可扩展的区域联合风电预测方法，支持动态纳入新电站

《Sustainable Energy Technologies and Assessments》：Scalable regional joint wind power forecasting method supporting dynamic incorporation of new farms

　　

•面向动态集群扩展的可扩展区域联合风电功率预测。
•可解释的 BIG 图模型以捕获跨风电场的时空依赖。
•BIG 支持新建风电场的邻接初始化。
•现有风场性能稳定，新风电场精度提升。

引言
全球风电装机容量持续增长 [1]，准确的功率预测是电力系统安全、稳定、经济运行的重要组成部分 [2]，[3]。随着风电场数量的不断增加，风电功率预测任务逐渐从单风场预测演变为多风场的联合建模和联合预测 [4]。
受相似气象过程驱动，区域集群中的多个风电场在功率波动上通常表现出时空相关性 [5]。因此，多风电场联合预测允许在统一框架内表征风电场之间的空间和时间依赖，实现信息共享和协作学习，从而改善整体预测稳定性和泛化性能 [6]。然而，在实际中，随着新建风电场的不断纳入，其早期运行阶段有限的历史数据不足以支持数据驱动模型的有效训练并实现稳定的预测性能。同时，在联合建模中，新风电场的投运可能会改变现有风电场集群的依赖结构和数据分布，要求模型适应风电场数量的变化。因此，有必要开发一种区域联合预测的模型扩展方法，能够在早期利用新建风电场的有限数据提供可靠的风电功率预测。
为了解决新建风电场数据稀缺的问题，现有研究通常重用从成熟风电场学到的知识，以增强有限样本条件下的预测能力 [7]。在这些方法中，迁移学习可以将从成熟源风电场学到的时间表示、特征提取能力和参数先验迁移到目标风电场 [8]，[9]，提供有效的初始化和正则化。因此，它在新建风电场的风电功率预测中引起了大量关注。现有迁移学习方法通常根据迁移载体分为基于实例的迁移 [10]、基于特征的迁移 [11]、基于模型的迁移 [12] 和基于知识的迁移 [13]。
基于实例的迁移选择源风电场中与目标风场功率输出演化相似的样本 [14]，使用样本加权或集成策略来解决训练数据稀缺问题 [15]，[16]。然而，当目标风电场与源风电场在功率波动特征上存在显著差异时，样本检索和权重估计容易偏离目标分布，从而限制适应效果。基于特征的迁移以特征表示为载体，通过特征空间变换 [17]、共享表示学习或分布对齐来减少源域和目标域之间的统计差异，从而缩小特征层面的差异 [18]。然而，当关键预测驱动因素不同或早期阶段分布非平稳时，对齐的表示可能缺乏鲁棒性，迁移增益可能会减弱。基于模型的迁移将模型参数视为载体：它通常首先从多个源风电场获得通用参数初始化或共享子模块 [19]，然后使用少量目标风电场数据进行快速校准以形成预测能力 [20]。然而，当目标样本极其有限时，参数校准可能会触发负迁移并导致性能下降。基于知识的迁移，通常以基于元学习的策略为代表，在一组源风电场任务上学习快速可适应的初始化。这使目标风电场能够仅通过少量样本和少量更新步骤获得预测能力 [21]，[22]。然而，当训练期间涵盖的风电场类型不足或目标风电场表现出显著不同的时间依赖模式时，适应增益也可能下降。
除迁移学习外，一些研究还探索了使用概率建模、样本生成和零样本推理进行新风电场预测。概率建模方法表征预测分布，以量化投运后的不确定性，并通过联合建模或域对齐机制实现信息共享 [23]，[24]。然而，这些方法通常需要重复估计和依赖结构的联合优化，随着风电场集群的扩展和依赖关系的演变，这将增加模型维护成本。另一方面，样本生成方法使用生成模型创建伪时间序列样本，扩展新建风电场的训练数据覆盖率，缓解稀缺数据条件下的监督问题 [25]，[26]。虽然这些方法在有限样本下提高了稳定性，但其效果取决于生成的样本能多好地捕获真实功率波动。关键时间模式的覆盖不足可能会引入偏差，并在多个时间步长的预测中累积。此外，一些研究还调查了使用大语言模型进行零样本风电功率预测，通过将预测任务重新表述为基于提示的问题并利用预先训练的模型进行泛化 [27]。虽然对于没有历史数据的跨区域迁移很有前景，但与针对风电场特征定制的专门模型相比，这些方法表现出较弱的预测精度、时间一致性和对物理约束的尊重。
时空图神经网络提供了另一个相关的建模框架，通过联合捕获风电场之间的时间动态和依赖关系。STGCN 结合时间卷积和图卷积来建模时间变化和场间关系 [28]，而 Graph WaveNet 集成了膨胀时间卷积、扩散图卷积和自适应邻接矩阵来学习复杂的时空依赖 [29]。基于图的结构允许利用新建风场可用的有限观测值来适应从现有风电场学到的知识。
然而，专门为新建风电场预测开发的现有方法主要集中在适应模型到目标风电场或构建特定目标的预测模型。新建风电场与现有风电场之间的关系通常被用作辅助或迁移信息，而没有在统一建模框架内明确表征跨场关系。这种方法限制了预测过程中跨场站时空信息的充分利用。关于多风电场预测的研究表明，风电场集群表现出可利用的空间和时间依赖 [30]。明确地将这些时空相关性纳入联合建模有助于更好地捕获集群内的信息传播和演变 [31]，并可以进一步提高涉及多场站和多步长预测任务的预测精度 [32]。因此，将新建和现有风电场纳入统一的时空建模框架可以增强对场间相关性的利用，并在风电场集群扩展时提高预测性能。
因此，本文提出了一种考虑新建风电场纳入的可扩展区域联合风电功率预测方法，旨在有限的历史数据条件下实现可靠预测。该方法采用师生结构。教师模型融合从现有风电场学到的空间邻接和时间注意力来构建行为基础设施图（BIG），将现有集群的时空依赖转化为可扩展的结构。当新建风电场被纳入时，BIG 在功率相关性指导下扩展风电场关联结构，并为扩展后的教师模型提供初始图结构，随后利用有限数据进行扩展适应训练。在此基础上，学生模型通过知识蒸馏进行训练，在扩展后的教师模型的预测输出和新建风电场真实功率标签的联合监督下，使其能够继承教师模型的预测能力，同时进一步提高新建风电场的预测精度。
(1) 提出了一种用于纳入新建风电场的可扩展区域联合风电功率预测方法。该方法将新建风电场纳入现有风电场集群的联合预测系统，在集群规模变化时完成模型扩展，并在保持现有风电场整体稳定预测性能的同时提高新建风电场的预测精度。
(2) 提出了一种基于 BIG 的新建风电场时空依赖构建方法。该方法融合教师模型学到的空间邻接信息和时间影响信息，并根据新建风电场与现有风电场之间的相关性初始化新节点的邻接关系，为新风电场纳入后的模型扩展提供可解释的结构基础。
(3) 提出了一种针对新建风电场的通过知识蒸馏实现的预测适应方法。该方法使用扩展后的教师模型的预测输出作为软监督信息，并结合新建风电场的真实功率标签共同指导学生模型训练，使学生模型能够学习教师模型的预测模式，同时在有限数据条件下进一步纠正预测偏差并提高预测精度。

