【Objectif】 Face à l'augmentation de la capacité des grandes éoliennes, l'accroissement rapide du rayon des pales, et la complexité accrue de la distribution du champ de vitesse d'entrée avant la machine ainsi que des effets de cisaillement vertical du vent, rendant difficile la représentation précise des conditions d'écoulement entrant par une seule vitesse de vent efficace ponctuelle à la hauteur du moyeu, une méthode de sélection et d'estimation des vitesses de vent caractéristiques multipoints pour grandes éoliennes est proposée. 【Méthodologie】 Tout d'abord, à partir des données en grille du champ de vitesses d'entrée avant la machine, un algorithme progressif associant forêt aléatoire et Boruta (RF-Boruta) est proposé pour un filtrage stable des points caractéristiques de la vitesse de vent dans la surface balayée par le rotor de très grande taille ; ensuite, un réseau de neurones hybride multivarié long court terme (x LSTM-Mixer) est introduit, combinant une stratégie d'ingénierie des caractéristiques embarquée tenant compte des ordres de délai en entrée-sortie, afin de construire un modèle d'estimation dynamique multipoint ultra-court terme multi-étapes piloté par les caractéristiques dynamiques de l'éolienne ; enfin, des simulations LES pour une éolienne de 10 MW sont réalisées sur la plateforme SOWFA, avec des simulations numériques et la collecte de données du champ d'écoulement pour 7 conditions de vent sur toute la gamme des vitesses selon la norme IEC, afin de vérifier la méthode proposée. 【Résultats】 Les résultats montrent qu'on a filtré quatre points caractéristiques représentatifs de la vitesse du vent, y compris le centre du moyeu (rayon 50–60 m, espacement angulaire de 120°), le modèle x LSTM-Mixer présente une erreur relative de filtrage en temps réel et de prévision anticipée jusqu'à 80 pas en avant inférieure ou égale à 2,8 %, avec une précision à l'échelle de la seconde, une statistique Kolmogorov-Smirnov (KS) ≤ 0,2, un indice de similarité structurelle (SSIM) ≥ 0,96 ; comparé aux modèles LSTM et Transformer traditionnels, la précision est améliorée d'environ 10 %, avec des avantages marqués en terme d'appariement des distributions et de capacité de capture de la structure. 【Conclusion】 Cette méthode dépasse les limitations de représentation par point unique, fournissant un soutien technique fiable pour la prédiction de la puissance éolienne, le contrôle du fonctionnement de l'éolienne et l'évaluation de la production d'électricité.

énergie éolienne; sélection de caractéristiques spatio-temporelles; réseau neuronal xLSTM-Mixer; estimation dynamique multi-étapes de séries temporelles