如何高效重建城市风能中的高时间分辨率风场
城市风能应用关心的不只是某一时刻的平均风速，还关心风场随时间变化的细节。对于城市建筑附近的风机、风能调度和风资源评估来说，如果只得到低时间分辨率的风场快照，就很难判断湍流结构如何演化，也难以可靠评估风机运行与能量输出。
在这篇发表于 Renewable Energy 的论文中，我们提出 Wind Turbulence Temporal Super-Resolution Swin-Transformer（WTT-SRST）框架，用两个低时间分辨率风场快照重建中间的高时间分辨率风场演化。文章的重点不是把深度学习当作黑箱插值器，而是在注意力计算效率、湍流物理一致性和城市风能应用之间寻找一个可解释的折中。
这项工作属于 WOEAI 的 建筑结构抗风 / 数值风洞与湍动入流 方向，也与城市风环境、PBL 湍流、AI 代理模型和数值风洞数据加速直接相关。
论文图 6 风场快照的时间超分辨率流程
论文把低时间分辨率输入快照之间的未知风场演化作为重建目标，让模型输出更完整的高时间分辨率风场序列。
论文信息
论文题名: A novel framework for temporal super-resolution of wind in urban energy applications
作者: Tang Lingxiao; Li Chao*; Zhao Zihan*; Chen Lingwei; Zhang Mingming
期刊: Renewable Energy
年份: 2026
WOEAI 相关方向: 建筑结构抗风 / 数值风洞与湍动入流
三句话导读
这篇论文研究用 WTT-SRST 从低时间分辨率风场快照重建高时间分辨率城市风场演化。 它重要，因为城市风能和风环境应用既需要时间细节，又不能每次都承担高分辨率物理求解的完整成本。 读者可以带走的结论是：稀疏注意力负责降成本，物理约束损失负责守住风场一致性，二者共同决定这类 AI 风场重建是否可用。
关键数字 / 关键结论卡
相比原始架构，所提出方法将训练时间缩短 \(32.92\%\)，计算能耗降低 \(32.89\%\)。
Sparse Window-based Attention Block 在 \(s=2\) 和 \(s=4\) 时的显存占用约为 Swin-Transformer Block 的 \(29.37\%\) 和 \(20.43\%\)。
加入 Sparse Window-based Attention 后，参数量减少 \(19.50\%\)，GPU 资源消耗降低约 \(70\%\)。
摘要
及时、精确地获取行星边界层风随时间演化的信息，对于城市风能调度与管理至关重要。然而，使用物理模型预测高时间分辨率湍流的高昂成本限制了工程应用。深度学习技术已经成为数值方法的一种有前景替代方案，但关于高时间分辨率风场重建的研究仍然较少。
本文提出一种融合 Sparse Window-based Attention 的新框架，以具有成本效益的方式实现湍流场超分辨率。该框架可以通过修改 stride 值来自定义注意力稀疏度。本文进一步提出 Relative Physical-informed Loss，以保证生成风场的物理合理性。
与 Window-based Attention 相比，所提出的注意力机制显著降低计算成本并提高推理效率。尽管增加插值风场快照会使性能略有降低，模型仍能重建风场结构。统计指标、湍流特征、功率谱和相干函数的评估显示，重建风场具有较强的物理一致性。同时，该方法将训练时间缩短 \(32.92\%\)，计算能耗降低 \(32.89\%\)。更大的 stride 会进一步降低能耗，但会以性能下降为代价，体现出准确性与效率之间的权衡。
研究问题
城市风场时间超分辨率不只是插帧问题。本文围绕三个问题展开：
如何从低时间分辨率风场快照中重建更细时间步长上的湍流演化？
如何用稀疏窗口注意力降低大规模风场重建中的显存、参数量和能耗？
如何通过 Relative Physical-informed Loss，让生成风场在统计误差之外更接近物理约束？
