基于机器学习的风速与风电时空估计：预测、不确定性及技术潜力

过去几十年风电装机容量的增长表明，风能可为世界许多地区的能源转型做出贡献。由于风具有高度可变性和建模复杂性，量化风电的时空变化及相关不确定性对能源规划者极为重要。机器学习已成为进行风速与功率预测的热门工具。然而，现有方法存在若干局限：(i)对风速数据中时空相关性考虑不足；(ii)缺乏量化风速预测不确定性及其向风电估计传播的方法；(iii)聚焦于低于小时级的频率。为克服这些局限，我们引入了一种从不规则分布的风速观测重建规则网格上时空场的框架。将数据分解为时间参考基函数及其对应的空间分布系数后，后者使用极限学习机进行空间建模。随后，在无需对数据分布模式作任何假设的情况下，给出了模型与预测不确定性及其在风速转换为风电后传播过程的估计。该方法应用于瑞士100米轮毂高度涡轮在250×250平方米网格上的小时级风电潜力研究，生成了该国首例此类数据集。将潜在风电发电量与可用风机安装面积结合，得出了瑞士风电技术潜力的估计。本文的风电估计代表了规划者支持设计未来更高风电占比能源系统的重要输入。