该文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
该研究由Zilong Ti（西南交通大学桥梁工程系）、Xiao Wei Deng（香港大学土木工程系，通讯作者）和Mingming Zhang（中国科学院工程热物理研究所）共同完成，发表于Renewable Energy期刊，2021年172卷，页码为618-631。
该研究的主要科学领域为风电场功率预测，特别是通过机器学习方法改进风电场尾流模型（wake model）的预测精度。传统的风电场功率预测主要依赖解析尾流模型（analytical wake models），这些模型成本低但精度不足，尤其在高度湍流条件下表现不佳。此外，计算流体动力学（Computational Fluid Dynamics, CFD）模拟虽然精度高，但计算成本巨大，难以应用于大规模风电场的布局优化等问题。
该研究的目标是开发一种基于机器学习的新型尾流模型，既能实现与高精度CFD模拟相当的预测效果，又能显著提高计算效率，从而为风电场的功率预测和布局优化提供更高效的工具。
数据生成与CFD模拟验证
研究首先采用RANS/ADM-R（基于旋转的简化阶次致动盘模型）结合改进的k-ε湍流模型进行CFD模拟，以生成大规模尾流数据。为了验证CFD模型的准确性，研究将其结果与高精度的大涡模拟（LES）数据进行了对比，结果显示CFD模拟在速度和湍流强度分布上与LES数据高度一致。
研究还详细描述了CFD模拟的输入参数，包括风速（5-20 m/s）和湍流强度（2%-26%），共进行了403次模拟以生成训练数据。
人工神经网络（ANN）模型的构建与训练
研究采用反向传播算法构建了一个基于人工神经网络的尾流模型。该模型包括两个部分：速度模型和湍流模型，分别用于预测尾流中的速度亏损和湍流动能（TKE）。
为了降低计算成本，研究将数据矩阵分割为2000个子数组，每个子数组单独训练。每个子模型包含一个隐藏层和10个神经元，激活函数分别为“tansig”和“purelin”，训练算法为Levenberg-Marquardt算法。
训练数据包括风速和湍流强度作为输入，尾流中的速度亏损和TKE作为输出。研究还从训练数据中选取了20个样本作为测试集，用于评估模型的预测性能。
尾流叠加与功率计算
在风电场中，下游尾流通常受到多个上游尾流的影响，因此研究采用了线性叠加模型和平方和叠加模型来处理尾流叠加问题。基于预测的尾流场，研究进一步计算了风电场的总功率和单机功率。
模型验证与应用
研究将ANN模型应用于Horns Rev风电场，并与LES数据、现场测量数据以及传统解析模型（如Jensen模型和高斯模型）进行了对比。结果显示，ANN模型在功率预测方面显著优于传统解析模型，并与LES和测量数据高度吻合。
研究还利用ANN模型分析了风向和风机布局对风电场功率生产的影响，发现对齐布局在年发电量（AEP）方面优于交错布局，并揭示了风机间距对功率损失的显著影响。
ANN模型的预测性能
ANN模型在测试集上的预测结果与原始数据高度相关（相关系数r=0.99），表明其能够准确预测尾流场中的速度亏损和TKE。
湍流建模的重要性
研究发现，湍流建模对功率预测的准确性至关重要。未考虑湍流建模的模型在窄风向扇区下低估了功率，而在宽风向扇区下高估了功率。此外，湍流建模能够捕捉到下游风机功率的波动现象，而未考虑湍流建模的模型则无法反映这一现象。
与传统模型的对比
与传统解析模型相比，ANN模型显著提高了功率预测的准确性，尤其是在全尾流条件下（如风向为270°时）。传统模型由于简化了转子与气流的相互作用机制，无法准确考虑湍流效应，导致功率预测存在较大偏差。
风机布局的影响
研究发现，增加风机间距可以显著减少尾流损失并提高AEP。然而，在Horns Rev风电场中，由于主导风向为240°-300°，增加列间距（dx）对AEP的提升效果优于增加行间距（dy）。
该研究开发了一种基于机器学习的新型尾流模型，能够高效且准确地预测风电场的功率。该模型在Horns Rev风电场中的应用表明，其预测结果与高精度CFD模拟和现场测量数据高度一致，显著优于传统解析模型。此外，研究还揭示了湍流建模、风向和风机布局对风电场功率生产的重要影响，为风电场的布局优化和高效管理提供了重要依据。
研究还指出了ANN模型在近尾流区（<2D）和远尾流区（>15D）预测中的局限性，并建议未来通过更多实验和验证数据来改进这些区域的预测精度。此外，研究提出了开发更精确的尾流叠加模型的必要性，以进一步减少累积误差。
以上报告详细介绍了该研究的背景、流程、结果和意义，为相关领域的研究者提供了全面的参考。