利用 SCADA 数据和连续学习进行风力发电预测的偏差校正
内容提要
该文综述多项风电预测研究，涵盖物理信息神经网络回归与不确定性估计、CNN-RNN融合气象数据的日前预测、改进CNN-LSTM输入形状以提升噪声鲁棒性、时空图神经网络及WeatherGNN校正NWP偏差、梯度提升与循环网络结合的时空风电预测、可解释AI学习功率曲线，以及玻璃盒模型与工业减排决策的探索。
延伸解读
从单一模型到混合架构的演进
文章梳理的多项研究显示，风电预测正从单一模型转向混合架构。CNN-RNN融合气象网格与时间信息，CNN-LSTM通过调整输入形状提升噪声鲁棒性，图神经网络则用于NWP偏差校正。这些尝试共同指向一个趋势：利用不同网络结构的互补性，分别处理空间特征、时间依赖与不确定性，从而在日前预测等场景中取得更稳定的表现。
不确定性估计与可解释性的实用价值
物理信息神经网络引入证据层进行不确定性估计，并定义功率曲线置信区间；可解释AI框架则用Shapley值从SCADA数据中学习功率曲线模型。两项工作都强调，除了预测精度，模型输出的可靠性与透明度同样关键。对运维人员而言，置信区间和可解释指标有助于判断预测结果何时可信，以及模型在何种条件下可能失效。
数据效率与模型选择的现实考量
一项针对可再生能源的模型选择与适应实验表明，组合多个模型可显著提升效果，且仅需7天训练数据即可胜过基线。这提示在数据有限或新投运风电场场景下，迁移学习和模型集成可能比从头训练更实用。同时，梯度提升与循环网络结合、玻璃盒方法等方案，也在准确性与可解释性之间提供了不同权衡，读者可根据业务对透明度的要求进行选择。
Q&A
物理信息神经网络在风电预测中如何估计不确定性？
该研究使用物理信息神经网络对4台风力发电机的历史数据进行回归建模，并引入高效的证据层对预测进行不确定性估计，证明其与绝对误差一致，同时为功率曲线定义了置信区间。
CNN-RNN结构在风电预测中有什么优势？
CNN-RNN结构融合了卷积神经网络和循环神经网络，使用来自地理网格多个点的气象数据和风电场的时间信息进行日前风电预测，在全球预测中取得了较好结果，与传统模型相比能更好地实现空间特征提取。
如何通过改变输入数据形状提高风电预测的噪声鲁棒性？
通过改变CNN-LSTM和自回归模型的输入数据形状，探索新的特征工程方法以提高对噪声的处理能力，取得了显著改善，能够以83%的准确率预测长达24个时间步的未见数据，并在短期、中期和长期预测中始终表现出较高准确性，优于单个模型。
WeatherGNN如何校正NWP偏差？
WeatherGNN是一种利用图神经网络的NWP偏差校正方法，在两个真实数据集上展示了与其他方法相比的显著优势，平均RMSE提高了40.50%。
可解释AI如何用于风力发电机功率曲线建模？
该研究引入可解释的人工智能框架，通过Shapley值和最新的可解释AI for回归方法，从SCADA数据中学习风力发电机功率曲线模型。结果表明，学习策略可以更好地指示模型的鲁棒性，比验证集或测试集错误更有用，最终目标是选取更透明和鲁棒的数据驱动风力涡轮机功率曲线模型。
玻璃盒方法在风力发电预测中表现如何？
通过采用创新的人工智能方法（如梯度提升），提出了一种透明度与高准确性相结合的玻璃盒方法，用于风力发电预测，能够有效解释全球和实例角度上的预测结果，并且相比大多数基准模型表现更好，与最佳神经网络模型相当，在可靠的风力发电预测中具有强大的竞争优势。
