Fast-powerformer обеспечивает точное и экономное по памяти среднесрочное прогнозирование ветровой генерации

Почему важны более точные прогнозы ветра

Электрические сети всё больше полагаются на ветряные турбины, чтобы поддерживать энергоснабжение без сжигания ископаемого топлива. Но ветер переменчив: порывы могут ослабнуть или усилиться в течение дня, и тогда операторам сетей приходится в срочном порядке подключать резервную генерацию. В этой статье представлен «Fast-Powerformer» — новая модель, которая предсказывает, сколько электроэнергии выработает ветропарк через несколько дней, при этом требуя значительно меньше вычислительных ресурсов и памяти, чем многие существующие подходы. Работа решает практическую задачу: как сделать прогнозы ветра достаточно точными для рынков и управления сетью, но достаточно «лёгкими», чтобы их можно было запускать на обычном оборудовании на удалённых фермах ветра?

Сложность предсказаний на несколько дней вперёд

Прогноз ветровой генерации — это не просто угадывание погоды на завтра. Операторам сетей важны следующие один–три дня, чтобы спланировать включение электростанций, торговлю в дневных рынках и не допустить потерь ветровой энергии при перегрузке сети. Это «среднесрочное» окно сложно моделировать, потому что нужно улавливать тонкие закономерности во многих переменных одновременно — скорость и направление ветра на разных высотах, температура, давление, влажность — и прослеживать их развитие на сотнях временных шагов. Традиционные физические погодные модели точны, но тяжеловесны, тогда как классические статистические и машинно-обучающие методы либо предполагают простые тренды, либо игнорируют временной порядок данных, что делает их плохо приспособленными к таким сложным длинным последовательностям.

Почему существующие модели ИИ испытывают трудности

Недавние достижения в области искусственного интеллекта, особенно модели на базе Transformer, изначально разработанные для языка, улучшили прогнозирование временных рядов, позволяя учиться на длинной истории. Тем не менее эти модели испытывают затруднения в задачах среднесрочного прогноза ветра. Стандартные Transformer сравнивают каждый временной шаг с каждым другим, поэтому их вычислительная нагрузка быстро растёт с длиной последовательности, и они обрабатывают каждый момент времени отдельно, что затрудняет моделирование взаимодействия различных погодных переменных. Некоторые новые архитектуры ускоряются за счёт реорганизации данных, но при этом могут терять кратковременные колебания и суточные циклы — именно те особенности, которые определяют реальную выработку турбины. В результате разработчики часто сталкиваются с компромиссом: либо сохранять высокую точность прогнозов, платя высокой вычислительной ценой, либо упрощать модель и мириться с менее подробными предсказаниями.

Упрощённая модель, созданная для ветропарков

Fast-Powerformer решает этот компромисс тремя согласованными идеями на базе облегчённого варианта Transformer, называемого Reformer. Во‑первых, входные данные преобразуются так, чтобы каждая погодная переменная (например, скорость ветра на высоте вала турбины) становилась отдельным «токеном», суммирующим её поведение за весь входной период. Это радикально сокращает число токенов, с которыми работает модель, и переключает внимание на то, как переменные влияют друг на друга, а не на отслеживание каждого временного шага отдельно. Во‑вторых, поскольку такое преобразование может размыть тонкие временные детали, сырые последовательности предварительно прогоняются через небольшой рекуррентный модуль (LSTM). Этот шаг конденсирует краткосрочные подъёмы и падения в компактное представление до реорганизации данных. В‑третьих, Fast-Powerformer явно анализирует частотные паттерны — с помощью косинусного преобразования, подчёркивающего суточные и многодневные циклы — через специализированный блок внимания, который усиливает переменные с ритмами, важными для выработки энергии.

Тестирование на реальных ветропарках

Авторы оценили Fast-Powerformer на двух годах высокочастотных измерений с трёх китайских ветропарков в существенно разных ландшафтах — от пустынь до гор. Модель опирается исключительно на данные с местных датчиков, а не на тяжёлые погодные симуляции, отражая то, что многие операторы действительно имеют в наличии. В сравнении с набором стандартных инструментов — включая классические статистические модели, нейросети и несколько популярных архитектур Transformer — Fast-Powerformer показывает в большинстве случаев меньшую среднюю ошибку и особенно высокую точность по метрикам, важным для эксплуатации, таким как абсолютные и процентные отклонения между прогнозируемой и фактической мощностью. Одновременно модель обучается и работает заметно быстрее и использует существенно меньше видеопамяти, чем конкурирующие Transformer-решения, что делает её практичной для развёртывания на скромных серверах или периферийных устройствах на ветропарках.

Значение для планирования чистой энергетики

Главная мысль для неспециалиста — более умные и компактные алгоритмы могут сделать ветер более надёжной частью энергобаланса без требования суперкомпьютерных ресурсов. Комбинируя продуманную реорганизацию входных данных, лёгкий элемент краткосрочной памяти и учет повторяющихся циклов, Fast-Powerformer прогнозирует несколько дней ветровой генерации точнее и эффективнее многих существующих методов. Более качественные среднесрочные прогнозы помогают операторам сетей планировать работу других электростанций, сокращать дорогостоящие срочные перестановки и уменьшать потери возобновляемой энергии. В перспективе авторы предлагают расширять входы более богатыми погодными данными и адаптировать модели, обученные на одном объекте, к новым площадкам, стремясь к инструментам прогнозирования, которые легко переносить с фермы на ферму, сохраняя низкие требования к вычислениям — и выбросам.

Цитирование: Zhu, M., Li, Z., Lin, Q. et al. Fast-powerformer achieves accurate and memory-efficient mid-term wind power forecasting. Sci Rep 16, 6737 (2026). https://doi.org/10.1038/s41598-026-36777-8

Ключевые слова: прогнозирование ветровой генерации, сети возобновляемой энергии, модели временных рядов, нейронные сети Transformer, планирование на энергетическом рынке