Incorporating geostrophic wind information for improved space-time short-term wind speed forecasting
准确的短期风速预测是风能资源快速开发和高效运行的需要。然而，这是一个非常具有挑战性的问题。虽然在大尺度上，风速与气压，温度和其他气象变量有关，但通过将气压和温度直接纳入先进的时空统计预报模型，三角方向日（TDD）模型，并没有发现预报精度的提高。本文提出了将地转风作为一个新的预报因子加入到TDD模式中。地转风通过观测到的气压梯度力和由于地球自转引起的科里奥利加速度之间的近似平衡来捕捉风和气压之间的物理关系。根据我们对西德克萨斯州数据的数值实验，我们的新方法比TDD模型更准确地预测了基于三种不同评估标准的1至6小时的气压和温度预报。此外，采用逐时移动平均风速来拟合日变化模式，可以进一步减小预报误差。例如，我们的新方法获得了13.9%和22.4%之间的整体平均绝对误差减少相对于持久性在2小时前的预测，和5.3%和8.2%之间的减少相对于最好的以前的时空方法在这种设置。
2014-12-05 physics.ao-ph stat.AP
Aggregating human judgment probabilistic predictions of COVID-19 transmission, burden, and preventative measures
对具有公共卫生重要性的COVID-19目标的综合人类判断预测是准确的，通常优于计算模型。我们的工作表明，人类对传染性病原体的综合判断预测是及时、准确和适应性强的，可以用作疫情期间辅助公共卫生决策的工具。
2022-04-14 stat.AP
Truncated generalized extreme value distribution based EMOS model for calibration of wind speed ensemble forecasts
近年来，集合天气预报已成为所有主要天气预报中心的例行工作。这些预报是从不同初始条件或模式参数化的数值天气预报模式的多次运行中获得的。然而，集合预报往往分散性不足，也有偏差，因此需要某种后处理来解决这些缺陷。最流行的统计后处理技术之一是集合模型输出统计（EMOS），它提供了一个完整的预测分布的研究天气量。本文提出了一种新的EMOS风速集合预报模型，其预报分布为广义极值分布（GEV）。截断修正了基于GEV分布的EMOS模型偶尔预测负风速值的缺点，而不影响其良好的性能。新模式进行了测试，由三个不同的集合预报系统提供的风速集合预报的四个数据集，覆盖不同的地理区域和时间段。将TGEV EMOS模式的预报技巧与截断正态、对数正态和GEV方法的预报性能以及原始预报和气候预报进行了比较。结果验证了新的TGEV EMOS方法的优点。
2021-03-12 stat.AP stat.ME
Forecasting with Markovian max-stable fields in space and time: An application to wind gust speeds
本文提出带平流的最大自回归时空最大稳定模型用于阵风风速预测，在1999年法国再分析数据上表现优于竞争模型，并证明了时空成对似然估计量的一致性与渐近正态性。
2024-11-23 stat.AP stat.ME
Sequential Methods for Error Correction of Probabilistic Wind Power Forecasts
针对风电概率预测误差校正问题，提出结合神经网络与时间自适应分位数回归的NABQR方法，采用LSTM架构，在丹麦风电日前预测中精度最高提升40%，还可用于能源交易，并已开源为Python包。
2025-02-24 stat.AP stat.ME
On cointegration for modeling and forecasting wind power production
本研究评估协整向量自回归（VAR）模型的性能非常短期和短期的风电功率预测。德国的数据集，包括六个风力发电时间序列的初步结果表明，考虑到潜在的协整关系之间的个别系列可以改善预测在短期的时间范围。
2020-10-15 stat.AP
The impact of the spatial resolution of wind data on multi-decadal wind power forecasts in Germany
本研究基于德国十个CMIP6 GCM的风速输出与ERA5对比，发现GCM选择是影响风速预测的首要因素，高分辨率模型仅部分且不一致地改善预测，其中MPI-HR表现最佳而MIROC6显著低估，强调需谨慎选模并进行降尺度与偏差校正。
2024-09-30 physics.ao-ph stat.AP
Seamless short- to mid-term probabilistic wind power forecasting
