基于 RBA$_\theta$ 的事件预测智能工作流

风力功率 ramp 事件由于强变动性、多尺度动力学和 site-specific 气象效应而难以预测。本文提出一种以事件为导向、频率感知的预测范式，直接预测 ramp 事件并随后重构功率轨迹，而不是从稠密预测中推断事件。该框架建立在增强型 Ramping Behaviour Analysis（RBA$_\theta$）方法的事件表示之上，逐步集成统计模型、机器学习模型和深度学习模型。传统预测模型配合事后事件提取提供了强有解释力的基线，但在不同 site 之间泛化性有限。直接事件预测使用 Random Forests 可提高鲁棒性，促使完全事件感知建模。为捕捉风力 ramp 的多尺度特性，我们引入一种事件导向的深度架构，集成小波基频率分解、时序激发特征和自适应特征选择。 resulting sequence models 能够实现稳定的长期事件预测、物理一致的轨迹重构以及对以前看不见的风电场的 zero-shot 迁移。实证分析表明，ramp 大小和持续时间由 distinct mid-frequency bands 控制，可从稀疏事件预测中实现准确信号重构。提出一种智能预测层，其中根据运营上下文动态选择 specialized workflows。该框架表明，事件导向、频率感知的预测为轨迹导向风力功率预测提供了可迁移且 operationally 对齐的替代方案。