物理信息时序融合网络（PI-TFN）：在有限历史上下文下通过物理信息增强预测鲁棒性

《Engineering Science and Technology, an International Journal》：PI-TFN: Enhancing forecasting robustness under limited historical context via Physics-Informed Temporal Fusion

　　

准确的短期风电功率预测对于电网稳定性和可再生能源并网至关重要，然而现有的深度学习方法对所有输入特征进行统一处理，忽略了已知的物理子系统结构，并且需要较长的历史窗口才能达到有竞争力的精度。本研究引入了一种物理信息时序融合网络（Physics-Informed Temporal Fusion Network，简称PI-TFN），该网络通过架构层面的归纳偏置，弥合了领域特定物理知识与深度时序学习之间的鸿沟。所提出的架构将风力涡轮机动力学分解为三个专门的处理路径：一个编码空气动力学关系（包括风速-功率立方律和一个学习得到的功率系数估算器）的物理信息层；一个通过门控循环单元（Gated Recurrent Unit，GRU）捕捉温度动态的热状态编码器；以及一个建模桨距角同步的叶片协调模块。这些模块与一个双向长短期记忆网络（Bidirectional Long Short-Term Memory，Bi-LSTM）主干及多尺度时序注意力机制融合。一个复合训练目标结合了均方误差（Mean Squared Error，MSE）与针对切入风速、额定功率饱和、非负性的软物理惩罚项，以及一个将预测与理论空气动力学关系联系起来的功率曲线残差项。所有模型均在严格因果的预处理流程下进行训练，其中缺失值仅通过前向填充进行插补，消除了任何未来信息泄漏到历史观测中的可能性。在涵盖28个月的118,224个SCADA观测数据上评估，PI-TFN在4小时回看窗口下，在五个深度学习基线模型（LSTM、TCN、Transformer、TFT、Informer）中取得了最低的均方根误差（Root Mean Square Error，RMSE）。多步实验表明，物理引导设计的优势随着预测时域的延长而增长：在6小时预测时域，PI-TFN达到了535.3千瓦的RMSE，而LSTM为607.9千瓦，持久性基线为637.3千瓦，后者在该时域下已无法跟踪风力发电过程。一个容量控制对比实验，其中具有348,114个参数的PI-TFN变体优于具有376,061个参数的TFT和601,601个参数的LSTM，证实了性能提升源于物理引导的分解，而非单纯的模型容量。在Kelmarsh风电场SCADA数据集（六个Senvion MM92风机合并，213,050个训练样本）和Open Power System Data德国国家风力发电序列上的外部验证，测试了所提出设计在不同地理区域、时间分辨率和聚合水平上的迁移能力。在Kelmarsh数据集上的样本效率实验表明，在数据稀缺区域，PI-TFN相对于LSTM基线的优势最大（在5000个训练样本下RMSE改善15.9千瓦），并随着训练集的增大而逆转，证实了物理信息路径在数据有限时最能提供有用的归纳偏置。

**论文解读：物理信息时序融合网络（PI-TFN）在短期风电功率预测中的应用**

**研究背景与意义**

随着全球能源结构向可再生能源转型，风力发电已成为可持续电力系统的基石。然而，风电固有的波动性和间歇性给电网调度和稳定运行带来了巨大挑战，因此，精确的短期（通常为10分钟至6小时）风电功率预测至关重要。传统方法如统计模型（自回归积分滑动平均模型，ARIMA）难以捕捉复杂的非线性动力学特性；物理模型（如数值天气预报，NWP）虽能提供物理见解，但计算成本高且对亚小时级预测精度有限。近年来，基于深度学习的模型，如长短期记忆网络（LSTM）、时序卷积网络（TCN）和Transformer架构，在时间序列预测中表现出色。然而，这些纯数据驱动方法存在根本性局限：它们需要大量训练数据来学习本已通过空气动力学理论充分理解的物理关系，可能产生违反物理约束的预测，并且对所有输入特征一视同仁，未能利用关于特征间相互作用和时序特性的领域知识。物理信息神经网络（PINN）通过将物理定律作为约束融入网络训练，为解决这些问题提供了新思路，但在风电领域的应用仍有限。因此，研究人员提出了一种新的混合架构——物理信息时序融合网络（PI-TFN），旨在通过架构层面的归纳偏置，将特定领域的物理知识与深度时序学习相结合，以提升在有限历史数据条件下的预测鲁棒性。该论文发表在《Engineering Science and Technology, an International Journal》。

