利用神经网络方法实现在挪威 Bessaker 的实际风电场中将低分辨率风场提升为高分辨率风场，并展示该模型能够成功重构完全解析的三维速度场，并且优于三线性插值，同时通过适当的代价函数可以减少对对抗训练的使用。

Sep, 2023

应用因果机器学习方法，通过分析无人机的轨迹而无需专用传感器，展示了估计无人机风环境的可能性。研究了三种不同的风环境，探索了优化无人机操纵以估计风条件的不同策略。该方法可用于设计在恶劣天气条件下的最佳路径，并避免使用增加无人机重量且影响功能的专用传感器。

Jul, 2024

基于变分数据同化和深度学习概念的框架，用于海面风速的时空丰富、高分辨率信息恢复和模型重建。

Dec, 2023

本文介绍了一种创新的方法，利用自动深度学习结合数值天气预报风速地图，准确预测全国范围内的短期（1 到 6 小时）风力发电。

Feb, 2024

该研究提出了一种名为 Windformer 的方法，通过将风力涡轮群体分为多个非重叠的窗口并计算窗口内的相关性，然后部分移动窗口以提供窗口之间的连接性，并最终基于详细和全局信息融合多通道特征，以动态建模风速变化过程。这种方法在提高预测准确性方面相较于目前其他先进方法，平均均方误差 (MSE) 能减少 2 到 15 个百分点。

Nov, 2023

利用基于深度神经网络的域自适应方法，通过选择有效的气象特征，使用源域的预先训练模型进行预测任务，并更新最后几层的权重，从而提高风能预测的准确性。

May, 2024

本文提出基于深度学习的 Pangu-Weather 系统，用于快速而准确的全球天气预报。通过大量数据和深度神经网络，提高了预报精度，成功地将 AI 方法的预报准确度超越了传统的数值天气预报方法，为未来深度学习天气预报系统的改进提供了新方向。

Nov, 2022

通过高分辨率风场的超分辨率处理，本研究展示了一种基于物理信息的超分辨率生成对抗网络（SR-GAN）的初步开发，可以将低分辨率的三维风场提升 9 倍，获得高保真度的风场数据，并大幅降低了高分辨率风场模拟的计算成本。

Dec, 2023

通过评估和比较四种基于机器学习的风力发电预测模型，我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果，平均归一化均方根误差降至 22％，同时减少了均方根误差，并且未来研究应当探究模型流程的变化以提高预测性能。此外，我们引入了连续学习策略，该策略在新数据可用时取得了最高的预测性能提升。

Feb, 2024

本文提出了一种基于少量位置布置的压力传感器的数据驱动空气动力学力预测模型，包括线性项和非线性校正，其中线性项通过减少的基础重构预测表面压力分布，而非线性项则是视情况而定的人工神经网络，用于提高精度。该模型在模拟和实验数据中被验证为快速准确地预测无人机的气动力。

May, 2023