风电场气动弹性仿真与尾流控制:从 OpenFAST 到强化学习的可核实链路
新一、简介
风电领域的「物理 AI」论述里,最常见的一种写法是:先用 OpenFAST 批量跑仿真生成载荷数据,再训练随机森林或 LSTM 做代理模型,最后声称在某个风速区间达到了某个误差水平。这种写法的问题不在于它不可行,而在于它把三层不同性质的东西混在了一起——高保真的整机气动弹性仿真、面向工程的快速尾流模型、以及以控制为目标的强化学习策略。
这三层的可核实程度差别很大。OpenFAST 与 FAST.Farm 有完整的开源代码、模块化文档与回归测试,其能力边界可以在官方文档里逐条查证。FLORIS 的高斯尾流模型有针对欧洲北海三个离岸风场的历史 SCADA 数据对照研究,也有在商业风场开展的尾流偏转现场试验。强化学习控制方面,已经有工作把策略从仿真环境搬到风洞里做了实测验证,也有工作把在 FLORIS 上训练的策略直接部署到 FAST.Farm 这个高保真动态仿真器中检验其可迁移性。
本篇要做的,是把这三层拼成一条可核实的链路,并明确指出链条上每一环的可信度边界在哪里。同时,本篇承担一项纠偏任务:站内早先版本把「IEA Wind Task 36 开放数据集」列为资源,并给出一张按风速区间分列的误差表。经核查,Task 36 的主题是「风电功率预测」(Forecasting for Wind Energy),2019 年启动、2021 年结束,其公开交付物是预报评测规范与信息门户,其中并不包含多机型的公开仿真数据集;公开的参考机型模型来自 Task 37 与 Task 55 系列,托管在 IEAWindSystems 的 GitHub 组织下。那张误差表在可追溯的一手来源中没有对应数据,因此本篇撤回该表,改用可逐条核实的结果替代。
阅读这篇的价值因此有两层:一层是拿到一条能落到具体仓库、具体文档版本、具体论文编号的工程链路;另一层是学会辨认哪些风电 AI 数字是仿真内自洽的,哪些经过了实物或高保真动态仿真的检验。
二、原理与工作方式
整机仿真的骨架是 OpenFAST 的模块化耦合框架。官方文档把 OpenFAST 描述为「多物理场、多保真度」的风机仿真工具,其本体是一层「胶水代码」(glue code),把气动、水动力、控制与电气、结构动力学四个方向的计算模块在时间域内耦合起来,形成非线性的气动-水动力-伺服-弹性联合仿真。模块大多以 Fortran 编写并遵循 2003 版标准,也允许用 C 或 C++ 编写新模块。框架可覆盖两叶或三叶水平轴转子、变桨或失速调节、刚性或偏航塔架、上游或下游转子,以及陆上、固定底与漂浮式三种安装方式。
模块清单本身说明了耦合范围:AeroDyn 处理叶片单元动量理论与尾流,OLAF 提供自由涡尾流选项,BeamDyn 用几何精确梁理论建模复合材料叶片,ElastoDyn 承担塔架、传动链与叶片的模态与多体动力学,HydroDyn 计算固定底与浮式基础的水动力,SubDyn 处理多构件固定底子结构,SeaState 描述波浪运动学与海况,MoorDyn 求解系泊系统,ServoDyn 实现变桨、发电机转矩与偏航控制,InflowWind 供给风场输入,TurbSim 合成湍流风,FAST.Farm 把单机组扩展到多机尾流场。OpenFAST 软件本体与这些模块统一以 Apache License 2.0 发布,由位于美国的国家可再生能源实验室团队维护。
这层耦合是「物理 AI」在风电里的意义所在:代理模型要替代的,是一个已经把气动、结构、控制、水动力绑在一起的时域求解过程。若把气动载荷与结构响应拆开分别用代理模型拟合,两者的耦合误差会叠加,且无法像整机模型那样自洽地给出挥舞、摆振与扭转载荷的相互耦合关系。
尾流与风场层面存在两个层级。FLORIS 是面向工程的风场尾流模型,采用高斯尾流模型并把速度亏损、尾流偏转、尾流合并与湍流强度模型做成了可插拔模块;它的建模对象是稳态风场,特点是秒级到分钟级完成一次全场计算,因而适合放进强化学习的训练回路里做海量采样。FAST.Farm 则是动态的高保真多机仿真,基于 OpenFAST 的整机时域模型叠加尾流平流、摆动与合并算法,能刻画非定常来流下的尾流演化,代价是计算量远大于 FLORIS。
