參數.以統計分析為基礎，通過預測模型實現風參數的預測獲取，是風參數獲取的另一重要手段.風速、風向的實測感知技術為風電機組提供了控制參數，但在精度和時間尺度上與要求日益嚴格的風電預測和并網要求不相匹配.

隨著計算機技術和人工智能的不斷發展，對風電場風參數行為的預測是國內外專家學者研究的焦點和熱點.文獻資料檢索分析結果表明，當前國內外研究重點主要是風速、風電場輸出功率預測.風參數的預測感知研究可分為統計學方法[17-21]和智能算法兩條技術路線[22-28].其中，統計學方法通過對歷史運行數據的統計分析，建立實際值與預測值之間的映射關系，典型的方法有最小二乘法、自回歸滑動平均模型(auto-regressive and moving average model，ARMA)、時間序列法、小波分析法等；智能算法以大量的風電場運行數據為研究對象，通過模擬生物學或智能進化對數據集進行訓練學習，達到風參數預測的目的，方法主要有神經網絡法(artificial neural network，ANN)、支持向量機(support vector machine，SVM)、卡爾曼濾波法等.

近年來，隨著大數據和數據挖掘技術的發展，利用風電場之間空間相關性進行風速、風功率預測為風參數預測感知打開了新思路[29-32].空間相關性方法采用來自不同空間位置風電場的多組歷史運行數據，考慮地理空間(風機排布，拓撲結構等)、環境條件(如氣壓、溫度等)、物理影響(尾流效應、風電場地形、粗糙度)等因素，挖掘風電機組之間在不同時滯下的風速相關性，建立基于空間相關性的關聯預測模型，實現風速預測.

利用統計學方法和智能算法進行風參數預測，可獲取滿足風力發電優化控制和電網調度需求的預測風速、風功率參數，對提高發電經濟效益、降低風電波動性、提升風電并網的安全性和友好性具有重要的積極影響，在面向風電并網調度和風功率預測應用中已取得了很好的效果.但上述方法仍存在著諸多不足：目前，風參數預測感知主要對象為風電機組的風速、風功率預測，由于風向的隨機變化和風密度的測取難度大，對于風向、風密度的預測研究鮮有開展；預測模型不夠精確導致風參數預測誤差大，誤差可達到25%～40%，預測時間尺度多為超短時(0～4 h)和短時(3 d)，時間分辨率為15 min，對風電機組智能控制指導意義有限；智能算法存在模型復雜計算量過大、神經網絡存在著最優網絡結構難以確定和過度擬合等問題，會耗費大量的訓練時間和內存，影響風電參數預測的時效性和風力發電的控制性能.

基于空間相關性的預測方法當前研究主要聚焦于鄰近風電場之間風速及風功率在空間上的關聯關系，由若干已知區域的風速、功率值推算預測關聯位置的未知風參數值，即可應用于單個風電場內，提高風電預測的精度，也可應用于研究風電等效容量對電力系統可靠性的影響[31]，提升大規模風電并網的安全性，在風參數預測方面具有優勢和應用前景.當然，空間相關性預測方法也會受到風速瞬變、風向動態變化的影響.另外，利用空間相關性方法還應注意其在不同的地形和粗糙度上的空間特征、不同季節和時辰的時間特征以及不同溫度氣壓等氣象條件下的外部特征[32].

3 討論與展望

3.1 傳統風參數感知方法對比分析

風速、風向、風密度等參數的精確感知和預測對提高風能利用率、降低風電機組疲勞載荷、優化風力發電控制具有重要意義.實測感知和預測獲取是當前風參數感知的主要技術路線，從風參數感知的全面性、精確性、經濟性、時間尺度以及應用模式等維度的比較分析結果如表1所示.

表1 不同風參數感知技術性能對比

(1) 風機風速風向儀的實測技術簡單實用，技術經濟性較好，支持風電機組的反饋控制，已廣泛應用于風電機組的風速、風向量測中,是當前面向風電機組控制絕對主要的風參數感知方法；但其測量精度不高，不能為風電機組控制提供超前風參數信息.風電機艙激光雷達感知技術精確性高，可提供10 s內的風速、風向超前信息，為風力發電的前饋控制奠定了基礎；但其價格昂貴，投資成本大，當前主要應用在風參數和風電機組功率曲線校核上，僅在少量的風電機組上得到了示范應用，尚不具備每個風電機組均安裝應用的技術經濟性.另外，受當前的激光雷達性能參數的限制，風電機艙激光雷達感知技術對于風電機組的偏航控制優化效果有限.傳統實測感知技術不能提供面向風力發電并網調度時間尺度需求的風速/風功率參數.

