系统辨识，才是工业智能的灵魂---朱豫才

两年多前，我们去某电科院新能源部进行技术交流，接触到风电场尾流优化问题。当时我们的基于系统辨识的实时优化文章发表不久。请教了风电场尾流优化的场景后，我的第一个反应就是系统辨识可能解决这一难题。

回来后，我们阅读文献、收集资料、进行仿真、并写了文章。我们搜索了现有文献，认为我们的文章是第一篇基于系统辨识的尾流优化文章。同学们也可帮助搜一搜，好确认我们是不是第一篇。

也许是方法有违常规，不走空气动力学机理模型的技术路线，文章被三个能源期刊和一个控制期刊秒拒，即主编直接拒稿，不送审（desk rejection）。我其实挺喜欢被秒拒的，不耽误你时间。我们投到第五个期刊，很快接受了。文章见：Yun Zhu, Yucai Zhu, Chao Yang (2025). Wind farm power optimization using system identification. Computers & Chemical Engineering, Vol. 192, 108877.

为了验证我们方法的有效性，我们使用美国能源部可再生能源国家实验室(NREL)开发的简化机理模型FLORIS进行了仿真研究。风电场为丹麦Horns Rev I 海上风电场，风浆直径D = 126m,风机间距 = 7D，8x10风机阵列，风速8m/s,优化每台风机偏航角。

尾流优化结果：我们的方法提高发电功率1.79%；FLORIS模型自带的优化方法提高发电功率1.93%。两者非常接近。仿真结果见图1-图4.

大家还记得使用CFD方法计算量很大，是目前无法解决的问题。在仿真研究中，使用系统辨识法，用笔记本电脑迭代一次只需要7秒。用到大规模真实风电场，几分钟时间也够了。

2025年，计划在真实风电场检验我们的方法。

祝大家新年快乐！祝所有风电场多喝西北风！

图1. 8x10风机阵列风电场

图2. 优化迭代中部分风机偏角测试信号及其均值调节

图3. 风机偏角迭代收敛情况

图4. 尾流优化结果（1.79%）与FLORIS优化结果（1.93%）比较，九个风向平均值