强化学习策略一般在这两层之间搭桥:在 FLORIS 上训练以获得样本效率,再在 FAST.Farm 上检验策略在时域耦合与湍流来流下是否仍然成立。这一「低保真训练、高保真检验」的分工,是当前风电强化学习工作里较为清晰的一种工程范式,也正是它使策略的可用性判断不必完全依赖仿真器自身的保真度。
三、适用边界与前提
使用这条链路有几处前提需要事先确认,它们不是形式条款,直接决定了结论能不能外推。
第一是保真度的适用范围。FLORIS 的高斯尾流模型已被针对欧洲北海三个离岸风场的历史 SCADA 数据做对照验证,机组数量从 35 台到 111 台、间距从 4.9 D 到 7.2 D。验证结论指出该模型对尾流深度与宽度的描述总体良好,但在深阵列效应场景下会持续低估尾流深度,另有部分偏差无法定位到具体机理,可能与来流不均匀性有关。同一研究还指出,FLORIS 的来流不均匀性子模型成熟度有限,其评估因此同时给出均匀与非均匀来流两组结果。研究本身也明确指出尾流偏转效应在该验证中未被显式检验,因为所涉机组都运行在常规商业模式下、始终对准来流方向。因此,「FLORIS 能算尾流偏转收益」这句话在模型层面成立,但在验证层面缺少证据。
第二是策略的验证层级。近年的结果覆盖了三个递进层级:在 FAST.Farm 动态仿真中检验、在风洞中实测、以及在 FLORIS 训练后零调整迁移到 FAST.Farm。不同层级的结论强度差异很大,把仿真内收益直接当作现场收益是这条链路上最常见的越界。
第三是风电系统的目标不止发电量。风场层面的功率提升常与结构载荷、寿命、限电要求以及并网约束相互牵制。协调控制可以以功率、累积载荷或寿命延长为目标,不同目标的策略不能互相代入。把功率最大化策略直接用于载荷敏感场景,需要额外的约束建模与再验证。
第四是数据来源的边界。可公开获取的参考机型模型由 IEA Wind 系列任务产出,其定位是「开放可用的代表性机型数据」,服务于气动、结构、气弹建模与风场流场建模,覆盖多个保真度层级。这是一份模型资产,区别于包含大量实测样本的运行数据集。把它当作机器学习大规模训练语料来用,需要另行评估样本量是否满足需求。
第五是控制器的现实约束。执行机构有速率与幅度限制,偏航动作会带来附加载荷,强化学习给出的动作序列在策略层面无约束时可能不可执行。面向物理实验的策略通常需要引入动作一致性项来抑制抖动,这会牺牲一部分理论上的最优性。
四、上手路径
第一步是建立对参考资产的正确认知。IEAWindSystems 这个 GitHub 组织托管的是 IEA Wind 系列任务的产出,其中与 OpenFAST 相关的部分可直接作为入门素材:Task 37 阶段产出了 3.4 MW 陆上、10 MW 离岸与 15 MW 离岸三款参考机型;Task 55 的 REFWIND 项目在 2024 年 3 月发布了 22 MW 离岸参考机型,2024 年 4 月发布了首个离岸参考风场(74 台 10 MW 机组)。Task 37 的 15 MW 机型仓库同时提供 OpenFAST 与 HAWC2 两套气动弹性输入文件、WISDEM 优化文件、风机本体 yaml 描述文件以及 SolidWorks CAD 与 Ansys 有限元叶片模型,并明确要求配合 NREL 的开源参考控制器 ROSCO 使用。
第二步是选定保真度层级并把控制器配齐。要在 OpenFAST 上跑出可信结果,控制器、变桨与偏航参数、气动翼型极曲线、结构模态与阻尼这几组输入缺一不可,而 22 MW 机型的仓库同时给出 OpenFAST、HAWC2 与 QBlade 三套输入,跨代码对照需要先把控制器侧的版本对齐。
第三步是建立尾流层的对照。FLORIS 的入门成本低得多,取一个参考机型做单场计算即可;但真正的价值在于把它当作参照系,不作为终点,用它生成数据、训练策略,再把策略搬到 FAST.Farm 上检验其是否仍然成立。
第四步才是引入强化学习。此处建议先实现一个可解释的基线,例如基于尾流偏转角查找表的控制或模型预测控制,把强化学习策略放在同一套评估口径下比较,再看增益是否稳定超出基线的波动范围。
