🤖 machine learning

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

本文提出了 UniWind，一种统一的日前风电功率预测模型，该模型将物理启发式先验知识与潜在状态编码器相结合，以解耦气象条件与运行状态，从而在多种不同的风电场中实现高精度和高鲁棒性。

原作者： Ronghui Xu, Tongxin Wu, Guozhen Zhang, Yihan Li, Chenjuan Guo, Bin Yang, Yong Li

发布于 2026-07-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Ronghui Xu, Tongxin Wu, Guozhen Zhang, Yihan Li, Chenjuan Guo, Bin Yang, Yong Li

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图预测明天一个风电场会产生多少电量。这是一项极其困难的工作，因为风是变幻莫测的，而涡轮机本身也有着“隐藏的小情绪”。

这篇论文介绍了一种名为 UniWind 的新型人工智能模型来解决这个问题。以下是它的工作原理，通过简单的类比进行解释：

问题所在：“困惑”的预测

目前，预报员面临两个主要问题：

物理模型过于僵化： 想象一个教科书公式说：“如果风速为 10 mph，涡轮机将产生正好 100 瓦的功率。”这在理想世界中行得通，但在现实的风电场中，山丘、树木和局部特征会干扰这些数学计算。此外，该公式并不知道涡轮机是否损坏或被操作员关闭了。
数据模型过于混乱： 想象一个背诵了所有往年考试成绩的学生。如果昨天的风很大，电力输出就很高，这个学生就会假设今天也会很高。但如果明天的风很弱，这个学生就会出错。更糟的是，如果涡轮机昨天因为某种原因被限电（减载）了，这个学生会误以为“风弱意味着电量低”，从而将机械性的停机与实际的天气情况混淆。

解决方案：UniWind 的“三步配方”

UniWind 就像一位聪明的厨师，它将食材（天气）与烹饪过程（涡轮机的状态）分离开来。

第一步：“理想潜力”（物理先验估计器）

首先，UniWind 会询问：“如果这个风电场是全新的、经过完美调优且以 100% 效率运行，在特定的风力下能产生多少功率？”

类比： 这相当于根据发动机和路况来计算汽车的理论最大速度。
诀窍： UniWind 不仅仅使用通用的公式。它会为每个特定的风电场学习一种“定制化适配”（就像为特定的驾驶员调整发动机），但同时又保持在物理定律的框架内，以免做出不符合物理常识的预测。它创造了一个“软天花板”，即物理上可能达到的上限。

第二步：“侦探”（潜在状态编码器）

接下来，UniWind 会观察“本该发生的情况”（第一步）与“过去实际发生的情况”之间的差异。

类比： 想象你预测汽车时速会达到 60 mph，但实际上只跑了 30 mph。侦探会追问：“是司机困了？还是遇到了交通堵塞？或者是刹车卡住了？”
诀窍： UniWind 通过分析这些“差距”来弄清楚风电场的隐藏状态。它是处于常规运行（正常运转）？限电（被电网要求减速）？还是停机（损坏或停止运行）？即使它无法直接“看到”开关被拨动的动作，它也能学会识别这些模式。

第三步：“智能调节器”（状态感知功率校正器）

最后，UniWind 将“理想潜力”与“侦探的发现”结合起来，做出最终预测。

类比： 现在厨师既知道了解食材（天气），也了解厨房当前的情绪（烤箱坏了吗？还是厨师累了？），因此可以调整最终的菜肴。
- 如果侦探说“停机”，模型就会预测功率为零，无论风力有多强。
- 如果侦探说“限电”，模型会预测会有功率输出，但会将其限制在一个较低的限度。
- 如果是“常规运行”，它就让物理定律占据主导地位。
结果： UniWind 并没有盲目猜测，而是将预测路由到不同的“专家”那里（一个负责停机，一个负责正常运行，一个负责限电），从而获得最准确的数值。

为什么它有效（实验结果）

作者在中国和英国的 20 多个真实风电场上测试了 UniWind。

“全样本”测试： 当模型针对特定风电场进行训练时，它以显著优势击败了所有其他方法（包括基于物理的方法和基于数据的方法）。它在预测次日功率方面表现出了最高的准确度。
“零样本”测试： 这是真正的魔力所在。他们将模型应用于它从未见过的风电场。通常，AI 模型在这里会失败，因为它们不知道新风电场的特性。然而，UniWind 利用其对物理学和隐藏状态的理解实现了快速适应，即便如此，它仍然优于那些庞大的预训练“基础模型”。

简而言之

UniWind 就像一位不仅观察云层的天气预报员。他们还理解物理定律（风如何吹动叶片）以及人类/机器的行为（何时关闭涡轮机）。通过将“天气潜力”与“运行现实”分离，它能提供关于明天实际将产生多少电力的更清晰图景。

技术摘要：UniWind

问题陈述

日前风电功率预测对于成本效益高的电力系统运行至关重要，因为电力市场决策必须在电力交付前做出。与传统的序列预测不同，这项任务高度依赖于未来的气象条件，而非历史功率模式。然而，观测到的风电场功率是一个纠缠的信号，包含了物理可用的功率、局部环境效应以及潜在的操作状态（如停机和限电）。

现有方法面临两个主要局限性：

物理模型： 虽然它们通过基于物理的归纳偏置提供了可靠的约束，但在适应特定场站的内生因素（如地形引起的环流）和潜在操作状态方面表现不佳，导致在不同风电场之间的泛化能力较差。
数据驱动模型： 这些方法捕捉了丰富的经验相关性，但往往将气象效应与状态引起的偏差相混淆。因此，它们在多样化的运行条件下缺乏鲁棒性，且无法区分功率偏差是源于天气变化还是隐藏的操作干预。

