风力发电是风能利用的主要形式，近年来发展迅速。风力发电机的发电量与风速的立方密切相关。当前研究通常依赖于风机轮毂高度的风速或等效风速进行风力评估。因此，风电场内的垂直风廓线是关键，因为其展示了风速和风向随高度的变化情况。

一般需要与风机轮毂高度持平的测风塔来采集对应的数据，而安装和维护这些高测风塔成本高昂，尤其是在海上风场中。一种更可行的策略是建立一座高测风塔，并辅以几座低辅助塔，如图1所示。通过这种方式，利用风切变模型和低空风速将垂直风廓线的风速外推到所需高度。

在当前研究中，通常使用幂律或对数律来表征风切变现象和模型。幂律常采用固定的经验值1/7或特定常数。然而，风切变系数并非静态，而是随着低空风速和不同气象条件（如温度梯度、一天中的时间以及大气稳定性）动态变化。尽管有许多关于风切变现象的研究，但专门针对风切变系数动态跟踪和预测的研究却明显不足。

为解决这一问题，特别是动态风切变系数预测研究的稀缺性，研究团队创新性的构建了一种基于图神经网络的多任务学习方法，如图2所示。该方法同时预测风速和风切变系数，从而克服了风切变现象与风速之间的耦合挑战。

所提方法的准确性通过海上风电场的实际风速和风切变系数得到了验证，展示了其在工程应用中的潜力，部分对比验证结果如图3所示。

相关研究成果以“Multi-task prediction of wind speed and time-varying wind shear coefficient using dynamic graph interactive neural network”为题，于2025年7月5日发表于《Information Fusion》。

[论文下载]