一种基于组件识别的渐进式迁移学习方法，用于新建风电场中的风电预测

《Engineering Applications of Artificial Intelligence》：A component-aware progressive transfer learning method for wind power forecasting in newly built wind farms

　　• 提出了一种新的基于组件意识的渐进式迁移方法。• 提出了一种使用DTW和SC进行源域选择的策略。• 构建了一个集成了两阶段KF、MLP、CGAN和MHA的微调框架。• 通过消融实验和对比实验验证了其有效性和优越性。

引言
随着可再生能源的快速发展，并网风电的规模持续扩大。然而，由于复杂的气象和运行因素，风电输出具有间歇性、随机性和波动性（Wang等人，2024a；Cheng等人，2024），这对电力系统的安全性和经济性提出了重大挑战（Yang等人，2024a，2025）。因此，准确的风电预测（WPF）对于支持实时调度、备用电源分配、电力市场运营和风电接纳至关重要（Yan等人，2025）。为了应对这些挑战，已经进行了大量的风电预测研究，显著提高了预测精度和模型适应性。然而，对于新建的风电场，可用数据的限制使得预测模型容易出现过拟合、预测结果过于平滑以及跨风电场的泛化能力不足的问题。

现有的风电预测方法大致可以分为物理方法、统计方法和数据驱动方法。物理方法通常依赖于数值天气预测、涡轮机功率曲线和风电场参数。这些方法具有明确的物理解释性，但其性能在很大程度上取决于气象输入的准确性和计算资源的可用性。这些限制使得物理方法难以迅速响应局部电力波动，特别是在短期和超短期预测任务中。相比之下，数据驱动方法学习历史气象变量与功率输出之间的映射，因此被广泛用于短时间尺度的预测。传统的统计模型，如自回归模型、ARMA模型和ARIMA模型，简单且计算效率高，适用于相对平稳的线性时间序列（Ahn和Hur，2023）。然而，实际的风电序列往往是非线性的、非平稳的且高度波动的。传统统计模型的线性和平稳性假设限制了它们对这种复杂动态的建模能力。

为了提高非线性建模能力，基于机器学习和混合分解的模型，包括基于随机森林的方法和CEEMDAN-EWT深度学习方法，已被引入风电预测，并在短期预测任务中显示出有效性（Arrieta-Prieto和Schell，2024；Karijadi等人，2023）。然而，这些方法往往依赖于手动设计的特征，在表示长期依赖性、多尺度变化和局部突变方面仍存在局限性。近年来，由于深度学习的特征提取和时间建模能力，深度学习方法被越来越多地采用。深度神经网络、循环神经网络、长短期记忆网络、基于注意力的模型以及基于堆叠的概率深度学习模型在一定程度上可以捕捉复杂的非线性关系和时间依赖性（Hu等人，2024a；Liao等人，2024；Du等人，2024；Sun等人，2023；Liu等人，2023；de Azevedo Takara等人，2024）。类似的人工智能驱动的计算方法也在其他工程领域得到探索，例如先进材料和设备优化，证明了人工智能在复杂科学和工程问题中的广泛应用（Lei等人，2026）。为了解决风电序列的非平稳性问题，分解-预测框架已成为短期风电预测的一个重要方向。这些方法首先将原始的非平稳序列分解为几个相对稳定的子序列，然后分别对每个组件进行建模，并重建最终的预测结果。这种策略降低了直接建模强烈波动序列的难度，并在最近的研究中进一步结合了优化的分解和基于LSTM的预测器（Yuzgec等人，2024；Wang等人，2024b）。然而，深度模型通常需要足够的历史样本和相对稳定的数据分布。对于已经运行了几年的风电场，预测模型可以从长期历史数据中学习季节性模式、运行模式和局部波动特征。然而，新建的风电场在初期运行期间通常只能提供有限的观测数据。这些数据往往不足以覆盖不同的风速范围、天气状态和功率变化过程。直接在如此小样本的目标域数据上训练复杂的深度模型可能导致过拟合和泛化能力差。Chen等人将小样本短期风电预测视为一个元学习问题，并表明从相关风电场学习到的可转移知识可以帮助预测模型适应仅有有限历史观测数据的目标风电场（Chen等人，2024）。Wang等人进一步开发了一种在数据稀缺情况下的非常短期风电预测的条件概率建模框架，强调小样本场景不仅需要准确的点预测，还需要不确定性表征（Wang等人，2024c）。

