Resumen Técnico: UniWind

Declaración del Problema

El pronóstico de la potencia eólica para el día siguiente es crítico para la operación rentable de los sistemas eléctricos, ya que las decisiones del mercado eléctrico deben tomarse antes de la entrega de la potencia. A diferencia del pronóstico convencional de series temporales, esta tarea depende fuertemente de las condiciones meteorológicas futuras en lugar de los patrones de potencia históricos. Sin embargo, la potencia observada de los parques eólicos es una señal entrelazada que comprende la potencia físicamente disponible, los efectos ambientales locales y los estados operativos latentes (por ejemplo, paradas y limitación de potencia o curtailment).

Los enfoques existentes enfrentan dos limitaciones primarias:

1. Modelos Físicos: Aunque proporcionan restricciones fiables mediante sesgos inductivos basados en la física, tienen dificultades para adaptarse a factores endógenos específicos del sitio (por ejemplo, la circulación inducida por el terreno) y a los estados operativos latentes, lo que resulta en una baja generalización entre diferentes parques eólicos.
2. Modelos Basados en Datos: Estos métodos capturan ricas correlaciones empíricas, pero a menudo confunden los efectos meteorológicos con las desviaciones inducidas por el estado. En consecuencia, carecen de robustez bajo diversas condiciones operativas y no logran distinguir si las desviaciones de potencia surgen de cambios climáticos o de intervenciones operativas ocultas.

El desafío central es construir un modelo que separe explícitamente la dependencia de las condiciones meteorológicas respecto al potencial de potencia física, y posteriormente, respecto a la potencia realizada bajo intervenciones de estados ocultos, equilibrando los principios físicos universales con la adaptación específica de cada sitio.

Metodología: UniWind

UniWind es un modelo de enrutamiento de estados informado por la física diseñado para desacoplar la potencia físicamente disponible de las desviaciones inducidas por la operación. El marco consta de tres etapas secuenciales:

1. Estimador de Prior Físico

Este módulo construye un prior físico calibrado para el sitio que representa el potencial de generación ideal bajo dadas condiciones meteorológicas.

• Normalización Física: Aplica un ajuste de velocidad del viento sensible a la densidad ($\tilde{v} = v(\rho/\rho_0)^{1/3}$) para alinearse con la relación de energía eólica $P \propto \rho v^3$.
• Deformación Monótona Condicionada al Sitio: Para adaptarse a sitios específicos sin violar las leyes físicas, el modelo utiliza una función de deformación (warp) monótona aprendible parametrizada por características del sitio ($c$). Esta mapea la velocidad del viento equivalente a la velocidad del viento efectiva, preservando el orden de las velocidades del viento.
• Curva de Potencia Física Compartida: Una curva suave y aprendible captura la estructura física común de la generación eólica (cercana a cero antes del punto de arranque, crecimiento no lineal y saturación). Esta curva es normalizada por anclajes condicionados al sitio (similares al punto de arranque y similares a la velocidad nominal).
• Restricción de Límite Superior: El prior se moldea como un sobre superior suave de la generación disponible. Una función de pérdida asegura que el prior cubra la potencia observada mientras permanece ajustado durante la operación regular, evitando la sobreestimación.

2. Codificador de Estado Latente

Este módulo infiere estados operativos variables en el tiempo y no observables mediante el análisis de las discrepancias entre la potencia observada y el prior físico.

• Codificación de Estado Histórico: Construye tokens de estado a partir de la potencia histórica, el prior físico, los residuos y sus diferencias temporales. Estos se codifican en incrustaciones (embeddings) de estado histórico.
• Recuperación de Estado Futuro: Utilizando un mecanismo similar a la atención, el modelo trata las incrustaciones meteorológicas futuras como consultas (queries) y las incrustaciones meteorológicas/de estado históricas como claves (keys) y valores (values). Esto recupera las incrustaciones de estado latente futuro transfiriendo patrones de contextos meteorológicos históricos similares.
• Refinamiento: Una Red de Convolución Temporal (TCN) causal refina la secuencia de estado combinada, fusionándola con las características meteorológicas para producir las incrustaciones de estado finales.

3. Corrector de Potencia Consciente del Estado

Esta etapa transforma el prior físico en pronósticos de potencia realizada aplicando correcciones específicas de estado.

