【الهدف】 نظرًا لزيادة سعة توربينات الرياح الكبيرة، وزيادة كبيرة في نصف قطر شفرات التوربينات، وتعقيد توزيع مجال سرعة الرياح الوارد قبل الماكينة وتأثير التغير الرأسي في الرياح، والذي يجعل من الصعب تمثيل حالة الرياح الواردة بدقة بواسطة سرعة الرياح الفعالة عند نقطة واحدة على ارتفاع محور العمود، تم اقتراح طريقة لاختيار وتقدير سرعات الرياح المميزة متعددة النقاط لتوربينات الرياح الكبيرة. 【الطريقة】 أولاً، بناءً على بيانات شبكة مجال سرعة الرياح القادمة، تم اقتراح خوارزمية خطوة بخطوة تجمع بين الغابات العشوائية وBoruta (RF-Boruta) لتحقيق اختيار مستقر لنقاط سرعة الرياح المميزة ضمن مساحة مسح الشفرات فائقة الحجم؛ ثم، استُخدم خوارزمية الشبكة العصبية المختلطة متعددة المتغيرات LSTM-Mixer (x LSTM-Mixer) مع استراتيجية هندسة الخصائص المضمنة التي تراعي تأخيرات الإدخال-الإخراج لبناء نموذج ديناميكي متعدد الخطوات للتقدير قصير الأجل لسرعة الرياح متعددة النقاط مدفوع بخصائص ديناميكية التوربين؛ وأخيرًا، تم إجراء محاكاة دوامات كبيرة (LES) لتوربين رياح بقدرة 10 ميغاوات على منصة SOWFA، ونمذجة عددية لجوانب الرياح السبعة تحت معيار IEC، مع جمع بيانات المجال التدريجي للتحقق من الطريقة المقترحة. 【النتائج】 أظهرت النتائج أنه تم اختيار أربع نقاط مميزة لسرعة الرياح بما في ذلك مركز العمود (مرتبة على نصف قطر 50-60 متر، بفواصل زاوية 120°)، ونموذج x LSTM-Mixer أظهر دقة تقدير عالية بسرعات رياح متعددة في الوقت الحالي وتوقعات مستقبلية حتى 80 خطوة مع خطأ نسبي ≤ 2.8%، ودقة على مستوى بالثواني، مع قيمة إحصائية Kolmogorov-Smirnov (KS) ≤ 0.2، ومؤشر التشابه البنيوي (SSIM) ≥ 0.96، مقارنة مع نماذج LSTM التقليدية وTransformer حيث تحسن الدقة بحوالي 10%، مع تفوق ملحوظ في مطابقة التوزيع والقدرة على التقاط البنية. 【الاستنتاج】 تحطم هذه الطريقة قيود تمثيل سرعة الرياح بنقطة واحدة، وتوفر دعماً تقنياً موثوقاً لتنبؤ طاقة الرياح، والتحكم في تشغيل التوربين، وتقييم إنتاج الكهرباء.

توليد الطاقة من الرياح;اختيار الميزات الزمانية والمكانية;شبكة xLSTM-Mixer العصبية;تقدير سلسلة زمنية متعددة الخطوات الديناميكي