DOI: https://doi.org/10.1038/s41598-025-34348-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41513692
تاريخ النشر: 2026-01-09
المؤلف: Ding Wang وآخرون
الموضوع الرئيسي: تحميل الطاقة وتوقعات القدرة
نظرة عامة
تقدم البحث نموذج المحول المقيد بالفيزياء (PCT)، وهو إطار عمل جديد مصمم لتوقعات طاقة الرياح ليوم الغد، والذي يدمج القدرات المتقدمة لهندسة المحولات مع المعرفة الخاصة بالمجال حول منحنيات طاقة الرياح. يتم تحقيق هذا الدمج من خلال استخدام توزيع احتمالي عبر تقدير كثافة النواة (KDE) وإدخال خسارة جانسن-شانون (JS) كمنظم قائم على الفيزياء. يهدف إطار عمل PCT إلى تعزيز دقة وموثوقية توقعات طاقة الرياح، خاصة في ظل مستويات الضوضاء العالية التي تكون نموذجية في توقعات سرعة الرياح.
تشير النتائج التجريبية من البيانات التشغيلية المجمعة من 25 توربين رياح إلى أن PCT يتفوق بشكل كبير على كل من نموذج المحول القياسي ونموذج TgDPF المتقدم السابق، محققًا تحسينًا في الأداء يبلغ حوالي 15% في ظل ظروف الضوضاء المنخفضة. علاوة على ذلك، يظهر PCT استقرارًا ودقة متفوقين عبر سيناريوهات الضوضاء المتنوعة، مما يبرز فعالية دمج المعرفة الخاصة بالمجال في النموذج التنبؤي. تؤكد الدراسات الشاملة للتجارب والتحليلات المقارنة في الدراسة على قوة ووضوح PCT، مما يشير إلى إمكانياته لتطبيقات أوسع في توقعات الطاقة المتجددة.
مقدمة
تسلط المقدمة الضوء على الأهمية المتزايدة لطاقة الرياح كمصدر للطاقة المتجددة، مع التأكيد على التحديات الفريدة التي تواجهها بسبب طبيعتها المتقطعة وحساسيتها للعوامل البيئية. على عكس مصادر الطاقة التقليدية، لا يمكن توجيه طاقة الرياح عند الطلب ويجب استهلاكها على الفور، مما يعقد دمجها في أنظمة الطاقة. إن التوقع الدقيق لإنتاج طاقة الرياح أمر بالغ الأهمية لتحسين إدارة مزارع الرياح، كما يتضح من دراسة تشير إلى أن خطأ في التوقع بنسبة 15% يمكن أن يؤدي إلى خسائر في الأرباح تتراوح بين 2% إلى 13.8% للمشاركين في السوق.
تشير النصوص أيضًا إلى أنه بينما يتم استخدام توقعات الطقس عادة في نماذج توقع الطاقة المتجددة، فإن التقلب وعدم اليقين الكامنين في بيانات سرعة الرياح يقدمان ضوضاء كبيرة، مما يجعل توقعات طاقة الرياح أكثر تعقيدًا من مصادر الطاقة المتجددة الأخرى مثل الطاقة الشمسية. يركز هذا البحث على تحسين توقعات طاقة الرياح على المدى القصير (24 ساعة مقدماً)، وخاصة للتوقعات ليوم الغد، والتي تعتبر حيوية لتجارة الطاقة وتخصيص الموارد في أسواق الطاقة الحديثة.
طرق
يقدم البحث إطار عمل المحول المقيد بالفيزياء (PCT) الذي يهدف إلى تحسين دقة توقعات طاقة الرياح مع معالجة التحديات التي تطرحها توقعات سرعة الرياح عالية الضوضاء. تم هيكلة المنهجية حول ثلاثة مكونات أساسية: أولاً، نموذج المحول، الذي يعمل كنهج فعال للتعلم العميق لنمذجة البيانات الزمنية؛ ثانيًا، تطبيق تقدير كثافة النواة لتمثيل منحنيات طاقة الرياح كتوزيعات احتمالية؛ وثالثًا، استخدام تباين جانسن-شانون (JS) لقياس الفروق بين هذه التوزيعات.
من خلال دمج هذه العناصر، تم تصميم إطار عمل PCT لتعزيز دقة التوقعات، مما يوفر أداة قوية لإدارة التعقيدات المرتبطة بتوليد طاقة الرياح. يستعرض الاستكشاف المفصل لهذه المكونات الأسس لفهم الجوانب المبتكرة لـ PCT وتأثيره المحتمل على مجال توقعات الطاقة المتجددة.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الحاجة المتزايدة لتوقعات دقيقة لطاقة الرياح، مما أدى إلى تطوير تقنيات نمذجة متنوعة تصنف إلى طرق قائمة على المعرفة وطرق مدفوعة بالبيانات. تستفيد الطرق القائمة على المعرفة، مثل أنظمة التنبؤ بالطقس العددي (NWP) والاستراتيجيات الهجينة التي تجمع بين معالجة الإشارات والتعلم الجماعي، من القوانين الفيزيائية لتعزيز موثوقية التوقعات. ومع ذلك، غالبًا ما تتطلب هذه الطرق هندسة ميزات واسعة وقد لا تستفيد بالكامل من البيانات التاريخية. من ناحية أخرى، تعتمد النماذج المدفوعة بالبيانات، بما في ذلك طرق السلاسل الزمنية التقليدية وهياكل التعلم العميق الحديثة مثل الشبكات العصبية المتكررة (RNNs) والشبكات العصبية التلافيفية (CNNs)، على الملاحظات التاريخية ولكن يمكن أن تواجه صعوبة في الإفراط في التكيف والتعميم، خاصة في سيناريوهات الضوضاء العالية.