为了解决样本稀缺问题，已经发展出两条主要的研究路线：数据增强或样本生成，以及迁移学习。数据增强方法通过扰动、重采样、插值、生成模型或表示学习来构建额外的训练样本，从而减少目标域数据不足的不利影响。最近的风电特定研究从通用生成模型转向了任务导向的样本生成和鲁棒表示增强。基于TimeGAN的方法已被用于生成时间一致的辅助样本，以进行小样本风电预测（Meng等人，2023），而基于模糊GAN的方法进一步丰富了复杂运行场景中的不确定波动模式（Zhao等人，2025a）。基于扩散的生成预测也被引入来概率化地建模非平稳风电信号（Liu等人，2025）。对比增强框架改善了趋势-波动特征的表示（Zhao等人，2025b），而重构-增强框架有助于补偿不足或不完整的训练信息（Zhong等人，2024）。相关研究还将数据增强扩展到极端天气条件，显示其在异常运行状态下的预测鲁棒性提升潜力（Yan等人，2026）。这些研究表明，数据增强可以在一定程度上缓解训练样本的缺乏问题。然而，其有效性仍然取决于原始观测数据中包含的分布信息。当目标域包含非常少的真实样本时，生成的数据可能无法涵盖实际运行的整体结构和极端变化模式，甚至可能引入与目标域分布不一致的噪声。

迁移学习为新建风电场的预测任务提供了一种实际的方法来缓解数据稀缺问题。与其从头开始训练预测模型，不如重用从数据丰富的风电场学到的时间特征表示、气象-功率响应模式和运行特性，从而为目标域适应提供更具信息性的初始化。Hu等人提出了一种基于贝叶斯平均的迁移学习方法，用于新建风电场的概率风电预测，表明源风电场的知识可以在目标域数据稀疏的情况下支持点预测和不确定性估计（Hu等人，2024b）。Jin等人开发了一个具有双阶段注意力机制的自适应迁移学习框架，表明通过适应性地重用相关源风电场的信息可以改进目标风电场的预测（Jin等人，2025）。这些研究表明，迁移学习可以通过重用预训练的表示并将其适应于新建风电场来降低在目标域样本有限情况下的模型训练难度。

最近的研究进一步从简单的参数重用转向了源域选择、分布对齐和分阶段的目标准适应。由于风电场在地理位置、风能资源条件、涡轮机类型和运行状态上的差异，直接转移不匹配的源域知识可能会将不相关信息引入目标模型，从而削弱预测性能。因此，选择与目标风电场更相关的源域数据成为提高迁移效果的重要步骤。Yin等人提出了一种基于样本转移和不平衡进化神经网络的小样本风电预测方法，选择有用的源域样本以减少数据冗余并减轻源-目标不匹配（Yin等人，2025）。最近的域适应研究不仅限于简单的参数转移，还研究了可转移表示和减少源域与目标域之间的差异。传统方法主要依赖于特征对齐或对抗学习，而最近的无源域适应方法在不访问原始源数据的情况下进一步研究目标域适应。例如，Farhadi等人引入了多视图对比学习来提高不同视图之间的特征一致性并增强可转移表示（Farhadi等人，2026）。在风电预测中，Sajol等人应用了深度域适应学习来跨不同地理区域的风电场转移预测知识（Sajol等人，2024）。这些研究表明，有效的域适应应考虑参数转移以及可转移特征学习和源域与目标域之间的差异。

