编辑推荐：
推荐
为应对风电时间序列复杂季节性与非线性趋势致预测难的问题，研究人员开展融合 Elastic Net（EN）、Multivariate Variational Mode Decomposition（MVMD）等的点区间预测研究。结果表明该框架精度更高，为风电并网调度决策提供支持。
论文解读
在全球能源转型浪潮中，风能作为清洁可再生能源担当着重要角色。然而，风电功率受风速、风向、气压等因素影响，呈现出复杂的季节性波动和非线性变化特征，这使得精准预测风电功率成为保障电网稳定运行与能源市场健康发展的一大难题。传统的预测方法，如自回归移动平均模型（ARMA）、自回归积分滑动平均模型（ARIMA）等，因假设数据呈线性关系，难以捕捉风电数据的复杂非线性特征；机器学习模型在小规模数据场景表现尚可，但面对大规模复杂数据时，在计算效率和适应性方面存在局限；深度学习模型虽擅长建模非线性关系和长期依赖，但在捕捉全局动态和提升训练效率上遭遇挑战；Transformer 模型及其变体虽有全球注意力机制和并行处理能力，却未能深入挖掘风电领域独特的非线性动态和环境影响，导致实际预测中不确定性高、稳定性差。此外，传统单一模型难以应对风电数据的复杂性和高波动性，且单点预测无法量化功率输出的不确定性，而区间预测能通过置信区间量化不确定性，提升预测可靠性和调度决策的科学性。在此背景下，开展更精准、更全面的风电功率预测研究迫在眉睫。
为解决上述问题，国内研究人员开展了风电功率点预测和区间预测模型的研究。该研究成果发表在《Expert Systems with Applications》上，为风电功率预测领域提供了新的思路和方法。
研究人员采用了多种关键技术方法。首先，运用多元变分模态分解（MVMD）与弹性网（EN）方法，提取多元特征、降维并捕捉耦合关系；其次，提出改进的基于 LOESS 的自适应多季节趋势分解（ADMSTL）模型，结合傅里叶变换捕捉风电的多尺度时间特征；然后，基于分解结果构建新特征集，作为基于 Informer 的点预测模型的输入；最后，应用高斯核密度估计（KDE）生成预测区间，对单点预测进行不确定性分析。研究使用了中国新疆某风电场的年度数据作为主要数据集，美国哈克伯里风电场的数据作为辅助数据集。
研究结果
模型框架构建
研究提出了一种新颖的混合模型框架，核心模块为改进的 ADMSTL 用于特征提取，该算法可动态调整参数，自适应识别和分解风能数据中的多尺度周期性模式，精准捕捉复杂时间特征。同时，融合 MVMD 和 EN 方法，准确提取与风电相关的多时间频率特征，并对高维本征模态函数（IMFs）进行降维，提高分析精度和数据处理效率。此外，设计了将多周期分解与信号分解技术相结合的集成框架，充分发挥两种分解方法的优势，实现对风电时间序列数据更全面的特征提取。
预测性能评估
通过对中国新疆和美国哈克伯里两个风电场的数据进行分析，结果表明，与基线方法相比，该框架在不同置信水平下均实现了更高的预测精度。这表明该模型能够更准确地预测风电功率的具体数值和不确定性范围。
研究结论与意义
本研究开发了基于 MVMD - EN - ADMSTL - Informer 和 KDE 的风电功率点预测和区间预测模型。通过与多个基准模型的比较，评估了基于 MVMD - EN - ADMSTL - Informer 框架构建的风电预测模型的可靠性和实用性。基于实验获得的四个误差评估指标分析，得出以下结论：MVMD 与 EN 结合的方法在风电功率预测性能上有显著提升；改进的 ADMSTL 模型能够有效捕捉风电数据的多尺度时间特征，提高预测精度；所提出的集成框架能够全面提取风电数据特征，结合点预测和区间预测，为风电功率预测提供了更科学、全面的解决方案。该研究成果为风电并网和调度提供了更准确的决策支持，有助于提高风电接入电网的安全性和灵活性，推动风电行业的健康发展。
