2024中国可再生能源大会：基于气象数值预报尺度风场的高精度三维风场智能重构

第十九届中国可再生能源大会-风能分会暨风电高质量发展大会基于气象数值预报尺度风场的高精度三维风场智能重构南京航空航天大学民航学院研究背景最新超级计算机算力表明当前实时天气预报最精细水平网格尺度一般为1~4km量级。实时天气预报模式尚无法满足结构风工程领域和机器学习算法能够在大量数据中学习湍流结构的特风能评估领域对高精度湍流风场的需求。征，并在不同尺度上进行重构和预测，可为结构风高精度数值模拟方法能够提供丰富的三维流场信息，但其计算复杂工程和风能评估研究提供真实高精度湍流风场。度和成本较高。-2--2-研究背景神经网络及超分辨率重构超分辨率重构：超分辨率重构：通过低分辨率图像或图像序列恢复出高分辨率图像σ(x)=ReLU(x)=max(x,0).w=argminw=argminw||y-f(x;w)||湍流场时空重构考虑三个时间步长的湍流重构二维湍流场超分辨率重构考虑三个时间步长的湍流重构二维湍流场超分辨率重构基于深度学习的三维风场重构-3--3-数据集基于理想台风风场数据集进行DSC/MS基于理想台风风场数据集进行DSC/MS网络的训练、测试和预WRF-LES测。（/datasets/ds301.0/）该数据集来源于基于中尺度气象数值模式WRF开展的理想台风数值模拟结果，采用了WRF-LES模块。数据集包含四种不同海表温度（26℃、27℃、28℃和29℃)情况的理想台风数据。选择海表温度为29℃的Domain6台风工况作为基础数据集。D6数据集水平网格尺度为62m，水平网格数为967×967，垂直层数为87，起始和终止时间为18:00-22:00，时间步为0.25s。为了适应DSC/MS方法的模型训练，以台风中心为基点，将水平网格数简化为960×960。-4--4-数据集以62m水平网格尺度精细化台风风场作为准确值（记为Grid-62m使用不同风场资料，记为Grid-185m、Grid-556m、Grid-1000m和Grid-1667m，作为输入的低分辨率数据集。选择平均池化(average)来对精细风场进行下采样。这些池化操作定义为池化操作分别在M×M像素的方形池化窗口上进行，这使得大小为L×L像素的原始图像可以缩小到(L/M)×(L/M)像素。L×L960×960L×L960×960Horizontalgriddistance(m)(L/M)×(L/M)像素Grid-185m960/3Grid-556m960/9Grid-1000m960/16Grid-1667m960/27低分辨率数据集低分辨率数据集-5--5-改进卷积神经网络（Convolutionalneuralnetworks，CNN）模型。上半部分绿色背景区域为下采样跳跃连接模型（Down-SamplingSkipConnection其中三角运算表示数据压缩的操作。下半部分蓝色背景区域为多尺度模型（Multi-Scale其中包含多个具有不同长度和大小的过滤器。卷积操作yc=σ(k*xc+bc),过滤器DSC/MS模型可同时捕捉大尺度流场结构和湍流小尺度结构。将“粗糙”尺度流场输入DSC/MS模型，经过一系列的最大池化、卷积操作，再将其与下采样数据跳跃连接，再重复卷积-6--6-模型训练过程理想台风数据集包含了不同时间和不同高度的多组数据，个垂直高度层）960×960的数据分布样本。Grid-185m、Grid-556m、Grid-1000m和Grid-1667m中样本与Grid-62m中样本在时间和高度上均为一一对应。时间点的100个样本进行预测分析。模型参数设置模型参数设置每次训练随机选择70%的样本作为训练集，剩余的30%作为测试集。止准则，以防止过拟合现象发生。为适应学习模型，优化器（Optimizer）选择的是Adam，学习率默认设置为0.001。采用的是均方差（MSE）损失函数，用以衡量预测值与真实值之间距离的平方和。-7--7-风场超分辨率重建结果比较不同“粗糙”尺度风场模型预测结果与真实值之间的差异。输入值与真实值、预测值与真实值，二者的绝对平均误差分别被定义为e1和Grid-185m、Grid-556m、Grid-1000m和Gr场与Grid-62m真实值风场之间的绝对平均误差e1分别为0.521、1.594、2.612、3.968。基于DSC/MS模型重构台风风场的方法在一定“粗糙”尺度输入风场条件下能够改善台风风场误差，但对于台风眼壁区附近湍流小尺度结构重构效果较差。风场预测值与真实值的误差风场预测值与真实值的误差(e2)使用竖向风场数据进行超分辨率重构，将得到的结果与水平风场在时间和空间上匹配重组，对比值之间的差异。-8--8-风场超分辨率重建结果L2normerror(e)L2normerror(e)e=||xHR-f(x)||2/||xHR||2.风场概率密度分布p.d.f.(f(x))可以展示台风风场的统计规律。Grid-185m、Grid-556m、Grid-1000m和Grid-1667m预测值的概率密度函数与Grid-62m真实值概率密度函数的Kullback-Leibler散度分别是6.878×10-5，1.019×10-(a)h40_18:00(d)h41_20:00(c)h40_22:00(b)h40_20:00(a)h40_18:00(d)h41_20:00(c)h40_22:00-9--9-风场超分辨率重建结果训练DSC/MS模型和重建台风风场的计算时间基本如下（使用NVIDIATeslaK40图形处理器）。虽然这看起来在计算上很费力，但应该注意的是，模型的推导只需要一次。DSC/MS方法能够比双三次插值方法更快地重建台风风场。理想情况下，执行训练过程可导出广泛用于一系列应用，且计算上廉价的模型。能使用此次训练模型预测其他不相关的台风风场。训练和重建的计算时间训练和重建的计算时间13.92=319s/ep.×157ep.在波数为10-3至10-2/m（波长为102至103m）范围内，其预测结果的动能均低于真实值。这可能是由于输入集中大尺度结构和小尺度结构之间的波数差距造成的动能损失。-10--10-风场超分辨率重建结果最大风速位置和大小代表了台风风场的影响区域范围。将不同“粗糙”尺度风场重构最大风速位置和大小代表了台风风场的影响区域范围。将不同“粗糙”尺度风场重构得到的精细化风场与Grid-62m真实台风场最大风速分布进行对比分析。Grid-185m、Grid-556m、Grid-1000m和Grid-1667m预测值拟合曲线与Grid-62m真实值拟合曲线的相关系数分别是0.993、0.904、0.862和0.816。最大风速的单位是m/s；最大风速的位置用水平坐标表示，原点位于风场图像左下角。分别计算不同“粗糙”尺度风场最大风速预测值与真实值的相对误差和最大风速位置的空间偏移。最大风速预测值与真实值相对误差和位置的空间偏移最大风速预测值与真实值相对误差和位置的空间偏移-11--11-11原因是台风场眼壁区小尺度漩涡多、速度梯度变化快，难以捕捉现象。22分析指标与Grid-556m相当，且重构结果均优于传统插值方法。因此，在一定程度上实现了从千米量级到百米量级的跨越。33本次使用的机器学习模型是完全基于数据的，没有考虑控制方程和物理先验知识，在后续的研究中，可以考虑在训练损失中添加物理约束，并赋予其适当的权重，以获得更优的结果。-12--12-第