本文提出一种整合天气预报与天气—功率转换两类不确定性的概率风电预测方法，在6至162小时预见期实现先进性能，并揭示不同风电场及海陆场景的不确定性主导转换规律。
2025-02-17 stat.AP
A spliced Gamma-Generalized Pareto model for short-term extreme wind speed probabilistic forecasting
风能等可再生能源已成为化石燃料能源的可持续替代能源。然而，风速的间歇性所带来的不确定性和波动性给风电生产的稳定性带来了很大的威胁，也给风电机组本身带来了很大的威胁。最近，在开发预测平均风速值的模型方面做了很多工作，但令人惊讶的是，很少有人专注于提出准确预测极端风速的模型，这可能会损坏涡轮机。在这项工作中，我们开发了一个灵活的拼接伽玛广义帕累托模型，同时预测极端和非极端风速。我们的模型属于隐高斯模型类，其推理是方便地进行集成嵌套拉普拉斯近似方法的基础上。考虑到一个灵活的加法回归结构，我们提出了两个模型的潜在线性预测捕捉风速的时空动态。我们的模型拟合速度快，可以描述风速分布的主体和尾部，同时产生短期极端和非极端风速概率预测。
2019-06-29 stat.AP
Probabilistic wind speed forecasting on a grid based on ensemble model output statistics
风速的概率预报对于广泛的应用很重要，从与风力发电有关的业务决策到风暴警报、船舶路线和航空。我们提出了一种统计方法，提供本地校准，概率风速预测在任何期望的地方在预测域的数值天气预报（NWP）模型的输出的基础上。提出了三种风速后处理方法，分别采用截断正态分布、伽玛分布和截断逻辑斯谛分布，以集合预报系统（EPS）的预报为条件，对未来观测值进行概率预报。为了在网格上提供概率预报，需要对用当地风速观测值校准的预测分布进行插值。我们研究了几种插值方案，结合地统计学方法与当地的年平均风速信息，并评估所提出的方法与地面风速预测在德国的COSMO-DE（小尺度模型联盟）集合预测系统。
2015-11-06 stat.AP
Statistical post-processing of wind speed forecasts using convolutional neural networks
Royal Netherlands Meteorological Institute (KNMI)（荷兰皇家气象研究所（KNMI））；Utrecht University（乌得勒支大学）
目前的概率天气预报统计后处理方法不能利用数值天气预报模式的全空间模式。在本文中，我们采用卷积神经网络（CNN）的空间风速信息，并获得概率风速预测在荷兰提前48小时，基于KNMI的确定性谐波Arome数值预报模型。从CNN的概率预测显示，具有较高的Brier技能得分为中等到较高的风速，以及更好的连续排名概率得分（CRPS）和对数得分，比完全连接的神经网络和分位数回归森林的预测。作为次要结果，我们比较了使用3种不同密度估计方法（量化softmax（QS），内核混合网络和拟合截断正态分布）的CNN，并发现基于QS方法的概率预测是最好的。
2021-01-08 cs.LG physics.ao-ph stat.AP
Integrative Density Forecast and Uncertainty Quantification of Wind Power Generation
风力发电的不稳定性给实现安全电网运营带来了挑战。因此，有必要进行准确的风电功率预测及其不确定性量化。风电功率预测通常依赖于风速预测和风电转换过程。然而，目前大多数风电功率预测模型只考虑部分不确定性。本文提出了一个综合框架预测风功率密度，考虑风速预测和风功率转换过程中产生的不确定性。具体地说，我们使用非齐次几何布朗运动来模拟风速，并将风速预测密度转换为封闭形式的风功率密度。由此产生的风功率密度允许通过预测区间量化预测不确定性。为了预测功率输出，我们最小化预期的预测成本与（不等）惩罚的高估和低估。我们展示了所提出的方法的预测能力，使用来自位于不同地点的多个运营风电场的数据。
2020-09-27 stat.AP
Comparison of nonhomogeneous regression models for probabilistic wind speed forecasting
在天气预报中，非齐次回归用于统计后处理预报集合，以获得校准的预测分布。对于风速预测，回归模型由截断的正态分布给出，其中位置和扩散来自集合。本文提出了两种替代方法，利用广义极值（GEV）分布。截断正态回归的一个直接替代方法是应用来自GEV家族的预测分布，而基于预测集合中值的状态切换方法结合了这两种分布。在德国每日最大风速与欧洲中期天气预报中心的预报集合的案例研究中，所有三种方法都提供了校准和尖锐的预测分布与政权切换的方法显示出最高的技能在上尾。
2013-05-09 stat.AP
A Multi-model Combination Approach for Probabilistic Wind Power Forecasting