**主要关键技术方法**

研究人员为开展研究采用了以下关键方法：
1. **PI-TFN架构设计**：将风力涡轮机动力学分解为三个专门的处理路径：一个物理信息层（编码风速-功率立方律并估算功率系数C_p）、一个热状态编码器（使用GRU捕捉温度动态）和一个叶片协调模块（建模三个桨距角之间的相关性）。这些路径与一个双向LSTM（Bi-LSTM）主干和多尺度时序注意力机制融合。
2. **复合训练目标**：设计了一个包含均方误差（MSE）和四个软物理惩罚项的损失函数，分别针对切入风速、额定功率饱和、非负性和功率曲线残差（将预测约束在理论空气动力学关系P = ?ρAC_pv³上）。
3. **严格因果预处理**：缺失值仅使用前向填充进行插补，以确保在推理时只有过去的数据可用于模型，避免未来信息泄漏。
4. **外部验证**：在Kelmarsh风电场SCADA数据集（英国，六台Senvion MM92风机，2018年数据）和Open Power System Data（OPSD）德国国家小时级风电出力序列上进行迁移能力验证，并进行了样本效率分析。
5. **多步预测与容量控制对比**：评估了不同预测时域（10分钟，1小时，6小时）下的性能，并通过构建参数更少的PI-TFN-Lite变体，与参数更多的基线模型（如LSTM、TFT）进行对比，以证明性能提升源于物理引导的设计而非模型容量。

**研究结果**

**5.1 即时预测性能**
研究人员使用传统机器学习模型（如XGBoost、随机森林）进行即时映射（使用当前时刻特征预测当前时刻功率）来建立性能上限。XGBoost取得了最佳即时预测性能，RMSE为82.98 kW，R²为0.971。然而，这些模型在即时预测中使用了由目标变量计算出的功率系数（C_p）特征，存在信息泄漏。去除该特征后，XGBoost的RMSE降至103.49 kW，这成为衡量真实预测难度的公平基准。

**5.2 预测性能：深度学习模型对比**
在严格因果预处理下，PI-TFN在4小时回看窗口（L=24）下，在六个深度学习基线模型（LSTM、TCN、Transformer、TFT、Informer）中取得了最低的RMSE（206.54 kW），优于LSTM（210.20 kW）和Transformer（220.63 kW）。所有深度学习模型均显著低于公平即时预测基准，量化了时间预测带来的额外难度。

**5.3 序列长度敏感性分析**
研究通过改变回看窗口长度（L=12，24，72）发现，PI-TFN在中等序列长度（L=24，4小时）达到最佳性能，而基线模型（如Transformer、TCN）在更长的序列（L=72，12小时）下表现更好。这表明PI-TFN的物理引导设计使其能从更短、噪声更少的序列中有效学习。

**5.4 消融研究**
通过移除不同模块的消融实验表明，在短回看窗口（L=12，2小时）下，物理信息、热状态和叶片协调模块至关重要，使PI-TFN比仅有主干网络性能提升约23 kW。在长回看窗口（L=72，12小时）下，主干网络本身性能最佳，表明当历史数据充足时，深度学习可以隐式学习物理规律。

**5.5 多步预测分析**
多步预测实验（预测时域从10分钟到6小时）显示，随着预测时域增加，PI-TFN相对于LSTM和持久性基线的优势逐渐扩大。在6小时预测时域，PI-TFN的RMSE为535.28 kW，显著优于LSTM的607.88 kW和持久性基线的637.27 kW，相对提升12%。

**5.6 外部数据集验证与样本效率分析**
在Kelmarsh数据集（数据充足，约21万训练样本）上，LSTM的RMSE（130.66 kW）优于PI-TFN（137.65 kW）。然而，样本效率实验显示，当训练样本数仅为5000时，PI-TFN比LSTM的RMSE低15.94 kW，且是唯一优于持久性基线的学习模型。随着训练样本增加，LSTM反超。这表明PI-TFN在数据稀缺场景下优势显著。在OPSD德国国家风电数据（无涡轮级SCADA特征）上，LSTM再次领先，表明PI-TFN的设计优势高度依赖于其专用模块能够处理的物理特征是否存在。

**5.7 物理一致性评估**
PI-TFN结合物理感知损失函数后，实现了零单调性违规和零超额定功率预测，并小幅度提升了预测精度，证明了物理约束与准确性是互补的。

**讨论与总结**

**讨论部分**：研究结果表明，物理信息架构设计能够提升风电功率预测的准确性，尤其是在数据有限的场景下。PI-TFN在短期回看窗口下的高效性使其非常适合部署在内存受限的边缘设备上。研究也指出了局限性，包括主要基于单一数据集、预测时域有限、未纳入外部天气预报等，并建议未来在更广泛的风电场和不同条件下进行验证。

**研究结论部分**：本研究引入了物理信息时序融合网络（PI-TFN），一种用于短期风电功率预测的新型混合架构。在严格因果预处理下，PI-TFN在4小时回看窗口下，于六个深度学习基线模型中取得了最低的RMSE。将涡轮机动力学分解为空气动力学、热状态和叶片协调路径的架构设计，结合双向LSTM主干和多尺度时序注意力，使模型能在比通用基线模型更短的回看窗口下有效运行，这对于内存有限的涡轮机控制器边缘部署至关重要。复合训练目标增强了预测的物理一致性。多步实验表明，PI-TFN的优势随预测时域增长而扩大。滚动季节分析、Kelmarsh样本效率曲线和OPSD验证共同确定了所提出设计最适用的场景（在有限训练历史下的单机SCADA预测）以及更简单主干网络具有竞争力的场景（数据充足或缺少SCADA特征的聚合发电序列）。