摘要
准确的超短期风速预测对于风电系统的可靠运行和调度至关重要，但由于风速时间序列的强非线性、非平稳性和时间依赖性，这仍然是一个挑战。数据驱动模型已成功用于风速预测，但往往存在预测滞后和精度降低的问题。为应对这些挑战，提出了一种将变分模态分解（VMD）与注意力增强序列到序列（S2S-Attn）架构相结合的超短期风速预测策略。首先，VMD将原始风速时间序列分解为一组带限本征模态函数，每个函数具有相对稳定的中心频率。然后，结合注意力机制的序列到序列方法在多步预测过程中对历史时间步的信息进行动态加权建模，充分捕捉了风速时间序列中的非线性时间依赖性，并有效提高了多步预测精度。通过输入在不同高度测量的风速数据进行了全面实验，窗口大小范围为30至240分钟，预测视野为10至60分钟。实验结果表明，所提出的框架有效地缓解了所有高度和预测视野下的时间预测滞后。该模型表现出持续较高的预测性能，均方根误差值介于0.10至0.18之间，相关系数保持在0.98至0.99的范围内。其他指标，如平均绝对误差和平均绝对百分比误差，进一步验证了所提出框架的可靠性和准确性。总体而言，所提出的模型在时间对齐和预测精度方面均表现出色，证实了其在多步预测中超短期风速预测的有效性。
