[论文解读] 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 4

一句话总结

本文提出了一种分层时空调和分解（TSD）框架，利用双正交分解（BD）和Karhunen-Loève展开（KLE），从大规模气象数据中构建低维随机风场模型。该方法保留了时间与空间相关性、昼夜变化以及湍流相干性，在仅使用9个时间模态的情况下，实现了97.75%的原始数据协方差再现准确率。

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.

研究动机与目标

• 开发一种低维、逼真的随机风场模型，以捕捉与位置、地形、昼夜及季节相关的风场变化。
• 克服简化风场模型缺乏时间与空间相关性结构的局限性。
• 通过在不损失关键统计特征的前提下降低数据复杂度，使高分辨率气象数据在风力涡轮机设计中具有实际可用性。
• 提供一种可扩展、数据驱动的框架，适用于各种大气与海洋流场建模。
• 为风能与结构动力学研究社区提供一个公开可用的软件工具。

提出的方法

• 应用双正交分解（BD）将大规模气象数据分解为时间模态与空间模态，分离时间与空间依赖性。
• 对时间模态应用Karhunen-Loève展开（KLE），提取捕捉时间相关性与昼夜变化的随机分量。
• 构建10分钟、15分钟和20分钟时间间隔的风场快照，以评估不同时间尺度下相干性的稳定性。
• 通过选择的空间模态与时间模态重构合成风场，确保与原始数据的统计保真度。
• 通过原始数据与合成数据之间协方差函数差异的L²-范数定义并计算时间信息损失。
• 通过比较合成风数据与原始风数据的功率谱密度（PSDs）和相干性，验证模型性能。

实验结果

研究问题

• RQ1 低维随机风场模型能否保留高分辨率气象数据的时间与空间相关性结构？
• RQ2 随机输入数量（快照间隔）的增加如何影响准确表示所需的空模态数量？
• RQ3 TSD框架在多大程度上能够再现关键湍流特性，如功率谱密度与相干性？
• RQ4 该框架对快照构建所选时间间隔的变化是否具有鲁棒性？
• RQ5 该模型能否有效编码风动力学中的昼夜变化与长期相干性模式？

主要发现

• TSD框架仅使用9个时间模态，即实现了97.75%的原始气象数据时间与空间协方差再现准确率，时间信息损失仅为2.25%。
• 即使随机输入数量增加20倍，所需空模态数量仅从3个略微增加至8个，表明该方法具有极强的可扩展性。
• 使用该模型生成的合成风场与原始数据具有近乎相同的功率谱密度与相干性，证实了湍流特性的有效保留。
• 10分钟、15分钟与20分钟快照的相干性结构保持稳定，支持GL指南中关于相干性在10分钟内近似恒定的结论。
• 该框架可适用于其他大气变量（如温度与CO₂通量），并可扩展至海洋波浪建模，适用于海上风电应用。
• 该方法成功捕捉了昼夜变化与长期时间相关性，能够为涡轮机设计与可靠性分析提供逼真的风场动力学模拟。