随着风电在能源结构中占比持续攀升，风电功率预测已成为支撑新型电力系统安全稳定运行的关键基础能力。传统深度学习方法高度依赖单场站历史数据，难以突破模型范式固化、跨场景迁移能力不足和数据稀缺场景适应性差等瓶颈。面向新建场站、小样本和零样本预测需求，亟需从“依赖单场站数据训练”的传统模式，迈向“依托大模型先验知识迁移”的新型预测范式。

阎洁教授团队提出时间序列大模型驱动的风电功率预测方法，将大模型的通用时序表征、跨场景知识迁移和少样本快速适配能力引入风电预测领域，构建了“预训练基座模型+场景自适应迁移”的新范式。针对小样本场景，提出基于高效微调Time-MoE的风功率预测模型，仅用3天样本即可完成目标风电场适配，预测性能较传统监督学习方法提升9个百分点以上；针对零样本场景，构建映射维度自适应预测大模型基座Moirai-WP，无需目标风电场历史数据即可直接部署，超短期零样本预测准确率提升1.42个百分点，极端天气条件下预测准确率达89.95%。该成果显著降低了风电预测对场站历史数据的依赖，将新建风电场数据采集需求由数月缩短至3天以内，为高比例风电并网提供了更具泛化能力和工程适应性的预测支撑。

▲Time-MoE模型结构图

▲Moirai模型结构图

该研究工作的核心成果“Wind Power Forecasting Based on Large Time Series Model”发表于国际顶级一区SCI期刊、中国工程院院刊Engineering上。论文的第一作者是新能源电力系统全国重点实验室阎洁教授。新能源电力系统全国重点实验室是论文第一通讯单位。

该研究工作得到了国家重点研发计划课题、国家自然科学基金等项目资助。

Reference：Jie Yan, Yujia Li, Han Wang, Shuang Han, Wenlong Shang, Yongqian Liu. Wind Power Forecasting Based on Large Time Series Model[J/OL]. Engineering.

初审：崔鹏

复审：张洪

审核：李美成 彭跃辉