方法贡献
这项工作的核心是 WTT-SRST。它借鉴 Swin-Transformer 的窗口注意力思想，但针对湍流风场的计算规模和物理特征做了两类改造。
第一类改造是 Sparse Window-based Attention。标准窗口注意力虽然已经避免了全局 attention 的高成本，但在大规模风场网格上仍然会消耗大量显存和计算量。论文提出 Stride-based Sparse Operation（SSO），用 stride 控制注意力计算中的稀疏采样，让模型在保留主要湍流结构的同时减少注意力计算。
论文图 1 基于步长的稀疏操作示意图
SSO 通过步长采样和特征融合降低注意力计算量，使模型不必在所有网格点之间逐一计算相关性。
在论文给出的复杂度表达中，Sparse Window-based Multi-head Self-Attention 的计算复杂度可以写为：
这里 \(h\) 和 \(w\) 表示特征图尺寸，\(c\) 表示通道数，\(L\) 是窗口尺寸，\(s\) 是 stride。这个式子说明，随着 \(s\) 增大，注意力部分的计算量会随 \(s^2\) 下降；但论文也强调，过大的 stride 会损失部分高频特征，因此它不是越大越好。
第二类改造是 Relative Physical-informed Loss（RPL）。以往很多时序超分辨率方法更像图像插帧，只追求视觉或点值相似；而湍流风场还要满足质量守恒、动量变化和能量传递等物理特征。RPL 将不可压缩 Navier-Stokes 方程的相对残差纳入损失函数，引导模型生成更符合物理约束的风场。
论文图 4 所提出 WTT-SRST 的详细结构与各模块架构
WTT-SRST 使用编码-解码结构、skip connection、Sparse Window-based Attention Block 和 Shifted Sparse Window-based Attention Block，把低时间分辨率输入转换为完整的高时间分辨率风场演化。
关键发现
1. WTT-SRST 能比线性插值更好地重建湍流结构
针对问题 1，论文在训练阶段和测试阶段都比较了线性插值、已有 WTSR-ST 方法和本文提出的 WTT-SRST。 结果显示，线性插值在湍流波动较明显的位置容易产生较大误差，难以恢复非线性的风场演化。相比之下，WTT-SRST 在 RMSE、MAE 和 MAPE 等统计指标上整体更低，尤其在需要插入更多中间风场快照时优势更明显。
这说明这项工作不是简单地把两个风场快照“平滑连接”起来，而是在学习湍流演化中的局部结构、速度波动和时间相关性。
2. 频谱和相干函数支持物理一致性判断
针对问题 3，对风能应用而言，平均误差并不能完全说明问题。 低频信号控制大尺度结构，高频信号则包含瞬态细节和局部扰动。如果模型只在点值上接近参考结果，却丢失高频湍流特征，后续风机载荷、功率波动或调度分析仍可能受到影响。
论文进一步比较了重建风场的功率谱和相干函数。结果显示，WTT-SRST 能较好地保留低频分布，并在高频范围内比线性插值和对比模型更接近参考结果。随着插值快照数量增加，或 stride 取值增大，高频细节会出现一定退化，但整体仍体现出较强的物理一致性。
论文图 14 脉动速度的功率谱密度结果
功率谱用于检验重建风场是否保留了不同频率上的湍流能量分布，是判断风场重建质量的重要证据。
3. 稀疏注意力显著降低计算资源消耗
针对问题 2，效率是这篇论文的重要目标。 单个注意力模块测试显示，Sparse Window-based Attention Block 在 \(s=2\) 和 \(s=4\) 时的 GPU 显存占用分别为 \(359.92\,\mathrm{MB}\) 和 \(250.35\,\mathrm{MB}\)，明显低于 Swin-Transformer Block 的 \(1225.26\,\mathrm{MB}\)。论文结论中进一步指出，在 \(s=2\) 和 \(s=4\) 时，该模块显存占用分别约为 Swin-Transformer Block 的 \(29.37\%\) 和 \(20.43\%\)。
