UniWind: Toward Unified Day-Ahead Wind Power Forecasting via Physics-Informed State Routing

Sintesi Tecnica: UniWind

Problematica

La previsione della potenza eolica a breve termine (day-ahead) è fondamentale per l'operatività efficiente dei sistemi elettrici, poiché le decisioni del mercato elettrico devono essere prese prima della consegna dell'energia. A differenza delle previsioni di serie temporali convenzionali, questo compito si basa pesantemente sulle condizioni meteorologiche future piuttosto che sui pattern storici di potenza. Tuttavia, la potenza osservata di un parco eolico è un segnale intrecciato che comprende la potenza fisicamente disponibile, gli effetti ambientali locali e gli stati operativi latenti (ad esempio, arresti e limitazioni/curtailment).

Gli approcci esistenti affrontano due limitazioni primarie:

1. Modelli Fisici: Sebbene forniscano vincoli affidabili tramite bias induttivi basati sulla fisica, faticano ad adattarsi ai fattori endogeni specifici del sito (ad esempio, la circolazione indotta dalla morfologia del terreno) e agli stati operativi latenti, portando a una scarsa generalizzazione tra diversi parchi eolici.
2. Modelli Data-Driven: Questi metodi catturano ricche correlazioni empiriche ma spesso confondono gli effetti meteorologici con le deviazioni indotte dallo stato. Di conseguenza, mancano di robustezza sotto diverse condizioni operative e non riescono a distinguere se le deviazioni di potenza derivino da cambiamenti meteorologici o da interventi operativi nascosti.

La sfida centrale è costruire un modello che separi esplicitamente la dipendenza dalle condizioni meteorologiche dal potenziale fisico di potenza, e ulteriormente, dal potenziale fisico alla potenza realizzata sotto interventi di stati nascosti, bilanciando al contempo principi fisici universali con l'adattamento specifico del sito.

Metodologia: UniWind

UniWind è un modello di routing degli stati basato sulla fisica, progettato per decomporre la potenza fisicamente disponibile dalle deviazioni indotte operativamente. Il framework consiste in tre fasi sequenziali:

1. Stimatore del Prior Fisico (Physical Prior Estimator)

Questo modulo costruisce un prior fisico calibrato sul sito che rappresenta il potenziale di generazione ideale sotto date condizioni meteorologiche.

• Normalizzazione Fisica: Applica un aggiustamento della velocità del vento consapevole della densità ($\tilde{v} = v(\rho/\rho_0)^{1/3}$) per allinearsi alla relazione energia-vento $P \propto \rho v^3$.
• Warp Monotona Condizionata al Sito: Per adattarsi a siti specifici senza violare le leggi fisiche, il modello utilizza una funzione di warping monotona apprendibile parametrizzata da caratteristiche del sito ($c$). Questa mappa la velocità del vento equivalente alla velocità del vento effettiva, preservando l'ordine delle velocità.
• Curva di Potenza Fisica Condivisa: Una curva fluida e apprendibile cattura la struttura fisica comune della generazione eolica (vicina allo zero prima della velocità di cut-in, crescita non lineare e saturazione). Questa curva è normalizzata da ancoraggi condizionati dal sito (simili alla velocità di cut-in e alla velocità nominale).
• Vincolo di Limite Superiore: Il prior è modellato come un inviluppo superiore morbido della generazione disponibile. Una funzione di perdita assicura che il prior copra la potenza osservata pur rimanendo stretto durante l'operatività regolare, evitando la sovrastima.

2. Encoder dello Stato Latente (Latent State Encoder)

Questo modulo inferisce stati operativi non osservabili e variabili nel tempo analizzando le discrepanze tra la potenza osservata e il prior fisico.

• Codifica dello Stato Storico: Costruisce token di stato dalla potenza storica, dal prior fisico, dai residui e dalle loro differenze temporali. Questi vengono codificati in embedding di stato storico.
• Recupero dello Stato Futuro: Utilizzando un meccanismo simile all'attenzione, il modello tratta gli embedding meteorologici futuri come query e gli embedding meteo/stato storici come chiavi e valori. Ciò permette di recuperare gli embedding dello stato latente futuro trasferendo pattern da contesti meteorologici storici simili.
• Raffinamento: Una Rete Convoluzionale Temporale (TCN) causale raffina la sequenza di stati combinata, fondendola con le caratteristiche meteorologiche per produrre gli embedding di stato finali.