Shandong University（山东大学）；Zhejiang University（浙江大学）；Argonne National Laboratory（阿贡国家实验室）；Tsinghua University（清华大学）
短期概率风电功率预测可以为电力系统运行和控制提供关键的量化的风电功率不确定性信息。由于风电功率预测误差的复杂性，很难开发出一种通用的预测模型来优于其他替代模型。因此，本文提出了一种新的多模型组合（MMC）方法的短期概率风力发电预测，利用不同的预测模型的优点。该方法可以结合不同的预测模型，提供不同的概率密度函数，以提高概率预测精度。采用基于稀疏贝叶斯学习、核密度估计和贝塔分布拟合的概率预测模型构成组合模型。MMC模型的参数求解基于贝叶斯框架。数值试验表明了所提出的MMC方法的有效性。
2017-02-13 cs.LG stat.AP
Probabilistic wind speed forecasting in Hungary
各种天气量的预测大多是基于确定性数值天气预报模式。这些模型在不同的初始条件下多次运行，产生了用于估计未来天气量分布的预测集合。然而，合奏通常是欠分散和未校准的，因此需要后处理。在目前的工作中，贝叶斯模型平均（BMA）适用于校准合奏的风速预测的业务有限区域模型包围预测系统的匈牙利气象服务（HMS）。我们描述了两种可能的BMA模型的HMS的风速数据，并表明，BMA后处理显着提高了校准和精度的预测。
2013-01-07 stat.AP
Calibration of wind speed ensemble forecasts for power generation
在过去的几十年中，风力发电成为欧盟第二大能源，占其电力需求的16%。然而，由于其波动性，需要准确的短期风能预测，以成功地将风能整合到电网中。准确的风力预测需要准确的轮毂高度风速预报，其中最先进的方法是基于从多次运行的数值天气预报模型获得的集合预报的概率方法。然而，集合预报往往未经校准，也可能有偏差，因此需要某种形式的后处理，以提高其预测性能。我们提出了一种新的灵活的机器学习方法来校准风速集合预报，这会导致截断的正态预测分布。在一个案例研究的基础上，100米风速预报的业务集合预报系统的匈牙利气象服务，这种方法的预报技巧进行了比较，三种不同的集合模型输出统计方法和原始集合预报的预测性能。我们发现，与原始集合相比，后处理总是提高点预测的概率和准确性的校准，并且从四种竞争方法中，新的基于机器学习的方法具有最佳的整体性能。
2021-08-19 stat.AP stat.ML
Distributions-oriented wind forecast verification by a hidden Markov model for multivariate circular-linear data
来自西北象限的风和缺乏降水导致塔兰托市（意大利）居民区的PM10浓度增加。2012年，当地政府规定，每次提前72小时预报此类气象条件时，工业排放量将减少10%。风预测是解决使用天气研究和预报（WRF）大气模拟系统的区域环境保护局。在面向分布的预测验证的背景下，我们提出了一个全面的基于模型的推理方法来研究WRF系统预测当地风速和风向的能力，允许不同的性能未知的天气制度。地面观测和WRF预测的风速和风向在一个相关的位置被联合建模为一个4维时间序列与一个未知的有限数量的状态，其特征在于均匀分布的行为。所提出的模型依赖于联合投影和斜正态分布与时间相关的状态的混合物，其中状态成员的时间演化遵循一阶马尔可夫过程。参数估计，包括状态的数量，通过贝叶斯MCMC为基础的方法。结果提供了有用的见解WRF预测的性能有关的不同组合的风速和风向。
2017-04-17 stat.AP
Evaluating Ensemble Post-Processing for Wind Power Forecasts
捕捉概率风电预测中的不确定性是具有挑战性的，特别是当不确定的输入变量（如天气）起作用时。由于集合天气预报的目的是捕捉天气系统中的不确定性，它们可以用来将这种不确定性传播到后续的风力发电预测模型。然而，由于天气集合系统被认为是有偏见的和分散不足的，气象学家后处理的合奏。这种后处理可以成功地纠正天气变量中的偏差，但尚未在随后的预测（如风力发电预测）中进行彻底评估。本文评估了多种策略应用集合后处理概率风功率预测。我们使用Ensemble模型输出统计（EMOS）作为后处理方法，并评估了四种可能的策略：仅使用原始集合而不进行后处理，一步策略，其中只有天气集合进行后处理，一步策略，我们只后处理功率集合，和两步策略，我们后处理天气和功率集合。结果表明，后处理的最终风力发电合奏提高了预测性能的校准和锐度，而只有后处理的天气合奏并不一定会导致提高预测性能。
2022-04-25 stat.AP
Forecasting High-Frequency Spatio-Temporal Wind Power with Dimensionally Reduced Echo State Networks