(2) 風參數預測感知技術硬件投入少，經濟性好，可為風電并網調度提供風速風功率預測，已經成為風電安全并網運行的重要支撐技術手段；但其預測誤差受模型的影響較大，提高預測精度仍是該方法面臨的主要挑戰.現有的風參數預測感知技術尚不具備面向風電機組發電、偏航、變槳優化控制的預測時間尺度能力.

(3) 傳統風參數感知方法都沒有實現風密度的感測，風密度直接影響著風機的風功率曲線和風力發電的優化控制，需要予以重視和研究.由于地理條件和環境的影響，風電場域內空氣密度有較大差異，會直接影響風電機組的功率曲線和輸出功率.理論上，根據溫度、氣壓理論上可計算出實時空氣密度，但運算的誤差放大效應會使風密度的理論計算值與實際值存在較大誤差，不適合工程實際應用.工程應用中，多采用標準空氣密度核算，風機的實際功率曲線與標準空氣密度會存在較大差異，導致風機偏離最優化控制.

(4) 目前，風參數感知的技術路線主要分為實時觀測和預測，單一的測風感知技術應用會存在信息滯后和誤差較大的問題；通過不同技術之間的優勢互補，在風電場場域內實現多種測風技術的復合應用是未來風參數感知的趨勢.理論上，不同的感知技術組合應用，可實現實測、預測風參數之間的相互校驗修正，輸出更精確的不同時間尺度的風參數時間序列，以滿足不同功能應用需求.

根據風電場風參數的工程應用功能，風電場風參數感知應用可分為風電機組行為控制和風電場并網調度，不同的應用對風參數的類別、精度及時間尺度需求存在差異性.面向風電場并網調度的風速/風功率感知技術的發展趨勢及關鍵技術的研究討論開展得較多，面向風電機組行為控制的風參數感知技術討論開展得不多.隨著風電的快速發展和風電并網裝機容量不斷擴大，風電機組運行的優化控制和風能的高效利用已逐漸成為風力發電研究的重點.風速、風向、風密度的精確預測可為風電機組優化控制提供超前一定時間裕度的風參數數據，對提升風電機組的控制性能和風電場風能利用率具有重要的理論意義和工程應用價值.比如為風電機組發電控制方面提供秒級的風速、風密度參數預測，可有效提升發電量；為風電機組偏航控制提供分鐘級的風速、風向參數預測，并結合實測風向數據進行偏航校驗修正，可提升偏航動作的有效性及風能利用率；為風電機組的變槳控制提供秒級的可靠風速、風向預測，可有效降低風電機組疲勞載荷.

3.2 “實測-共享-關聯-預測-校驗”風參數復合感知新方法探討

相關研究表明，風能除具有隨機波動性外，還具有傳播路徑空間上的時延性.風在通過風電機組風輪后速度會下降，存在“尾流效應”，需要經過一定的空間距離才能恢復.工程上為減少尾流效應帶來的風能衰減，兼顧場區集電線纜等敷設及用地成本，在主風向上，風電機組的空間地理距離典型值為8～10倍的機組風輪直徑，典型距離為500～800 m之間.統計表明，實際風場90%以上時間風速小于12 m·s-1，那么對于12 m·s-1以下的風，比如10 m·s-1的風，從上風位傳到下梯次風位時間將不小于50 s(對應500 m 的行距)，在時間尺度上可很好匹配與風電機組偏航、變槳、及發電控制的響應時間.因此，在預測感知時間尺度上完全滿足風電機組的優化控制要求.

再者，風電機組上均裝有風速、風向傳感器，在風電場的空間上形成的廣域密集型分布式傳感器陣列.傳感器在網絡內進行信息交互，可實現風電機組間風參數數據的機群共享.風電場風電機組通過光纖與風電場控制中心直接連接在一起，形成了“風參數機聯網”.基于光纖通信，控制室與各個風機的信息交互時間為毫秒級，相對于風傳播時間可忽略不計.可見，風電場域內實現機聯網信息共享的基礎條件突出、投資成本低、經濟性好，具備從單機獨立就地測風應用到機群多地空間測風共享應用的物理硬件可行性.

圖3所示是同一方向上兩臺鄰近風電機組的風速二元概率密度圖.

圖3 風速二元密度函數圖

由圖3可知，兩臺機組風速分布主要集中趨向于45°對角線上，通過Pearson線性相關系數量化測度分析，兩臺風電機組的相關系數達到了0.94.可見，風電場中同一風向上相鄰風電機組的風速具有顯著的相關性特征，可有效地提高風參數預測的精度.相關學者的研究表明預測精度可提高10%以上[30].

文獻查閱表明，已經有學者關注到風電機組之間的風向相關性[31].筆者統計分析了風速相關性較強風電機組之間的風向相關特性，繪制了風向二元頻率直方圖，如圖4所示，其風向相關系數可達0.86，顯然風速相關性較強的風電機組在風向上一般也存在較強的相關性.