第五步是最后接入代理模型与数据链路。代理模型的可行性高度依赖输入输出定义与数据生成方式,训练样本对载荷极值与工况边界的覆盖往往比网络结构的选择更关键。若目标是实时性评估,还需要把推理成本与在线数据质量一并评估。
五、横向对比
在风电 AI 的语境下,常被并列提及的几类工具其实处在不同抽象层,彼此不构成替代关系。
OpenFAST 是整机高保真时域求解器,核心能力是气动-结构-控制-水动力的耦合响应;FAST.Farm 是它的多机扩展,负责尾流在机组之间的动态传递。FLORIS 处在工程尾流模型这一层,是稳态全场计算器,不解析叶根弯矩时程,也不模拟控制器动态。二者的关系是分工与互补:高保真层提供可信的载荷与动态响应,低保真层提供可承受海量采样的场分布。
强化学习在这条链路中扮演的是策略生成器的角色,它本身不提供任何物理模型,其结果的可信度完全继承自训练所用环境的保真度与评估所用的验证环境。这解释了为何「在 FLORIS 上训练的策略放进 FAST.Farm 仍大体保持表现」是一个有分量的结果,而「在 FLORIS 上训练并报告收益」不构成同等强度的证据。
IEA Wind 的参考机型与 windIO 数据格式处在另一个维度。参考机型提供的是经过多方协同定义、面向特定装机年代设定的参数化整机模型;windIO 则是面向风机与风场模型输入输出的数据格式标准,提供 schema 定义、基于 schema 校验并载入 YAML 的 Python 库,以及测试用的风机与风场输入文件。Task 55 团队正在推进 windIO 的 2.0 版本。工具链层面的差异是另一组常被混淆的对比:ROSCO 是 NREL 的参考开源控制器,负责变桨与转矩控制逻辑,在多个参考机型仓库中被列为必需组件;HAWC2 是 DTU 的气弹代码,与 OpenFAST 并列提供参考机型输入并被用于跨代码载荷对照;QBlade 是柏林工业大学的实现;Bladed 是 DNV 的商业软件,也出现在同一轮对照研究中。
代理模型路线与物理模型路线的关系同样需要摆正。代理模型的价值在于把高保真调用从「每次决策都跑一遍」变成「离线训练、在线推理」,代价是它只在训练数据覆盖的工况区间内可信,且误差分布取决于数据生成策略,与模型结构关系有限。把代理模型当成物理模型的替代品是最常见的误用。
六、基准与数据
本节只列出能够追溯到具体论文、具体数据集或具体验证研究的结果,每条都注明其验证层级,便于判断结论可以外推到哪一层。
尾流偏转的现场证据来自 NREL 在德国 Peetz 商业风场开展的测试:现场部署了地面激光雷达、测风塔与两台声雷达,并在部分机组上加装机舱激光雷达;研究分两部分发表在《Wind Energy Science》2019 年第 4 卷第 273 页。文章给出的量级判断是,尾流偏转可为风场带来约百分之一至百分之二的年发电量增益,具体幅度取决于风场规模与布局;在典型 300 MW 风场中,百分之二的增益约合每年一百万美元量级的额外收益。这一量级常被引作「尾流偏转的现实收益上限」。
强化学习方面有三组可核实结果。其一是九机组阵列的尾流偏转研究,用 DDPG 算法控制 ±45° 范围内的多个风向:智能体在训练所用工况下平均比贪心控制多出约 7% 的场级功率,在包含训练未见风向的更小方向子集上平均增益约 17%。该研究同时指出,既有尾流管理综述按多项实验与仿真估计,现实风场中的尾流偏转潜在增益量级为百分之二到百分之三——这一参照值与前面的现场实测互相印证,也同时框定了纯仿真收益的现实折扣。
其二是风洞实测的离线强化学习:MTD3-BC 算法在动态风向条件下做偏航控制,在 Politecnico di Milano 大气试验段的转台上安装三台缩尺 G1 风机;策略从预采集的离线数据集学习,无需与风场仿真器交互,并在目标函数中加入动作一致性项以约束偏航动作的平滑性。相对贪心策略,场级功率增益约 10%,表现与经数据校准的模型式尾流偏转基准相当。实验细节同样值得记录:离线数据集来自在贪心方法与查找表方法下采集的约 80 GB 结果;来流风向时间序列取自德国北部一处陆上测点的五天 1 Hz 记录,压缩为 90 分钟并划分为九个 610 秒风况段,风向变化范围在 ±15° 以内。