风速和功率的快速准确的每小时预测对于量化和规划电网中的能源预算至关重要。鉴于风的湍流和高度非线性动力学，高分辨率的风建模带来了相当大的挑战。在发展中国家，目前正在建设或考虑建设大范围的风力发电场，考虑到对空间风进行建模的必要性，这甚至更具挑战性。在这项工作中，我们提出了一种机器学习方法来模拟非线性每小时风动力学在沙特阿拉伯与特定领域的选择结，以减少空间维数。我们的结果表明，对于之前工作中强调为风力丰富的地点，我们的方法使未来两小时的预测功率与风能行业的运营标准相比提高了11%，节省了近100万美元根据沙特阿拉伯当前的市场价格，一年内。
2021-12-08 stat.AP
Mind the (spectral) gap: How the temporal resolution of wind data affects multi-decadal wind power forecasts
该研究通过分析不同时间分辨率风速数据对分布保持能力的影响，指出三小时或六小时瞬时值足以支撑数十年风电功率预测，而日值、月值及各类平均值会因非线性关系引入较大误差，需谨慎使用。
2023-09-18 stat.AP
Ensemble model output statistics for wind vectors
提出了一种二维风矢量集合预报后处理的二元集合模式输出统计（EMOS）技术，其中后处理的概率预报采用二元正态概率密度函数的形式。后处理的平均值和方差的风矢量分量的线性偏差校正版本的集合平均值和集合方差，分别和风分量之间的条件相关性表示的集合平均风向的三角函数。在一个案例研究中的风矢量在北美太平洋西北部的48小时预报与华盛顿大学的中尺度Ensemble，双变量EMOS密度预报校准和尖锐，并显示出相当大的改善，原始集合和参考预报，包括集合Copula耦合。
2012-01-12 stat.AP
Asset Bundling for Wind Power Forecasting
Georgia Institute of Technology（佐治亚理工学院）
本文提出 Bundle-Predict-Reconcile 框架，通过学习资产捆绑层级并协调多尺度风电预测，在 MISO 的 283 个风电场数据上显著提升短期与日前预测精度。
2023-09-28 cs.AI stat.AP stat.ME
Deep Spatio-Temporal Wind Power Forecasting
Department of Statistics, Texas A\&M University, College Station, TX
随着可再生能源消费量的增长，风力发电预测越来越受到研究人员的关注。在本文中，我们开发了一种基于编码器-解码器结构的深度学习方法。我们的模型预测风力涡轮机产生的风力发电，使用其相对于其他涡轮机的空间位置和历史风速数据。通过这种方式，我们有效地整合了空间依赖性和时间趋势，以进行涡轮特定的预测。与现有工作相比，我们的方法的优点可以总结为：1）它直接基于历史风速预测风力发电，而不需要首先预测风速，然后使用转换; 2）它可以有效地捕获长期依赖性3）与其他基于深度学习的方法相比，我们的模型更具可扩展性和效率。我们证明了我们的模型在基准真实世界数据集上的有效性。
2021-10-07 cs.LG stat.AP
Climate data selection for multi-decadal wind power forecasts
本研究以ERA5为参考，分析了GCMs和RCMs空间分辨率对风速及风力发电模拟可靠性的影响，发现模型选择比分辨率更重要，且IPSL模型在欧洲的预测最准确。
2024-11-18 stat.AP
FuXi-Extreme: Improving extreme rainfall and wind forecasts with diffusion model
Artificial Intelligence Innovation and Incubation Institute, Fudan University（复旦大学人工智能创新与孵化研究院）
FuXi-Extreme通过扩散概率模型恢复FuXi预报中的精细尺度细节，显著改善极端降水、风速和温度预报，并在热带气旋路径预报上优于HRES，但强度预报仍不及HRES。
2023-10-25 cs.LG physics.ao-ph stat.AP
Influences in Forecast Errors for Wind and Photovoltaic Power: A Study on Machine Learning Models
University of Kassel（卡塞尔大学）
尽管可再生能源预测的重要性日益增加，但目前的规划研究只涉及对预期预测质量的一般估计和选定的预测范围。然而，这些估计仅允许在电力分配规划中有限且高度不确定的使用。更可靠的规划过程需要更多关于未来预测质量的信息。本文基于四种不同的机器学习（ML）模型，对风电和光伏发电预测不确定性的影响因素进行了深入分析和比较。在我们的分析中，我们发现了不确定性的巨大差异，这取决于ML模型，数据覆盖范围和季节模式，这些都是未来规划研究中必须考虑的因素。