本文其余部分组织如下。“可扩展区域联合风电功率预测框架”一节介绍了提出的可扩展区域联合风电功率预测方法的主要组件。“总体框架和扩展流程”一节描述了整体研究流程以及纳入新建风电场时的模型扩展过程。“案例研究”一节报告了实验设置、结果分析和有效性验证。“结论”一节总结了本文并概述了未来研究方向。

章节片段
可扩展区域联合风电功率预测框架
为了解决新建风电场早期阶段历史功率数据不足导致难以训练稳定预测模型的困难，本文提出了一种可扩展区域联合预测方法，将新建风电场作为新节点纳入现有风电场集群的时空建模系统。提出的扩展教师蒸馏学生（ETDS）方法包括一个可扩展的教师模型、一个模型扩展机制
总体框架和扩展流程
本文提出了一种考虑纳入新建风电场的可扩展风电场联合预测框架。如图 1 所示，总体框架包括两个阶段。第一阶段在现有风电场集群上训练教师模型，并提取其空间邻接表示和时间影响信息来构建 BIG。第二阶段基于新建风电场之间的功率变化相似度扩展 BIG 和教师模型
数据集描述
实验使用源自美国国家可再生能源实验室（NREL）开发的东部风能并网数据集的数据 [40]，[41]。
数据集 1 用于主要实验。它包含主要位于缅因州的 35 个风场的历史风电数据，覆盖期间从 2004 年 1 月 1 日到 2005 年 12 月 31 日，时间分辨率为 10 分钟。
数据集 2 用于进一步评估所提方法对更大风电场集群的可扩展性。它包含
结论
本文提出了一种考虑纳入新建风电场的可扩展区域联合风电功率预测方法。在美国某地区由 35 个风电场组成的风电场集群上的实验结果表明，当新建风电场被纳入现有风电场集群时，所提方法仅需少量增量数据即可完成模型扩展，实现新建风电

CRediT 作者贡献声明
Jingwen Liu：写作 – 审阅与编辑，写作 – 原始草稿，可视化，验证，方法论，调查，形式分析，数据整理，概念化。Yongning Zhao：写作 – 审阅与编辑，验证，监督，资源，项目管理，方法论，资金获取。Yao Ru：写作 – 审阅与编辑，写作 – 原始草稿，可视化，验证，方法论，调查，形式分析，数据整理。Xu Lin：写作 – 审阅与编辑，
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本论文中报告的工作。
致谢
本工作得到国家自然科学基金（批准号 52207144）的支持。
Jingwen Liu|Yongning Zhao|Yao Ru|Xu Lin|Yanxu Chen