其三是噪声约束下的尾流偏转:策略同时调节偏航角与功率设定,在六机测试风场中于全湍流风况范围内满足 40 dB 噪声约束,相对贪心不受限控制的平均功率损失仅 2%,高风速下最高 7.7%;而行业标准的降噪运行基线平均功率损失为 17%。该策略仅在 FLORIS 稳态来流下训练,随后未经再训练直接部署到 FAST.Farm 这一高保真动态仿真器中,在稳态与非定常湍流来流下均大体保持性能。声学部分的做法是把一个低保真解析声学模型与强制偶极指向性耦合进稳态 FLORIS,并用 FAST.Farm 的声学模型加以验证。
这三组结果覆盖了仿真内、跨保真度迁移与风洞实测三个层级。把它们并列看,可以看出风电强化学习的证据强度正在从「仿真内增益」向「物理实验验证」推进,但受限于风洞缩尺与工况设定,与真实风场的直接对应仍需谨慎处理。
七、物理 AI 场景中的用法
在物理 AI 工作流中,这条链路最直接的用法是构建可被学习算法消费的高保真数据供给端。
第一种用法是数据生成。把参考机型与风场模型作为基线,在 OpenFAST 与 FAST.Farm 上按风况矩阵(风速、风向、湍流强度、剪切、阵风)批量运行,输出根部件弯矩时程、叶根弯矩、推力、转速、偏航角、变桨角与功率等通道,构成监督学习与离线强化学习的数据集。这一步的关键不在于仿真次数本身,而在于工况矩阵的覆盖设计——载荷极值与失效模式通常出现在矩阵边界上。
第二种用法是低保真到高保真的双层训练。FLORIS 提供可承受的采样密度以训练策略,FAST.Farm 提供时域耦合下的检验。二者输出量的对齐是实施要点:策略的输入状态与动作空间需在两层之间保持一致,否则迁移会退化为重新训练。
第三种用法是把代理模型嵌入数字孪生的在线环节。风场级实时评估不可能每次都跑整机仿真,代理模型在此承担从状态到载荷或功率的快速映射,其适用范围由训练数据定义,超出范围需要回退到物理模型或触发告警。
第四种用法是把强化学习接入尾流协调控制。此时策略必须显式处理约束:偏航速率与幅度、附加载荷、噪声限值、以及可能与电网调频或限电指令冲突的情形。约束处理是工程落地的决定性环节,其难度通常超过算法本身。
第五种用法是跨保真度校准。FLORIS 的模型参数(尤其是湍流强度与风向波动的取值)存在「水床效应」式的非唯一性——不同参数组合可能给出几乎相同的能量比曲线,却在尾流偏转场景下产生截然不同的结果。这意味着针对尾流偏转的策略训练必须做参数辨识,不能沿用通用默认值。
八、不适用场景与失效模式
第一类失效来自低保真模型的适用边界。高斯尾流模型在深阵列效应下低估尾流深度,来流不均匀性子模型成熟度有限,且尾流偏转效应缺乏实测对照。把在均匀来流下训练的策略直接用于复杂地形或尾流重叠严重的场址,收益可能被高估。
第二类失效来自强化学习的固有脆弱性。策略依赖训练时覆盖的工况,遇到训练分布外的风向、湍流或机组可用性变化时,行为不可预测。离线方法虽然规避了与环境的在线交互,却把风险转移到离线数据集的代表性上。动作空间缺乏物理约束时,策略给出的偏航序列在真实设备上可能不可执行。
第三类失效来自目标错配。以功率最大化为目标训练出的策略,在载荷敏感或寿命敏感的场景下可能带来负面后果;降噪、限电、并网支撑等约束一旦加入,控制问题的维度和难度都会显著上升,需要重新训练与重新验证。
第四类失效来自仿真器与实物之间的差距。缩尺风洞的雷诺数效应、湍流场的空间结构、传感器噪声与执行机构动态都与整机不同。把风洞增益直接当作商业风场预期,会高估收益。第三组现场实测给出的百分之一到百分之二量级,可作为更稳妥的参照。
第五类失效来自参考机型本身。IEA 参考机型面向特定装机年代设定并服务于建模对比,其参数集经过特定的设计假设,不是任何具体机型的复刻。把参考机型的仿真结论直接套用到某一商业机型上,需要先验证参数差异带来的敏感性。
第六类失效来自数据口径混用。机组功率曲线、SCADA 数据、以及仿真输出的「功率」在定义上可能不同;载荷通道的单位与参考点也可能不一致。这些细节在跨来源拼接数据时容易被忽略,却足以让代理模型的误差指标失去意义。