2019-05-31 cs.LG stat.AP
Adaptive Generalized Logit-Normal Distributions for Wind Power Short-Term Forecasting
人们对非常短期和更高分辨率的风力发电预测（从几分钟到几小时）越来越感兴趣，特别是海上。统计方法具有极大的相关性，因为天气预报在这些提前时间内无法提供信息。这些方法应该考虑到这样一个事实，即风力发电作为一个随机过程是非平稳的，双重有界的（由零和涡轮机的标称功率）和非线性。阐明这些方面可能导致改进点预测和概率预测。我们建议在这里集中在广义logit-正态分布，这是自然适合和灵活的双界和非线性过程。通过极大似然推断估计相关参数。批处理和在线版本的估计方法进行了描述-允许通过分布参数的变化，另外处理非平稳性的在线版本。该方法的应用和分析的测试案例的Anholt海上风电场在丹麦，重点放在10分钟的提前点和概率预测。
2021-05-06 stat.AP
Improved Very-short-term Wind Forecasting using Atmospheric Classification
我们提出了一种基于大尺度气象现象的多地点甚短期风速预测的状态切换向量自回归方法。统计方法的短期风预报优于数值天气预报的预测范围长达几个小时，和地理上分散的位置之间的时空相互依赖性可以利用，以提高预报技能。在这里，我们表明，空调的时空相互依赖的“大气模式”，可以进一步提高预测性能。根据地面风场、气压场和500hPa高度场的大气分类定义了模态。数据字段是从MERRA-2再分析数据集提取的，在英国每小时的时间分辨率，使用自组织地图对大气模式进行分类，然后进行聚类，以优化预报性能。在一个案例研究的基础上，从23个气象站在英国6年的测量，一组三个大气模式被发现是最佳的预测性能。与持久性和竞争性基准相比，在所有地点，提前一至六小时预报的技能都有所提高。在23个测试站点中，与最佳性能基准相比，提前一小时的根均方误差降低了0.3%至4.1%，所有站点平均降低了1.6%;提前六小时的准确度平均提高了3.1%。
2017-05-19 stat.AP
Probabilistic Forecasting of Temporal Trajectories of Regional Power Production - Part 1: Wind
可再生能源对全世界能源生产总量的贡献不断增加。然而，这些能源的发电量因其对气象条件的依赖而变化很大。因此，在不同的时间和空间尺度上的准确预测的生产需要一个有效运行的电力市场。在这篇文章中-第1部分-我们提出了完全概率预测模型的空间聚集的风力发电生产在一个小时的时间尺度与前置时间长达几天，使用天气预报数值天气预报系统作为协变量。在对发电量进行适当的三次变换后，我们建立了一个基于贝叶斯推断框架的多变量高斯预测模型，该模型考虑了时间误差相关性。在预测德国风力发电量的应用中，该方法提供了校准和熟练的预测。比较了几种相关结构的公式。
2019-03-04 stat.AP
Short-Term Wind Speed Forecasting in Germany
可再生能源生产的重要性是能源周转方面的既定目标。开发短期风速预测改进可能会增加风力发电的盈利能力。本文比较了两种新的方法来建模和预测风速。这两种方法都包含了周期性的相互作用，而第一种模型使用傅立叶级数来模拟周期性。第二个模型考虑了$l_{2,p}$广义三角函数。上述傅里叶级数是p-广义三角函数的特殊类型，因此模型1嵌套在模型2中。这两个模型都使用ARFIMA-APARK过程来覆盖自相关性和异方差性。分析了2007年8月至2012年12月在德国-波兰边境四个站收集的10分钟数据。最重要的发现是预测准确性提高到三个小时，这与我们新的短期预测模型直接相关。
2015-09-10 stat.AP
Probabilistic Forecasting of Temporal Trajectories of Regional Power Production - Part 2: Photovoltaic Solar
我们提出了一个完全概率预测模型的空间聚集的太阳能光伏（PV）发电生产在每小时的时间尺度与前置时间长达几天，使用天气预报数值天气预报系统作为协变量。经过适当的对数变换的功率生产，我们开发了一个多变量高斯预测模型下的贝叶斯推断框架。该模型结合了时间误差相关性，产生物理上一致的预测轨迹。提出了几种配方的相关结构和调查。我们的方法是为数不多的方法之一，发布完整的预测分布光伏发电。在德国光伏发电的案例研究中，该方法给出了校准和熟练的预测。
2019-03-04 stat.AP
Mixture EMOS model for calibrating ensemble forecasts of wind speed
