UniWind：面向统一日前风电预测的物理信息状态路由方法

# UniWind：基于物理信息融合状态路由的统一日前风电功率预测

来源：https://arxiv.org/html/2607.01670

徐荣辉¹，吴彤欣²，张国祯³，李逸涵²，郭晨娟¹，杨彬¹,\*，李勇⁴,\*

¹华东师范大学，中国上海
²南方科技大学，中国深圳
³北京天融科技有限公司，中国北京
⁴清华大学，中国北京

\*通讯作者：[email protected], [email protected]

###### 摘要

日前风电功率预测对于电力系统的经济高效运行至关重要。其预测主要依赖于未来的气象条件，同时保留发电过程中的时间依赖性。在实际中，观测到的风电场功率往往将物理可用功率与局部环境影响以及潜在的运行状态（如停机、弃风）交织在一起。现有的物理模型提供了有用的约束条件，但难以在不同风电场之间良好地适应；而数据驱动模型能够捕捉丰富的相关性，但常常混淆了气象影响与状态引起的偏差。在本研究中，我们提出UniWind，一种基于物理信息融合状态路由的风电功率预测模型。UniWind首先采用物理先验估计器，通过将站点条件单调扭曲与共享物理功率曲线相结合，构建站点校准的物理先验。它还进一步应用物理上界约束，将该先验塑造为可用风电功率的软包络。UniWind然后提出潜在状态编码器，用于建模运行状态嵌入，并通过状态感知功率校正器将物理先验转化为最终功率预测，该校正器采用知识引导的监督状态路由和有界的、特定状态专家校正。在超过20个真实世界数据集上的全样本和跨风电场零样本实验表明了UniWind的准确性和鲁棒性。

## 1 引言

参见图注

图1：UniWind与其他风电功率预测模型的比较。

日前风电功率预测在成本高效的电力系统运行中扮演着核心角色（Wu等人，2026（https://arxiv.org/html/2607.01670#bib.bib40）），因为电力市场决策必须在电力交付前作出（Hanifi等人，2020（https://arxiv.org/html/2607.01670#bib.bib12）；Xu等人，2025（https://arxiv.org/html/2607.01670#bib.bib24））。与传统时间序列预测（Stitsyuk和Choi，2025（https://arxiv.org/html/2607.01670#bib.bib27）；Liu等人，2024（https://arxiv.org/html/2607.01670#bib.bib26）；Wang等人，2024（https://arxiv.org/html/2607.01670#bib.bib25）；Nie等人，2023（https://arxiv.org/html/2607.01670#bib.bib28）；Fang等人，2026b（https://arxiv.org/html/2607.01670#bib.bib38））相比，日前风电功率预测对未来相应时间步的气象条件依赖性更强，而非历史功率。例如，如果未来风速较低，过去几日的高历史功率并不意味着未来功率会很高。因此，该任务应被视为一种以未来气象条件为条件的功率实现预测问题。

参见图注

图2：风功率序列中的运行状态。

现有的风电功率预测方法可分为物理驱动方法和数据驱动方法。物理模型（Focken等人，2001（https://arxiv.org/html/2607.01670#bib.bib11）；Li等人，2013（https://arxiv.org/html/2607.01670#bib.bib8）；Wang等人，2018（https://arxiv.org/html/2607.01670#bib.bib10）），详见图1（https://arxiv.org/html/2607.01670#S1.F1）(a)，通过物理约束和结构化归纳偏置提供可靠的功率预测。然而，它们难以捕捉局部内生因素，如地形诱导的环流和风电场运行状态。如图2（https://arxiv.org/html/2607.01670#S1.F2）所示，风机可能在输出为零的停机状态、输出遵循物理风速响应的正常运行状态以及输出被人为限制在可用功率潜力以下的弃风状态之间切换。这些潜在状态的变化改变了风到功率的映射，限制了固定物理公式在不同风电场和运行条件下的适应性。数据驱动方法（Sideratos和Hatziargyriou，2007（https://arxiv.org/html/2607.01670#bib.bib13）；Ozkan和Karagoz，2015（https://arxiv.org/html/2607.01670#bib.bib14）；Karijadi等人，2023（https://arxiv.org/html/2607.01670#bib.bib7）；Zhang等人，2025（https://arxiv.org/html/2607.01670#bib.bib2）；Chang等人，2025（https://arxiv.org/html/2607.01670#bib.bib4））能够从真实世界数据中捕捉更丰富的相关性。然而，如图1（https://arxiv.org/html/2607.01670#S1.F1）(b)所示，它们倾向于将物理功率潜力与隐藏状态效应混为一谈，从而难以判断功率偏差是源于气象变化还是潜在运行状态。这削弱了它们在多样化风和运行条件下的鲁棒性。因此，鲁棒的日前风电功率预测需要显式建模从气象条件到物理功率潜力，再到在隐藏状态干预下实现的功率的依赖关系，如图1（https://arxiv.org/html/2607.01670#S1.F1）(c)所示。然而，构建这样一个鲁棒模型面临两个关键挑战：

