2024中國(guó)可再生能源大會(huì)：基于氣象數(shù)值預(yù)報(bào)尺度風(fēng)場(chǎng)的高精度三維風(fēng)場(chǎng)智能重構(gòu)

第十九屆中國(guó)可再生能源大會(huì)-風(fēng)能分會(huì)暨風(fēng)電高質(zhì)量發(fā)展大會(huì)基于氣象數(shù)值預(yù)報(bào)尺度風(fēng)場(chǎng)的高精度三維風(fēng)場(chǎng)智能重構(gòu)南京航空航天大學(xué)民航學(xué)院研究背景最新超級(jí)計(jì)算機(jī)算力表明當(dāng)前實(shí)時(shí)天氣預(yù)報(bào)最精細(xì)水平網(wǎng)格尺度一般為1~4km量級(jí)。實(shí)時(shí)天氣預(yù)報(bào)模式尚無法滿足結(jié)構(gòu)風(fēng)工程領(lǐng)域和機(jī)器學(xué)習(xí)算法能夠在大量數(shù)據(jù)中學(xué)習(xí)湍流結(jié)構(gòu)的特風(fēng)能評(píng)估領(lǐng)域?qū)Ω呔韧牧黠L(fēng)場(chǎng)的需求。征，并在不同尺度上進(jìn)行重構(gòu)和預(yù)測(cè)，可為結(jié)構(gòu)風(fēng)高精度數(shù)值模擬方法能夠提供豐富的三維流場(chǎng)信息，但其計(jì)算復(fù)雜工程和風(fēng)能評(píng)估研究提供真實(shí)高精度湍流風(fēng)場(chǎng)。度和成本較高。-2--2-研究背景神經(jīng)網(wǎng)絡(luò)及超分辨率重構(gòu)超分辨率重構(gòu)：超分辨率重構(gòu)：通過低分辨率圖像或圖像序列恢復(fù)出高分辨率圖像σ(x)=ReLU(x)=max(x,0).w=argminw=argminw||y-f(x;w)||湍流場(chǎng)時(shí)空重構(gòu)考慮三個(gè)時(shí)間步長(zhǎng)的湍流重構(gòu)二維湍流場(chǎng)超分辨率重構(gòu)考慮三個(gè)時(shí)間步長(zhǎng)的湍流重構(gòu)二維湍流場(chǎng)超分辨率重構(gòu)基于深度學(xué)習(xí)的三維風(fēng)場(chǎng)重構(gòu)-3--3-數(shù)據(jù)集基于理想臺(tái)風(fēng)風(fēng)場(chǎng)數(shù)據(jù)集進(jìn)行DSC/MS基于理想臺(tái)風(fēng)風(fēng)場(chǎng)數(shù)據(jù)集進(jìn)行DSC/MS網(wǎng)絡(luò)的訓(xùn)練、測(cè)試和預(yù)WRF-LES測(cè)。（/datasets/ds301.0/）該數(shù)據(jù)集來源于基于中尺度氣象數(shù)值模式WRF開展的理想臺(tái)風(fēng)數(shù)值模擬結(jié)果，采用了WRF-LES模塊。數(shù)據(jù)集包含四種不同海表溫度（26℃、27℃、28℃和29℃)情況的理想臺(tái)風(fēng)數(shù)據(jù)。選擇海表溫度為29℃的Domain6臺(tái)風(fēng)工況作為基礎(chǔ)數(shù)據(jù)集。D6數(shù)據(jù)集水平網(wǎng)格尺度為62m，水平網(wǎng)格數(shù)為967×967，垂直層數(shù)為87，起始和終止時(shí)間為18:00-22:00，時(shí)間步為0.25s。為了適應(yīng)DSC/MS方法的模型訓(xùn)練，以臺(tái)風(fēng)中心為基點(diǎn)，將水平網(wǎng)格數(shù)簡(jiǎn)化為960×960。-4--4-數(shù)據(jù)集以62m水平網(wǎng)格尺度精細(xì)化臺(tái)風(fēng)風(fēng)場(chǎng)作為準(zhǔn)確值（記為Grid-62m使用不同風(fēng)場(chǎng)資料，記為Grid-185m、Grid-556m、Grid-1000m和Grid-1667m，作為輸入的低分辨率數(shù)據(jù)集。選擇平均池化(average)來對(duì)精細(xì)風(fēng)場(chǎng)進(jìn)行下采樣。