异构风电场群的短期预测：利用静态协变量的全局 Temporal Fusion Transformer

arXiv:2611.06130v1 公告类型：新提交 摘要：准确的短期风电功率预测对电网稳定和电力交易至关重要。尽管基于 Transformer 的深度学习已达到最先进水平，但行业实践仍主要依赖针对单个资产训练的局部模型。本研究探讨：在德国各地异构风电场组合上联合训练的全局 Temporal Fusion Transformer（TFT），在提前48小时预测中是否优于针对单个场站的局部模型。我们使用区域模型 ICON-D2 和全球模型 ECMWF HRES 的数值天气预报（NWP）数据，将全局 TFT 与局部模型及线性回归基线进行比较。全局模型利用风电场场龄、海拔、轮毂高度、叶轮直径和功率曲线参数等静态协变量，学习跨场站的共享表示。我们在100个合成风电场功率序列和由11个德国风电场组成的真实资产组合上进行评估，涵盖两个季节性测试时段，并在两者之间重新训练模型。全局 TFT 在87%的合成风电场和77%的真实风电场上优于局部模型，并明显超过线性基线。Wilcoxon 符号秩检验确认，这些提升在两个季节和两个数据集上均具有统计显著性。关键在于，这种优势依赖于静态协变量：缺少资产特定的背景信息时，全局模型无法实现泛化。TFT 的变量选择网络（VSN）揭示了模型学到的特征选择模式。海拔在两个数据集上均表现为重要的静态区分特征，而轮毂高度在真实资产组合中起决定性作用。对于动态输入，编码器优先关注历史功率，而解码器则融合两个 NWP 模型的高空风速，这与通过平均来抵消模型特有误差的机制相一致。这些发现支持从单场站预测转向可扩展的多场站预测，在降低运营复杂性的同时，提高大型资产组合的预测准确性。