近日，我室与上海交通大学联合培养博士研究生韩心海以第一作者在Science合作期刊Ocean-Land-Atmosphere Research上发表了题为“Enhanced Offshore Wind Speed Forecasts along the U.S. East Coast: A Deep Learning Framework Leveraging NDBC Buoy Data”的研究论文，论文通讯作者为我室杨劲松正研究员和李晓辉副研究员，合作者包括中山大学王久珂教授、浙江省海洋监测预报中心丁骏高级工程师，沈辉工程师，严俊高级工程师、浙江省气候中心方贺博士以及我室肖清梅高级工程师。

精确的近岸风速预测有助于更有效地评估和利用海上风能资源，推动风电产业的可持续发展。我室杨劲松团队发展了基于深度学习的多站点风速预测模型，通过引入门控机制和节点特征向量，模型具备了捕捉多个站点时空依赖关系的能力，从而实现对各站点风速变化的精确预测。该模型不仅对近岸风速预测提供了新的思路，而且对风能评估开发和海上灾害预警具有重要意义。

面对日益严峻的环境问题和能源危机，开发可再生能源成为全球共识。然而，目前的研究往往局限于单一站点的风速预测，忽略了多站点间的空间联系。为填补这一空白，本文提出了一种基于深度学习的多站点风速预测模型。通过运用门控机制和节点特征向量，该方法能够有效捕捉不同站点之间的时空依赖关系，并且能够精确地预测每个站点的未来12小时的风速变化。预测结果在美国国家数据浮标中心（NDBC）的实测数据上进行了有效验证，研究结果表明，12小时平均预测均方根误差为2.09米/秒。

图2 本文选取的NDBC浮标数据的地理分布

本文选取了美国东海岸八个NDBC浮标站点，图2展示了这些浮标的地理位置分布。图3展示了提出的框架在常规风速场景下，对各个站点的预测性能。其中浮标#42040位于湾内，该位置风速变化的剧烈程度较低，结果表明此处RMSE最低，为0.83 m/s。图4（A-B）展示了在飓风Ida和飓风Ian过境的极端场景下的表现，表明在研究区域受到飓风影响时，提出的模型仍旧具有稳定的性能。

图3 模型对各站点的1小时预测与NDBC实际观测值之间的密度散点图（2021年10月9至2022年1月2日）

图4 模型在（A）飓风Ida和（B）飓风Ian期间的风速预测结果与NDBC实际观测值的比较

本研究提出了一种深度学习模型，用于多站点风速预测，并在极端天气如飓风情况下表现出良好性能。未来，通过整合更多有效数据和先进技术，如图神经网络，生成式对抗网络等，有望提高模型准确性，为海上风能评估和灾害预警提供重要支持。

论文引用：Han X, Li X, Yang J, Wang J, Ding J, Shen H, Yan J, Fang H, Xiao Q. Enhanced Offshore Wind Speed Forecasts along the U.S. East Coast: A Deep Learning Framework Leveraging NDBC Buoy Data. Ocean-Land-Atmos. Res.2023;2:Article 0031. DOI:10.34133/olar.0031