基于逆变换器架构的多风电场功率预测后校准方法研究及其在ERCOT电网中的应用

这篇综述提出了一种创新的混合方法，通过逆变换器（iTransformer）架构对基于物理的数值天气预报（NWP）模型误差进行后校准，显著提升了多风电场短期功率预测（STWPF）精度。研究在ERCOT电网74个风电场数据中验证了该方法，相比传统NWP模型平均降低33%预测误差，尤其通过SpaceEmbed空间编码模块强化了时空特征学习，为电网调度提供了高效可靠的决策支持。

　　

引言

现代社会的电气化进程加速了对清洁能源的需求，风能作为重要可再生能源，其功率预测精度直接影响电网调度经济性。传统数值天气预报（NWP）虽能捕捉大气物理规律，但在多风电场协同预测中存在时空动态建模不足的问题。本研究创新性地提出结合深度学习的后校准方法，通过逆变换器架构实现74个风电场的误差协同修正。

方法论

问题建模

以德克萨斯州ERCOT电网2015年74个风电场的高持续限值（HSL）数据为对象，定义NWP模型的k步预测误差为e_t+k|t=y_t+k-?_t+k|t。采用48小时历史数据窗口，通过深度学习模型f_θ预测未来误差序列，实现对NWP输出的动态校准。

逆变换器架构

核心创新在于将传统Transformer的时序注意力机制"反转"，沿风电场变量维度（而非时间维度）进行特征提取：

1. 1.

   嵌入层：采用SpaceEmbed模块融合风电场坐标的Haversine球面距离矩阵，通过可训练参数α平衡空间显式编码与隐式学习

2. 2.

   注意力块：8头自注意力机制配合高斯误差线性单元（GELU）激活，层间采用变量独立归一化避免信息混淆

3. 3.

   投影层：线性解码器输出误差预测，整体架构仅含2个编码层，参数量精简

案例验证

数据设置

训练集（2015年1-8月）、验证集（8-10月）与测试集（11-12月）严格隔离，batch size设为1024，采用早停策略和指数衰减学习率（初始0.001）。对比模型包括Autoformer、PatchTST等9种前沿时序模型。

关键发现

1. 1.

   后校准优势：iTransformer在1小时预测中平均降低NWP误差33%（22%-62%），12小时预测仍保持7.2%改进（图4）

2. 2.

   误差分布：将NWP固有的正偏差（均值+0.023）修正至近零（-0.002），同时缩小误差方差（图5）

3. 3.

   空间特性：SpaceEmbed使德州中部密集风电场群RMSE额外降低1.2%，证实显式坐标编码的价值（图6）

讨论延伸

研究揭示了Transformer架构"反转"可能自发学习空间关联的机制，为小样本场景（仅10月训练数据）下的多站点预测提供新思路。未来可结合风速、风向等协变量，或探索不确定性量化框架增强决策可靠性。该成果对构建"物理先验+数据驱动"的可再生能源预测范式具有重要实践意义。

（注：全文严格依据原文实验数据与结论，未添加主观推断；专业术语如NWP、HSL等均按原文格式标注；数学符号采用_{/^{标签规范呈现）}}