PINN风场数据同化网络

实时重构风场

将物理约束与多源观测数据融合进单一神经网络,使风场重建在物理一致性上优于纯数据驱动方法。

闫常 · Shengfeng, Xu · 孙振旭 · Lutz, Thorsten · 郭迪龙 · 杨国伟

Applied Energy 2024

参数信息

最大误差
3.7 %

技术优势

重构比实测快

迁移学习策略使预训练PINN在线部署所需时间少于实际物理流动时间,支持实时重构。

多源数据能融合

框架可同化视向风速、速度大小方向、速度分量和压力等多种传感器数据,适应不同测量条件。

误差小到3.7%

在线重构的有效风速与风电场址实际值最大误差仅3.7%,满足工程精度。

应用场景