EMOS（英语：Enhancement model output statistics）是一种统计工具，用于对从多次运行的数值天气预报模式中获得的天气变量的预报集合进行后处理，以产生校准的预测概率密度函数（PDF）。EMOS预报PDF由参数分布给出，参数取决于集合预报。我们提出了一个EMOS模型，用于校准风速预测的基础上截断的正态分布（TN）和对数正态分布（LN）的加权混合模型参数和组件的权重估计通过优化的值适当的评分规则在滚动训练期。新模型在欧洲中期天气预报中心50名成员的风速预报集合、匈牙利气象局11名成员的国际-匈牙利环境预测系统集合和华盛顿大学8名成员的中尺度集合中进行了测试，并将其预测性能与基于单参数族及其组合的各种基准EMOS模型的预测性能进行比较。结果表明，改进的概率和准确性的点预测的校准相比，原始集合和气候预测。混合EMOS模型显著优于TN和LN EMOS方法，此外，它提供了更好的校准预测比TN-LN组合模型，并提供了更大的灵活性，同时避免协变量选择问题。
2015-12-11 stat.AP
Statistical learning for wind power : a modeling and stability study towards forecasting
我们专注于风力发电建模使用机器学习技术。我们在风能公司Ma{Eolis}提供的真实数据上显示，参数模型，即使密切遵循将风力生产与风速相关的物理方程，也优于智能学习算法。特别是，CART-Bagging算法给出了非常稳定和有前途的结果。此外，作为预测的一步，我们量化了使用恶化的风力措施对性能的影响。我们还表明，在这个应用程序中，选择一个子集的标准随机森林包中提供的预测的默认方法可以改进，特别是当有一个变量之间存在的预测有重大影响。
2018-01-12 stat.AP stat.ML
Machine learning methods for postprocessing ensemble forecasts of wind gusts: A systematic comparison
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Heidelberg Institute for Theoretical Studies（海德堡理论研究所）
对集合天气预报进行后处理以纠正系统误差已成为研究和业务中的标准做法。然而，只有少数最近的研究集中在合奏后处理的阵风预报，尽管它的严重天气警报的重要性。在这里，我们通过集合后处理对八种统计和机器学习方法进行了全面的回顾和系统的比较，这些方法可以分为三组：统计学中最先进的后处理技术（集合模型输出统计（EMOS）、逐成员后处理、保序分布回归），建立了机器学习方法（梯度增强扩展EMOS、分位数回归森林）和基于神经网络的方法（分布回归网络、Bernstein分位数网络、直方图估计网络）。这些方法进行了系统的比较，使用6年的数据，从高分辨率，对流允许集合预报系统，运行在德国气象服务，每小时观测175个地面气象站在德国。虽然所有的后处理方法产生校准的预测，并能够纠正原始集合预测的系统性误差，将信息从额外的气象预测变量以外的阵风导致显着改善预测技能。特别是，我们提出了一个灵活的框架，本地自适应神经网络与不同的概率预测类型作为输出，这不仅显着优于所有的基准后处理方法，但也学习物理上一致的关系与昼夜周期，特别是傍晚过渡的行星边界层。
2021-06-17 cs.LG physics.ao-ph stat.AP
Cross-Domain Offshore Wind Power Forecasting: Transfer Learning Through Meteorological Clusters
University College London（伦敦大学学院）；Inria（法国国家信息与自动化技术研究所）
本文提出一种基于气象聚类的迁移学习框架，通过聚类功率输出根据协变量气象特征，利用专家模型集合提升跨域预测精度，验证了短周期数据即可实现可靠预测。
2026-04-24 cs.AI cs.LG stat.AP
Forecasting wind power - Modeling periodic and non-linear effects under conditional heteroscedasticity
在这篇文章中，我们提出了一种方法，使联合风速和风力发电场的预测。本文将多变量季节时变门限自回归滑动平均（TVARMA）模型与幂门限广义自回归条件异方差（Power-TGSTAR）模型相结合。建模框架采用周期B样条、条件异方差和具有非线性影响的复杂自回归结构进行日周期和年周期建模。与通常耗时的似然估计方法相比，我们采用了高维收缩技术。我们利用迭代重新加权最小绝对收缩和选择算子（套索）技术。它允许条件异方差，提供快速的计算时间，并保证一个简约和正则化的规范，即使参数空间可能是巨大的。我们能够证明，我们的方法可以在涡轮机特定水平上提供准确的风力预测，预测范围长达48小时（中短期预测）。
2016-06-02 stat.AP stat.CO stat.ML
CoCopula: Conformal Calibration and Copula Aggregation for Reliable Renewable Energy Forecasting