在风电预测应用中，分布对齐和分阶段适应也成为迁移学习的重要方向。Dong等人提出了一种基于多域对抗网络的可转移概率风电预测方法，使用对抗学习来减少源域和目标域之间的分布差异（Dong等人，2023）。Tang等人结合了时间卷积和对抗训练来增强跨域风电预测中的时间特征的迁移性（Tang等人，2024a）。还探索了结合联邦学习和迁移学习的隐私保护框架，以在数据访问受限的情况下改进风电场之间的知识共享（Tang等人，2024b）。基于变压器的迁移学习系统也被开发出来，以提高可解释性和跨域适应能力（Tian等人，2025）。Song等人将风速延迟感知的动态图建模和两阶段迁移学习融入小样本风电预测中，表明基于图的源域表示和分阶段适应可以在目标域样本有限的情况下进一步提高预测性能（Song等人，2026）。

基于上述综述，迁移学习已被广泛应用于新建风电场的风电预测。现有研究已经探讨了参数转移、源域选择、对抗域适应及相关方法。通过重用从数据丰富的风电场学到的可转移表示，这些方法减少了對目标域历史数据的依赖。然而，源域和目标风电场之间风能资源条件、地形特征、涡轮机配置和运行状态的差异可能会削弱源域知识对目标任务的相关性。如果这些差异没有得到充分考虑，直接从异构风电场转移知识可能会将不相关甚至不一致的信息引入目标模型，导致在仅有有限目标域样本时可出现负面迁移效果。因此，本研究首先采用了一种结合动态时间弯曲（DTW）和谱聚类（SC）的源域匹配策略，以选择具有更相似功率变化模式的源风电场进行模型预训练（Li等人，2023；Sakoe和Chiba，1978）。

在选择了与目标风电场更相关的源域后，另一个重要问题是如何使用有限的目标域样本来有效地微调预训练模型。传统的端到端联合微调通常同时更新多个模块。然而，趋势预测、波动预测和融合模块执行不同的任务，在模型转移到目标风电场时可能需要不同的调整程度。当只有少量的目标域样本时，同时更新所有模块可能会导致优化过程中的模块间干扰，并增加过拟合的风险。相比之下，渐进式迁移学习依次微调这些模块，因此每个阶段只更新模型的一部分。这减少了同时更新多个模块时引起的干扰，并有助于在小样本条件下限制过拟合。因此，对于包含多个不同模块的预测模型，渐进式微调可以提供一种更稳定的方式来适应数据有限的目标风电场。

除了迁移策略外，风电序列的适当表示对于有效的目标域适应也非常重要。风电序列通常包含低频趋势成分和高频随机波动成分。基于分解的方法可以通过将原始序列分解为更简单的成分来降低建模复杂性。然而，许多现有方法仍然对不同成分使用类似的确定性预测器，并通过直接求和或固定权重来重建最终输出。这可能会限制随机波动的表示，并忽略趋势和波动成分之间的相互作用。为了解决这一限制，本文采用了两阶段卡尔曼滤波（KF）方法将原始风电序列分解为趋势成分和波动成分。趋势成分主要捕捉低频变化，而波动成分反映了快速随机扰动和爬坡行为。趋势成分是使用多层感知器（MLP）进行预测的，而波动成分则是通过条件生成对抗网络（CGAN）来建模的，该网络基于历史波动状态、趋势信息和气象变量进行条件化。由于仅通过对抗学习生成的波动序列可能匹配总体分布，但无法准确捕捉局部幅度和时间细节，因此在生成器的目标中加入了重建损失，以提高生成波动序列的准确性。融合过程也很重要，因为趋势和波动分支的预测误差在最终输出生成过程中可能会相互作用。直接求和不足以完全捕捉这两个组件之间的动态关系。因此，本文引入了一个多头注意力模块来表征趋势和波动表示之间的关联，动态学习不同组件的融合权重，并重建最终的风力发电输出。

