【Objetivo】 Debido al aumento de la capacidad de los grandes aerogeneradores, el brusco crecimiento del radio de las palas, la distribución más compleja del campo de velocidad del viento entrante y el efecto del cizallamiento vertical del viento, lo que dificulta que la velocidad del viento efectiva en un solo punto a la altura del cubo represente adecuadamente las condiciones del flujo entrante, se propone un método para la selección y estimación de velocidades de viento características multipunto para grandes aerogeneradores. 【Método】 Primero, basado en datos de la red del campo de velocidad del viento entrante, se propone un algoritmo paso a paso que combina bosque aleatorio y Boruta (RF-Boruta), que logra una selección estable de puntos característicos de velocidad de viento dentro de la superficie de barrido del rotor de gran tamaño; luego, se introduce un algoritmo de red neuronal híbrida multivariada LSTM-Mixer (x LSTM-Mixer), combinando una estrategia de ingeniería de características incrustadas que considera retrasos de entrada-salida, para construir un modelo de estimación dinámica multipaso ultra-corto de velocidades de viento multipunto impulsado por las características dinámicas del aerogenerador; finalmente, en la plataforma SOWFA se realiza simulación LES de un aerogenerador de 10 MW y simulaciones numéricas de 7 condiciones de viento en todo el rango de velocidades bajo la norma IEC, con recopilación de datos del campo de flujo para validar el método propuesto. 【Resultados】 Los resultados muestran que se seleccionaron cuatro puntos de velocidad de viento representativos, incluyendo el centro del cubo (radio 50–60 m, disposición con intervalos angulares de 120°), el modelo x LSTM-Mixer mostró error relativo de filtrado en tiempo actual y predicción adelantada hasta 80 pasos ≤ 2.8%, logrando una estimación de alta precisión a escala de segundos, estadístico Kolmogorov-Smirnov (KS) ≤ 0.2, índice de similitud estructural (SSIM) ≥ 0.96; en comparación con modelos tradicionales LSTM y Transformer, la precisión mejoró aproximadamente un 10%, con ventajas evidentes en el ajuste de distribución y la capacidad de captura estructural. 【Conclusión】 Este método supera las limitaciones de representación de velocidad de viento en un solo punto, proporcionando soporte técnico confiable para la predicción de potencia eólica, el control operativo del aerogenerador y la evaluación de generación de energía.

energía eólica; selección de características espacio-temporales; red neuronal xLSTM-Mixer; estimación dinámica multipaso de series temporales