《Energy and AI》：Evaluating Attention and Adaptive Ensembles for Wind Power Forecasting under Controlled Information Access
编辑推荐：
本研究评估信息获取（information access）、架构控制（architectural control）和延迟适应（delayed adaptation）如何影响小时级风电功率预测（hourly wind-power forecasting）。201
本研究评估信息获取（information access）、架构控制（architectural control）和延迟适应（delayed adaptation）如何影响小时级风电功率预测（hourly wind-power forecasting）。2015—2024年保加利亚国家观测发电量提供按容量比例（capacity-proportional）的区域目标，并在2024年进行完整366天测试。来自澳大利亚十个风电场的独立实测产量提供单独的184天测试。研究在按时间顺序选择并声明观测延迟的条件下，将统计、循环、卷积和注意力模型与固定及自适应组合进行比较。一个参数规模调和的Transformer–逐令牌（tokenwise）配对匹配初始参数、样本顺序和数值停止。其在保加利亚的汇总归一化误差（pooled normalized errors）为12.131%对12.108%，在风电场为21.908%对21.594%。保加利亚的配对注意力对比仍未解决。一个有记录的、同源内的TCOAT-H48适配给出11.486%和21.833%。单独的产量历史控制评估更丰富输入，但不将其视为架构改进。对Climatology/Ridge/HGB（HistGradientBoostingRegressor）池进行三次回溯年度重拟合，得到的Hedge减静态组合区间在每个主要比较中均跨越零。十次留一风电场（leave-one-farm-out）拟合相对于匹配的无身份纳入风电场控制，将HGB误差从23.828%提高到24.257%，配对差异（paired difference）为+0.430[+0.330,+0.526]百分点。原始七专家实验同样未确立Hedge相对于其校准选择专家（calibration-selected expert）的一般优势，且相似误差可掩盖不同权重分配。其贡献在于关于额外模型复杂度适用条件与迁移限制的实证证据。精确区域核算保持国家总量；再分析输入与假定交付延迟使评估保持回溯性。
研究背景与问题：风电并网需同时管理资源变率、有限可预测性及运行决策的不同时间尺度；数小时至24 h预测影响日内平衡、备用调度、实际调度与市场参与。深度模型可提取复杂时间依赖，但其优势并非普遍，受数值天气预报（numerical weather prediction, NWP）质量、预测时界、归一化、风况及时序泄漏防范影响；ERA5（ECMWF Reanalysis v5，欧洲中期天气预报中心第五代再分析）属再分析，不能当作业务NWP预报档案。保加利亚实验结合国家公开净陆上风电、供给容量登记与区域ERA5气象，区域发电按有效容量比例精确分配国家发电；澳大利亚十个独立实测风电场提供外部评估与留一风电场迁移测试。研究问题是在明确信息、优化与评估条件后，架构与适应结论如何变化；其意义是提供额外模型复杂度适用条件与迁移限制的实证证据，同时评估保持回溯性。
关键技术方法：保加利亚样本为2015—2024年Fraunhofer ISE Energy-Charts公开净陆上风电、供给容量登记及ERA5区域气象，2024年完整366天测试；外部样本为GEFCom2014-W（Global Energy Forecasting Competition 2014 wind track，全球能源预测竞赛2014风电赛道）十座澳大利亚风电场，184天独立测试。按时间顺序划分训练、验证、校准、测试，设置边界清除与1小时观测可用延迟；比较统计、循环、卷积、注意力及固定/自适应组合；采用等参数Transformer–tokenwise配对，共享初始化、样本顺序和数值停止；评估TCOAT-H48、完成产量历史控制、固定份额Hedge及十次留一风电场拟合，并用配对日期块重采样量化期内变异。
研究结果：
4.1 数据覆盖与区域特征：审计1,200个NetCDF文件、每区87,672个UTC小时；容量登记196条共714.145 MW，2024年活跃709.045 MW；2024年Dobrich、Stara Zagora与Other Bulgaria区域份额分别为71.293%、11.339%、17.368%，两个研究区合计82.632%；说明区域气象差异作为预测变量存在，但不改变规定的容量比例分配。
4.2 架构与初始化敏感性：在相同历史信息下，Transformer、无注意力、LSTM（long short-term memory，长短期记忆网络）与TCN（temporal convolutional network，时间卷积网络）的历史容量归一化平均绝对误差（capacity-normalized mean absolute error, cNMAE）分别为12.133%、11.828%、11.706%、11.415%，Transformer比无注意力对照差0.305百分点；说明该比较描述已实现架构，并非固定参数下的注意力消融。
4.3 国家与区域分配评估：在2024年全部8,784个目标上，历史信息Fixed-Share Hedge（固定份额Hedge）的6、12、24 h cNMAE分别为9.623%、11.246%、13.272%，汇总cNMAE为11.380%；oracle（目标时次实测气象诊断轨道）为5.399%；区域按容量比例具有相同cNMAE，区域和最大检查差异为1.14×10
-13 MW，仅源于浮点运算。
4.4 模型比较与Transformer作用：原始天气专家中TCN汇总cNMAE最低为11.415%，Fixed-Share Hedge为11.380%，校准选择专家为11.415%，Hedge减校准选择专家为-0.035[-0.093,+0.019]百分点且区间跨零；oracle大幅降低误差但使用目标时次实现天气；说明原始天气实验未建立Hedge的一般优势，oracle收益不能报告为业务预报精度。
