《Energy and AI》：Effect of physics regularization on generative adversarial training for fast prediction of yawed wind turbine wakes
编辑推荐：
准确建模偏航风力机尾流对于风电场运行与控制至关重要。解析尾流模型计算效率高，但依赖于简化假设；高保真数值模拟能够捕捉复杂流动，但计算成本高昂。纯数据驱动的代理模型在数据充足时可能有效，但忽略了控制物理规律。本研究探究了一种物理信息生成式代理框架的训练方法，该框
准确建模偏航风力机尾流对于风电场运行与控制至关重要。解析尾流模型计算效率高，但依赖于简化假设；高保真数值模拟能够捕捉复杂流动，但计算成本高昂。纯数据驱动的代理模型在数据充足时可能有效，但忽略了控制物理规律。本研究探究了一种物理信息生成式代理框架的训练方法，该框架采用深度卷积条件生成对抗网络（DC-cGAN），并以雷诺平均纳维-斯托克斯（RANS）残差作为正则化项。研究人员量化了嵌入这些残差对对抗训练行为的影响，以及其在来流条件和偏航变化下对稳态二维轮毂高度尾流预测的改进效果，从而得到物理一致且数据高效的代理模型。为支撑物理保真度，用于数据生成的底层RANS模拟首先以现场观测为基准进行验证。随后，代理模型以这些模拟目标进行训练和验证，确认其能够捕捉近尾流区和远尾流区的关键尾流特征。在测试参数范围内，经过六次独立训练运行，该框架在测试集上的流向速度中位??2分数为0.987，展向速度为0.994，测试集平均绝对相对误差中位数为4.605%，每台风力机的最低推理时间为0.0085秒，同时在尾流流场预测方面优于其他机器学习基线模型。此外，融入基于物理的正则化提高了训练稳定性，降低了预测误差变异性，并在本研究考察的减数据和分布外场景下保持了预测性能。
**物理正则化驱动的生成对抗网络用于偏航风力机尾流快速预测：研究解读**
**1. 研究背景与问题**
随着全球对气候变化和环境影响的关注日益增加，风能作为一种可再生能源得到快速发展。然而，上游风力机产生的尾流可使下游风力机可用功率降低约10%–20%，并增加5%–15%的尾流诱发疲劳载荷。因此，准确高效的尾流建模对风电场优化运行至关重要。传统方法中，解析尾流模型（如Jensen、Larsen、Frandsen、Bastankhah-Porte-Agel模型）虽然计算高效，但相对现场测量存在约8%–15%的预测误差，尤其在近尾流区域（2–4倍转子直径下游）误差较大。高保真计算流体力学（CFD）方法（如大涡模拟LES、雷诺平均纳维-斯托克斯RANS）能高精度捕捉尾流，但计算成本极高，难以用于布局优化和实时控制。机器学习（ML）和深度学习（DL）作为数据驱动的代理模型提供了新途径，但多数现有方法要么纯数据驱动而缺乏物理一致性，要么泛化能力有限，要么需要密集多样的训练数据。物理信息神经网络（PINN）将偏微分方程残差引入损失函数，但存在训练不稳定、收敛慢、需针对新工况重新训练等问题。因此，亟需一种统一框架：既能遵循流体物理规律，又能灵活适应偏航等动态运行参数，并具有稳定可靠的训练行为。
**2. 研究目标与贡献**
针对上述关键空白，研究人员提出了物理信息深度卷积条件生成对抗网络（PI-DC-cGAN）框架，用于预测二维稳态偏航尾流场（包括流向速度和展向速度）。该框架将RANS方程残差直接嵌入生成器损失函数，使预测尾流场近似满足质量守恒和动量守恒约束。主要贡献包括：（i）构建了融合物理规律的对抗生成框架，在生成器损失中加入连续性方程和RANS动量残差正则化；（ii）系统研究了损失函数各项权重系数对预测精度和物理一致性的影响，并采用优化方法确定最优权重；（iii）定量分析了物理正则化对训练稳定性、收敛性、误差变异性和数据效率的影响；（iv）在多风力机尾流偏转控制场景中验证了框架的有效性。
**3. 数据集与主要技术方法**
训练数据由基于OpenFOAM的二维稳态RANS作动盘模型（RANS-ADM）模拟生成，该CFD方法已用现场数据验证。单风力机配置中，来流风速6–10 m/s（间隔0.5 m/s），偏航角在±30°内用拉丁超立方采样30个角度，共270个RANS-ADM样本；其中8.5 m/s对应的30个样本留作测试集，其余240个样本按204训练/36验证划分。多风力机配置为六台风力机交错布局，风速6–10 m/s（间隔0.25 m/s），每风速10个随机偏航配置，共170次全风场模拟，其中8.5 m/s的10次模拟专用于测试。模型输入为来流边界32个均匀间隔点的x、y速度分量及偏航角，输出为32×32网格上的流向和展向速度场。PI-DC-cGAN架构采用DC-cGAN，生成器以流入条件和偏航角为输入，判别器评估生成流场与RANS-ADM目标流场的差异。物理残差通过3×3 Sobel滤波器计算空间导数，压力、湍动能k和湍流耗散率ε等场量由对应RANS-ADM模拟导出，用于计算残差。训练采用Adam优化器，生成器和判别器学习率分别为0.001和0.01（遵循双时间尺度更新规则TTUR），并采用ReduceLROnPlateau学习率衰减策略。