第七类失效来自版本与接口漂移。OpenFAST 的模块与输入文件格式在版本间有变化,参考机型仓库会更新模型以修正设计疏漏,windIO 正在向 2.0 演进;不同机型仓库对 OpenFAST 版本的兼容性要求不同,多处写明模型未向后兼容。忽略版本约束会导致模型能运行但结果不可信。
九、版本与口径核对
本节逐条记录本篇对原条目与常见表述的核对结果,每条注明依据。
第一条,「IEA Wind Task 36 开放数据集(含多个机型公开仿真数据)」这一指认不成立。Task 36 的官方名称是 Forecasting for Wind Energy,2019 年启动、2021 年结束,运行代理人为 DTU 的 Gregor Giebel 与 NREL 的 Caroline Draxl。其三个工作包分别关注数值天气预报物理与可获取数据集信息、风电预报评测的推荐实践(含与 Task WakeBench 合作的基准)、以及预报使用方的最佳实践扩散。公开交付物是推荐实践指南(Elsevier 开放获取,2022 年 11 月出版,ISBN 9780443186813)与一个信息门户,门户内容是测风塔清单、气象试验清单、公开预报基准清单与开放天气数据链接,其中并不包含多机型气弹仿真数据集。Task 36 的后继任务是 Task 51。因此本篇撤回该资源指认,替换为 Task 37 与 Task 55 的参考机型仓库与 windIO 数据格式。
第二条,原条目那张按风速区间分列的误差表(3–12 m/s、12–25 m/s、极端湍流三档的随机森林与 LSTM 误差)在可追溯的一手来源中没有对应数据,无法确认其测试集构造、误差定义与工况来源。本篇撤回该表,第六节改用可定位到具体论文的结果替代。
第三条,「传统 FAST / OpenFAST 仿真耗时数分钟,无法支撑实时运维决策」缺少可追溯出处,且与后续几项已发表工作的做法存在张力——这些工作在 FAST.Farm 上完成了带湍流来流的策略评估,FLORIS 与 FAST.Farm 之间的量级差异恰恰是跨保真度训练得以成立的前提。本篇不采用该表述,改为按「高保真层与低保真层分工」来陈述。
第四条,来源机构需要区分三个层次:OpenFAST 与 FAST.Farm 由 NREL 团队维护,源码与文档在 OpenFAST GitHub 组织,Apache-2.0 许可,现由 National Lab of the Rockies 承接维护职责;FLORIS 同为 NREL 出品;IEA Wind Task 37 与 Task 55 的参考机型与 windIO 由 IEA Wind TCP 协调、NREL 与 DTU 等机构协作产出,Apache-2.0 许可,托管在 IEAWindSystems 组织。原条目只给出 GitHub 组织链接而未区分这三者,本篇在正文与参考资料中分别标注。
第五条,「NREL 5 MW 参考风机」是可用的开放模型,与 OpenFAST 配套良好,但它的发布方是 NREL,与 IEA 参考机型分属不同来源,两者不可互相引用为同一份资产。
第六条,MTD3-BC 那项风洞工作的发表状态需要更正。多个二手报道称其发表于 ACC 2024,实际是 2026 年 9 月 11 日提交至 arXiv 的预印本(编号 2609.12905),作者单位为华威大学 ICSE 研究组与慕尼黑工业大学风能研究所,风洞试验在 Politecnico di Milano 完成,文中注明已投稿 IEEE。引用时应以 arXiv 编号为准。
第七条,Noise Steering 那项工作的 arXiv 编号为 2610.36888(2026 年 10 月 27 日首次提交,10 月 28 日更新第二版),作者来自包含日内瓦与巴塞罗那方向的研究团队,标注页数 17 页、插图 11 幅,分类涉及人工智能、系统与控制、大气与海洋物理、流体动力学。
