基于知识融合图变换器的网络在风场评估中的应用——尤其是当数据较为稀疏时

《Renewable Energy》：Knowledge-Fusion Graph Transformer network for wind farm assessment with sparse data

风电场评估的图Transformer模型创新研究。提出知识融合图Transformer（KFGT）集成物理引导注意力与解析尾流模型，实现功率预测和关键载荷预测误差低于3%，参数量减少39.7%且保持高精度，在2250样本和75维高维空间下性能优异，适用于大规模风电场优化。

　　在当今全球能源需求不断上升的背景下，可再生能源的开发和利用成为实现可持续发展的关键方向。随着气候变化和海平面上升对环境带来的深远影响，推动清洁能源的广泛应用已成为当务之急。其中，风能作为一种清洁、高效且成本逐渐降低的能源形式，正发挥着越来越重要的作用。大规模的风力发电场由多个风力涡轮机组成，这些涡轮机通过转换风的动能来产生电力。据全球风能理事会统计，2023年全球可再生能源装机容量增长了510吉瓦，年增长率达到近50%，其中陆上风电新增装机容量达106吉瓦，海上风电则增加了10.8吉瓦，这一增长趋势表明风能正成为全球能源结构转型的重要组成部分。

然而，风力发电场的运行效率并非随着涡轮机数量的增加而线性提升。风力涡轮机之间的相互作用，尤其是“尾流效应”，会显著影响整体发电性能。尾流效应指的是上游涡轮机在运行过程中会扰动气流，导致下游区域的风速降低、湍流强度增加，从而减少发电效率。实际观测数据显示，像Horns Rev和Lillgrund这样的风力发电场，由于涡轮机间距较近，其尾流导致的能量损失分别高达45%和28%。类似的尾流损失现象也出现在美国东海岸的风电场，那里的年发电量因尾流效应而减少34%至38%不等。除了发电量的下降，尾流效应还会对涡轮机的结构造成影响，增加旋转叶片的疲劳载荷，从而加速设备磨损并提高维护成本。

为了优化风力发电场的布局并提升其经济性，减少涡轮机在尾流区域的布置成为一项重要任务，这需要精确的尾流建模技术。在流体力学领域，计算流体动力学（CFD）和动态尾流漂移（DWM）是常用的尾流模拟方法。CFD通过求解纳维-斯托克斯方程来模拟风流的详细动态，虽然其精度较高，但计算成本也相应增加，使得大规模风力发电场的模拟变得昂贵且不现实。相比之下，DWM模型利用尾流漂移理论，能够有效模拟湍流强度和尾流结构的变化，其计算效率显著优于CFD，但仍然存在较高的计算需求。

因此，研究者们开始探索更高效的工程分析型尾流模型。这类模型通常基于简化假设或实验数据拟合的公式，用于估算风力涡轮机的尾流风速。它们主要描述单个涡轮机的尾流效应，并通过叠加模型扩展至多涡轮机的尾流场。这种分层建模方法在计算效率和可扩展性方面表现良好，尤其适用于大规模风电场。然而，这类模型的精度受到其简化结构的限制，难以达到CFD或DWM模型的水平。此外，叠加模型在处理复杂尾流相互作用时可能会累积误差，从而影响整体预测的准确性。

鉴于尾流效应的复杂性，传统尾流模型在计算效率和精度之间难以取得平衡。因此，数据驱动的模型成为一种有前景的替代方案。这些模型不依赖于复杂的物理过程模拟，而是直接从风场数据中学习尾流特征。随着机器学习技术的迅速发展，数据驱动的尾流模型在风能领域得到了广泛应用。这类模型可以分为涡轮机尺度评估和风场尺度评估两种类型。涡轮机尺度模型能够通过深度神经网络或经验叠加技术扩展至风场尺度，但这种扩展过程可能引入额外的误差，影响整体预测的准确性。

为了更高效地评估风场的整体性能，越来越多的研究开始采用端到端的模型。其中，图神经网络（GNNs）因其能够自然地表示风场的图结构而受到关注。风场可以被建模为一个图，其中每个涡轮机是一个节点，而尾流效应则通过边来表示。节点特征通常包括环境风况和涡轮机状态，如平均风速、湍流强度、风向、涡轮机位置和偏航角度。边特征则捕捉涡轮机之间的相互作用，尤其是尾流效应，即上游涡轮机对下游风况的影响。这种图结构使得GNN能够有效地模拟和预测风场的性能，成为风能研究中的一个新兴方向。

在风场评估领域，GNN的应用已经取得了一些重要进展。例如，Harrison-Atlas等人将风场建模为图结构，通过图神经网络捕捉不同大气条件下涡轮机之间的相互作用，从而实现对不同布局风场的发电量和成本的精确预测。Li等人则采用图变换器架构，结合消息传递机制，将风场表示为有向图，利用涡轮机位置、偏航角度和风况作为输入，模拟上游涡轮机对下游发电量的影响。Santos等人进一步优化了GNN方法，提出了一个与布局无关的设计，并融合了物理启发的特征，通过编码器-处理器-解码器结构，预测了不同布局和风况下的气动参数、发电量和疲劳载荷。