在迁移学习中，关键问题不仅在于重用预训练参数，还在于根据不同功能模块的角色和收敛特性以有序的方式进行调整。当目标域数据有限时，趋势预测模块、波动生成模块和融合模块表现出不同的收敛行为和参数敏感性。如果整个预训练模型被直接联合微调，不同模块之间的参数更新可能会互相干扰，从而破坏学习到的源域表示，并增加在目标域样本有限情况下过拟合的风险。因此，本文提出了一种渐进式迁移学习策略，以便在目标域样本有限时依次适应不同的功能模块。具体来说，趋势预测模块、波动生成模块和融合模块依次进行微调。

所提出框架的核心目标是在小样本条件下为新建风电站建立协同分解-生成-融合的迁移机制。与传统的端到端预测框架不同，所提出的方法明确分离了确定性演化和随机波动的建模，并通过分阶段迁移策略进一步将趋势成分、波动成分及其融合关系适应到目标域。基于这一理念，本文提出了一个基于相似性引导的组件感知渐进式迁移学习（SG-CPTL）框架，用于新建风电站的风力发电预测。该框架旨在通过结合组件感知预测和渐进式迁移学习策略来实现有效的小样本适应。主要贡献总结如下：(1)我们为新建风电站的风力发电预测开发了一个基于分解的迁移学习框架。通过将源域知识迁移到趋势预测、波动生成和输出融合模块中，该框架在只有有限目标域样本的情况下实现了模块化建模和目标域适应。(2)为了考虑分解组件的不同特性，我们设计了一个协同的MLP-CGAN模型。MLP捕获相对稳定的趋势成分，而CGAN则建模随机波动成分。进一步在CGAN目标中加入了重建损失，以提高生成波动的逐点一致性。(3)我们没有通过直接求和预测组件来重建最终输出，而是引入了一个基于多头注意力的融合模块。该模块学习了趋势和波动成分的相对贡献，从而为分解后的预测结果提供了更灵活的融合机制。(4)我们提出了一种渐进式迁移学习策略，以在小样本条件下将预训练模型适应目标风电站。趋势预测器、波动生成器和融合模块依次进行微调，这有助于减少过拟合并避免目标域适应过程中模块之间的不必要的干扰。

本文的其余部分组织如下：第2节介绍所提出的预测框架及相关算法。第3节描述了数据集、实验设置和评估指标。第4节展示并分析了实验结果。第5节对本文进行了总结。

**建模**
在本节中，我们首先概述了所提出的框架，然后介绍了底层算法。该方法包括新建成风电站风力发电预测（WPF）的问题定义、多源风电站的选择、预训练源域模型的构建以及渐进式迁移学习的原则。在新建成风电站中，训练样本的稀缺性严重限制了WPF模型的性能。

**数据集描述**
为了评估所提模型在不同地理条件和风电站类型下的适应性，本研究使用了从多个商业风电站收集的运行数据。数据集涵盖了位于福建、新疆、美国和内蒙古的风电站。源域风电站包含相对较长时间的历史运行数据，而目标域风电站仅包含短期数据。这种设置旨在模拟风力发电情况。

**实验I：消融研究**
为了验证所提出的SG-CPTL框架中关键组件的贡献，对三个新建风电站的数据集（即数据1、数据2和数据3）进行了渐进式消融研究。实验分为预测组件消融和迁移策略消融两部分。预测模块的超参数设置总结在表3中，而三阶段迁移学习的训练设置提供在表4中。

**结论**
本研究提出了一种基于相似性引导的分解-预测-融合框架，采用多阶段迁移学习，称为SG-CPTL，用于历史数据有限的新建风电站的风力发电预测。该框架基于以下观察结果而设计：风力发电序列包含缓慢变化的趋势信息和高度不规则的波动信息，而新建风电站通常缺乏足够的样本来直接学习这些模式。

**作者贡献声明**
曾向明：撰写——审稿与编辑、撰写——原始草案、验证、软件、方法论、概念化。
耿东汉：撰写——审稿与编辑、资源、方法论、资金获取、概念化。
张哲：验证、软件、资源。
傅博：可视化、软件。
王银坤：形式分析、数据管理。

**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。