模型名称: WindFM(NeoQuasar/WindFM) 模型链接: NeoQuasar/WindFM 模型描述: WindFM 是风电功率预测基础模型:先以 Binary Spherical Quantization(BSQ)分词器把风电场多变量时序(风速/风向/功率/空气密度/温度/气压)离散化为层级 token(s1/s2 两级),再用 decoder-only Transformer 自回归建模 token 序列,结合时间戳傅里叶嵌入,可对任意预测步长输出概率化(多采样分位数)功率预测。 模型架构: BSQ 分词器(4 层 encoder + 4 层 decoder Transformer,d_model=256)+ 4 层自回归 Transformer 主干(d_model=256,8 头,RoPE + RMSNorm + SwiGLU,层级 token 嵌入与依赖感知交叉注意力解码头) 参数规模: 约 16M(主干)+ 16M(分词器) 代码仓库: shiyu-coder/WindFM
| 依赖项 | 版本要求 | 说明 |
|---|---|---|
| Python | >= 3.10 | 推荐 3.11 |
| torch / torch_npu | 2.1.0+ | torch_npu 从 CANN 安装,共享环境不重复安装 |
| einops | ==0.8.1 | 模型张量重排 |
| pandas | any | 时序数据组织 |
| numpy | any | 数据构造 |
| matplotlib | any | 结果绘图 |
| tqdm | any | 进度显示 |
| safetensors | any | 权重加载 |
安装命令:
pip install --target /mnt/workspace/WindFM/libs -i https://pypi.tuna.tsinghua.edu.cn/simple \
einops==0.8.1 pandas tqdm matplotlib numpy safetensors
# torch / torch_npu 使用共享环境,不重复安装# 检查 NPU 设备
npu-smi info
# 权重位于 /home/developer/models/WindFM(model.safetensors + config.json)
# 分词器权重位于 /home/developer/models/WindFM/windfm_tokenizer/
# (来自 NeoQuasar/WindFM-Tokenizer,推理必需,随主权重一并放置)
# 模型结构代码已 vendor 在本仓库 windfm_model/ 目录,无需额外下载python3 inference.py --model_path /home/developer/models/WindFM脚本自动选择设备 npu > cuda > cpu,内置官方示例风场数据(data/121522.csv,缺失时自动合成等效数据),只传 --model_path 即可跑通。权重与分词器全部从本地目录加载,全程离线不联网。
| 参数 | 类型 | 默认值 | 说明 |
|---|---|---|---|
| --model_path | str | /home/developer/models/WindFM | 本地主模型权重目录 |
| --tokenizer_path | str | 自动查找 | BSQ 分词器权重目录(默认 <model_path>/windfm_tokenizer) |
| --device | str | 自动(npu>cuda>cpu) | 推理设备 |
| --lookback | int | 240 | 历史窗口长度(时间步) |
| --pred_len | int | 80 | 预测步数 |
| --sample_count | int | 20 | 概率预测采样条数 |
| --max_context | int | 512 | 自回归最大回看窗口 |
| --output | str | assets/model_result.png | 结果图保存路径 |
输入:
数据集: 官方示例风场数据 data/121522.csv(风速/风向/功率/密度/温度/气压 6 变量,逐小时)
上下文: 前 240 步;预测: 后续 80 步功率(概率采样 20 条取中位数)
预处理: 逐变量 z-score 标准化并 clip 到 ±5,float32输出:
[INFO] device = npu
[INFO] 推理完成 耗时/elapsed=x.xx s (device=npu, lookback=240, pred_len=80, sample_count=20, MSE=x.xxxx, MAE=x.xxxx)
[RESULT] status=ok device=npu 耗时/elapsed=x.xx s
[INFO] 结果图已保存: assets/model_result.png


windfm_model/ 并去掉联网依赖,直接读本地 config.json + model.safetensors,strict=False 加载后无 missing/unexpected key;/home/developer/models/WindFM/windfm_tokenizer/,脚本会按多个候选路径自动查找;/mnt/workspace/WindFM/libs,运行时由脚本自动叠加 PYTHONPATH,不污染共享环境;未安装 torch/torchvision 等,复用共享环境 torch 2.7.1+cpu + torch_npu。