【Objetivo】 Considerando o aumento da capacidade de grandes turbinas eólicas, o aumento acentuado do raio das pás, a distribuição mais complexa do campo de velocidade do vento de entrada e o efeito do cisalhamento vertical do vento, o que torna difícil caracterizar adequadamente as condições do fluxo de entrada apenas pela velocidade efetiva do vento em um ponto único na altura do cubo, foi proposta uma metodologia para seleção e estimativa de velocidades de vento características multiponto para grandes turbinas eólicas. 【Método】 Primeiramente, baseado nos dados de grade do campo de velocidade do vento de entrada, foi proposto um algoritmo passo a passo combinando Random Forest e Boruta (RF-Boruta), para a seleção estável dos pontos característicos de velocidade do vento dentro da grande área varrida pelo rotor; em seguida, foi introduzido um algoritmo de rede neural híbrida multivariada LSTM-Mixer (x LSTM-Mixer), com uma estratégia de engenharia de recursos embutida que considera as ordens de atraso de entrada-saída, para construir um modelo dinâmico de estimativa multiponto ultra-curto prazo e múltiplos passos, impulsionado pelas características dinâmicas da turbina; por fim, realizou-se simulação LES para turbina eólica de 10 MW na plataforma SOWFA, além da simulação numérica sob sete condições de vento em toda a faixa de velocidades conforme a norma IEC, com coleta de dados do campo de fluxo para validação do método proposto. 【Resultados】 Os resultados indicam que foram selecionados quatro pontos característicos representativos da velocidade do vento, incluindo o centro do cubo (raio de 50–60 m, disposição com intervalo angular de 120°), o modelo x LSTM-Mixer apresentou erro relativo na filtragem da velocidade do vento em tempo atual e previsão para os próximos 80 passos ≤ 2,8%, alcançando estimativa de alta precisão em escala de segundos, estatística Kolmogorov-Smirnov (KS) ≤ 0,2, índice de similaridade estrutural (SSIM) ≥ 0,96; em comparação com os modelos tradicionais LSTM e Transformer, a precisão foi aprimorada em cerca de 10%, com vantagens distintas na correspondência de distribuição e capacidade de captura estrutural. 【Conclusão】 O método supera as limitações da representação da velocidade do vento em ponto único, fornecendo suporte técnico confiável para previsão de potência eólica, controle operacional da turbina e avaliação da geração de energia.

energia eólica; seleção de características espaço-temporais; rede neural xLSTM-Mixer; estimativa dinâmica multipasso de séries temporais