[论文解读] A Stochastic Generator of Global Monthly Wind Energy with Tukey $g$-and-$h$ Autoregressive Processes

Jaehong Jeong, Yuan Yan+2 more|arXiv (Cornell University)|Nov 10, 2017

Energy Load and Power Forecasting被引用 4

一句话总结

本文提出一种基于Tukey $g$-and-$h$自回归过程的随机生成器，用于对具有非高斯、非平稳时空依赖性的全球月度风能进行建模。该模型仅基于五个气候模型运行进行训练，即可高效复现40次完整模拟的不确定性，准确捕捉月尺度下的偏度、尾部行为及年际变异性——这对政策相关的风能评估至关重要。

ABSTRACT

Quantifying the uncertainty of wind energy potential from climate models is a very time-consuming task and requires a considerable amount of computational resources. A statistical model trained on a small set of runs can act as a stochastic approximation of the original climate model, and be used to assess the uncertainty considerably faster than by resorting to the original climate model for additional runs. While Gaussian models have been widely employed as means to approximate climate simulations, the Gaussianity assumption is not suitable for winds at policy-relevant time scales, i.e., sub-annual. We propose a trans-Gaussian model for monthly wind speed that relies on an autoregressive structure with Tukey $g$-and-$h$ transformation, a flexible new class that can separately model skewness and tail behavior. This temporal structure is integrated into a multi-step spectral framework that is able to account for global nonstationarities across land/ocean boundaries, as well as across mountain ranges. Inference can be achieved by balancing memory storage and distributed computation for a data set of 220 million points. Once fitted with as few as five runs, the statistical model can generate surrogates fast and efficiently on a simple laptop, and provide uncertainty assessments very close to those obtained from all the available climate simulations (forty) on a monthly scale.

研究动机与目标

• 开发一种计算高效的代理模型，用于量化全球月度风能潜力中的内部变异性。
• 解决高斯模型在捕捉月度风速数据中偏度和厚尾特性方面的局限性。
• 利用并行与分布式计算技术，实现在包含2.2亿个点的庞大时空数据集上的可扩展推断。
• 在月尺度上提供政策相关的不确定性评估，这对风能规划至关重要。
• 证明仅使用少量训练数据（五个运行）即可生成与完整集合（四十个运行）不确定性接近的合成数据。

提出的方法

• 该模型采用基于Tukey $g$-and-$h$分布的转换高斯过程，分别控制偏度（$g$）和尾部行为（$h$），从而实现对月度风速的灵活非高斯建模。
• 采用多步谱框架，整合陆地/海洋边界及山脉区域的空间非平稳性，确保在球面上具有物理解释的依赖结构。
• 在谱模型中嵌入自回归结构，以捕捉站点特定的时序动态及月度风速的局部依赖性。
• 通过可扩展、内存高效的推断方法平衡分布式计算与网格化数据结构，实现在2.2亿个点上的似然估计。
• 结合固定秩近似与并行化Cholesky分解，高效处理大规模协方差矩阵，充分利用高性能计算能力。
• 该随机生成器基于LENS集合中五个运行的小样本进行训练，并用于快速生成高保真代理数据，以实现不确定性量化。

实验结果

研究问题

• RQ1 仅基于大规模气候集合中五个运行训练的统计模型，能否准确复现完整40个运行集合在月度风能上的不确定性？
• RQ2 非高斯、非平稳的时空模型在多大程度上能准确捕捉全球范围内月度风速的偏度与厚尾特性？
• RQ3 Tukey $g$-and-$h$自回归过程在多大程度上能够建模陆地、海洋及山地区域风速的复杂非平稳性？
• RQ4 可扩展的并行化推断框架能否在保持模型保真度的同时，应对包含2.2亿个点的全球风数据集的计算需求？
• RQ5 所提出的随机生成器是否能为政策相关的风能评估提供一种可靠且快速的替代方案，以替代运行完整气候模型？

主要发现

• 仅基于五个LENS运行训练的随机生成器，生成的合成风速数据在视觉上与完整40个运行集合无法区分，并与原始模拟的时空局部依赖结构高度一致。
• Tukey $g$-and-$h$模型成功捕捉了80米高度风能密度（WPD）的右偏分布，其结果在亚丁湾区域与完整集合的不确定性高度吻合。
• 2020年WPD的箱线图显示，40个LENS运行与40个SG运行在点估计值和范围上几乎完全相同，仅在4月和11月存在微小偏差。
• 该模型准确复现了年际变化模式与内部变异性，包括在7月等高风速月份中对风况从“一般”到“极高”的分类。
• SG在标准笔记本电脑上仅用数秒即可生成代理数据，其不确定性评估结果与需数百万CPU小时的40次完整气候模拟结果几乎完全一致。
• 将多步谱建模与Tukey $g$-and-$h$变换相结合，实现了在大规模下对全球月度风能进行稳健、非平稳且非高斯的建模。