圖4 風向二元頻率直方圖

由此可見，風能傳輸存在的時延性，滿足風力發電變槳、偏航控制、發電控制的時間尺度要求；在地域上，風電場內風機上的傳感器形成了風參數密集型分布式傳感器陣列，為風電機組間的信息交互共享提供天然平臺；在通信上，全場域分布的光纖通信網絡，既保證了風電機組風參數獲取的時效性，又能準確地將大量的風電數據傳輸至控制中心；風電機組風參數的大數據分析表明，風電場域內地理位置相鄰和主導風向上的風機之間存在顯著地風速、風向相關特征.可見,以風電場的機聯網信息交互共享機制為基礎，考慮風電機組之間存在的風速、風向相關性特征，采用關聯分組的預測模型，根據上游風機位實測，下游風機位“事前預測、事中修正”的思想，構建如圖5所示的“實測-共享-關聯-預測-校驗”風參數復合感知方法，實現面向風電場智能發電和風機優化控制的高效、精確的風速、風向參數感知獲取具有可行性.

第一步，以風電場實際運行歷史數據為依據，建立風電機組風速、風向等風參數數據庫.一方面，風參數數據庫為共享關聯的傳感器機聯網建設提供了基礎數據來源；另一方面，利用數據統計方法分別從風速、風向等維度分析風電機組之間的相關性，為風電機組的機組分群提供依據.

圖5 “實測-共享-關聯-預測-校驗”風電場風參數復合感知架構

第二步，將風電場內各風電機組裝設的風速、風向傳感器作為單個風參數傳感節點，根據風電場的風機地理分布拓撲結構和整個場域的通信傳輸網絡，構建分布于整個風電場的風參數傳感器機聯網，實現每臺風電機組的風速、風向參數向全場域風機共享，為后續預測校驗提供風電機組實測風參數數據；另外，不同應用場景下的風參數預測，不僅要考慮風速、風向等參數，還需關注風參數在機組間共享傳遞的時序及其上、下游關系.因而，在對風電機組分組時，應根據風電機組在場域的上、下游地理位置關系，篩選出風速、風向相關性較強的機組，完成風電機組集類的快速識別與劃分，從而對風電機組進行動態分群.

第三步，在經過關聯分析和集類劃分的風電機群中，劃出待預測目標機組的所有上風位機組，共享這些上風位關聯機組的所有風參數歷史數據并進行模型訓練.利用經參數修正后的預測模型和上風位機組的實測數據，預測目標機組多時間尺度下的風速、風向以及到達時間.

第四步，不同應用場景下由實測風速、風向數據完成目標風電機組的風參數關聯預測感知，為風電機組在風力發電、偏航、變槳控制等多場景提供不同時間尺度、精確的風參數.

另外，與風速、風向不同，風密度無法通過傳感器直接感測獲取.風密度的精確獲取直接影響著風電機組風功率曲線的準確性和風能捕獲的效率.當前的風密度一般采用標準空氣密度，誤差大且實時性差.根據同環境同條件下類比思想，處于相同風況下的關聯風電機組，風機輪轂處的風速大小、風機輸出的實時功率都存在很強的相似性，以一臺機組為樣本機組，通過風電功率和風速反推出瞬時風密度，傳遞到下游關聯機組以達到最優發電控制.風密度計算公式如式(1)所示.

(1)

式中：ρ為風密度；Pturb為捕獲風能功率；AT為葉輪掃風面積；v為風速；Cp為風機的風能利用系數；Cp(β,λ)是葉尖速比和槳距角的非線性函數.

圖6所示為風電機組的風密度感知示意圖.根據“等值類比，參數交互”的思想，風密度感知的原理思路如下所示：

首先，風密度的預測是在同一風向區內的上、下游風電機組之間交互傳遞的，因此根據風電機組的歷史數據按照16個風向區對風電機組進行區域劃分.

其次，在同風向區內，通過風電機組運行數據統計分析各風電機組間的風速相關性，結合風電機組在地理位置上的排布拓撲進行風機關聯分群.

再次，針對關聯機群內各目標風電機組的風密度預測，需要篩選出風密度參數數值反演和傳遞的交互機組，具體操作辦法是選擇最毗鄰目標機組的上風位機組，根據這些風機的實時風速、風功率數據，通過風密度的計算公式獲取各交互機組的風密度時序參數.由于交互機組與目標機組的相關性存在差異，因此通過風速相關系數確定個交互機組風密度參數傳遞的動態權重.進一步，通過交互機組的風密度動態權重比，獲得目標機組的風密度預測值.

