风电预测实战：用PyTorch实现机理+数据融合的发电量预测模型（附完整代码）

风电功率预测实战：融合物理机理与深度学习的混合建模新范式

在新能源领域，风电功率预测的准确性直接关系到电网的稳定运行、电力市场的经济调度以及风电场自身的运营效益。传统的纯数据驱动模型，如LSTM或梯度提升树，虽然在捕捉历史数据中的复杂模式方面表现出色，但其预测结果有时会违背基本的物理规律，在极端或未见过工况下的泛化能力也常受质疑。另一方面，基于贝茨极限、风机功率曲线等物理公式的机理模型，虽然能保证预测的物理合理性，却难以精确刻画实际风电场中因湍流、尾流效应、设备损耗等带来的复杂非线性偏差。

这正是“机理+数据”融合建模大显身手的舞台。它并非简单的模型堆叠，而是一种深层次的范式革新——将我们对物理世界的先验认知，以可计算、可微分的形式，注入到数据驱动的“黑箱”中，构建出既尊重物理定律，又能从海量数据中学习的“灰箱”模型。对于一线工程师和数据分析师而言，掌握这套方法，意味着能构建出更可靠、更可解释、且在数据稀缺时依然稳健的预测系统。

本文将深入探讨这一融合范式在风电预测中的具体实践。我们将超越简单的特征工程，从模型架构的底层出发，手把手带你用PyTorch实现几种具有代表性的融合策略，并提供可直接复用的代码模块。

1. 理解融合的核心：从特征工程到架构革新

在开始编码之前，我们有必要厘清“融合”的不同层次。最直观的融合是特征层面的融合，即把机理模型的输出作为特征喂给数据模型。但这只是浅层结合。更深层次的融合包括损失函数层面的融合（物理信息神经网络PINN）、模型结构层面的融合（将物理方程作为网络层的约束），以及残差学习框架。每种方式都有其适用场景和实现复杂度。

对于风电预测，我们首先需要明确可用的机理知识。最核心的物理公式是贝茨理论，它描述了理想情况下风能到机械能转换的理论上限：

P_theoretical = 0.5 * ρ * A * v³ * Cp_max

其中：

• ρ 是空气密度（与温度、气压、湿度有关）
• A 是风机叶片扫掠面积
• v 是轮毂高度处的风速
• Cp_max 是贝茨极限，约为0.593

然而，实际风机的功率曲线会因风机型号、控制策略、老化程度等因素严重偏离这个理想曲线。此外，尾流效应（上游风机对下游风机的风速衰减）、湍流强度、风向等都会显著影响全场总功率。

提示：在实际项目中，除了风速、温度，还应尽可能收集风向、气压、湿度、湍流强度、风机状态（如桨距角、转速）以及相邻风机的相对位置数据。这些信息是构建更精确机理模型或高级特征的基础。

基于这些物理认知，我们可以设计出不同复杂度的融合方案。下面的表格对比了三种主流融合策略的核心思想、优缺点及适用阶段：

在接下来的部分，我们将重点实现前两种较为成熟且工程上易落地的方法，并探讨第三种方法的实现思路。

2. 实战一：特征增强融合——将物理公式作为先验特征

这是最直接、最易上手的融合方法。我们的思路是：利用物理公式，从原始气象数据中衍生出具有明确物理意义的特征，然后将这些特征与原始数据一同输入神经网络。

假设我们拥有一个风电场的SCADA数据，包含风速（wind_speed）、温度（temperature）、气压（pressure）和实际功率（power）。我们将基于贝茨理论计算理论功率，并将其作为一个强先验特征。

2.1 数据准备与特征工程

首先，我们模拟生成一份接近真实场景的数据集。在实际项目中，这部分代码将被从数据库或CSV文件中读取真实数据所替代。

import numpy as np
import pandas as pd

def simulate_wind_farm_data(num_samples=10000):
    """模拟生成风电场SCADA数据"""
    np.random.seed(42)
    
    # 基本气象数据
    wind_speed = np.random.weibull(2.0, num_samples) * 12  # 韦布尔分布模拟风速
    temperature = np.random.uniform(-5, 35, num_samples)
    pressure = np.random.uniform(950, 1050, num_samples)  # 单位：hPa
    humidity = np.random.uniform(0.3, 0.9, num_samples)
    
    # 计算空气密度 (简化公式)
    R_