尽管这些GNN模型在预测性能上表现出色，但仍存在一些局限性。首先，许多研究依赖低精度模型生成大规模数据集，而高质量数据，如现场测量或高精度模拟，往往稀缺且成本高昂，尤其是在新建设的风场中。获取详细的风速分布、涡轮机运行数据和特定站点的环境影响信息需要大量的时间和资源投入。因此，开发能够在有限数据条件下实现高效训练的模型具有重要的现实意义。其次，大多数研究侧重于发电量的预测，而对结构载荷的评估，特别是等效损伤载荷（DELs）和峰值载荷，往往被忽视。这些载荷指标对于风场的运维和成本控制至关重要，因此需要更加全面的模型来评估。第三，数据驱动的方法通常缺乏对已有工程模型的整合，这种融合能够为模型提供更强的物理指导，提高其泛化能力和鲁棒性。特别是在数据稀缺的情况下，嵌入物理知识可以为模型提供更强的归纳偏置，从而减少过拟合的风险。最后，将图结构分解为独立组件进行学习和组合的方式，忽略了图拓扑中复杂的相互作用。在图数据中，节点和边之间的关系与单个特征同样重要，过度简化可能导致关键的上下文信息丢失，进而影响模型对图动态的全面理解。

基于上述研究现状和存在的问题，本文提出了一种创新的图神经网络框架——知识融合图变换器（Knowledge-Fusion Graph Transformer, KFGT）。该模型结合了物理指导的注意力机制和已有的分析尾流模型，为风场评估提供了一种全新的方法。KFGT能够在更少但质量更高的训练数据集上实现对风场发电量和关键结构载荷的准确预测，同时保持更高效的模型架构和更少的参数量。通过将物理和工程知识与数据驱动方法相结合，KFGT在多个先进的评估中达到了最先进的性能水平。

与传统的图卷积网络（GCN）或图注意力网络（GAT）不同，KFGT采用了图变换器架构，能够捕捉长距离依赖关系。其核心创新在于融合标准的数据驱动注意力机制与物理指导的注意力头（如标准注意力头和物理注意力头）。这些注意力头直接嵌入了气动原理，使模型在学习过程中能够更有效地捕捉涡轮机之间的相互作用。即使在高维空间（超过75个变量）和有限的训练样本（约2250个）条件下，KFGT仍然能够保持出色的预测精度。实验结果显示，即使将训练数据减少75%，KFGT仍能保留约89.3%的基线性能，这表明其在数据稀缺情况下的鲁棒性。

KFGT的优势不仅体现在预测精度上，还在于其计算效率和可扩展性。传统的CFD或DWM模型在模拟大规模风场时需要大量的计算资源，而KFGT通过减少参数量和优化模型结构，实现了更高效的计算。这种高效性对于风场优化和运维策略的制定具有重要意义。例如，在风场布局优化和偏航控制策略的制定中，KFGT能够提供更准确的预测结果，从而帮助工程师做出更科学的决策。此外，KFGT的预测结果对于风场的长期运行和维护成本评估也具有重要价值。

本文的结构如下：第二部分介绍了风场模拟算法和数据集的准备方法；第三部分将风场评估任务正式定义为一个监督学习问题；第四部分详细阐述了所提出的KFGT网络架构；第五部分则从多个角度评估和讨论了模型的预测性能。通过这些研究内容，我们希望为风能领域的研究和应用提供一种新的工具，推动风力发电场的智能化管理和优化设计。

在风场模拟方面，本文采用了NREL的DWM框架和FAST.Farm模型，结合NREL 5MW基准水平轴风力涡轮机模型，以确保模拟结果的准确性和可靠性。FAST.Farm被广泛认为是行业标准工具，它在计算成本和物理准确性之间提供了良好的平衡。该框架经过大量现场数据的验证，能够提供高质量的模拟结果，为后续的模型训练和评估奠定基础。

在问题建模方面，本文将风场评估任务视为一个监督学习问题，旨在开发一种计算效率高且能够全面评估风场性能的数据驱动模型。模型需要准确预测风场中每台风力涡轮机在不同运行和大气条件下的发电量和关键结构载荷。其中，尾流效应是影响涡轮机之间相互作用的核心因素，因此，模型必须能够有效地捕捉这些复杂的非线性关系。

KFGT的架构设计是本文的核心贡献之一。该模型通过将图结构与变换器网络相结合，实现了对风场的高效评估。具体而言，KFGT利用图变换器架构来捕捉涡轮机之间的长距离依赖关系，而其融合的物理指导注意力头则直接嵌入了气动原理，使模型在学习过程中能够更好地理解涡轮机之间的相互作用。这种结合不仅提高了模型的预测精度，还增强了其在数据有限情况下的泛化能力。

在实验评估方面，本文使用了包含2826个样本的数据集，并将其划分为80%用于训练、10%用于验证和10%用于测试。数据的预处理和归一化过程在第二部分进行了详细描述。为了优化模型性能，本文采用了贝叶斯搜索方法对超参数进行了调优，包括批量大小、注意力头数量、隐藏层维度和KFGT层数。模型的开发、训练、验证和测试流程均通过相应的工具实现，确保了实验的可重复性和结果的可靠性。

从实验结果来看，KFGT在多个评估指标上均表现出色。其预测误差在11个评估指标中整体控制在5.2%以内，其中关键指标如发电量和叶片根部载荷的误差甚至低于3%。这一表现不仅优于传统模型，也证明了KFGT在数据稀缺情况下的强大适应能力。此外，KFGT的参数量显著减少，仅为基线图变换器模型的约60%，这使得模型在计算资源有限的情况下仍然能够保持较高的预测精度。

综上所述，KFGT为风场评估提供了一种全新的方法，它结合了物理指导的注意力机制和高效的图变换器架构，能够在有限的数据条件下实现高精度的预测。这种模型不仅有助于提高风场的发电效率，还能有效降低运维成本，为风能的可持续发展提供了强有力的技术支持。未来，随着风场规模的扩大和数据获取能力的提升，KFGT有望在更广泛的风能应用中发挥重要作用。