基于理论功率曲线与时间融合Transformer的混合短期风电功率预测模型

为解决风电功率预测(WPF)中物理信息(PI)方法与Transformer架构融合不足的问题，研究人员开发了结合理论功率曲线建模与时间融合Transformer(TFT)的混合模型。该研究通过整合制造商参数和数值天气预报(NWP)数据，在土耳其和爱尔兰两地风机数据集上验证显示：模型较传统方法降低RMSE达60%，R2最高达99.47%，并创新性提出FSI-WPF评估指标。该成果为提升电网稳定性提供了高精度预测工具。

　　

随着全球能源转型加速，风电已成为第二大可再生能源，2023年新增装机达117GW。然而风能的间歇性和随机性给电网调度带来巨大挑战，传统预测方法在物理机理与数据驱动融合方面存在明显缺口。现有Transformer架构虽能捕捉时序特征，却鲜少结合风机物理特性，导致预测结果可能违背实际运行规律。

为突破这一瓶颈，研究人员开发了融合理论功率曲线与时间融合Transformer(TFT)的混合预测框架。该模型通过解析风机扫掠面积、功率系数C_p等制造商参数，结合NWP提供的温度、露点、气压等数据，基于流体力学公式精确计算理论功率输出，将其作为物理约束输入TFT网络。研究选用土耳其Nordex N117（3600kW）和爱尔兰Vestas V52（850kW）两台地理环境迥异的机组数据验证，创新性提出以理论功率曲线为基准的FSI-WPF评估指标替代传统持久性模型对比法。

关键技术包括：1）基于气象垂直廓线方程计算轮毂高度空气密度ρ；2）采用具有门控残差网络(GRN)和可解释多头注意力的TFT架构；3）引入分位数回归输出10%/50%/90%预测区间。实验设计上，通过Optuna自动优化超参数，采用40%随机误差模拟NWP预报不确定性，并分解时序特征增强周期规律捕捉。

研究结果显示：

1. 理论功率曲线建模：通过式(1) P_th=0.5Aρv³C_p计算的理论功率与实测值在切入风速（3m/s）至额定风速（12.5-14m/s）区间高度吻合，但受湍流等因素影响，实测值呈现±15%波动带。

2. 模型对比验证：在24小时预测中，混合TFT模型的MAPE较LSTM降低53%（0.053 vs 0.184），FSI-WPF达0.25（LSTM为-0.88）。Vestas机组因数据量更大，R²提升至97.41%，显著优于93.11%的PI-LSTM。

3. 误差分析：箱线图显示TFT预测误差IQR范围较LSTM缩小40%，且异常值集中在风速突变时段，印证了模型对气象突变的敏感度低于传统方法。

4. 跨数据集泛化：在海拔842m的Nordex机组与9m的Vestas机组上，模型均保持RMSE<15%的稳定表现，证明其对地形变化的适应性。

该研究通过物理约束与深度学习的有机融合，实现了预测精度与可解释性的双重突破。所提出的FSI-WPF指标为行业提供了更合理的评估基准，而模块化设计便于集成到现有SCADA系统。未来可结合SAR卫星风场数据增强NWP输入，或扩展至海上风电集群预测。论文发表于《Renewable Energy》，为智能电网建设提供了重要的理论工具。