**首先，估计发电潜力需要在通用物理原理与站点特定适应之间取得平衡。** 风电功率遵循物理关系，这些关系在不同风电场之间提供了可复用的结构。然而，真实世界的发电潜力同时也受到站点特定因素（如局部环境效应）的影响，而这些因素往往是未被观察到的。现有的固定物理公式（Prósper等人，2019（https://arxiv.org/html/2607.01670#bib.bib9）；Wang等人，2018（https://arxiv.org/html/2607.01670#bib.bib10））可能过于刚性，无法捕捉依赖站点的风到功率响应，而无约束的数据驱动方法（Buhan和Çadırcı，2015（https://arxiv.org/html/2607.01670#bib.bib15）；Hong和Rioflorido，2019（https://arxiv.org/html/2607.01670#bib.bib16））可能过度拟合噪声性的站点特定相关性或违反物理原理。因此，一个有效的物理先验应该在保持风能物理特性的同时，在适当约束下实现站点级别的校准。

**其次，预测实现功率需要建模不可观测、时变的未来运行状态的影响。** 即使物理发电潜力相似，由于不同的潜在状态（如停机或弃风），实际输出也可能不同。这些动态状态在预测时通常不可观测，并且与气象变化纠缠在一起。同时，现有的隐藏状态感知方法（Liu等人，2025b（https://arxiv.org/html/2607.01670#bib.bib31）；Zhou等人，2023（https://arxiv.org/html/2607.01670#bib.bib32））通常直接从历史序列中推断隐藏状态，这使得区分物理可用功率的真实变化与隐藏状态干预变得困难。因此，它们可能会对多个状态进行平均，无法捕捉突变的跃迁或异常动态。这激发了对未来状态的推断以及特定状态依赖校正的设计。

为此，我们提出**UniWind**，一种用于日前风电功率预测的物理信息融合状态路由模型。UniWind将物理可用功率与运行引起的偏差解耦，从而同时建模气象驱动的发电潜力及其状态依赖的实现。**为了解决第一个挑战**，UniWind引入了一个物理先验估计器，该估计器结合站点条件单调扭曲和共享物理功率曲线，构建站点校准的物理先验。由于物理先验代表了给定气象条件下的理想发电潜力，我们将其视为实现功率的上界，并据此构建上界约束。**为了解决第二个挑战**，UniWind使用潜在状态编码器从先验功率差异中推断历史运行模式，并从相似的气象上下文中检索未来状态嵌入。由于未来运行状态是动态的，需要不同的校正机制，状态感知功率校正器随后将每个时间步路由到监督的运行状态专家，并应用有界的特定状态校正，以获得实现功率预测。我们的贡献总结如下：

- • 我们提出UniWind，一种物理信息融合状态路由模型用于日前风电功率预测，它显式地将预测过程分解为气象驱动的物理功率潜力和状态依赖的实现发电。
- • 我们开发了一个站点校准的物理先验估计器，通过结合共享风能结构与站点条件单调校准以及物理上界正则化，学习一个可用功率先验。
- • 我们引入潜在状态编码器和状态感知功率校正器，以建模不可观测的运行状态及其对风电场发电的影响。编码器从历史天气-状态模式中检索未来状态表示，而校正器使用知识引导的状态路由和有界的特定状态专家，将物理先验转换为实现功率预测。
- • 我们在超过20个真实世界风电场数据集上进行了广泛实验，涵盖全样本和跨风电场零样本设置，并展示了UniWind的准确性和鲁棒性。

