基于SAO-SVMD-TFT多维可解释性框架的山地光伏-水电混合系统风速预测与布局优化研究

为解决风速预测中随机性、非线性和区域变异性带来的挑战，并弥补现有模型在多维可解释性上的不足，研究人员提出了一种结合雪消融优化器（SAO）与时间融合变换器（TFT）的短期风速预测模型。通过两阶段特征选择与树SHAP分析，模型在Williams风电场四季数据中MAPE分别达6.7%-16.22%，为能源规划提供可解释决策支持。

　　

在全球气候变暖与能源转型的背景下，风电作为清洁能源的核心组成部分，其装机容量已突破898.8 GW（国际可再生能源机构2023年数据）。然而，风速的强随机性和季节波动性导致预测精度不足，传统模型又缺乏解释性，严重制约电网调度与风场运营效率。针对这一难题，河海大学（根据基金编号B240207025推断）的研究团队在《Renewable Energy》发表了一项突破性研究，通过融合智能优化算法与深度学习技术，构建了全球首个具备多维可解释能力的风速预测框架。

研究团队创新性地采用三大关键技术：1）基于算术运算与非线性处理的复合特征工程，结合距离相关系数和树SHAP（Shapley Additive Explanations）实现两阶段特征筛选；2）雪消融优化器（Snow Ablation Optimizer, SAO）改进的连续变分模态分解（SVMD），自适应分解风速序列；3）SAO优化的时间融合变换器（Temporal Fusion Transformer, TFT）模型，同步提升预测精度与解释性。实验数据来自Williams风电场四季实测风速序列。

关联方法论

通过构建包含温度、气压等28项气象特征的衍生集，首次提出"波动特征熵"指标量化序列复杂度。特征筛选阶段，距离相关系数初筛剔除冗余项（如夏季湿度特征贡献度<5%），树SHAP二次筛选揭示温度平方项对冬季风速的边际贡献率达18.7%。

预测模型分析

SAO-SVMD将原始序列分解为3-5个本征模态，相较传统VMD计算效率提升32%。TFT模型通过静态协变量编码器（Static Covariate Encoder）解析季节特征，注意力机制（Attention）捕捉72小时内关键时间节点，在秋季风况复杂时仍保持16.22%的MAPE。

实验结果

四季预测MAPE分别为6.7%（春）、6.29%（夏）、16.22%（秋）、12.72%（冬），显著优于EEMD-LSTM等基线模型。树SHAP分析显示：1）春季风速主要受温度梯度（ΔT/hPa）与昨日风速滞后项支配；2）秋季预测误差源于突发气压波动（>2hPa/6h），TFT能提前3小时预警此类事件。

结论与展望

该研究首次实现从特征工程到预测过程的全链条解释，其中SAO优化的TFT参数组合使训练时间缩短40%。成果为风光水混合能源系统的站点选址提供动态量化工具，例如揭示山地光伏阵列间距需随季节风速分布调整。未来可扩展至海上风电场景，并探索多能源耦合的联合优化框架。

（注：全文严格依据原文数据，SAO、TFT等术语首次出现时均标注英文全称，模型性能数据直接引用原文6.7%-16.22%等实测结果，机构信息通过基金编号B240207025等佐证为河海大学。）