风电功率预测大模型及不确定性溯源研究

Foundation Model for Wind Power forecasting and Uncertainty Tracing 阎洁YANJie华北电力大学NorthChinaElectricPowerUniversity新能源电力系统全国重点实验室State Key Laboratory of Alternate Electrical Power System with Renewable Energy SourcesEmail: yanjie@ncepu.edu.cnJune122026 目录 背景意义Background 1.背景意义（Background） ■功率预测是新能源电力系统应对风电随确机波动保障安全稳定运行的前置支撑 ■风电装机规模快速跃升，而预测精度提升相对滞后，预测误差对电力系统的冲击持续放大 ■突破预测精度瓶颈，成为保障新能源电力系统安全运行的关键 Accurate wind power forecasting is becoming a critical prerequisite for secure operation of renewabledominated power systems, as rapidly expanding wind capacity amplifies the system impact of persistentforecasting errors. Single-SiteForecastingNearsItsAccuracyLimit 1.背景意义（Background 方向一：预测范式升级一风电功率预测大模型 ■从“单场独立建模”走向“多场知识共享”，构建风电功率预测大模型，解决“一场一测”数据规模小、知识来源狭窄、泛化性差的问题。 Developing foundation model for wind power forecasting that shifts from single-farm independentmodelingto multi-farmknowledge sharing,addressing thelimitations of small-scale data,narrowknowledgesources, and poor generalization in the one model for one wind farmparadigm. foundationmodelforwindpowerforecasting 1. 背景意义(Background) 方向二：误差精细治理风电功率预测不确定性潮源 风电功率预测误差源于天气预报、数据质量、功率映射等多环节不确定性的耦合传递开展不确定性解耦源，定量识别各环节误差贡献，是精细化提升预测精度的重要手段 Uncertainty tracing and attribution provide critical evidence for refined wind power forecastingoptimizationandaccuracyenhancement. 目录 背景意义Background 风电功率预测不确定性溯源wind power forecasting uncertainty Tracing 为什么要集成式预测 风、辐照、降水是同一天气系统的不同物理参量，关联性强 全国范围需建立和维护几万个预测模型，建模效率低、计算成本高昂。 十年持续攻关，：推动预测从单场站走向干站级泛化通用 1.多对多映射的功率预测方法 提出了多对多映射架构，实现了区域内多源多点NWP和功率的融合，建立了多个风电场功率联合预测的堆叠降噪自编码机（SDAE）模型，降低建模成本，提升天气报和功率预测精度。 3.1 多对多映射的多尺度功率预测方法 修正后的数值天气预报精度提升了1-3%，多点位NWP之间相关性更接近于实测风速相关性 YanJ*,ZhangH,LiuY,etal.ForecastingthehighpenetrationofwinTransactionsonPowerSystems,2017,33(3):3276-3284. 2.1 Moirai-WP： 超短期风电功率预测时序大模型 研发了超短期风电功率预测时序大模型基座Moirai-WP，具备干座电站一体化输出能力 可适应自标场站不同时间频率和变量数量的功率预测任务。 Moirai-WP establishes an ultra-short-term wind power forecasting foundation model with unified multi-farm output and adaptabilitytoheterogeneous temporalresolutions andvariables. 2.1 Moirai-WP：超短期风电功率预测时序大模型 超短期尺度准确率和合格率分别提高了1.42/1.66个百分点； 短期尺度准确率和合格率分别提高了1.29/1.97个百分点；极端天气时段平均零样本风电功率预测准确率为89.95% The Moirai-WP foundation model improves forecastingaccuracy compliance by 1.42%/1.66% for ultra-short-termhorizons and by 1.29%/1.97% for short-term horizons,achieving an average accuracy of 89.95% under extremeweather conditions 2.2 大模型参数微调的风电功率预测方法 提出了高价值梯度定位的大模型参数快速微调方法。 以Time-Moe在海量时序数据预训练中的先验知识为基础，结合风电场数据微调模型参数适应特定地理环境、气象条件、机组等差异化特征 A high-value gradient-guided fine-tuning strategy is developed to rapidly adapt foundation models towindpowerforecasting under site-specificheterogeneous conditions. Time-Moe神经网络架构 Fine-tuningstrategy 2.3大模型参数微调的风电功率预测方法 ■样本量越小、优势越明显。 The smaller the sample size, the morepronounced the advantage. Powerpredictionresultsfromdifferentmethods 3.UniWind：短期风电功率预测大模型 建立了短期风电功率预测大模型UniWind 仅使用一个模型实现了跨不同风能环境的强泛化预测，预测精度比基于大量历史数据的“一场一测平均提高了1.28个百分点，比新建场站/极端天气等小样本预测方法高1.67个百分点。 UniWind enables strong generalization across diverse wind-energy environments with a single foundationmodel,improvingforecasting accuracyby1.28percentagepoints and outperforming conventionalmethodsby1.67percentagepointsinfew-shotnew-sitescenarios. 拓展应用：微尺度人工智能天气预报技术(AWP) NWP(NumericalWeatherPrediction)VSAWP(A/basedWeatherPrediction) 提出了全球预报场、地形、环境、机组测风等信息的3D-CNN模型和AI天气预报方法，建立了预报结果的时序注意力修正模型，通过挖掘前序时段的预测信息，进一步提高预报精度，延长预报跨度10-15天。 目录 背景意义Background 风电功率预测不确定性潮源wind power forecasting uncertainty Tracing 3.风电功率预测不确定性溯源 WsUncertaintyQuantification UncertaintyPropagationthroughoutthemodel chainwithreal data IEAWindTask51-Phase12022-2025Recap 3.风电功率预测不确定性溯源 3.1超短期预测误差溯源 提出了逐时间步量化的超短期风电功率预测误差溯源方法在6步以内，训练样本占据主导地位，7步以后功率波动性占据主导。 SHAP-based error tracing reveals a shift in dominant uncertainty from training-sample quality within 6steps to power fluctuation after 7 steps. >需要数据：训练集实测功率TRt：测试集实测功率TEt，预测功率TEi： 16步预测NRMSE误差16-StepForecastingNRMSE 逐时刻各不确定性源量化示例DynamicUncertainty-SourceQuantification 一风电场技术实验室（LaboratoryonWindFarmTechnologies） 3.2短期预测误差溯源 提出了基于SHAP的短期风电功率测误差溯源方法。在无需重复建模的情况下获得各时刻误差源贡献占比，提升溯源精度、可解释性与计算效率。NWP风速误差占比53.4%，训练样本、风转功率分别占比19.4%、17.8% SHAP-based error tracing quantifies uncertainty-source contributions without retraining, identifyingNWP wind-speed error as the dominant factor at 53.4% ThankYou! YAN Jie North China Electric Power University Email: yanjie@ncepu.edu.cn