为活跃学术氛围，绿能所计划定期开展研究生学术交流活动，每次邀请两名研究生通过学术汇报形式，展示其课题研究内容及前沿成果，以推动研究生们开阔学术视野、夯实科研能力、砥砺学术志趣。4月30日上午，我所研二学生杨诗瑜和王明伟相继进行学术报告，分享其课题研究成果。
首先杨诗瑜同学汇报《基于神经网络、CFD方法叶素-动量理论修正》的学术报告，她向与会师生介绍了自己的研究方向、创新点和成果展望，吸引了众多听众的关注。在开场的引言环节，杨诗瑜同学对其研究领域进行了简要介绍，突出了研究的重要性和意义。随后，他们一同回顾了相关领域的研究历史和现状，分析了前人研究的不足并提出了其课题的创新点和研究思路。在研究方法环节，杨诗瑜同学介绍了她所采用的方法、技术和实验设计，并讨论了方法的合理性、可行性和创新性。最后，杨诗瑜展示了当前的进展与数据的分析，对实验数据进行了详细的解读和讨论，展现了深入的学术思考和分析能力。在结尾的提问与讨论环节，杨诗瑜同学积极回答其余老师同学的问题，与听众交流互动，进一步拓展了她的研究思路，增进了与会师生之间的交流与合作。
杨诗瑜同学学术报告图片
王明伟同学针对风电场尾流方向做了题为“基于MOST高斯尾流模型和深度学习方法的尾流预测框架”的学术报告。 报告中，首先介绍了风电场尾流的研究背景。他指出，随着风电技术的快速发展，风电场尾流问题日益凸显，其不仅影响风电机的发电效率，还可能对风电场的安全运行带来隐患。因此，对风电场尾流进行准确预测，对于提高风电场的经济效益和安全性具有重要意义。随后，详细探讨了现有尾流预测方法的局限。他分析指出，传统的尾流预测方法往往基于简化的物理模型，难以准确反映风电场尾流的复杂性和多变性。而一些先进的数据驱动方法，虽然能够处理大量数据，但在预测精度和稳定性方面仍有待提高。为了解决这些问题，提出了一种基于MOST高斯尾流模型和深度学习方法的尾流预测框架。他详细介绍了该框架的构建过程，包括数据的收集与处理、模型的选择与训练、参数的优化与调整等关键步骤。该框架结合了传统物理模型和先进数据驱动方法的优点，通过深度学习算法对大量数据进行学习，自动提取尾流变化的内在规律和特征，从而实现准确、稳定的尾流预测。在报告中，王明伟还展示了新提出框架在实际风电场案例验证中的表现和结论。通过对比实验数据和预测数据，详细分析了框架的预测精度和稳定性。实验结果表明，该框架在实际风电场案例中均取得了良好的预测效果，能够准确地预测出尾流的变化趋势和分布情况。通过他的分享，课题组的研究生们对风电场尾流有了更进一步的认识，并对未来的研究方向和趋势有了更清晰的认识。
王明伟同学学术报告图片
绿能所将继续鼓励和支持这样的学术交流活动，为师生提供展示自己研究成果的平台和交流学习的机会，共同推动风电技术的创新和发展。
