基于气象模式聚类的跨域海上风电功率预测迁移学习框架

《Environmental Data Science》：Cross-domain offshore wind power forecasting: transfer learning through meteorological clusters

　　

雄心勃勃的脱碳目标正迅速推动新建海上风电场的投运。对于这些新投运的电场而言，从运行伊始就需要精确的功率预测，以确保电网稳定性、良好的备用管理和高效的电力交易。尽管机器学习模型具有强大的性能，但它们通常需要大量场址专属数据，而新建风电场尚不具备这些数据。为克服这一数据稀缺问题，研究人员提出了一种新颖的迁移学习（Transfer Learning）框架，该框架根据协变量气象特征对功率输出进行聚类。研究人员并非训练单一的通用模型，而是采用一组专家模型（Ensemble of Expert Models）进行预测，每个模型分别在一个聚类上训练。由于这些预训练模型各自专注于不同的天气模式，它们能够高效地适应新场址，并捕捉可迁移的、气候依赖的动态特性。研究人员的贡献包括两方面——提出了这一新颖框架，并在八个海上风电场对其进行了全面评估，在不足5个月场址专属数据的条件下实现了精确的跨域预测。实验取得了3.52%的平均绝对误差（MAE），为可靠预测无需完整年度周期的观点提供了实证验证。除功率预测外，这种气候感知的迁移学习方法还为海上风电应用开辟了新机遇，例如早期风资源评估（Wind Resource Assessment, WRA），其中降低数据需求可显著加速项目开发，同时有效缓解其固有风险。

**论文解读**

**一、研究背景与问题**

海上风电被视为绿色能源转型的基石之一，全球海上风电装机容量预计将从2024年的83 GW增至2030年的238 GW。然而，当前风电场集中在少数发达国家，许多新兴市场国家（如巴西、印度、摩洛哥、菲律宾、南非和越南）拥有约3.1 TW的海上风电潜力却尚未开发。在这些新兴市场，从运营伊始就需要高效的风资源评估（WRA）和精确的风电功率预测（WPF），因为可靠的WPF对于将间歇性发电整合到本地电网至关重要——它提供系统稳定性、限制备用需求并对冲金融风险。

传统物理模型虽然稳健，但计算密集且对初始参数化高度敏感。因此，统计和机器学习方法日益突出，尤其是深度学习（DL）模型在海上WPF中取得了最先进（SOTA）的性能。然而，这一成功严重依赖细粒度的场址专属SCADA数据，对于历史记录稀缺的新投运场址和新兴市场，当前SOTA框架的数据密集特性制约了其实际部署。

**二、研究内容与意义**

针对上述数据稀缺问题，研究人员提出了一种新颖的迁移学习框架，通过识别气象模式结构并为其训练专门的预测模型，实现跨场址知识迁移。具体而言，该框架不依赖单一通用模型，而是训练一组"专家"高斯过程（GP）模型，每个模型专门针对一种由变分自编码器（VAE）在潜在空间中识别出的天气模式。这些预训练模型所编码的气候依赖动态具有场址无关性（Domain-Agnostic），可通过气象相似性而非地理位置进行聚类。当面对新建风电场（目标域）时，仅需将其气象数据映射至已有的气象聚类，并对相应的GP模型进行微调即可。

该研究的贡献体现在两个方面：提出该新颖框架，并在八个欧洲海上风电场进行了全面评估。结果表明，在不足5个月场址专属数据（20%数据容量）的条件下，框架即达到了3.52%的平均绝对误差（MAE），优于从头训练的聚类专用GP模型使用一整年数据（MAE 3.55%）的表现。这一发现具有重要实践意义——它实证验证了可靠预测无需等待完整年度运行周期，可显著降低早期阶段的不确定性与成本，避免项目开发延误。此外，该气候感知的迁移学习方法还可拓展至早期风资源评估等应用，加速项目开发并缓解风险。

