Tyan-WP：用于超短期概率预测的风电基础模型

全球风电容量，特别是在中国，正在蓬勃发展，新风电场跨越不同的地形和气候。业界迫切需要准确的风电基础模型，以缩短调试时间并加速并网速度。这是因为特定站点时间序列模型（TSM）不太适合数据稀缺的场景，泛化能力较差，而通用大型时间序列模型（LTSM）大多仅限于单变量输入，无法充分利用静态站点属性或功率与气象协变量之间的依赖关系，导致准确性不足。为了填补这一空白，我们提出了 \textbf{Tyan-WP}，这是第一个用于超短期概率预测的风电基础模型。 Tyan-WP 经过七年时间对覆盖美国 126,000 多个站点的大型风电数据集进行预训练，通过两个特定领域的模块设计进一步改进了零样本预测：使用坐标、地形和生态区元数据的静态站点嵌入，以及对历史功率和气象协变量之间的相互作用进行建模的功率感知气象融合 (PAMF) 模块。在统一的评估协议下，Tyan-WP 在 10 个域内站点上超越了 8 个特定站点监督 TSM，在 127 个域内站点上超越了 11 个通用 LTSM，将 MAE 降低了 19.9%，RMSE 降低了 16.6%，CRPS 降低了 22.2%，AQL 降低了 21.7%，同时 R^2 提高了 16.7%。它进一步展示了英国六个真实站点的强大跨地理泛化能力。这些结果表明，风电基础模型无需目标站点训练即可实现准确的零样本预测，为新建风电场的快速风机安装和概率风险管理提供了实用途径。