优秀论文--刘皓月-会议.pdf

1、基于气象数值预报尺度风场的高精度基于气象数值预报尺度风场的高精度三维三维风场智能重构风场智能重构汇报人：刘皓月汇报人：刘皓月指导教师：任贺贺指导教师：任贺贺 柯世堂柯世堂日期：日期：2024-8-172024-8-17第十九届中国可再生能源大会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风能分会暨风电高质量发展大会南京航空航天大学南京航空航天大学 民航学院民航学院-2-研究背景研究背景 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般为14 km量级量级。实时天气预报实时天气预报模式尚无法满足结构风工程领域和

2、模式尚无法满足结构风工程领域和风能评估领域对高精度湍流风场的需求风能评估领域对高精度湍流风场的需求。高精度数值模拟高精度数值模拟方法能够提供丰富的三维流场信息，但其计算复杂方法能够提供丰富的三维流场信息，但其计算复杂度和成本较高度和成本较高。机器学习算法机器学习算法能够在大量数据中学习湍流结构的特能够在大量数据中学习湍流结构的特征，并在不同尺度上进行重构和预测征，并在不同尺度上进行重构和预测，可为结构风可为结构风工程和风能评估研究提供真实高精度湍流风场工程和风能评估研究提供真实高精度湍流风场。-3-研究背景研究背景 湍流场湍流场时空重构时空重构 二维湍流场超分辨率重构二维湍流场超分辨率重构 考

3、虑三个时间步长的湍流考虑三个时间步长的湍流重构重构神经网络及超分辨率神经网络及超分辨率重构重构超分辨率重构：超分辨率重构：通过低分辨率图像或图像序列恢复通过低分辨率图像或图像序列恢复出高分辨率图像出高分辨率图像神经网络原理神经网络原理 基于深度学习的三维风场重基于深度学习的三维风场重构构22argmin|(;)|wwyf x w()Re()max(,0).xLU xx-4-数据集数据集DomainD3D4D5D6Horizontal grid distance(m)1666.67555.56185.1861.72Horizontal grid number598 598598 598598 5

4、98967 967Vertical layer number87Time step(s)6.672.220.740.25WRF-LES 选选择海表温度为择海表温度为29的的Domain6台风工况作为基础数据集台风工况作为基础数据集。D6数据集水平网格尺度为数据集水平网格尺度为62m，水平网格数为，水平网格数为967 967，垂直层数垂直层数为为87，起始和终止时间为，起始和终止时间为18:00-22:00，时间步为，时间步为0.25s。为了适应为了适应DSC/MS方法的模型训练，以台风中心为基点，将水平网方法的模型训练，以台风中心为基点，将水平网格数简化为格数简化为960 960。基于理想台风

5、风场数据集进行基于理想台风风场数据集进行DSC/MS网络的训练、测试和网络的训练、测试和预预测。测。（https:/rda.ucar.edu/datasets/ds301.0/）该数据集来源于基于中尺度气象数值模式该数据集来源于基于中尺度气象数值模式WRF开展的理想台开展的理想台风数值模拟结果，采用了风数值模拟结果，采用了WRF-LES模块模块。数据集包含四种不同海表温度（数据集包含四种不同海表温度（26、27、28和和29）情况的理想台风数据情况的理想台风数据。-5-数据集数据集 以以62m水平网格尺度精细化台风风场作为准确值（水平网格尺度精细化台风风场作为准确值（记为记为Grid-62m）

6、，使用），使用不同不同比例对其比例对其进行下采样，分别得到进行下采样，分别得到185m、556m、1000m、1667m四种四种“粗糙粗糙”尺度尺度风场资料，记为风场资料，记为Grid-185m、Grid-556m、Grid-1000m和和Grid-1667m，作为，作为输输入入的低分辨率数据集的低分辨率数据集。选择选择平均池化平均池化(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 池化操作分别在池化操作分别在MM像素的方形池化窗口上进行，这使得大小为像素的方形池化窗口上进行，这使得大小为LL像素的像素的原始图像可以缩小到原始图像可以缩小