基于联邦学习（Federated Learning, FL）模型的老挝风电场能量产出点预测

《Next Energy》：Energy yield point prediction using federated learning models for a Wind Farm at Laos

　　

风能已成为化石能源替代中最具可行性的可再生能源之一，可降低对化石燃料发电系统的依赖。然而，风速的间歇性与波动性给电力系统可靠运行、能量调度与风场管理带来困难。现有风能预测方法多依赖集中式机器学习算法，需共享原始数据，引发数据隐私、安全与可扩展性问题。为克服上述缺陷，研究人员提出一种基于联邦学习的框架，利用老挝某风场四个区域七个月的实时运行与气象数据，在隐私保护前提下实现去中心化风能产量预测。输入特征包括各区域风速、平均风速、预期能量、厂用电平衡（Balance of Plant, BoP）、弃风（Curtailment）、维护损失与停机时间，目标变量为总能量产出。联邦学习中集成神经网络（Neural Network, NN）、随机森林（Random Forest, RF）与梯度提升（Gradient Boosting, GB）三种机器学习模型，采用归一化均方根误差（Normalized Root Mean Square Error, NRMSE）、归一化平均绝对误差（Normalized Mean Absolute Error, NMAE）、平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）与对称平均绝对百分比误差（Symmetric MAPE, SMAPE）进行评估。实验表明，联邦NN与RF模型表现稳定，NRMSE分别为0.07与0.09，MAPE分别为5.40%与8.22%，SMAPE分别为12.8%与14.4%，NMAE分别为0.02与0.03；联邦GB模型在单客户端场景下预测误差最小。精确预测风能发电出力有助于评估可开发潜力、优化系统负荷调度、计算平准化度电成本（Levelized Cost of Energy, LCOE）及未来CO2减排量。该研究证明联邦学习可作为隐私保护下构建预测模型的有效机制。

研究背景方面，全球可再生能源装机持续增长，其中风能因可扩展性与经济性突出而占比显著，但风速天然具有间歇性与非线性，导致风电并网面临调度储备压力大、集中式预测需汇聚多源数据而引发数据所有权与隐私问题。传统物理模型计算昂贵且难捕捉微气候，统计模型假定线性平稳关系受限，单一机器学习模型泛化不足，深度学习对小风场算力不友好。因此，研究人员开展一项以老挝某风场四区域、2025年9月至2026年3月共215条日观测数据为对象的联邦学习预测研究，旨在不交换原始数据前提下协同训练NN、RF、GB三类模型，对当日总能量产出做点预测，验证隐私保护型去中心化框架在真实运行数据下的精度与稳定性。论文发表于《Next Energy》。

关键技术方法上，研究人员采用预测层聚合式联邦学习：将四区域作为NN与RF的4个客户端，GB则将区域1—2、3—4合并为2个客户端；各客户端用MATLAB normalize()做z-score归一化，80%训练、20%测试（cvpartition留一划分），本地分别训练fitrnet神经网络、50树RF（fitrensemble）与LSBoost梯度提升，本地预测经简单算术平均得全局预测；评价用NRMSE、NMAE、MAPE、SMAPE。样本队列为老挝单一风场四区域七年个月日级运行—气象联合记录，无缺失值。

研究结果部分，1. Introduction指出风电预测对电网稳定与经济调度至关重要，集中式ML存在隐私与扩展瓶颈，混合与深度学习虽提升精度但难部署于小风场，FL可解数据不出域问题。2. Literature review梳理物理、统计、ML、DL及混合模型演进，明确FL在智能电网预测中已有初步成功但风电产量FL实证稀缺。3. Proposed methodology给出框架：图1为多客户端FL块图，图2为流程图，表1算法先预处理归一，再按区域分客户端本地训练NN/RF/GB，预测平均聚合得全局值y'_global=1/KΣy'_k；3.1列数学模型，3.2明配置（NN/RF四客户端、GB两客户端、LSBoost），3.3列输入变量（各区域风速、平均风速、预期能量、历史能量、BoP、弃风、维护损失、停机→总能量），3.4用幂律V_z,t=V_0,t(h_z/h₀)^α与分段功率曲线E_W关联风速与出力，3.5—3.6引LCOE、PBTM、C_CO2=EF_CO2×E_t×?_CO2说明预测是后续技术经济与碳评估前置，3.7数据215日无缺失，3.8假设数据同步同分布，3.9局限为单风场七月数据、非跨场、仅同日点预测，3.10给四项误差公式。4. Results and discussion中4.1联邦NN的NRMSE=0.07、MAPE=5.40%、SMAPE=12.8%、NMAE=0.02，预测曲线紧贴实际；4.2联邦RF的NRMSE=0.09、MAPE=8.22%、SMAPE=14.4%、NMAE=0.03，稳定性稍弱于NN但优于GB多客户端；4.3联邦GB在单客户端（区域1—2、3—4合并）场景误差最低，显示集成弱学习器对非线性运营损失项拟合更优；整体表明FL-NN综合最优，FL-GB适单客户端精调。

讨论与结论翻译：研究人员讨论指出，所提FL框架在老挝四区实测数据上兼顾隐私与精度，NRMSE低于0.1属工程可用水平；NN擅捕非线性风速—出力映射，RF抑噪稳方差，GB单客户端最优但因合并客户端在完全分布式下略逊。局限在于数据时长跨季不全、未跨地理验证、未做多步与不确定性量化。结论为联邦学习能以不共享原始数据方式构建稳定风电产量点预测模型，FL-NN与FL-RF可部署于多区域风场日常调度，FL-GB适于单运营主体精细预测，该机制为分布式可再生能源管理的隐私合规路径提供实证支撑。