基于跨尺度机制感知的物理信息驱动预测方法，用于在注重风险的风电运行中实现可靠的风速预报

《Energy》：Cross-scale regime-aware physics-informed forecasting for reliable wind-speed prediction in risk-aware wind power operation

　　摘要：可靠的风速预测对于具备风险意识的风电运营至关重要，但整体精度往往受正常状态样本影响，而在阵风频发情况下的巨大误差则可能被掩盖。为解决这一伪精度问题，本研究提出了自适应门控物理信息网络（AGruPn），这是一种跨尺度、能感知运行状态的预测框架，它将细粒度的运行条件识别、适配不同状态的物理预测以及不确定性量化相结合。AGruPn首先从稀疏观测数据中重建高频风速动态，接着通过跨尺度统计机制识别运行状态，最后启动一种带有可学习样条参数化、基于偏微分方程的时间残差处理、基于遗传编程的阵风修正机制以及物理引导的分位数学习功能的门控自适应物理引导网络。与单一全局预测器不同，AGruPn会根据识别出的运行状态切换活跃的物理残差模型，并调节数据丢失、物理一致性、符号化阵风修正以及区间生成之间的平衡关系。在国家可再生能源实验室、开放可再生能源系统、Site1–3、Aventa以及山区分布式发电测试数据集上的实验表明，相较于传统的重复性、基于分解的方法、物理信息驱动的方法以及现有长序列预测方法，AGruPn在点预测和区间预测方面均表现更优。在Site1–3和Aventa数据集上，AGruPn得到的对称平均绝对百分比误差值分别仅为2.709、2.719、2.789和11.849。在NREL和ORES数据集上，其SMAPE值分别为3.728和3.639，比最优竞争方法的性能高出4.95%和1.65%。针对特定条件及进行的消融分析进一步表明，考虑运行状态的物理约束提升了区间预测的可靠性，同时也揭示了在高频率阵风场景下仍存在的挑战。AGruPn指的是图2中所示的完整端到端系统，而GA-GPNet仅指修订后的图中标记为第二阶段的后端预测模块。因此，基于ARNN的序列重建和跨尺度工况识别属于前端部分。本研究采用了三个来源不同、时间分辨率也不同的SCADA数据集，以便为跨尺度运行条件识别和功率预测提供多场景验证。第一个数据集来自位于瑞士塔根贝格（北纬47.52°，东经8.68236°）[39]的一台研究用风力发电机Aventa AV-7（6千瓦），该设备归IET-OST机构所有。它包含从2022年1月1日到2023年7月20日的1赫兹高频测量数据，这些数据最初是用于环境监测的。

结果与讨论：本节旨在通过多维度实验系统地验证所提出的AGruPn框架的有效性、稳健性和可解释性。我们首先评估跨尺度数据生成模块（ARNN）的插值精度，以确保其为后续分析提供可靠的细粒度数据基础。然后，从多个角度考察AGruPn的整体性能，包括整体预测精度、季节适应性等。

结论：本研究提出并验证了一种自适应风速物理信息深度网络框架（AGruPn），旨在从根本上解决风速预报中的“伪精度”问题。经过改进的实验将AGruPn与循环型、分解型、物理信息型以及现有的长序列基准模型进行了比较，结果显示AGruPn在Site1–3、Aventa、NREL和ORES这四个数据集上的整体SMAPE值最高，同时还能保持较强的区间可靠性。

CRediT作者贡献声明：史新杰：写作——审阅与编辑、写作——初稿撰写、可视化、验证、项目管理、方法论、研究调查、正式分析、数据整理、概念构建。王建洲：写作——审阅与编辑、写作——初稿撰写、验证、监督、软件、资源、项目管理、方法论、研究调查、资金获取、正式分析。李志武：写作——审阅与编辑、可视化、验证、软件、资源、数据。

代码可用性：为提高修订后研究的透明度和可重复性，相关公共代码和已发布数据可在以下地址获取：https://github.com/hangzhoupyyan/AGruPn_code_data_release。该仓库包含了主要的公共数据文件、已发布的预测序列、指标计算脚本、图表生成脚本、部分实现代码笔记，以及AGruPn的公共训练协议文件。由于该项目将在后续研究中继续扩展，因此完整的集成核心训练代码暂未公开。

利益冲突声明：我们声明与任何可能不当影响我们工作的个人或组织均无财务或个人关系。本手稿是我们独立完成的工作，其内容并未抄袭自其他来源。本手稿此前未曾发表，也未提交给其他期刊考虑发表，所有数据均为真实结果，未经篡改。此外，各位作者均不存在任何财务或其他利益关联。

史新杰|王建洲|李志武
中国澳门特别行政区氹仔澳门科技大学系统工程研究所，邮编999078