**三、关键技术方法**

研究所用数据集源自Grothe等人构建的包含29个欧洲海上风电场40年小时级气象与合成功率数据的数据集，气象数据来自ERA5全球再分析资料。源风电场通过UMAP（一致流形逼近与投影）降维和Ward层次聚类从六个气象-运行聚类中各选一个。天气模式识别采用VAE（编码器含两层一维卷积和双向LSTM，潜在空间为8维），以β-VAE损失函数训练，通过网格搜索优化时间窗口长度p和聚类数K，最大化由轮廓系数、Davies–Bouldin指数、Calinski–Harabasz指数、气象可分性、时间相干性和分布一致性构成的综合质量得分Q。功率预测采用聚类专用的高斯过程回归，使用RBF核与Matérn-ν=3/2核的加性组合，并采用自动相关性确定（ARD）。迁移学习流程包括：固定源VAE编码器→目标数据潜在投影→最近邻聚类分配→GP超参数在目标训练数据上最大化边际对数似然进行微调。

**四、研究结果**

（1）最优配置与聚类特性：时间窗口p=6小时、聚类数K=8被确定为最优配置（Q=0.53），各聚类展现出内聚性和气象特征的物理可分性——例如，聚类1和5捕捉平静时段，聚类2隔离高速极端情况，聚类0表现出较高的内部方差（可能表征过渡大气状态）。

（2）源模型性能：GP模型在六个源风电场2年运行数据上取得了MAE 3.68%±0.04%（R²=0.981），通过雷达图展示了不同风电场在各聚类上性能的差异性，表明GP混合模型捕捉了丰富的行为分布。

（3）迁移学习定量结果：在八个目标风电场上，该迁移学习框架在20%数据容量（约5个月）时即达到MAE 3.52%，优于从头训练的聚类GP模型使用50%数据容量（一整年）的MAE 3.55%。与农场级GP基线相比，虽然基线在10%数据容量时略有优势，但该框架在所有后续数据容量下均表现更优。值得注意的是，农场级GP基线在10%至50%数据容量间仅从MAE 3.84%改善至3.56%，显示出GP模型快速泛化的固有能力。

（4）概率预测评估：框架的连续排名概率得分（CRPS）在所有数据容量下均低于MAE，表明即使预测均值偏离实际观测，概率方差也能成功扩展以涵盖真实值。在40%数据容量时，框架实现了接近最优的95%预测区间覆盖率（PICP₉₅=0.949），而基线GP在10%容量时PICP₉₅已达0.982（并随容量增加而上升），表明其预测区间信息量较低。

（5）集群迁移能力差异：表2揭示了迁移能力因气象聚类而异——聚类1仅需约2.4个月数据即可达到MAE 3.7%，而聚类7在2.4个月数据时MAE为5.8%，需7.2个月才改善至3.4%。这表明某些气象现象更具场址依赖性。

（6）农场特异性分析：以Gemini风电场为例，聚类0、1、2、3和7（占评估时段的66.7%）表现出强迁移性，在约5个月微调数据后MAE均≤3.4%；聚类4、5和6迁移性较低，需更多本地数据。

**五、讨论与结论**

研究人员的讨论指出，该框架证明了天气特异性迁移学习可降低欧洲海上风电场精确预测的数据需求。未来工作将沿两个方向推进：一是面向更长预测时效扩展，需对时间序列数据进行因子分解以支持更长上下文；二是使用真实世界数据将面临涡轮机规格、尾流效应建模以及处理低粒度数据（如缺失值和观测不规则）等挑战。此外，在生产环境中实施该方法需对综合得分中各指标权重进行交叉验证以避免聚类错误。这些进展将共同推动开发一种动态风资源评估工具，能够生成快速、特定于场址和配置的预测，而无需冗长的初始数据积累，从而加速未来海上风电投资，促进更便宜、更绿色能源的增长。

研究结论表明：所提出的迁移学习框架在八个目标海上风电场实现了精确的跨域预测（MAE 3.52%），所需场址专属数据不足5个月，实证证明了可靠预测无需完整年度周期；基于气象聚类的专家模型集成策略能够有效捕捉可迁移的气候依赖动态，显著降低新投运风电场的冷启动数据壁垒。