## 2 相关工作

**风电功率预测。** 当前对风电功率预测的研究主要依赖物理模型或数据驱动方法。物理模型（Focken等人，2001（https://arxiv.org/html/2607.01670#bib.bib11）；Li等人，2013（https://arxiv.org/html/2607.01670#bib.bib8）；Wang等人，2018（https://arxiv.org/html/2607.01670#bib.bib10））通过将气象预报与物理和工程假设相结合来估计风电功率。例如，Li等人（Li等人，2013（https://arxiv.org/html/2607.01670#bib.bib8））首先模拟离散入流风条件下的稳态流场，构建数据库，然后通过使用风输入查询该数据库来预测短期风电功率。数据驱动模型学习从气象变量、历史功率和站点特征到未来发电的映射。统计方法（Sideratos和Hatziargyriou，2007（https://arxiv.org/html/2607.01670#bib.bib13）；Ozkan和Karagoz，2015（https://arxiv.org/html/2607.01670#bib.bib14）；Buhan和Çadırcı，2015（https://arxiv.org/html/2607.01670#bib.bib15）；Phan等人，2021（https://arxiv.org/html/2607.01670#bib.bib17）；Ju等人，2019（https://arxiv.org/html/2607.01670#bib.bib18））通常依赖于手工设计的特征工程。基于树的模型，如XGBoost（Phan等人，2021（https://arxiv.org/html/2607.01670#bib.bib17））和LightGBM（Ju等人，2019（https://arxiv.org/html/2607.01670#bib.bib18）），结合多种气象特征，通常作为强大的实用基线。深度学习模型（Fan等人，2020（https://arxiv.org/html/2607.01670#bib.bib39）；Karijadi等人，2023（https://arxiv.org/html/2607.01670#bib.bib7）；Keisler和Le Naour，2024（https://arxiv.org/html/2607.01670#bib.bib3）；Zhang等人，2025（https://arxiv.org/html/2607.01670#bib.bib2）；Chang等人，2025（https://arxiv.org/html/2607.01670#bib.bib4））从大规模观测中学习非线性的天气-功率依赖关系。最近，随着基础模型研究的兴起（Fang等人，2026a（https://arxiv.org/html/2607.01670#bib.bib37）；Wang等人，2025b（https://arxiv.org/html/2607.01670#bib.bib41）），WindFM（Fan等人，2025（https://arxiv.org/html/2607.01670#bib.bib5））被开发用于未知场景下的风能预测。尽管这些方法捕捉了丰富的经验相关性，但真实世界的风电场数据常包含测量噪声、局部环境效应以及潜在运行状态（如停机、弃风）。因此，物理模型可能无法适应局部内源条件，而数据驱动模型可能将隐藏的运行效应吸收为噪声或虚假相关性。这两类工作都没有显式区分物理发电潜力与状态依赖的实现功率，这正是UniWind所填补的关键空白。

**太阳能功率预测。** 太阳能功率预测模型利用天气条件和历史观测，但更依赖于云敏感的多模态信号（Boussif等人，2023（https://arxiv.org/html/2607.01670#bib.bib19）；Ma等人，2024（https://arxiv.org/html/2607.01670#bib.bib20）；Wang等人，2025a（https://arxiv.org/html/2607.01670#bib.bib21）；Li等人，2024（https://arxiv.org/html/2607.01670#bib.bib22））。例如，CrossViViT（Boussif等人，2023（https://arxiv.org/html/2607.01670#bib.bib19））使用卫星图像作为时空上下文，并将其与站点时间序列结合进行概率预测。FusionSF（Ma等人，2024（https://arxiv.org/html/2607.01670#bib.bib20））将异质模态离散化为共享码本，用于鲁棒的太阳能发电预测。然而，风电主要依赖风速动态而非辐照度，其不确定性更多地受风机运行而非云运动的影响。这些差异限制了太阳能预测模型直接迁移到风电功率预测。

**用于风电的时间序列预测。** 时间序列预测广泛应用于风电功率预测，因为它直接从历史序列中学习时间依赖性（Zhao等人，2016（https://arxiv.org/html/2607.01670#bib.bib23）；Xu等人，2025（https://arxiv.org/html/2607.01670#bib.bib24）；Wang等人，2024（https://arxiv.org/html/2607.01670#bib.bib25））。最近的模型如PatchTST（Nie等人，2023（https://arxiv.org/html/2607.01670#bib.bib28））、iTransformer（Liu等人，2024（https://arxiv.org/html/2607.01670#bib.bib26））和xPatch（Stitsyuk和Choi，2025（https://arxiv.org/html/2607.01670#bib.bib27））通过基于块、以变量为中心和多周期的表示改进长时域预测。基础模型如Chronos（Ansari等人，2025（https://arxiv.org/html/2607.01670#bib.bib29））和Moirai（Liu等人，2025a（https://arxiv.org/html/2607.01670#bib.bib30））利用大规模的异质时间序列预训练进行下游适配。尽管如此，这些通用序列预测模型往往受历史功率模式主导，可能无法充分捕捉未来气象变化如何驱动风电发电。

## 3 方法论

在本节中，我们介绍UniWind，一种将物理信息先验与潜在运行状态动态相结合的统一风电功率预测模型。

### 3.1 问题陈述

给定数值天气预报序列 \(\boldsymbol{w} \in \mathbb{R}^{(T_1+T_2) \times N_w}\)、历史功率序列 \(\boldsymbol{x} \in \mathbb{R}^{T_1}\) 以及目标风电场的站点特征 \(\boldsymbol{c} \in \mathbb{R}^{N_s}\)，我们的目标是学习一个预测模型 \(f_{\theta}\)，用于预测风电功率 \(\hat{\boldsymbol{y}} \in \mathbb{R}^{T_2}\)：

\[\hat{\boldsymbol{y}} = f_{\theta}\left(\boldsymbol{w},\boldsymbol{x},\boldsymbol{c}\right),\tag{1}\]

其中 \(T_1\) 和 \(T_2\) 分别表示历史时段和预测时段的长度。\(N_w\) 是气象变量的数量。