基于优化分解与深度学习的超短期风电功率预测方法研究

本研究针对超短期风电功率预测中存在的非平稳性、多尺度动态关联及数据分布偏移等关键问题，提出了一种融合特征选择(FS)、改进减法平均优化器(ISABO)优化的变分模态分解(VMD)与增强多尺度图网络(IMSGNet)的新型预测框架(FS-ISABO-VMD-IMSGNet)。通过双相关性特征筛选、混沌映射增强的参数优化及概率稀疏注意力机制，显著提升了预测精度，平均绝对误差(MAE)较现有最优VMD-based DCInformer降低28.2%，为电网稳定运行提供了更可靠的技术支撑。

　　

随着全球能源转型加速，风能作为最具潜力的可再生能源之一，其装机容量持续快速增长。然而，风功率固有的间歇性和波动性给电网规划、调度运行带来了巨大挑战。特别是超短期预测（分钟至小时级）的准确性，直接关系到电网实时平衡与风电消纳效率。传统物理模型依赖高精度数值天气预报，计算资源需求大；统计方法虽计算较快但受限于数据质量；而基于注意力机制的深度学习模型（如Transformer）虽能捕捉长期依赖，却存在计算复杂度高、对数据分布偏移敏感等问题。更关键的是，风电序列中蕴含的多时间尺度动态关联（如湍流与季节变化的耦合效应）及信号非平稳特性，尚未被现有模型充分挖掘与处理。

为突破这些瓶颈，研究人员在《Energy Conversion and Management: X》发表了题为"Ultra-short-term wind power forecasting method based on optimized decomposition and deep learning"的研究论文。该研究构建了一套融合特征工程、信号分解与深度学习技术的综合预测框架，旨在通过多模块协同优化提升预测精度与鲁棒性。

研究团队首先采用皮尔逊(PCC)与斯皮尔曼(SCC)双相关性分析进行特征筛选，剔除冗余气象变量；继而提出改进减法平均优化器(ISABO)，通过Logistic混沌映射初始化、Circle混沌扰动及黄金正弦算法(Gold-SA)混合策略，优化变分模态分解(VMD)的关键参数（模态数K与惩罚因子α），将原始功率序列分解为10个相对平稳的本征模态函数(IMF)；最后设计增强型多尺度图网络(IMSGN^et)，引入Dish-TS范式对抗分布偏移，并以概率稀疏自注意力替代传统多头注意力，显著提升计算效率。

2.1. 特征选择模块

通过PCC与SCC分别量化变量间线性与非线性关联，筛选出与历史功率相关性高于0.8的特征，包括10m/30m/50m/70m/轮毂高度风速及功率数据，有效降低噪声干扰。

2.2. 序列分解模块

ISABO以最小包络熵为适应度函数，将VMD参数优化为(K,α)=(10,1000)，分解后的IMF1-IMF2、IMF3-IMF8、IMF9-IMF10分别对应长期趋势、气象波动与瞬态分量，显著提升序列平稳性。

2.3. 预测模块

IMSGN^et通过快速傅里叶变换(FFT)识别主导频率尺度，利用自适应图卷积捕获变量间多尺度关联，结合概率稀疏注意力挖掘序列内部依赖，最终通过幅值加权聚合多尺度输出。实验表明，其MAE（4.383）显著优于TimeXer（5.213）等基准模型。

3.4. 复杂数据验证

在平滑、波动与过渡段数据测试中，FS-ISABO-VMD-IMSGN^et的MAE分别为1.06、1.812与2.217，^R2均高于0.97，尤其在含异常点的剧烈波动数据中保持最优鲁棒性（MAE=1.619）。

该研究通过算法创新与模块化集成，实现了超短期风电预测精度与效率的协同提升。ISABO-VMD分解有效抑制了信号非平稳性带来的预测误差；IMSGN^et的多尺度建模能力与Dish-TS的抗分布偏移特性，为复杂气象条件下的功率波动提供了精准刻画工具。所提框架将MAE降低至1.345 MW，相当于年均可减少约925 MWh弃风电量，并为电网预留容量降低1.3 MW（占装机1.4%），对促进高比例新能源接入的电网安全运行具有重要实践价值。未来可通过引入高频监测数据与极端天气自适应机制，进一步拓展模型的工程适用边界。