本文档属于类型a，即单篇原创研究的学术报告。以下是详细的报告内容：
第一，主要作者和研究机构
本文的主要作者包括Nai-Zhi Guo、Ke-Zhong Shi、Bo Li、Liang-Wen Qi、Hong-Hui Wu、Zi-Liang Zhang和Jian-Zhong Xu。他们分别来自中国科学院工程热物理研究所、中国科学院风能利用重点实验室、中国科学院大连清洁能源国家实验室、中国科学院大学以及中国三峡集团科学技术研究院。该研究于2022年8月24日发表在《Energy》期刊上，论文编号为261卷，125208页。
第二，学术背景
本研究的主要科学领域是风能预测，特别是短期风电功率预测。随着能源短缺和环境污染问题的加剧，可再生能源尤其是风能得到了广泛关注。风能由于其资源丰富、高效和清洁的特点，近年来发展迅速。然而，风能的高随机性和间歇性对电力系统的稳定性产生了显著影响。因此，开发准确可靠的短期风电功率预测技术成为风电场安全并网、提高风能对全球电力供应贡献的重要任务。
目前，风电功率预测模型主要分为物理模型、统计模型和人工智能（AI）模型。物理模型基于数值天气预报（NWP）和计算流体动力学（CFD），计算复杂且成本高，适用于中长期预测。统计模型如自回归移动平均（ARMA）和自回归积分移动平均（ARIMA）在超短期预测中表现良好，但短期预测需要结合物理或气象数据，传统方法难以满足需求。AI模型，特别是人工神经网络（ANN），因其出色的自学习和自组织能力，在短期风电功率预测中表现出色。
然而，现有研究大多忽略了风电场中风机尾流效应（wake effect）对预测精度的影响。尾流效应是风电场中最重要的物理特性之一，通常会导致年功率损失超过10%。因此，本研究旨在通过结合尾流效应与神经网络模型，开发一种物理启发的短期风电功率预测模型，以提高预测精度。
第三，研究流程
本研究分为以下几个步骤：
问题建模
将风电功率预测问题视为多元非线性回归问题，输入变量为风速和风向数据，输出变量为风电场或风机在相应时间段的输出功率序列。研究主要关注24小时内的短期预测。
神经网络模型构建
使用人工神经网络（ANN）构建非线性模型。传统ANN模型包括输入层、隐藏层和输出层，节点之间通过权重连接。本研究使用Sigmoid函数作为激活函数，并通过反向传播调整权重。
尾流模型结合
本研究采用Jensen尾流模型来描述风电场中的尾流效应。Jensen模型基于动量守恒和质量守恒定律，计算风机尾流速度和扩展范围。通过结合尾流模型与神经网络，提出了一种新的物理启发式神经网络模型（WNN）。与传统ANN模型不同，WNN模型的部分隐藏层节点由尾流模型确定，从而增强模型的物理特性。
数据处理与实验设置
使用中国某海上风电场的实际数据验证模型。数据包括2017年10月12日至2018年1月31日期间的小时风速、风向和风机输出功率。数据被处理为24小时的风速、风向和功率序列，并按70%、10%和20%的比例分为训练集、验证集和测试集。
模型性能评估
使用均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）和拟合优度（R²）等指标评估模型的预测性能。与传统的ANN模型及其他机器学习模型（如线性回归、决策树、随机森林和支持向量机）进行对比。
第四，主要结果
1. 模型训练与验证
WNN模型在训练过程中表现出更快的收敛速度，验证误差在200次迭代后趋于稳定，而传统ANN模型需要400次迭代。WNN模型的最终验证误差也略低于ANN模型，表明其具有更高的学习效率和预测精度。
风电场功率预测
WNN模型在训练集、验证集和测试集上的预测性能均优于ANN模型。特别是在测试集上，WNN模型的预测误差显著降低，RMSE比ANN模型减少了39.0%。此外，在尾流效应显著的风速和风向区间内，WNN模型的预测精度提升更为明显。
单风机功率预测
WNN模型在单风机功率预测中也表现出色。对于随机选取的120小时数据，WNN模型的预测误差比ANN模型减少了36.7%至39.8%。此外，在风电场的所有风机中，WNN模型在大多数风机上的预测误差均显著降低。
第五，结论
本研究提出的物理启发式神经网络模型（WNN）在短期风电功率预测中表现出色，显著优于传统的ANN模型及其他机器学习模型。通过结合尾流效应与神经网络，WNN模型能够更好地考虑风电场的物理特性，从而提高预测精度。特别是在尾流效应显著的情况下，WNN模型的预测性能提升更为明显。未来，可以结合更多尾流模型和神经网络算法，进一步提升短期风电功率预测的性能。此外，WNN模型还可用于风电场的功率调度和风机控制，以提高风电场的经济效益。
第六，研究亮点
1. 创新性方法
本研究首次将尾流效应与神经网络结合，提出了一种物理启发的短期风电功率预测模型（WNN），显著提高了预测精度。
实际应用价值
WNN模型在实际风电场数据验证中表现出色，特别是在尾流效应显著的情况下，预测误差显著降低，具有较高的实际应用价值。
多维度验证
研究不仅验证了风电场整体功率预测的性能，还对单风机的功率预测进行了详细分析，进一步证明了WNN模型的广泛适用性。
第七，其他有价值的内容
本研究还提供了详细的尾流模型计算方法和数据处理流程，为后续研究提供了重要的参考。此外，研究结果为进一步优化风电功率预测模型提供了新的思路和方向。