基于自适应奇异谱分解混合框架与二次误差校正的风电预测研究：解锁风电精准预测新密码

为解决风电数据非线性、随机和多尺度特性导致的预测精度低、稳定性差问题，研究人员开展了关于风电预测的研究。提出 ISSA-OTDBO-BiTCN-BiLSTM-Adaboost 模型，该模型提升了预测精度和稳定性，为可再生能源并网提供可靠方案。

　　在全球积极推动可再生能源发展的浪潮中，风电凭借其丰富的资源、良好的环境效益和经济可行性，成为了能源领域的一颗 “新星”。然而，这颗 “新星” 却有着难以驯服的一面。风速和气象条件的随机性，让风电输出充满了间歇性和波动性，就像一个调皮的孩子，总是在电网调度时 “捣乱”，给电网的稳定运行和经济调度带来了巨大挑战。而且，风电数据具有多模态、非平稳和高频的特性，这使得预测风电功率变得异常困难，仿佛在迷雾中寻找方向，现有的预测模型常常迷失其中，无法准确地把握风电功率的变化趋势。

为了攻克这一难题，石河子大学的研究人员挺身而出，开展了一项极具价值的研究。他们提出了一种名为 ISSA-OTDBO-BiTCN-BiLSTM-Adaboost 的深度混合预测模型，旨在提升风电功率预测的精度和稳定性。这一研究成果发表在《iScience》上，为风电领域带来了新的曙光。

研究人员在这项研究中，运用了多种关键技术方法。首先是自适应奇异谱分析（ISSA），它能够根据数据的自相关特性自动确定最优的分解模式，无需人工手动调整参数，就像给数据分解装上了 “智能导航”，精准地提取出关键的模态特征。其次是优化粪甲虫算法（OTDBO），通过引入 Kent 映射初始化、受鱼鹰算法启发的全局探索和自适应 t 分布扰动等策略，对双向时间卷积网络 - 双向长短期记忆网络（BiTCN-BiLSTM）的超参数进行优化，让模型能够更好地学习数据特征。最后，Adaboost 集成学习被引入，它可以动态调整样本权重，有效减少预测误差的积累，提高模型的鲁棒性。

在研究结果部分，研究人员进行了一系列严谨的实验。

• 数据来源与预处理：他们采用了新疆达坂城实验风电场 2022 年的数据，通过 DBSCAN 聚类和基于区间的分割方法对数据进行清洗，去除异常值，保证数据质量。同时，运用随机森林（RF）和相关热图分析对输入变量进行优化选择，确定风速和风向为关键输入变量。
• 模型性能评估：通过与 10 个基准模型对比，ISSA-OTDBO-BiTCN-BiLSTM-Adaboost 模型在预测精度上表现卓越。在不同季节的数据集上，该模型的平均绝对误差（MAE）降低了 45.4%，均方根误差（RMSE）降低了 47.6%，决定系数（R²）显著提高，且训练时间减少了 12.1%-21.3%。例如，在 3 月数据集的 1 步预测中，该模型的 MAE 仅为 0.76，RMSE 为 1.24，R²达到 99.42%，远超其他模型。
• 不同分解方法对比：研究人员还比较了不同分解方法对模型性能的影响，发现 ISSA 在捕捉长期趋势和局部细节方面表现最佳。与其他分解方法（如 ICEEMDAN、TVF-EMD 和 GA-VMD）相比，ISSA 使 MAE 平均降低了 42.8% - 51.5%，RMSE 平均降低了 35.5% - 48.2%。
• 不同优化算法对比：在优化算法对比实验中，OTDBO 在全局搜索能力、收敛速度和优化稳定性方面优于 WOA 和 DBO，进一步证明了其在风电预测中的有效性。
• Adaboost 的作用评估：Adaboost 能够有效集成到深度学习模型中，进一步校正预测误差。在 ISSA-OTDBO-BiTCN-BiLSTM 框架中，Adaboost 使 MAE 降低了 14.3%，RMSE 降低了 19.7%，R²提高了 1.02%。

研究结论表明，ISSA-OTDBO-BiTCN-BiLSTM-Adaboost 模型在所有季节和预测 horizons 上，都实现了最低的 MAE 和 RMSE，同时获得了最高的 R²，展现出了卓越的整体预测精度。数据分解显著提升了风电预测的准确性，OTDBO 优化算法有效提高了预测性能，Adaboost 则成功减少了预测误差。此外，SHAP 分析验证了输入特征选择的合理性，配对 t 检验证明了该模型相较于基线模型的优越性。在计算效率方面，在相似复杂度下，该模型的训练时间至少减少了 12.1%，实现了效率与准确性的良好平衡。

这项研究为风电功率预测提供了一种准确、可扩展的方法，有效解决了风电预测中精度低和稳定性差的问题，为电网调度和可再生能源的高效利用提供了有力支持。它就像一把精准的 “标尺”，能够更准确地衡量风电功率的变化，帮助电力系统更好地应对风电的不确定性，推动可再生能源在能源领域的广泛应用，为实现能源的可持续发展做出了重要贡献。