核心挑战在于构建一个能够显式分离“从气象条件到物理功率潜力”以及“从物理潜力到受隐藏状态干预后的实际功率”依赖关系的模型，同时平衡通用物理原则与场站特定适应性。

方法论：UniWind

UniWind 是一个物理启发式的状态路由模型，旨在解耦物理可用功率与操作诱导的偏差。该框架由三个连续阶段组成：

1. 物理先验估计器 (Physical Prior Estimator)

该模块构建了一个经过场站校准的物理先验，代表了给定气象条件下的理想发电潜力。

物理归一化： 它应用了密度感知的风速调整 ( $\tilde{v} = v(\rho/\rho_0)^{1/3}$ )，以符合风能关系 $P \propto \rho v^3$ 。
场站条件的单调扭曲 (Site-Conditioned Monotone Warp)： 为了在不违反物理定律的前提下适应特定场站，模型使用了一个由场站特征 ( $c$ ) 参数化的可学习单调扭曲函数。该函数将等效风速映射为有效风速，并保持风速的排序性。
共享物理功率曲线： 一个可学习的平滑曲线捕捉了风电生成的共同物理结构（切入前接近零、非线性增长以及饱和）。该曲线通过场站条件的锚点（类切入点和类额定风速点）进行归一化。
上界约束： 先验被塑造为可用发电量的软上包络线。损失函数确保先验能够覆盖观测功率，同时在常规运行期间保持紧凑，防止高估。

2. 潜在状态编码器 (Latent State Encoder)

该模块通过分析观测功率与物理先验之间的差异，推断不可观测的、随时间变化的运行状态。

历史状态编码： 它利用历史功率、物理先验、残差及其时间差构建状态标记 (tokens)。这些标记被编码为历史状态嵌入。
未来状态检索： 使用类似于注意力机制的方法，模型将未来天气嵌入视为查询 (queries)，将历史天气/状态嵌入视为键 (keys) 和值 (values)。通过从相似的历史气象背景中迁移模式，实现未来潜在状态嵌入的检索。
精炼： 一个因果时间卷积网络 (TCN) 对组合后的状态序列进行精炼，将其与天气特征融合，生成最终的状态嵌入。

3. 状态感知功率校正器 (State-Aware Power Corrector)

该阶段通过应用特定状态的校正，将物理先验转化为实际功率预测。

场站上下文调节： 场站特征和历史功率统计数据被编码并注入到状态嵌入中，以考虑持久的场站特定特征。
监督状态路由： 路由器将每个时间步分配给三个运行状态专家之一：常规 (Regular)、限电 (Curtailment) 和 停机 (Shutdown)。路由过程由源自风电行为（而非地面真值操作标注）的状态先验标签进行监督。
有界专家校正： 每个专家应用不同的校正机制：
- 停机 (Shutdown)： 将输出设为零。
- 限电 (Curtailment)： 学习一个上界比例。
- 常规 (Regular)： 在额定容量限制下学习一个乘性校正。
  最终的预测是这些有界专家输出的路由加权聚合。

核心贡献

统一框架： 提出了 UniWind，这是第一个显式将日前风电功率预测分解为气象驱动的物理潜力和状态依赖的实际发电量的模型。
场站校准的物理先验： 开发了一个物理先验估计器，结合了共享的风能结构与场站条件的单调校准及物理上界正则化，避免了固定公式的僵化性和无约束数据驱动方法的过拟合问题。
潜在状态建模： 引入了潜在状态编码器和状态感知功率校正器来对不可观测的操作状态进行建模。该系统从历史天气-状态模式中检索未来状态表示，并应用知识监督的有界校正。
实证验证： 在超过 20 个真实风电场数据集上进行了广泛实验，证明了其在全样本 (full-shot) 和跨场站零样本 (cross-farm zero-shot) 设置下的卓越准确性和鲁棒性。

实验结果

作者在来自英国和中国三个省份（山东、山西、安徽）的 24 个真实数据集上评估了 UniWind，采用 15 分钟间隔数据。

全样本性能： 与物理模型、统计基线（LightGBM、XGBoost）、时间序列模型（PatchTST、iTransformer）以及可再生能源专用模型相比，UniWind 在所有代表性数据集和指标（MAE 和 RMSE）上均取得了最佳性能。例如，在 SD_A 数据集上，相比于 LightGBM 的 14.90 和 PowerCurve 的 28.64，UniWind 将 MAE 降低至 12.05。
零样本性能： 在跨场站零样本设置下（在除目标场站外的所有数据集上训练），UniWind 显著优于风电专用基础模型 (WindFM) 和通用时间序列基础模型 (Chronos-2, Moirai)。这表明，将未来 NWP 协变量与可迁移物理先验相结合，比单纯依赖领域特定或通用的预训练更有效。
鲁棒性： 在多种条件下（低风/高风、常规/异常状态），UniWind 始终优于基线模型，尤其是在其他模型难以区分气象变化与操作干预的“异常”状态下。

意义与主张

论文声称，UniWind 通过显式分离物理发电潜力和状态介导的实际发电量，填补了风电预测的一个关键空白。通过将物理启发式约束与潜在状态路由相结合，该模型避免了固定物理公式（缺乏适应性）和纯数据驱动方法（混淆物理与操作效应）的陷阱。作者断言，这种方法能够实现更准确、更鲁棒的日前预测，这对于可靠的电力系统运行和电力市场决策至关重要。结果表明，显式建模“从气象到物理潜力，再到状态介导的实现”这一依赖链，是推动风电预测超越当前最先进水平的必要步骤。