第八条,九机组 DDPG 研究的完整出处为《Expert Systems with Applications》第 282 卷(2025 年),题名 Investigations into deep Reinforcement Learning for wind farm set-point optimisation,作者 Sheehan、Poole、Silva Filho、Bossanyi 与 Landberg,DOI 为 10.1016/j.eswa.2025.127627。其 7% 与 17% 两个增益数字分别对应「训练所用工况」与「包含未见风向的子集」两个不同口径,不可混用。
第九条,IEA 参考机型的规模参数需按报告核对:22 MW 离岸参考机型转子直径 284 m、轮毂高度 170 m,为 class 1-B 机型,比功率接近 350 W/m²,可装于固定底基础或半潜式浮式平台,设计目标对标 2025–2030 年间的预期装机;15 MW 离岸参考机型有单桩与半潜式(UMaine VolturnUS-S)两种基础变体,分别对应 NREL/TP-5000-75698 与 NREL/TP-5000-76773 两份报告;3.4 MW 陆上参考机型的报告为 NREL/TP-5000-73492。这些是编目与引用所需的最小事实集。
第十条,Task 55 的 22 MW 机型发布采用了跨求解器对照:由 NREL 的 OpenFAST、DNV 的 Bladed、DTU 的 HAWC2 与柏林工业大学的 QBlade 四个气动弹性求解器进行性能比对,结果记录在 Task 55 2024 年度报告中。这一对照的存在提醒我们,参考机型的「正确性」是在多代码共识意义上给出的,单一代码的自洽结果不足以代表该机型。
第十一条,风电物理 AI 的收益预期应参照现场实测,不能只依据纯仿真。尾流偏转在现场试验与综述中的量级为百分之二到百分之三,而强化学习在仿真环境中报告的增益常在百分之十以上。两者的差距主要来自风场规模、风况分布、贪心基线的实现方式与约束条件。引用强化学习结果时应同时给出参照量级。
第十二条,本篇涉及的许可证信息以各项目官方仓库声明为准:OpenFAST 及其模块为 Apache License 2.0;IEA Wind Task 37 与 Task 55 的参考机型仓库与 windIO 亦以 Apache-2.0 发布(windIO 另有 Zenodo 归档 DOI 10.5281/zenodo.15191297)。
第十三条,站内已有的相关条目包括 OpenFOAM 工业级多物理场仿真流水线、风能领域的代理模型与降阶方法、经典求解器成本边界、WEC-Sim 波浪能转换器水动力仿真 与 多物理场耦合。本篇与这些条目的分工是:本篇聚焦风机整机气动弹性与尾流控制,其他条目覆盖通用求解器、通用代理模型方法论与海洋能耦合。
十、参考资料
- National Lab of the Rockies,OpenFAST 官方文档,版本 v4.2.0,日期 2026-02-12,https://openfast.readthedocs.io/en/dev-tc/
- National Lab of the Rockies,OpenFAST 文档第 7 章「Licensing」,Apache License Version 2.0,https://openfast.readthedocs.io/en/dev-tc/source/license.html
- Wilson R.、Buhl M.、Jonkman J.、Sprague M.,OpenFAST,报告编号 SWR-08-12,DOI 10.11578/dc.20210521.94
- IEA Wind TCP,Task 37「Systems Engineering in Wind Energy」专题页(2016–2022),https://iea-wind.org/?p=4069/
- IEA Wind TCP,Task 55 REFWIND「Reference Wind Turbines and Plants」专题页,https://iea-wind.org?p=14198/
