【Ziel】 Angesichts der zunehmenden Kapazität großer Windenergieanlagen, der drastischen Vergrößerung des Rotorradius, der komplexeren Verteilung des Zutrittswindgeschwindigkeitsfeldes vor der Anlage und der vertikalen Windscherung, die es schwierig macht, die Zuströmungsverhältnisse durch eine einzelne effektive Windgeschwindigkeit am Nabenhöhepunkt ausreichend zu charakterisieren, wird eine Methode zur Auswahl und Schätzung mehrerer charakteristischer Windgeschwindigkeiten für große Windenergieanlagen vorgeschlagen. 【Methode】 Zunächst wird basierend auf Gitternetzdaten des einströmenden Windgeschwindigkeitsfeldes ein stufenweiser Algorithmus basierend auf Random Forest und Boruta (RF-Boruta) vorgeschlagen, um stabile charakteristische Windgeschwindigkeitsgitterpunkte innerhalb der Überfegungsfläche extrem großer Rotoren auszuwählen; dann wird ein hybrides multivariates LSTM-Mixer-Neuronales Netzwerk (x LSTM-Mixer) mit einer eingebetteten Feature-Engineering-Strategie unter Berücksichtigung von Ein- und Ausgangsverzögerungen eingeführt, um ein dynamisches Modell zur multipunktigen kurzzeitigen mehrstufigen Windgeschwindigkeitsabschätzung zu erstellen, das von den dynamischen Eigenschaften der Anlage gesteuert wird; schließlich wird auf der SOWFA-Plattform eine großwirbelaufgelöste Simulation (LES) einer 10-MW-Windenergieanlage durchgeführt sowie numerische Simulationen und Erfassung des Strömungsfeldes für 7 Windbedingungen im gesamten Geschwindigkeitsbereich nach IEC-Standard zur Validierung der Methode. 【Ergebnisse】 Die Ergebnisse zeigen, dass vier repräsentative charakteristische Windgeschwindigkeits-Punkte, einschließlich des Nabenmittelpunkts (Radius 50-60 m, Winkelabstand 120°), ausgewählt wurden; das x LSTM-Mixer-Modell weist bei der aktuellen Filterung und der 80-Schritte-Vorhersage der multipunktigen Windgeschwindigkeit eine relative Fehlergrenze von ≤ 2,8 % auf und erreicht eine Genauigkeit auf Sekundenebene, mit Kolmogorov-Smirnov (KS)-Statistik ≤ 0,2 und Strukturähnlichkeitsindex (SSIM) ≥ 0,96; im Vergleich zu traditionellen LSTM- und Transformer-Modellen wurde eine Genauigkeitssteigerung von ca. 10 % erzielt, mit deutlichen Vorteilen in der Verteilungsanpassung und der Fähigkeit zur Strukturerfassung. 【Fazit】 Die Methode überwindet die Beschränkungen der Einpunkt-Windgeschwindigkeitscharakterisierung und bietet eine zuverlässige technische Unterstützung für die Windleistungsvorhersage, die Anlagenbetriebssteuerung und die Bewertung der Stromerzeugung.

Windenergie; raumzeitliche Merkmalsauswahl; xLSTM-Mixer neuronales Netzwerk; dynamische mehrstufige Zeitreihenabschätzung