自适应贝叶斯小波包阈值与深度高斯过程回归融合的风速概率预测模型研究

针对风速预测中噪声干扰和不确定性量化难题，研究人员提出融合自适应贝叶斯小波包阈值(BDWPT)与深度高斯过程(DGP)的混合模型BDWPT-DGP。该模型通过BDWPT降噪保留时序特征，利用DGP分层结构捕捉非线性波动，结合蒙特卡洛模拟量化输出不确定性。实证显示其在四座风电场数据中预测精度提升超90%，为风电调度提供可靠概率参考。

　　

在全球能源转型背景下，风电作为第二大可再生能源面临严峻的并网挑战——风速的随机性与间歇性使得传统预测方法难以兼顾精度与不确定性量化。现有物理模型计算复杂，而数据驱动方法如自回归移动平均(ARMA)受限于线性假设，深度学习又需海量数据支撑。更关键的是，风速传感器噪声和时空变异导致原始数据信噪比低下，传统小波变换(DWPT)存在参数敏感、局部特征丢失等问题，制约着预测模型的可靠性。

大连理工大学（Dalian University of Technology）的研究团队在《Renewable Energy》发表研究，创新性地将自适应贝叶斯离散小波包阈值(BDWPT)与深度高斯过程回归(DGP)相结合，构建了BDWPT-DGP混合模型。该研究通过四阶段技术路线实现突破：首先采用BDWPT进行信号自适应降噪，通过贝叶斯假设检验动态优化阈值；随后构建三层DGP网络，利用变分贝叶斯推断更新参数；进而通过蒙特卡洛模拟量化输出不确定性；最终在中挪四座风电场（含中国内蒙古陆上、江苏海上及挪威北海固定/浮动式风场）的实测数据中进行验证。

主要技术方法
研究团队开发的技术框架包含三大核心：1）BDWPT降噪模块，通过离散小波包变换分解信号，结合贝叶斯假设检验确定最优阈值函数；2）DGP建模，采用高斯过程(GP)堆叠的三层深度结构，通过变分推断训练权重；3）蒙特卡洛模拟，从DGP后验分布中采样生成概率区间。数据来源于中国和挪威四类风场的1小时分辨率风速序列，经质量检查剔除异常值后划分训练/测试集。

研究结果
自适应BDWPT降噪性能
对比经验模态分解(EMD)和传统小波阈值法，BDWPT在信噪比(SNR)指标上提升35-48%，尤其有效保留突变风速的陡峭特征。其自适应阈值机制克服了固定阈值导致的过平滑问题。

DGP网络结构优化
三层GP堆叠结构较单层GPR在均方根误差(RMSE)上降低62%，变分推断使训练效率提升3倍。核函数测试显示Matérn 5/2核最适合捕捉风速的非平稳特性。

混合模型预测效能
在1小时预测尺度下，BDWPT-DGP的连续排名概率得分(CRPS)较QR、Bootstrap等方法降低28-41%，区间覆盖率(PICP)稳定在95%置信水平。中国海上风场案例显示，其点预测精度达94.3%，显著优于传统VMD-LSTM组合模型。

结论与意义
该研究首次实现BDWPT与DGP的协同创新：BDWPT通过贝叶斯框架解决小波阈值选择的主观性问题，DGP的多层结构突破传统GPR对高维非线性数据的建模瓶颈。实际应用表明，该模型能同步输出高精度点预测和可靠概率区间，为风电场的实时功率调度和储能配置提供决策依据。特别值得注意的是，模型在挪威浮动式风场的极端风速条件下仍保持90%以上的PICP，证实其对复杂环境的强适应性。未来研究可拓展至多变量气象因子耦合分析，进一步推动可再生能源预测技术的发展。