摘要
准确的短期风能预测对电网稳定性和运营规划至关重要，但由于大气条件与涡轮动力学之间的复杂交互，这一任务依然充满挑战。现有方法未能有效整合天气预报与风涡轮数据（即 SCADA），导致解决方案不够理想。为了解决这个问题，我们提出了一种多模态框架，将历史点基 SCADA 数据与基于网格的数值天气预报（NWP）结合起来，这一过程因输入异构性和复杂的风涡轮交互而充满挑战。
我们的方法首先将输入明确分解为标量和向量特征，以更好地捕捉特定站点和几何依赖关系。接着，我们引入几何编码器以提取风向量的旋转不变特征。随后，我们利用傅里叶神经算子（FNO）架构，在频域中执行全局卷积，以高效建模长程时空关系。我们在三个真实风电场上进行了广泛的实验，并结合天气预报数据，结果表明我们的模型始终优于现有最先进的方法，突显了其物理信息设计的有效性。
核心实现代码可公开访问：GitHub - GWPF。
博主点评： 本文提出的多模态框架通过结合 SCADA 数据和 NWP 预报，显著提高了短期风能预测的准确性，展现了物理知识在模型设计中的重要作用，未来在电力系统中的应用潜力巨大。尤其是傅里叶神经算子的使用，展示了频域分析在时空建模中的优势，值得进一步研究与推广。