لمعالجة قيود كلا النهجين في النمذجة، يقدم البحث نموذج المحول المقيد بالفيزياء (PCT)، الذي يدمج هيكل المحول مع المعرفة الخاصة بالمجال من منحنيات طاقة الرياح. يستخدم هذا النموذج الهجين دالة خسارة مزدوجة تجمع بين متوسط مربع الخطأ (MSE) لدقة البيانات التجريبية وتباين جانسن-شانون لتحقيق التناسق الاحتمالي مع التوزيعات الواقعية. تظهر النتائج التجريبية أن PCT يتفوق بشكل كبير على النماذج الأساسية، محققًا تحسينًا يبلغ حوالي 15% في دقة التوقعات في ظل ظروف الضوضاء المنخفضة وتقليصًا يزيد عن 50% في MSE في ظل سيناريوهات الضوضاء العالية. وهذا يبرز فعالية دمج المعرفة الخاصة بالمجال في أطر التعلم العميق، مما يعزز كل من دقة التوقعات وموثوقيتها في بيئات التوقع المعقدة.
DOI: https://doi.org/10.1038/s41598-025-34348-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41513692
Publication Date: 2026-01-09
Author(s): Ding Wang et al.
Primary Topic: Energy Load and Power Forecasting
Overview
The research presents the Physics-Constrained Transformer (PCT), a novel framework designed for day-ahead wind power forecasting, which integrates the advanced capabilities of the Transformer architecture with domain-specific knowledge of wind power curves. This integration is achieved by employing a probabilistic distribution through Kernel Density Estimation (KDE) and introducing a Jensen-Shannon (JS) loss as a physics-based regularizer. The PCT framework aims to enhance the accuracy and robustness of wind power predictions, particularly in the presence of high noise levels typical in wind speed forecasts.
Experimental results from operational data collected from 25 wind turbines indicate that PCT significantly outperforms both a standard Transformer model and the previous state-of-the-art TgDPF model, achieving an average performance improvement of approximately 15% under low-noise conditions. Furthermore, PCT demonstrates superior stability and accuracy across varying noise scenarios, highlighting the effectiveness of incorporating domain knowledge into the predictive model. The study’s comprehensive ablation studies and comparative analyses further validate the robustness and interpretability of PCT, suggesting its potential for broader applications in renewable energy forecasting.
Introduction
The introduction highlights the growing importance of wind power as a renewable energy source, emphasizing its unique challenges due to its intermittent nature and sensitivity to environmental factors. Unlike conventional energy sources, wind energy cannot be dispatched on demand and must be consumed immediately, which complicates its integration into power systems. Accurate forecasting of wind power output is crucial for optimizing the management of wind farms, as evidenced by a study indicating that a 15% forecasting error can lead to profit losses of 2% to 13.8% for market participants.
The text further notes that while weather forecasts are typically utilized in renewable energy prediction models, the inherent volatility and uncertainty of wind speed data introduce significant noise, making wind power forecasting more complex than for other renewable sources like photovoltaics. The focus of this study is on enhancing short-term (24-hour ahead) wind power forecasting, particularly for day-ahead predictions, which are vital for energy trading and resource allocation in modern energy markets.
Methods
The study introduces the Physics-Constrained Transformer (PCT) framework aimed at improving the accuracy of wind power forecasting while addressing the challenges posed by high-noise wind speed predictions. The methodology is structured around three fundamental components: first, the Transformer model, which serves as an efficient deep learning approach for temporal data modeling; second, the application of kernel density estimation to represent wind power curves as probability distributions; and third, the utilization of Jensen-Shannon (JS) divergence to measure the differences between these distributions.
By integrating these elements, the PCT framework is designed to enhance forecasting precision, thereby providing a robust tool for managing the complexities associated with wind power generation. The detailed exploration of these components lays the groundwork for understanding the innovative aspects of the PCT and its potential impact on the field of renewable energy forecasting.
Discussion
The discussion section of the research paper highlights the growing need for accurate wind power forecasting, which has led to the development of various modeling techniques categorized into knowledge-based and data-driven methods. Knowledge-based methods, such as Numerical Weather Prediction (NWP) systems and hybrid strategies combining signal processing with ensemble learning, leverage physical laws to enhance forecasting reliability. However, these methods often require extensive feature engineering and may not fully utilize historical data. Conversely, data-driven models, including classical time series methods and modern deep learning architectures like recurrent neural networks (RNNs) and convolutional neural networks (CNNs), rely on historical observations but can struggle with overfitting and generalization, particularly in high-noise scenarios.
To address the limitations of both modeling approaches, the paper introduces the Physics-Constrained Transformer (PCT), which integrates the Transformer architecture with domain knowledge from wind power curves. This hybrid model employs a dual loss function combining Mean Squared Error (MSE) for empirical data accuracy and Jensen-Shannon divergence for probabilistic consistency with real-world distributions. Experimental results demonstrate that PCT significantly outperforms baseline models, achieving approximately 15% improvement in forecasting accuracy under low-noise conditions and over 50% reduction in MSE under high-noise scenarios. This underscores the effectiveness of incorporating domain knowledge into deep learning frameworks, enhancing both predictive accuracy and robustness in complex forecasting environments.