這些池化操作定義為池化操作分別在M×M像素的方形池化窗口上進(jìn)行，這使得大小為L(zhǎng)×L像素的原始圖像可以縮小到(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低分辨率數(shù)據(jù)集低分辨率數(shù)據(jù)集-5--5-改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)（Convolutionalneuralnetworks，CNN）模型。上半部分綠色背景區(qū)域?yàn)橄虏蓸犹S連接模型（Down-SamplingSkipConnection其中三角運(yùn)算表示數(shù)據(jù)壓縮的操作。下半部分藍(lán)色背景區(qū)域?yàn)槎喑叨饶Ｐ停∕ulti-Scale其中包含多個(gè)具有不同長(zhǎng)度和大小的過濾器。卷積操作yc=σ(k*xc+bc),過濾器DSC/MS模型可同時(shí)捕捉大尺度流場(chǎng)結(jié)構(gòu)和湍流小尺度結(jié)構(gòu)。將“粗糙”尺度流場(chǎng)輸入DSC/MS模型，經(jīng)過一系列的最大池化、卷積操作，再將其與下采樣數(shù)據(jù)跳躍連接，再重復(fù)卷積-6--6-模型訓(xùn)練過程理想臺(tái)風(fēng)數(shù)據(jù)集包含了不同時(shí)間和不同高度的多組數(shù)據(jù)，個(gè)垂直高度層）960×960的數(shù)據(jù)分布樣本。Grid-185m、Grid-556m、Grid-1000m和Grid-1667m中樣本與Grid-62m中樣本在時(shí)間和高度上均為一一對(duì)應(yīng)。時(shí)間點(diǎn)的100個(gè)樣本進(jìn)行預(yù)測(cè)分析。模型參數(shù)設(shè)置模型參數(shù)設(shè)置每次訓(xùn)練隨機(jī)選擇70%的樣本作為訓(xùn)練集，剩余的30%作為測(cè)試集。止準(zhǔn)則，以防止過擬合現(xiàn)象發(fā)生。為適應(yīng)學(xué)習(xí)模型，優(yōu)化器（Optimizer）選擇的是Adam，學(xué)習(xí)率默認(rèn)設(shè)置為0.001。采用的是均方差（MSE）損失函數(shù)，用以衡量預(yù)測(cè)值與真實(shí)值之間距離的平方和。-7--7-風(fēng)場(chǎng)超分辨率重建結(jié)果比較不同“粗糙”尺度風(fēng)場(chǎng)模型預(yù)測(cè)結(jié)果與真實(shí)值之間的差異。輸入值與真實(shí)值、預(yù)測(cè)值與真實(shí)值，二者的絕對(duì)平均誤差分別被定義為e1和Grid-185m、Grid-556m、Grid-1000m和Gr場(chǎng)與Grid-62m真實(shí)值風(fēng)場(chǎng)之間的絕對(duì)平均誤差e1分別為0.521、1.594、2.612、3.968?；贒SC/MS模型重構(gòu)臺(tái)風(fēng)風(fēng)場(chǎng)的方法在一定“粗糙”尺度輸入風(fēng)場(chǎng)條件下能夠改善臺(tái)風(fēng)風(fēng)場(chǎng)誤差，但對(duì)于臺(tái)風(fēng)眼壁區(qū)附近湍流小尺度結(jié)構(gòu)重構(gòu)效果較差。風(fēng)場(chǎng)預(yù)測(cè)值與真實(shí)值的誤差風(fēng)場(chǎng)預(yù)測(cè)值與真實(shí)值的誤差(e2)使用豎向風(fēng)場(chǎng)數(shù)據(jù)進(jìn)行超分辨率重構(gòu)，將得到的結(jié)果與水平風(fēng)場(chǎng)在時(shí)間和空間上匹配重組，對(duì)比值之間的差異。-8--8-風(fēng)場(chǎng)超分辨率重建結(jié)果L2normerror(e)L2normerror(e)e=||xHR-f(x)||2/||xHR||2.風(fēng)場(chǎng)概率密度分布p.d.f.