• Condicionamiento de Contexto del Sitio: Las características del sitio y las estadísticas de potencia histórica se codifican y se inyectan en las incrustaciones de estado para dar cuenta de las características persistentes del sitio.
• Enrutamiento Supervisado de Estados: Un enrutador asigna cada paso de tiempo a uno de tres expertos de estado operativo: Regular, Limitación (Curtailment) y Parada (Shutdown). El enrutamiento es supervisado por etiquetas de prior de estado derivadas del comportamiento de la potencia eólica (no de anotaciones operativas de verdad de terreno).
• Corrección de Expertos Acotada: Cada experto aplica un mecanismo de corrección distinto:
  • Parada (Shutdown): Establece la salida en cero.
  • Limitación (Curtailment): Aprende una relación de límite superior.
  • Regular: Aprende una corrección multiplicativa bajo el límite de capacidad nominal.
    La previsión final es una agregación ponderada por enrutamiento de las salidas de los expertos acotados.

Contribuciones Clave

1. Marco Unificado: Propone UniWind, el primer modelo que factoriza explícitamente el pronóstico de potencia eólica para el día siguiente en potencial físico impulsado por la meteorología y generación realizada dependiente del estado.
2. Prior Físico Calibrado al Sitio: Desarrolla un Estimador de Prior Físico que combina estructuras de energía eólica compartidas con una calibración monótona condicionada al sitio y una regularización de límite físico superior, evitando la rigidez de las fórmulas fijas y el sobreajuste de los métodos basados en datos sin restricciones.
3. Modelado de Estado Latente: Introduce un Codificador de Estado Latente y un Corrector de Potencia Consciente del Estado para modelar estados operativos no observables. El sistema recupera representaciones de estado futuro de los patrones meteorológicos-estado históricos y aplica correcciones acotadas supervisadas por conocimiento.
4. Validación Empírica: Realiza experimentos extensos en más de 20 conjuntos de datos de parques eólicos reales, demostrando una precisión y robustez superiores tanto en configuraciones de muestra completa (full-shot) como en configuraciones de cero muestra (zero-shot) entre distintos parques.

Resultados Experimentales

Los autores evaluaron UniWind en 24 conjuntos de datos del mundo real del Reino Unido y tres provincias chinas (Shandong, Shanxi, Anhui), utilizando datos de intervalos de 15 minutos.

• Desempeño Full-Shot: UniWind logró el mejor desempeño en todos los conjuntos de datos y métricas representativas (MAE y RMSE) en comparación con modelos físicos, bases estadísticas (LightGBM, XGBoost), modelos de series temporales (PatchTST, iTransformer) y modelos específicos de energía renovable. Por ejemplo, en el conjunto de datos SD_A, UniWind redujo el MAE a 12.05 en comparación con 14.90 para LightGBM y 28.64 para PowerCurve.
• Desempeño Zero-Shot: En entornos zero-shot entre parques (entrenamiento en todos los conjuntos de datos excepto el objetivo), UniWind superó sustancialmente a los modelos fundacionales específicos de viento (WindFM) y a los modelos fundacionales de series temporales genéricos (Chronos-2, Moirai). Esto indica que combinar covariables NWP futuras con priors físicos transferibles es más efectivo que el preentrenamiento específico de dominio o genérico por sí solo.
• Robustez: Bajo condiciones variadas (viento bajo/alto, estados regulares/anormales), UniWind superó consistentemente a las bases, particularmente en estados "anormales" donde otros modelos tuvieron dificultades para distinguir entre cambios meteorológicos e intervenciones operativas.

Significancia y Reivindicaciones

El artículo afirma que UniWind aborda una brecha crítica en el pronóstico de la potencia eólica al separar explícitamente el potencial de generación física de la potencia realizada dependiente del estado. Al integrar restricciones informadas por la física con el enrutamiento de estados latentes, el modelo evita las trampas de las fórmulas físicas fijas (que carecen de adaptabilidad) y de los enfoques puramente basados en datos (que confunden los efectos físicos y operativos). Los autores sostienen que este enfoque permite un pronóstico para el día siguiente más preciso y robusto, lo cual es esencial para la operación confiable de los sistemas eléctricos y la toma de decisiones en el mercado eléctrico. Los resultados sugieren que modelar explícitamente la cadena de dependencia desde la meteorología hacia el potencial físico y, posteriormente, hacia la realización mediada por el estado, es un paso necesario para avanzar el pronóstico de la potencia eólica más allá de los métodos actuales de vanguardia.