NSF Artificial Intelligence Institute for Advances in Optimization（NSF人工智能优化研究所）；H. Milton Stewart School of Industrial and Systems Engineering（H. Milton Stewart工业与系统工程学院）；Georgia Institute of Technology（佐治亚理工学院）
本文提出基于Copula和上下文感知符合预测的聚合方法，用于在无法训练系统级模型时实现可靠可再生能源预测。
2026-10-16 cs.LG stat.AP
AIRU-WRF: A Physics-Guided Spatio-Temporal Wind Forecasting Model and its Application to the U.S. Mid Atlantic Offshore Wind Energy Areas
针对短期高分辨率海上风电预测，提出物理引导的时空模型AIRU-WRF，融合数值天气预报与局部观测，在美国北大西洋真实数据上较多种基准方法在风速和功率预测上取得显著提升。
2023-08-30 cs.SY eess.SY stat.AP
Wind power predictions from nowcasts to 4-hour forecasts: a learning approach with variable selection
CMAP, Ecole Polytechnique, Institut Polytechnique de Paris（巴黎综合理工学院CMAP实验室）
我们研究风速和风力的短期预测（每10分钟到4小时）。准确预测这些数量对于减轻风电场间歇性生产对能源系统和市场的负面影响至关重要。我们使用机器学习将数值天气预报模型的输出与当地观测相结合。前者提供更高尺度动力学的有价值的信息，而后者为模型提供更新鲜和特定位置的数据。为了使结果可用于从业者，我们专注于众所周知的方法，可以处理大量的数据。我们研究了第一个变量的选择，同时使用线性技术和非线性。然后，我们利用这些结果预测风速和风力发电仍然强调线性模型与非线性模型。对于风电功率的预测，我们也比较了间接的方法（风速预测通过功率曲线）和间接的（直接预测风电功率）。
2022-12-13 cs.LG stat.AP stat.ML
Space-time calibration of wind speed forecasts from regional climate models
数值天气预报（NWP）系统地受到误差，由于数值模式使用确定性的解决方案来模拟大气。统计后处理技术是目前数值预报订正中广泛使用的技术。然而，随时间变化的偏差通常不适应这样的模型。其校准性能也对用于训练的时间窗口敏感。本文提出了时空模型，扩展了主要的统计后处理方法来校准NWP模式输出。trans-Gaussian随机场被认为是考虑气象变量的不对称行为。数据扩充用于解释响应变量中的删失。建议的扩展的好处说明通过校准每小时10米的风速预测在巴西东南部来自埃塔模型。
2020-09-03 stat.AP
Using the lasso method for space-time short-term wind speed predictions
准确的风力预测取决于可靠的风速预测。数值天气预报（NWP）占用大量的计算时间，但仍然具有相当低的空间和时间分辨率。然而，随机风速预测表现良好，在相当高的时间分辨率设置。如果预测范围不是太长，它们消耗的计算资源很少，并返回可靠的预测。在最近的文献中，空间相互依赖性越来越多地被考虑在内。在本文中，我们提出了一个新的和相当灵活的多变量模型，占邻近气象站的信息，因此，利用空间数据在一个高分辨率。该模型适用于预测视野长达一天，是能够处理高分辨率的时间结构。我们使用一个周期向量自回归模型与季节性滞后解释变量的相互作用。周期性被认为是由三次B样条建模。由于模型的灵活性，解释变量的数量变得巨大。因此，我们利用节省时间的收缩方法，如套索和弹性网进行估计。特别是，一个相对较新开发的迭代重新加权套索和弹性网也采用了异方差。我们将我们的模型与几个基准进行比较。样本外预测结果表明，空间信息的开发大大提高了预测精度，与目前使用的模型相比。
2015-09-09 stat.AP
DeepMIDE: A Multi-Output Spatio-Temporal Method for Ultra-Scale Offshore Wind Energy Forecasting
Department of Industrial Engineering, Clemson University（克莱姆森大学工业工程系）；Department of Computer Science, Rutgers University（罗杰斯大学计算机科学系）；Department of Statistics, Rutgers University（罗杰斯大学统计学系）；Department of Industrial & Systems Engineering, Rutgers University（罗杰斯大学工业与系统工程系）；University College, Korea University（韩国大学大学学院）