**4. 主要研究结果**
*（1）CFD数值模拟验证：* RANS-ADM模拟与两座陆上风电场现场测量对比，近尾流偏差约10%，远尾流偏差约4%，与文献中三维RANS-ADM模拟的精度（近尾流8–9%，远尾流3–5%）相当，验证了数据生成过程的可靠性。
*（2）损失函数权重系数影响：* 通过超参数搜索确定最优权重为λ
MAE=0.372，λ
GDL=0.511，λ
Con=0.009，λ
N.Sx=0.493，λ
N.Sy=0.014。进一步采用非支配排序遗传算法II（NSGA-II）进行多目标优化，获得验证RMSE与物理残差之间的Pareto前沿。分析表明RANS残差在近尾流区域大于远尾流区域，但全局静态权重策略在实际中仍具鲁棒性。
*（3）模型训练与性能：* 与纯数据驱动DC-cGAN相比，PI-DC-cGAN的生成器损失下降更平滑、训练振荡更小。量化指标显示，生成器损失振荡指数降低1.7倍（σ
Δ=0.056 vs 0.094，p<0.001），判别器振荡指数降低1.5倍，后期变异系数显著降低。在六次独立运行中，测试集RMSE中位数为0.200 m/s（范围[0.194, 0.203]），MARE中位数为4.605%，流向速度R
2为0.987，展向速度R
2为0.994，单台风力机推理时间仅0.0085秒。误差统计显示流向速度预测误差均值为0.051 m/s，标准差0.121 m/s，展向速度误差均值接近零（0.0003 m/s），不确定性主要集中在近尾流边界区域。
*（4）与其他ML模型对比：* 在测试集上，PI-DC-cGAN的RMSE（0.200 m/s）显著优于物理信息CNN（PI-CNN，0.240 m/s）、DC-cGAN（0.255 m/s）、CNN（0.355 m/s）和人工神经网络（ANN，0.435 m/s）。Friedman检验确认模型间差异显著（p=0.00013），成对Wilcoxon符号秩检验表明PI-DC-cGAN显著优于所有基线，证明物理正则化和对抗训练对精度提升均有贡献。
*（5）训练数据规模影响：* 将训练数据从100%逐步减少至50%时，PI-DC-cGAN在所有数据规模下均保持较低的中位RMSE和更窄的误差范围。采用62.5%数据训练的PI-DC-cGAN，其性能优于采用87.5%数据训练的DC-cGAN，表明物理正则化显著提高了数据效率。
*（6）分布外（OOD）性能：* 测试了三种OOD场景：来流速度超出训练范围（5 m/s、12 m/s，偏航角20°）以及偏航角超出范围（8.5 m/s、35°）。速度外推导致的误差增加大于偏航角外推。PI-DC-cGAN在所有OOD场景中均降低RMSE，如Case OOD-1流向RMSE从0.801降至0.727 m/s，Case OOD-3从0.336降至0.267 m/s，并降低了极端预测误差的上界。
*（7）多风力机风电场应用：* 采用顺序平铺方法，将单风机代理扩展至六涡轮交错布局。在偏航角设定为[25.92°, -16.21°, -5.24°, 3.44°, 13.43°, 11.13°]、来流8.5 m/s的尾流偏转控制场景中，PI-DC-cGAN与二维RANS-ADM结果的RMSE约为流向0.293 m/s、展向0.023 m/s；功率预测MARE相对二维和三维RANS-ADM分别仅为1.72%和2.31%。在分布外测试中，偏航外推情况（MT-1）下PI-DC-cGAN的功率MARE为2.87%，显著低于DC-cGAN的7.68%；未见过布局（MT-2）下误差更高，但仍优于基线。
*（8）计算成本：* 在相同硬件上，PI-DC-cGAN训练时间约88.53秒，全风场推理时间0.062秒（含顺序处理开销），比解析模型FLORIS（1.87秒）快约30倍，凸显其作为快速预测框架的优势。
**5. 讨论与结论**
嵌入RANS残差作为物理正则化，使训练过程更平滑稳定，降低了多次运行的预测误差变异性，并在数据减少和分布外条件下保持性能。物理正则化将训练引导偏离纯对抗平衡，而转向物理一致性，从而获得更可靠的预测。该框架的主要局限性在于使用二维稳态RANS-ADM数据，忽略了三维物理效应（如尾流旋转、叶尖涡动力学、垂直剪切）及三维动量卷吸对尾流恢复的影响。现场数据对比表明二维公式化额外引入约1.7%误差。未来工作将针对三维扩展、均匀与非均匀来流、湍流强度变化以及时空尾流预测展开研究，并探索与数据同化技术结合以处理稀疏且有噪声的运行测量数据。
总之，研究人员提出并系统验证了PI-DC-cGAN框架，该框架将RANS物理残差嵌入生成对抗训练，在保证物理一致性的同时实现了高精度、高数据效率和极快推理的偏航尾流预测，为风电场尾流偏转控制和实时优化提供了有力工具，论文发表于《Energy and AI》。