- Bortolotti P.、Bay C.、Barter G.、Gaertner E.、Dykes K.、McWilliam M.、Friis-Moller M.、Molgaard Pedersen M.、Zahle F.,《System Modeling Frameworks for Wind Turbines and Plants: Review and Requirements Specifications》,2022 年,DOI 10.2172/1868328
- IEAWindSystems,windIO 数据格式仓库与在线文档(Apache-2.0),Zenodo DOI 10.5281/zenodo.15191297
- Zahle F.、Barlas A.、Lønbæk K.、Bortolotti P.、Zalkind D.、Wang L.、Labuschagne C.、Sethuraman L.、Barter G.,《Definition of the IEA Wind 22-Megawatt Offshore Reference Wind Turbine》,DTU Wind Report E-0243,2024 年,DOI 10.11581/DTU.00000317
- Gaertner E.、Rinker J.、Sethuraman L.、Zahle F. 等,《Definition of the IEA Wind 15-Megawatt Offshore Reference Wind Turbine》,NREL/TP-5000-75698,2020 年
- Fleming P. 等,《Initial results from a field campaign of wake steering applied at a commercial wind farm – Part 1》,《Wind Energy Science》第 4 卷第 273 页,2019 年,DOI 10.5194/wes-4-273-2019
- Su Y.、Dong H.、Tamaro S.、Campagnolo F.、Bottasso C. L.、Zhao X.,《Offline Reinforcement Learning for Wind Farm Control: A Wind Tunnel Study under Dynamic Wind Directions》,arXiv 2609.12905,2026-09-11 提交
- De Frutos M.、Corban B.、Bizon Monroc C.、Bušić A.、Dubuc D.、Zhud J.、Ferrer E.,《Noise Steering: Exploiting Wake Steering and Acoustic Directivity for Noise-Constrained Wind Farm Control via Reinforcement Learning》,arXiv 2610.36888,2026 年
- Sheehan H.、Poole D.、Silva Filho T.、Bossanyi E.、Landberg L.,《Investigations into deep Reinforcement Learning for wind farm set-point optimisation》,《Expert Systems with Applications》第 282 卷,2025 年,DOI 10.1016/j.eswa.2025.127627
- Barlas A. 等,《Comparison of the Gaussian Wind Farm Model with Historical Data of Three Offshore Wind Farms》,《Energies》第 15 卷第 6 期第 1964 号文章,2022 年,DOI 10.3390/en15061964
- IEA Wind TCP,Task 36「Forecasting for Wind Energy」专题页(2019–2021),https://iea-wind.org/task36/