随着国际社会对能源安全、环境保护等问题的日益重视,加快发展以风电为代表的可再生能源,近年来已成为国际社会推动能源转型、应对全球气候变化的普遍共识和一致行动。目前,风电的发展仍然受到一些条件的制约,其中尾流效应对风能利用有较大的影响。一方面,尾流效应会降低机组下游风速,但增加湍流度,致使下游机组发电量损失,载荷提高。另一方面,碳达峰、碳中和与风电平价上网的发展趋势下,深度挖掘机组间因尾流耦合造成的影响,充分利用偏航动态调控自由度,对进一步智能化风电场的构建十分必要,具有重要的理论意义和工程利用价值。本文以风电机组尾流的动态特性为切入点,分析其演化的动态过程,因流场阶次过高,难以设计控制器,故构造低阶线性的流场观测器,对尾流弯曲过程和偏航动作引入的尾流偏转过程实现低阶线性近似和重构。在此基础上构建模型预测控制器,通过机组偏航动态动作,实现机组间协同优化。主要工作包含以下部分:1.基于高精度计算流体力学软件,对风电机组的尾流进行大涡模拟,获取高时空分辨率的流场数据,并以此为基础,围绕尾流动态特性开展分析。利用模态分解方法,分析尾流演化动态过程中的主导线性模态。利用频域变换结合聚类方法,研究尾流空间内的频域特性,并分析因尾流演化和传递造成的水平/垂直空间内动态特性差异。2.面向无附加控制的单机尾流自然演化数据,深度融合动态模态分解方法和线性随机估计方法,构造Koopman线性流场观测器,以多点传感器直接采样参数为测量状态变量,数个间接测量参数为确定性状态变量,在保持有限数目阶次和线性的模型结构前提下,实现对尾流场动态特性的线性近似,并进一步对全维尾流场实现预测和重构。3.针对面向控制的风电场流场建模方法开展研究,在Koopman算子理论作为理论支撑的前提下,保持线性动态模型的形式,和模型阶次显著低于所研究流场的阶次的特点,构建包含偏航控制输入的流场模型,预测在给定偏航控制序列和初始点条件下的流场演化过程。利用卡尔曼滤波器构造闭环结构,结合模型预测状态和含噪声测量状态实现预测过程的动态校准,分别在时频域两方面改进流场估计的精确度。4.针对低阶线性模型长期预测中误差累积导致模型失准的情况,创新性的构造Koopman模态,并结合特定数据集,分别在不含控制和包含控制两种场景下求解最优Koopman幅值,改进Koopman模态在流场演化过程的占比和权重,提高流场长周期预测精度。所提出的方法将最优DMD幅值推广为最优Koopman幅值,并保持在不含控制和包含控制场景下的一致性。5.在上述研究的基础上,以多台机组的发电量总和与其目标值的偏差为目标,构造面向误差最小化的优化控制问题,通过优化问题求解和时域滚动,实现控制率的计算。面向潜在工业应用的可行性,改进、改变优化问题结构,降低优化求解中的计算量需求和时间消耗,实现快速求解。利用机组偏航自由度,动态调节上游机组偏航角,改变其尾流对下游机组的影响,使功率输出总和跟踪设定值曲线,并在仿真平台上验证所设计控制器的有效性。