最后，通過交互機組的交替、篩選和風密度參數的數值反演和迭代，在整個風向區內完成所有關聯機群下風機的風密度感知預測.將風密度預測值代入風功率輸出計算公式，與目標時刻的實際風功率輸出值對比校核，分析風密度預測對風功率輸出的提升性能.

圖6 風密度感知示意圖

綜上所述，“共享-關聯-預測-校驗”風參數復合感知方法為全面、可靠、精確、經濟的風參數獲取提供了新的技術解決方案.理論上該方法能實現風速、風向、風密度等風參數的集群獲取和精確全面感知，可滿足不同時間尺度下的風參數預測需求，特別是面向風電機組變槳、偏航及發電優化控制需要的小時間尺度的風參數動態實時精確感知具有明顯的優勢，可有效提高風能捕獲效率、減少風電機組疲勞載荷，讓變槳、偏航控制預判成為可能.

風參數復合感知方法的核心是“共享預測”與“多點實測”的融合，風參數復合感知方法的應用不僅需要移植借鑒傳統風電場參數感知與預測相關領域取得的成果，更需要在傳感網的運行機制與信息交互方法、面向風參數感知的數據挖掘技術、風電機組聚類的自動快速識別與分組方法、風參數預測模型與預測算法等諸多問題開展研究.

(1) 風機傳感網的運行機制與信息交互方法

風電場域內各風電機組所處位置的風速、風向、風密度等信息存在差異性和關聯性，如何實現不同機組傳感器的風參數信息在全域內的共享、交互是實現風參數集群化獲取、提高風能捕獲效率和風電機組控制性能優化的基礎.在信息交互模式上，在全域內的共享關聯、傳遞交互，和區域內分級傳遞、迭代反演兩種模式在不同的風參數感知的應用選擇上也至關重要.

(2) 面向風參數感知的數據挖掘技術

風電機組的風速、風向、輸出功率等歷史運行數據在一段時間內即會呈現出數據量龐大、數據類型多樣化、強時效性等大數據特征.如何在風電機組控制時間尺度內完成海量風參數數據的快速分析和價值挖掘，將無規律的數據源變成可用的風參數感知知識源就顯得尤為重要.

(3) 風電場機群聚類的自動識別與分群方法

風電機組快速聚類、分群是風參數機群獲取的前提條件.根據風參數感知應用場景的不同，風電機組分群不僅僅關注風參數之間的關聯性，還需考慮其時序性和風電機組間的上、下游關系.傳統的風機分組方法時效性差、隨機性大，對上、下游地理位置關系考慮不足，亟需一種自動、快速識別、考慮空間和時序分群的風電機組聚類方法.大數據為風電機組關聯分析提供了一種新思路，通過對歷史數據庫的數據分析與挖掘，探究上、下游地理位置上的風電機組之間風速、風向的相關性，以關聯性為依據實現風電機組的快速聚類識別與關聯分群.

(4) 風參數預測模型與算法

當前建立的預測模型多用于風速或者風功率預測，涉及到風向矢量以及風密度方面的預測模型還較少，在時間尺度上不能滿足風力發電的發電、偏航、變槳優化控制的需求，需建立一種全面、多時間尺度、精確預測模型.面向不同風參數的預測，可在預測模型組合與預測模式方面進行探索.對于風速預測可根據相關性分析對當前成熟的預測模型進行適當改進，從而滿足發電控制需求的時間裕度；對于風向充分考慮風向的矢量性，并給出置信區間和可信度評價，實現概率區間風向預測；風密度的研究要立足于相關性較大的機組之間的信息傳遞與交互，從而達到關聯預測的效果.

4 結語

(1) 精確、全面、經濟地感知風電場風參數對進一步提升風電機組的運行安全性和風能利用率具有重要的價值.傳統風速風向儀實測感知技術簡單、經濟性好，但屬于事中測量，限制了風電機組控制優化的拓展提升；機艙式激光雷達感測技術可快速、精準地實現風速風向的超短時提前感知，但成本高昂，技術經濟性有待提升；傳統風參數預測感知技術雖可實現風速、風功率的多時間尺度預測，受誤差和時間尺度影響對風電機組優化控制指導意義有限.

(2) 基于“互聯網+事前預測，事中修正”的思想的構建“實測-共享-關聯-預測-校驗”風參數復合感知技術路線，具備實現多時間尺度下的風速、風向、風密度等參數的高效、精確的感知獲取的理論和工程可行性.

(3) 初步構建了“實測-共享-關聯-預測-校驗”風電場風參數復合感知架構，風參數復合感知技術涉及的風機傳感網的運行機制與信息交互方法、面向風參數感知的大數據技術、風電機組群集類的自動快速識別與分組方法、風參數預測模型與預測算法及不同場景下的風參數復合感知應用策略等問題研究有待開展.