从整体模型架构看，加入 Sparse Window-based Attention 后，参数量和平均推理时间下降，GPU 资源消耗显著降低。论文报告，相比原始架构，所提出的稀疏注意力架构将参数量减少 \(19.50\%\)，并将 GPU 资源消耗降低约 \(70\%\)。
4. RPL 让模型不只追求数值接近，也靠近物理约束
针对问题 3，消融实验显示，单独加入相对动量残差或相对连续性残差都会改善结果；当二者共同纳入损失函数时，统计指标相对于无物理约束基准下降到原值的 :math:`74%` 到 :math:`88%`。 这说明 RPL 对梯度方向起到了物理约束作用，使生成风场更接近控制方程所要求的演化结构。
对数值风洞和湍动入流研究来说，这一点很关键：AI 模型可以加速风场重建，但不能只追求表面相似。让模型看到并尊重物理残差，是它能否服务工程分析的前提之一。
5. 全尺度风场评估展示了应用潜力
针对问题 1，论文还把方法放到全尺度风场场景中评估。 结果显示，随着低时间分辨率间隔增大，细节会变得更模糊，误差也会增加；但 WTT-SRST 仍能较好刻画空间非均匀性和流动结构，并在统计指标上优于对比方法。
论文图 24 凌晨 3:45 生成风场的可视化表示
全尺度风场结果展示了模型在更接近实际风能场景中的重建能力，也提示读者关注插值数量和模型精度之间的关系。
工程意义
这篇论文的工程意义在于，把高时间分辨率风场重建从“昂贵的全量物理计算”推进到“可由物理约束深度学习模型加速”的方向。
对城市风能和城市风环境分析来说，这种方法可能服务于几个环节：
用更细的时间分辨率补充低时间分辨率 CFD 或 LES 数据；
在风机布局、调度管理和风资源评估中更快观察风场演化；
为城市数值风洞、湍动入流生成和 AI 代理模型提供时序数据增强思路；
在能耗受限的计算流程中，用可调 stride 在精度和效率之间做有依据的折中。
对 WOEAI 的研究方向来说，这项工作把数值风洞、湍流物理、Transformer 类模型和工程能耗评价放在同一个框架中讨论。它不是单纯追求更复杂的模型，而是把“能否算得快、能否守住物理、能否支撑风能应用”作为共同目标。
适用边界
这项工作也有明确边界。
首先，论文中的参考高时间分辨率风场主要来自 LES 和下采样数据构造，仍然需要在更复杂、更真实的城市下垫面和环境条件中继续验证。论文也指出，理想化算例不足以覆盖真实 PBL 风场的混沌变化。
其次，stride 是效率和精度之间的调节旋钮。更大的 stride 可以进一步降低能耗和计算量，但也会削弱高频特征提取能力，使 RMSE、MAE、MAPE、误差云图和相干函数表现出现退化。因此，实际应用中不能只看推理速度，还要根据目标场景检查频谱、相干性和误差范围。
第三，RPL 提供的是训练中的物理约束，而不是对所有复杂流动现象的完整保证。进入工程流程时，仍需要结合 CFD/LES 验证、风场观测、边界条件审查和专业判断，确认模型是否适用于目标风场、风机布置和调度问题。
因此，更准确的理解是：WTT-SRST 为城市风能中的高时间分辨率风场重建提供了一条更高效、更重视物理一致性的 AI 路线，但它仍应作为数值风洞和工程分析流程中的加速与补充工具，而不是替代所有高保真物理模拟。
延伸阅读
完整引用
[69] Tang Lingxiao; Li Chao*; Zhao Zihan*; Chen Lingwei; Zhang Mingming, A novel framework for temporal super-resolution of wind in urban energy applications[J]. Renewable Energy, 2026, 256: 124336. https://doi.org/10.1016/j.renene.2025.124336.
收录信息见 WOEAI 学术成果页对应条目。