3. Correttore di Potenza Consapevole dello Stato (State-Aware Power Corrector)

Questa fase trasforma il prior fisico in previsioni di potenza realizzata applicando correzioni specifiche per stato.

• Condizionamento del Contesto del Sito: Le caratteristiche del sito e le statistiche della potenza storica vengono codificate e iniettate negli embedding di stato per tenere conto delle caratteristiche persistenti specifiche del sito.
• Routing dello Stato Supervisionato: Un router assegna ogni istante temporale a uno di tre esperti di stato operativo: Regolare (Regular), Limitazione (Curtailment) e Arresto (Shutdown). Il routing è supervisionato da etichette di priorità dello stato derivate dal comportamento della potenza eolica (non da annotazioni operative reali).
• Correzione dell'Esperto Vincolata: Ogni esperto applica un meccanismo di correzione distinto:
  • Arresto (Shutdown): Imposta l'output a zero.
  • Limitazione (Curtailment): Apprende un rapporto di limite superiore.
  • Regolare (Regular): Apprende una correzione moltiplicativa sotto il limite della capacità nominale.
    La previsione finale è un'aggregazione pesata dal routing degli output degli esperti vincolati.

Contributi Chiave

1. Framework Unificato: Propone UniWind, il primo modello che fattorizza esplicitamente la previsione della potenza eolica day-ahead in potenziale fisico guidato dalla meteorologia e generazione realizzata dipendente dallo stato.
2. Prior Fisico Calibrato sul Sito: Sviluppa un Physical Prior Estimator che combina strutture di energia eolica condivise con una calibrazione monotona condizionata al sito e una regolarizzazione del limite superiore fisico, evitando la rigidità delle formule fisse e l'overfitting dei metodi data-driven non vincolati.
3. Modellazione dello Stato Latente: Introduce un Latent State Encoder e uno State-aware Power Corrector per modellare gli stati operativi non osservabili. Il sistema recupera le rappresentazioni dello stato futuro dai pattern meteo-stato storici e applica correzioni vincolate supervisionate dalla conoscenza.
4. Validazione Empirica: Conduce esperimenti estesi su oltre 20 dataset reali di parchi eolici, dimostrando accuratezza e robustezza superiori sia in scenari full-shot che in scenari zero-shot cross-farm.

Risultati Sperimentali

Gli autori hanno valutato UniWind su 24 dataset reali provenienti dal Regno Unito e da tre province cinesi (Shandong, Shanxi, Anhui), utilizzando intervalli di 15 minuti.

• Performance Full-Shot: UniWind ha ottenuto le migliori prestazioni su tutti i dataset rappresentativi e metriche (MAE e RMSE) rispetto ai modelli fisici, ai baseline statistici (LightGBM, XGBoost), ai modelli di serie temporali (PatchTST, iTransformer) e ai modelli specifici per le energie rinnovabili. Ad esempio, sul dataset SD_A, UniWind ha ridotto l'MAE a 12.05 rispetto a 14.90 di LightGBM e 28.64 di PowerCurve.
• Performance Zero-Shot: In scenari zero-shot cross-farm (addestramento su tutti i dataset tranne quello target), UniWind ha superato significativamente i modelli foundation specifici per il vento (WindFM) e i modelli foundation generici per serie temporali (Chronos-2, Moirai). Ciò indica che la combinazione di covariate NWP future con prior fisici trasferibili è più efficace del solo pre-addestramento specifico del dominio o generico.
• Robustezza: In condizioni variabili (vento basso/alto, stati regolari/anomali), UniWind ha costantemente superato i baseline, in particolare negli stati "anomali" dove altri modelli faticavano a distinguere tra cambiamenti meteorologici e interventi operativi.

Significato e Rivendicazioni

L'articolo sostiene che UniWind affronti una lacuna critica nella previsione della potenza eolica separando esplicitamente il potenziale di generazione fisica dalla potenza realizzata dipendente dallo stato. Integrando vincoli informati dalla fisica con il routing dello stato latente, il modello evita le insidie delle formule fisiche fisse (che mancano di adattabilità) e degli approcci puramente data-driven (che confondono gli effetti fisici con quelli operativi). Gli autori affermano che questo approccio consente previsioni day-ahead più accurate e robuste, essenziali per l'operatività affidabile dei sistemi elettrici e il processo decisionale nei mercati elettrici. I risultati suggeriscono che modellare esplicitamente la catena di dipendenza dalla meteorologia al potenziale fisico e infine alla realizzazione mediata dallo stato sia un passo necessario per far progredire la previsione della potenza eolica oltre gli attuali stati dell'arte.