针对海上风电超大规模化对多高度风速预测的需求，提出多输出时空方法DeepMIDE，通过联合建模空间、时间和高度维度的风速，结合物理平流向量，在真实数据上预测性能优于主流方法。
2025-11-15 cs.LG stat.AP stat.ML
Adaptive Bayesian Very Short-Term Wind Power Forecasting Based on the Generalised Logit Transformation
School of Mathematics and Statistics, University of Glasgow（数学与统计学学院，格拉斯哥大学）
针对双重边界风电功率数据的超短期概率预测，本文提出结合广义 logit 变换与自适应形状参数更新的贝叶斯方法，并在英国百余个风电场验证其 CRPS 与校准优势。
2025-05-08 cs.LG stat.AP
Achieving Skilled and Reliable Daily Probabilistic Forecasts of Wind Power at Subseasonal-to-Seasonal Timescales over France
Atos Inno’Lab TS Bezons（阿托斯创新实验室TS贝宗）；EDF R&D Lab（EDF研发实验室）；Laboratoire des Sciences du Climat & de l’Environnement（气候与环境科学实验室）；CEA（法国国家科学研究中心）；CNRS（法国国家科学研究中心）；UVSQ（法国大学巴黎-萨克雷）；Université Paris-Saclay（巴黎-萨克雷大学）；Laboratoire de Mathématiques d’Orsay（奥赛数学实验室）
本文提出一种无需考虑提前时间的数值天气模型的预报流程，将ECMWF的亚季节到季节天气预报转化为法国每日分辨率的风力发电预报，提升预测精度并实现良好校准。
2026-04-13 cs.LG stat.AP
Wind energy forecasting with missing values within a fully conditional specification framework
本文提出在全条件设定框架下联合处理风电功率预测中的缺失值插补与预测任务，仅基于不完整观测推断联合分布，并在点预测和概率预测中均取得优于常见方法的效果。
2022-10-22 cs.SY eess.SY stat.AP
Pooling Probabilistic Forecasts for Cooperative Wind Power Offering
本文提出“先协调后优化”框架，通过两阶段随机规划求解合作市场出价，并基于对偶值构建预算平衡且稳定的利润分配规则，解决风电联盟预测不一致问题。
2025-10-14 cs.SY eess.SY stat.AP
CESAR: A Convolutional Echo State AutoencodeR for High-Resolution Wind Forecasting
本研究提出CESAR模型，结合卷积自编码器与回声状态网络，实现高分辨率风速和功率预测，在利雅得模拟中较最佳方法提升达17%。
2024-12-13 stat.AP stat.ML
Probabilistic wind power forecasting resilient to missing values: an adaptive quantile regression approach
提出一种无需预处理或重训练的自适应分位数回归方法，通过特征提取和非交叉分位数神经网络模块适应数据缺失模式，在概率性风电预测中实现了最先进的连续排名概率分数。
2024-04-24 cs.SY eess.SY stat.AP
Trading Data for Wind Power Forecasting: A Regression Market with Lasso Regularization
本文提出了一个回归市场的风代理货币化数据之间的交易，风力发电预测。现有的文献数据市场往往把数据披露作为一个二元选择或调制的基础上的报价和出价之间的不匹配的数据质量。因此，市场要么对数据卖方不利，因为高估了他们披露数据的意愿，要么对数据买方不利，因为缺乏有用的数据。我们提出的回归市场基于最小绝对收缩和选择算子（套索）确定数据支付，这不仅为数据购买者提供了选择有用功能的手段，而且还使每个数据销售者能够个性化数据支付的阈值。使用合成数据和真实世界的风力数据，案例研究表明购买数据的风力代理商的总体损失减少，以及销售数据的人的额外经济利益。
2022-04-01 cs.SY eess.SY stat.AP
