跨域海上风电功率预测：通过气象聚类的迁移学习

雄心勃勃的脱碳目标正迅速推动新海上风电场的建设。这些新建电厂一旦投运，就需要从一开始就进行准确的功率预测。这有助于保证电网稳定性、良好的备用管理和高效的能源交易。尽管机器学习模型表现出色，但它们通常需要大量特定场址的数据，而新电厂尚不具备这些数据。为了克服这种数据稀缺性，我们提出了一种新颖的迁移学习框架，该框架根据协变量气象特征对功率输出进行聚类。因此，我们不是训练一个单一的通用模型，而是使用一个专家模型集成进行预测，每个模型都在一个聚类上训练。由于这些预训练模型各自专精于一种独特的气象模式，它们能高效地适应新场址，并捕获可迁移的、依赖于气候的动态特性。我们的贡献有两方面——我们提出了这个新颖的框架，并在八个海上风电场对其进行了全面评估，仅使用不到五个月的场址特定数据就实现了准确的跨域预测。我们的实验达到了 3.52% 的平均绝对误差 (MAE)，经验证表明，可靠的预测并不需要一个完整的年周期。除了功率预测，这种气候感知的迁移学习方法为海上风电应用开辟了新的机遇，例如早期阶段的风资源评估，其中减少数据需求可以显著加速项目开发，同时有效缓解其固有风险。