(f(x))可以展示臺(tái)風(fēng)風(fēng)場(chǎng)的統(tǒng)計(jì)規(guī)律。Grid-185m、Grid-556m、Grid-1000m和Grid-1667m預(yù)測(cè)值的概率密度函數(shù)與Grid-62m真實(shí)值概率密度函數(shù)的Kullback-Leibler散度分別是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-風(fēng)場(chǎng)超分辨率重建結(jié)果訓(xùn)練DSC/MS模型和重建臺(tái)風(fēng)風(fēng)場(chǎng)的計(jì)算時(shí)間基本如下（使用NVIDIATeslaK40圖形處理器）。雖然這看起來在計(jì)算上很費(fèi)力，但應(yīng)該注意的是，模型的推導(dǎo)只需要一次。DSC/MS方法能夠比雙三次插值方法更快地重建臺(tái)風(fēng)風(fēng)場(chǎng)。理想情況下，執(zhí)行訓(xùn)練過程可導(dǎo)出廣泛用于一系列應(yīng)用，且計(jì)算上廉價(jià)的模型。能使用此次訓(xùn)練模型預(yù)測(cè)其他不相關(guān)的臺(tái)風(fēng)風(fēng)場(chǎng)。訓(xùn)練和重建的計(jì)算時(shí)間訓(xùn)練和重建的計(jì)算時(shí)間13.92=319s/ep.×157ep.在波數(shù)為10-3至10-2/m（波長(zhǎng)為102至103m）范圍內(nèi)，其預(yù)測(cè)結(jié)果的動(dòng)能均低于真實(shí)值。這可能是由于輸入集中大尺度結(jié)構(gòu)和小尺度結(jié)構(gòu)之間的波數(shù)差距造成的動(dòng)能損失。-10--10-風(fēng)場(chǎng)超分辨率重建結(jié)果最大風(fēng)速位置和大小代表了臺(tái)風(fēng)風(fēng)場(chǎng)的影響區(qū)域范圍。將不同“粗糙”尺度風(fēng)場(chǎng)重構(gòu)最大風(fēng)速位置和大小代表了臺(tái)風(fēng)風(fēng)場(chǎng)的影響區(qū)域范圍。將不同“粗糙”尺度風(fēng)場(chǎng)重構(gòu)得到的精細(xì)化風(fēng)場(chǎng)與Grid-62m真實(shí)臺(tái)風(fēng)場(chǎng)最大風(fēng)速分布進(jìn)行對(duì)比分析。Grid-185m、Grid-556m、Grid-1000m和Grid-1667m預(yù)測(cè)值擬合曲線與Grid-62m真實(shí)值擬合曲線的相關(guān)系數(shù)分別是0.993、0.904、0.862和0.816。最大風(fēng)速的單位是m/s；最大風(fēng)速的位置用水平坐標(biāo)表示，原點(diǎn)位于風(fēng)場(chǎng)圖像左下角。分別計(jì)算不同“粗糙”尺度風(fēng)場(chǎng)最大風(fēng)速預(yù)測(cè)值與真實(shí)值的相對(duì)誤差和最大風(fēng)速位置的空間偏移。最大風(fēng)速預(yù)測(cè)值與真實(shí)值相對(duì)誤差和位置的空間偏移最大風(fēng)速預(yù)測(cè)值與真實(shí)值相對(duì)誤差和位置的空間偏移-11--11-11原因是臺(tái)風(fēng)場(chǎng)眼壁區(qū)小尺度漩渦多、速度梯度變化快，難以捕捉現(xiàn)象。22分析指標(biāo)與Grid-556m相當(dāng)，且重構(gòu)結(jié)果均優(yōu)于傳統(tǒng)插值方法。因此，在一定程度上實(shí)現(xiàn)了從千米量級(jí)到百米量級(jí)的跨越。33本次使用的機(jī)器學(xué)習(xí)模型是完全基于數(shù)據(jù)的，沒有考慮控制方程和物理先驗(yàn)知識(shí)，在后續(xù)的研究中，可以考慮在訓(xùn)練損失中添加物理約束，并賦予其適當(dāng)?shù)臋?quán)重，以獲得更優(yōu)的結(jié)果。-12--12-第