[論文レビュー] Constructing low-dimensional stochastic wind models through hierarchical spatial temporal decomposition

Qiang Guo, D. A. Rajewski+2 more|arXiv (Cornell University)|Mar 26, 2016

Wind and Air Flow Studies参考文献 29被引用数 4

ひとこと要約

本稿では、大規模な気象データから低次元確率的風モデルを構築するために、双直交分解（BD）とカラフネン-レーベル展開（KLE）を用いた階層的時空間分解（TSD）フレームワークを提案する。この手法は、時間的・空間的相関、日周変動、乱流コherエンスを保持し、わずか9つの時間モードで元のデータの共分散を97.75%の精度で再現する。

ABSTRACT

Current wind turbine simulations successfully use turbulence generating tools for modeling behavior. However, they lack the ability to reproduce variabilities in wind dynamics and inherent stochastic structures (like temporal and spatial coherences, sporadic bursts, high shear regions). This necessitates a more realistic parameterization of the wind that encodes location-, topography-, diurnal-, seasonal and stochastic affects. In this work, we develop a hierarchical temporal and spatial decomposition (TSD) of large-scale meteorology data to construct a low-dimensional yet realistic stochastic wind flow model. Starting from a large data set (Crop Wind-energy EXperiment), a low dimensional stochastic parameterization is constructed. The resulting time-resolved stochastic model encodes the statistical behavior exhibited by the actual wind flow. Moreover, the temporal modes encode the variation of wind speed in the mean sense and resolve diurnal variations and temporal correlation while the spatial modes provide deeper insight into spatial coherence of the wind field - which is a key aspect in current wind turbine sizing, design and classification. Comparison of several important turbulent properties between the simulated wind flow and the original dataset show the utility of the framework. We envision this framework as a useful complement to existing wind simulation codes.

研究の動機と目的

• 場所・地形・日周・季節に依存する風の変動を捉える低次元で現実的な確率的風モデルの構築を目的とする。
• 時間的・空間的相関構造を欠いた簡素化された風モデルの限界を克服することを目的とする。
• 高解像度気象データのデータ複雑性を低減しつつも、主要な統計的特徴を損なわずに風力タービン設計への実用的応用を可能とすることを目的とする。
• 多様な大気・海洋流れモデリングに応用可能なスケーラブルでデータ駆動型のフレームワークを提供することを目的とする。
• コミュニティが風力エネルギーおよび構造動力学研究に使用可能な公開ソフトウェアツールの開発を目的とする。

提案手法

• 大規模気象データを時間的・空間的モードに分解するため、双直交分解（BD）を適用し、時間と空間の依存性を分離する。
• 時間モードにカルフネン-レーベル展開（KLE）を適用し、時間的相関および日周変動を捉える確率的成分を抽出する。
• 10分、15分、20分の時間間隔の風場スナップショットを用いて、時間スケールにわたるコherエンスの安定性を評価する。
• 選択された空間的・時間的モードを用いて合成風場を再構築し、元データの統計的整合性を確保する。
• 元データと合成データの共分散関数の差のL²ノルムを用いて、時間的情報損失を定義・計算する。
• 合成データと元データのパワースペクトル密度（PSD）およびコherエンスを比較することで、モデルの性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 低次元確率的風モデルは、高解像度気象データの時間的・空間的相関構造を保持できるか？
• RQ2 スナップショットのランダム入力数が増加すると、正確な表現に必要な空間モード数はどのように変化するか？
• RQ3 TSDフレームワークは、パワースペクトル密度やコherエンスといった主要な乱流特性をどの程度再現できるか？
• RQ4 スナップショット作成に用いる時間間隔の選択に頑健か？
• RQ5 モデルは日周変動および長期的コherエンスパターンを効果的に表現できるか？

主な発見

• TSDフレームワークは、わずか9つの時間モードで、元の気象データの時間的・空間的共分散を97.75%の精度で再現し、時間的情報損失は2.25%にとどまる。
• ランダム入力数が20倍に増加しても、必要な空間モード数はわずかに増加する（3から8に）。これは、強力なスケーラビリティを示している。
• 本手法で生成された合成風場は、元データとほぼ同一のパワースペクトル密度およびコherエンスを示し、乱流特性の保持が確認された。
• 10分、15分、20分のスナップショット間でコherエンス構造は安定しており、10分間隔でコherエンスが概ね一定であるというGL指針を支持する。
• 本フレームワークは、温度やCO₂フラックスといった他の大気変数にも適用可能であり、洋上風力応用を想定した波浪モデリングへも拡張可能である。
• 本手法は日周変動および長期的時間的相関を効果的に捉えており、タービン設計および信頼性解析に向けた風動的挙動の現実的なシミュレーションを可能にする。