基于稀疏窗口注意力机制的城市风能湍流场时序超分辨率重建框架

本文提出了一种融合稀疏窗口注意力机制(WTT-SRST)的风场时序超分辨率(TSR-TF)深度学习框架，通过改进Swin-Transformer层级结构并引入相对物理约束损失(RPL)，在保证行星边界层(PBL)湍流物理合理性的同时，显著降低32.89%计算能耗。该研究为城市风能调度中的高时空分辨率(HTR)风场重建提供了高效解决方案。

　　

Highlight

本研究亮点在于开发了风湍流时序超分辨率Swin-Transformer模型(WTT-SRST)，通过创新性稀疏窗口注意力机制和相对物理约束损失(RPL)，实现了行星边界层(PBL)风场的高效重建。相较于传统窗口注意力机制，该模型训练时间缩短32.92%，计算能耗降低32.89%，同时保持湍流结构特征和能量谱的物理一致性。

Conclusions

城市风能受湍流影响显著，高时序分辨率(HTR)风场数据对能源调度至关重要。针对传统物理模型计算效率低的问题，本研究提出的深度学习框架成功实现了：1）通过可调节步长的稀疏窗口注意力机制优化计算效率；2）采用RPL损失保障生成风场的物理合理性；3）在功率谱、相干函数等湍流特征指标上展现出优越性能，为风机叶片设计、城市风场布局等应用提供可靠数据支撑。

CRediT作者贡献声明

张明明：方法论、研究设计、资金获取；陈凌伟：概念构建、方法开发；赵子涵：软件实现、数据验证、论文撰写；李超：项目管理、可视化分析；唐凌霄：数据采集、结果验证、论文起草。

利益冲突声明

?作者声明不存在可能影响本研究结果的财务或个人利益冲突。

数据可用性声明

数据将根据需求提供。

致谢

本研究受广东省哲学社会科学规划2025项目(GD25YGG21)、广东省基础与应用基础研究基金(2024B1515250004)等资助。