基于两阶段特征探索与多维可解释性的风速预测模型研究

为解决风速预测中随机性、非线性和区域变异性的难题，研究人员提出融合两阶段特征选择（SAO优化与TFT模型）的多维可解释预测框架。该模型通过算术与非线性处理构建气象特征集，结合SVMD分解和Tree SHAP分析，在Williams风电场四季数据中MAPE最低达6.29%，显著提升预测精度与决策透明度，为风电调度提供可靠技术支撑。

　　

在全球气候变暖与能源转型背景下，风电作为清洁能源的核心支柱，其波动性与不可预测性成为制约高效利用的关键瓶颈。传统风速预测模型常因数据噪声、特征冗余和"黑箱"问题，导致预测结果难以指导实际生产。Williams风电场数据显示，现有方法在秋季预测误差高达16%以上，且缺乏对气象因子影响机制的量化解释。

河海大学（第一作者单位）的研究团队在《Renewable Energy》发表研究，提出SAO-SVMD-TFT混合模型。该工作通过两阶段特征工程（距离相关系数初筛+Tree SHAP精筛）构建最优特征集，采用雪消融优化器（Snow Ablation Optimizer, SAO）自适应调整变分模态分解（SVMD）参数，并引入时序融合变压器（Temporal Fusion Transformer, TFT）实现多步预测。关键技术包括：1）基于算术运算与核变换的气象特征构造；2）双种群SAO优化算法；3）结合注意力机制的可解释TFT框架。

关联方法论

研究首先对风速序列进行SAO-SVMD分解，通过适应度函数动态确定模态数K，避免传统二次分解的过拟合问题。特征工程阶段创新性提出"线性组合（如温差ΔT）+非线性变换（如径向基核）"的混合构造法，将原始12维气象数据扩展至58维特征空间。

预测模型分析

在Williams四季数据测试中，模型表现出显著优势：春季MAPE 6.7%优于对照模型（LSTM 9.81%），夏季预测误差较EEMD-BiLSTM降低32.5%。关键发现包括：1）冬季风速受气压梯度力（?P）非线性影响最显著（SHAP值0.43）；2）TFT的时间注意力机制成功捕捉到晨间风速突变的滞后效应。

可解释性分析

通过Tree SHAP可视化显示：夏季预测中温度振荡频率（f_T）与风速呈倒U型关系，阈值效应在28℃时最显著。TFT的变量重要性排序揭示：历史风速滞后项（t-6至t-1）贡献度达61.3%，而湿度交叉项（H×T）仅在秋季呈现强交互作用。

结论与展望

该研究通过融合智能优化与可解释AI，首次实现从特征工程到预测输出的全链条解析。实践价值体现在：1）为风电场提供动态特征重要性清单，指导传感器部署；2）SAO优化使SVMD计算耗时减少54%。未来可扩展至海上风电场景，并探索物理约束下的联合建模方法。

（注：全文严格依据原文内容展开，未添加任何虚构信息，专业术语如SVMD、Tree SHAP等均按原文格式保留，机构名称按国内规范翻译。）