[论文解读] End-to-end Wind Turbine Wake Modelling with Deep Graph Representation Learning

Siyi Li, Mingrui Zhang+1 more|arXiv (Cornell University)|Nov 24, 2022

Wind Energy Research and Development被引用 6

一句话总结

该论文提出了一种图神经网络（GraphSAGE+JK+Res），直接在非结构化CFD网格上建模三维风力涡轮机尾流，对未见过的入口条件和偏航角，速度预测准确率达到99.71%，湍流动能预测准确率达到98.17%，推理时间低于15毫秒。

ABSTRACT

Wind turbine wake modelling is of crucial importance to accurate resource assessment, to layout optimisation, and to the operational control of wind farms. This work proposes a surrogate model for the representation of wind turbine wakes based on a state-of-the-art graph representation learning method termed a graph neural network. The proposed end-to-end deep learning model operates directly on unstructured meshes and has been validated against high-fidelity data, demonstrating its ability to rapidly make accurate 3D flow field predictions for various inlet conditions and turbine yaw angles. The specific graph neural network model employed here is shown to generalise well to unseen data and is less sensitive to over-smoothing compared to common graph neural networks. A case study based upon a real world wind farm further demonstrates the capability of the proposed approach to predict farm scale power generation. Moreover, the proposed graph neural network framework is flexible and highly generic and as formulated here can be applied to any steady state computational fluid dynamics simulations on unstructured meshes.

研究动机与目标

• 开发一种数据驱动的代理模型，用于风力涡轮机尾流预测，与高保真CFD模拟相比，显著降低计算成本，同时保持高精度。
• 通过直接在非结构化CFD网格上运行，克服传统均匀网格深度学习模型的局限性，保留对多尺度流动特征至关重要的空间分辨率变化。
• 通过架构创新（如跳跃知识和残差连接）缓解在大规模3D CFD数据（数十万个顶点）上应用深层GNN时的过度平滑问题。
• 利用实测功率数据和高保真CFD模拟，在真实风电场布局上验证模型的泛化能力和精度。

提出的方法

• 该模型采用深层GraphSAGE架构，结合残差连接和跳跃连接（GraphSAGE+JK+Res），以缓解在大规模非结构化网格上深层GNN的过度平滑问题。
• 利用OpenFOAM中的广义动量盘（GAD）模型生成高保真RANS基尾流数据，并与NTNU的风洞数据进行验证。
• 将OpenFOAM的非结构化网格转换为图数据结构，其中网格顶点作为节点，边表示几何连通性，从而实现GNN的直接处理。
• 模型在不同入口风速、湍流强度和涡轮机偏航角下的三维流场（速度、湍流动能）上进行端到端训练。
• 通过平方和（SOS）尾流叠加方法，将单个涡轮机尾流预测结果叠加，实现风电场尺度的功率预测。
• 模型推理效率极高，在未见数据上每轮模拟的预测时间低于15毫秒。

实验结果

研究问题

• RQ1 在高保真RANS CFD数据上进行训练的图神经网络，能否在不同入口条件和涡轮机偏航角下准确预测三维风力涡轮机尾流流场？
• RQ2 所提出的GraphSAGE+JK+Res架构在应用于大规模非结构化CFD网格时，能否有效缓解深层GNN中的过度平滑问题？
• RQ3 该GNN代理模型在多大程度上能泛化到未见数据和真实风电场布局，特别是在预测集体功率输出方面？
• RQ4 在真实海上风电场案例研究中，该GNN模型的性能与高保真CFD模拟和实测数据相比如何？

主要发现

• 该GNN模型在不同入口条件和偏航角下对未见数据的风速预测中位准确率达到99.71%，湍流动能预测准确率达到98.17%。
• 模型在15毫秒内完成单个流场预测，展现出适用于实时控制和优化的高速推理能力。
• 模型在利勒格伦海上风电场所有排涡轮机中均准确预测了功率输出，与CFD模拟和实测数据高度一致。
• 平方和（SOS）尾流叠加方法产生的风电场尺度功率预测最准确，优于线性叠加和最大亏损法。
• 尽管下游涡轮机存在轻微低估（受尾流叠加方法局限性影响），但模型仍以高保真度捕捉了复杂流动特征，如涡轮机排之间的间隙（例如D排和E排）。
• 该框架具有高度通用性，可应用于任何稳态CFD模拟的非结构化网格，不限于风能应用。