4.5 月度误差结构：完整2024年逐月历史Fixed-Share Hedge汇总cNMAE由6月7.566%至12月14.870%，oracle逐月更低；说明该测试年存在月际误差变化，需与配对时间块区间一并考虑。
4.6 Hedge权重分配：三个历史时界均选择γ=0，所选Fixed-Share退化为no-share Hedge；历史汇总最大平均权重为TCN的75.6%；单种子+24 h重校准误差13.353/13.342/13.388%，但TCN平均权重为79.672/14.727/14.768%；说明误差稳定不意味着权重分配稳定，Hedge权重不是物理重要性度量。
4.7 独立风电场结果：GEFCom2014-W十农场184天形成43,766农场小时、131,298预测对；静态凸组合归一化平均绝对误差（normalized mean absolute error, nMAE）21.605%最低，TCN为21.677%，Fixed-Share Hedge为21.686%，校准选择专家为21.687%；Hedge减校准选择专家为-0.001[-0.092,+0.089]百分点且跨零，Hedge减静态凸组合为+0.082[+0.001,+0.160]且14日敏感性区间含零；30个农场–时界中29个选γ=0；说明外部测试未确立Hedge优势，且固定份额混合收益证据有限。
4.8 受控架构与出力历史比较：初始控制实验中tokenwise控制误差为12.093%和21.594%；保加利亚Transformer–控制为+0.040[-0.208,+0.286]百分点，农场控制–Transformer为-0.314[-0.599,-0.037]；Ridge+出力历史为12.186%和24.251%，HGB（HistGradientBoostingRegressor，梯度提升直方图回归）+出力历史为11.657%和22.674%；说明完成出力历史改善部分表格模型，但不构成富输入与贫输入的无差别架构排名。
4.9 本地计算成本：基于200个热本地循环、双CPU线程，Ridge中位0.523/0.597 ms，HGB为1.668/1.865 ms，Transformer为1.324/2.086 ms，七专家预测/更新周期为6.942/11.124 ms，Hedge算术仅0.075/0.416 ms；说明该结果仅测本地计算，不包含数据发布、网络与服务开销。
4.10 调和神经网络与风电专用比较：共同停止重拟合后，保加利亚Transformer与tokenwise控制为12.131%/12.108%，差+0.023[-0.233,+0.278]百分点且跨零；农场为21.908%/21.594%，差+0.314[+0.037,+0.599]；TCOAT-H48为11.486%/21.833%，相对调和Transformer为-0.645[-0.940,-0.359]和-0.074[-0.406,+0.231]百分点；说明保加利亚注意力对比仍未解决，农场区间支持tokenwise控制，TCOAT-H48为模型族比较而非等参数消融。
4.11 时间重拟合与季节权重稳定性：2022、2023、2024年缩减三专家池中HGB均被校准选为最佳，九个时界Hedge校准均选零共享；Hedge误差为12.661%、12.739%、11.735%，所有主要7日区间相对静态权重和选择专家均含零；说明未建立一般适应优势且推断状态对块长敏感；季节重放中24 h种子42/43年误差仅差0.011点，但平均权重总变差为0.666。
4.12 排除农场迁移：十次留一风电场拟合中，Ridge由27.038%升至27.290%，HGB由23.828%升至24.257%，差+0.430[+0.330,+0.526]百分点；33个拟合–时界校准均选HGB为最佳和静态解；说明在所测试扣留设计下存在迁移惩罚，且结果条件于这十个农场，不估计任意新农场总体性能。
讨论部分总结：原始天气专家实验未证明自适应聚合的一般优势；保加利亚Hedge仅低于校准选择专家0.035百分点且区间含零，农场静态权重优势小且随块长改变推断状态；信息可及性差异需与架构分离，目标时次ERA5与完成出力历史分别改变部分比较，但不识别天气产品或业务性能的因果效应。配对日期块量化各评分期内变异，等参数消除一个架构混杂但不等于归纳偏置或优化难度相同；排除农场测试检验指定表格模型的空间迁移而非全部神经集成。贡献是架构、可用观测与延迟适应在实测小时级风电目标上的联合证据，并以控制使替代解释可检查；业务含义是在相同可用观测下比较拟议架构与简单模型，并相对校准固定预测证明自适应聚合，国家误差在指定比例关系下按区域容量缩放，但未测量备用节省、市场利润或调度改进。局限包括ERA5回溯性、oracle使用实现天气、农场时区未记录、容量登记缺精确投运/退役/停机、区域气象用中心点、两个地区不代表全队、公共净发电与额定容量范围不同、区间为点wise且未含全部模型选择不确定性、后加控制由早先结果驱动且非前瞻未触碰数据、留一农场同时减少训练农场。可复现材料提供源快照、清单、模型、预测、成对比较、学习曲线、种子权重诊断与本地计时；未来需前瞻业务NWP评估和带适当评分规则的概率预测。
研究结论部分翻译：本研究使用保加利亚国家实测发电和澳大利亚独立测量风电场评估6、12、24 h风电预测，并对保加利亚采用精确容量比例区域转换；其贡献是架构、可用观测和延迟适应的系列关联实证检验。调和的Transformer–tokenwise比较在保加利亚仍未解决：差异为+0.023[-0.233,+0.278]百分点。农场差异为+0.314[+0.037,+0.599]点；TCOAT-H48在其披露适配下归一化误差为11.486%和21.833%。缩减池三次回溯年度检验未在主要比较中建立自适应优势。十次排除农场拟合显示HGB相对匹配的纳入农场控制有+0.430[+0.330,+0.526]点惩罚。这些结果以实际测试的模型界定架构、时间和空间结论。原始天气实验未建立Hedge相对校准选择专家的一般配对优势；相似误差可与不同权重分配共存，因此自适应权重不是稳定物理解释。扩展证据加强对额外复杂度何时有用的判断基础，而业务性能仍需发布时天气档案、实测交付延迟和前瞻测试。
