《Electric Power Systems Research》：Multi-step prediction method for short-term wind speed based on SSA-STVFEMD-Kransformer(EPSR-D-25-05656)
编辑推荐：
风电场风速预测中提出融合SSA去噪、SBOA优化TVFEMD分解及KAN-Decoder改进的Transformer模型，在云南和美国科罗拉多数据集上6步预测R2达91.75%和91.61%，较原Transformer提升7.4和7.7个百分点，并验证噪声鲁棒性。
Xianzheng Kong|Bo-Chao Zheng|Guoyong Huang
中国江苏省南京市，南京信息科学技术大学自动化学院，CICAEET，邮编210044
摘要
准确的风速预测对于优化风电场调度和维持电网稳定性至关重要。为了减轻由于强局部非线性和观测噪声导致的多步风速预测性能下降，我们提出了一种集成渐进式去噪、信号分解和改进型Transformer的框架。首先，应用奇异谱分析（SSA）进行初步去噪，以抑制随机干扰。然后，秘书鸟优化算法（SBOA）自适应地选择时变滤波经验模态分解（TVFEMD）的参数，实现多尺度分离并减轻序列耦合。其次，我们开发了一种基于Transformer的预测器，其中包含KAN-Decoder。该模型保持全局注意力以建模长距离依赖性，并结合KAN B样条映射更有效地捕捉局部非线性关系。在来自中国云南和美国科罗拉多州的风电场数据集上的实验表明，对于6步预测，所提出的模型的R2值分别为91.75%和91.61%，相比原始Transformer分别提高了7.4个和7.7个百分点。噪声敏感性实验表明，所提出的方法在增加的干扰下仍保持更高的准确性，显示出对噪声的更强鲁棒性。
引言
发展清洁能源和建立新的电力系统是实现碳峰值和中性的关键策略[1,2]。作为清洁能源的基本形式，风能在推动能源转型和实现碳中性方面发挥着重要作用。风速的高波动性和间歇性，加上风电容量的持续扩张，加剧了发电的不确定性，这可能会扰乱电网系统的安全运行[3,4]。准确的风速预测可以预测风况和发电情况，使风电场能够及时调整涡轮机运行，确保安全并最小化对电网的风险[5,6]。此外，精确的预测可以改进风电场的运营规划，促进清洁能源的发展，并减少对化石燃料的依赖[7,8]。
传统的风速预测方法通常分为物理模型、统计模型和人工智能方法[9,10]。这些方法可以进一步分为单一方法和组合方法[11]。单一方法仅在特定条件下有效，而基于AI的组合预测方法则集成多种算法以提高预测准确性[12]，因此成为风速预测的主要方法。机器学习方法已广泛应用于风速预测；然而，由于风速的固有复杂性和随机性，浅层学习算法难以捕捉数据中的深层模式[13,14]，这限制了预测准确性的提高。深度学习方法，如长短期记忆（LSTM）网络和门控循环单元（GRU），被广泛用于风速预测。这些方法有效缓解了梯度消失问题，同时确保了深度特征的提取。然而，当预测范围或输入序列较长时，这些结构仍然容易受到信息遗忘和依赖性建模不足等问题的影响[15]。相比之下，Transformer架构利用自注意力机制同时处理所有序列位置的依赖性，从而实现更优的长距离时间关系建模[16]。最近的研究将去噪和分解算法集成到Transformer框架中，以提高风速预测性能。Nascimento等人[17]引入了一种混合预测框架，将小波变换与Transformer架构相结合用于风速预测。该方法使用小波变换抑制风速数据中的噪声，分解各种气象特征序列，并应用Transformer进行预测。实验验证表明，这种混合方法在多步预测准确性和不同气象条件下的预测稳定性方面，比标准和超参数优化的LSTM模型有显著改进。Jiang W等人[18]首次应用变分模态分解（VMD）分解原始风速和气象特征，从而降低了数据复杂性。然后使用图神经网络提取和更新变量特征，最后将集成特征输入Transformer进行预测，实现了高准确性。Wu B等人[19]提出了一种结合了两阶段分解、自适应差分进化（JADE）算法和Transformer的组合预测模型。该模型在提供可解释结果的同时，表现出优异的预测性能。这些方法证明了集成去噪、分解和基于Transformer的预测框架的有效性。然而，在预测过程中，Transformer的解码结构仍然基于多层感知器（MLP），后者依赖于固定的激活函数和权重矩阵来拟合数据。当风速序列表现出复杂的非线性特征时，MLP的表现力受到限制，难以捕捉局部非线性模式。
为了克服前面提到的MLP的局限性，麻省理工学院的学者们在2024年引入了KAN模型（Kolmogorov-Arnold Networks，KAN）[20]。KAN通过在权重中加入可学习的激活函数，采用了一种新的计算机制。每个权重参数根据训练数据自适应调整，显著提高了模型的灵活性和表现力，同时减少了参数数量。研究表明，KAN在建模非线性关系方面优于传统的MLP[21]。Kiamari等人[22]将图卷积网络（GCN）与KAN结合，提出了GKAN模型。通过在层间使用可学习的激活函数，GKAN在半监督学习任务Cora数据集上将准确率提高了8.26%。Bodner等人[23]引入了CKAN网络（Convolutional KANs，CKAN），它在卷积神经网络的基础上加入了KAN的非线性激活函数，提高了网络的表现力。在MNIST和Fashion-MNIST数据集上的实验表明，CKAN网络仅使用了一半的参数，但其准确率与CNN相当。Granata等人[24]将KAN应用于水文预测，并将其性能与传统深度学习模型进行了比较。结果表明，KAN在捕捉水文序列的潜在模式方面优于LSTM和Transformer。Muqtadir等人[25]将KAN与神经层次插值（N-HiTS）结合用于需求响应预测，提高了性能。新模型在冬季和夏季数据集上的表现均优于现有高级模型，证明了其在不同条件下的有效性。这些研究表明，KAN在建模复杂的非线性映射方面具有显著优势，尽管其在风速集成预测中的应用仍有限。为了更好地说明各种方法的优点和缺点，表1对主要的风速预测方法进行了分类。
风速时间序列表现出明显的非平稳性和局部非线性动态，实际测量数据经常受到噪声和异常值的污染，这挑战了现有方法在多步预测准确性和鲁棒性方面的能力。为了解决这些挑战，我们总结的主要贡献如下：
(1)我们构建了一个稳健的两阶段预处理框架，将基于SSA的去噪与SBOA优化的TVFEMD相结合。这一流程有效减轻了随机波动，确保了预测建模的输入高度稳定。
(2)我们设计了一种改进的Transformer架构，其中包含创新的KAN-Decoder。通过用Kolmogorov-Arnold Network（KAN）替换传统的前馈网络并优化其计算路径，该模型显著提高了对局部非线性动态的捕捉能力，同时提升了推理效率。
(3)我们在两个真实世界数据集（中国云南和美国科罗拉多州）上进行了消融研究，以量化各组分的贡献，并进行了噪声敏感性实验来评估性能边界。结果表明，所提出的方法在6步预测中的R2值分别为91.75%和91.61%，并且随着数据质量的下降，性能下降速度较慢。
部分摘录
时变滤波经验模态分解（TVFEMD）
风速序列表现出显著的非平稳性，原始数据包含低频和高频信号特征。分解算法可以有效分离风速数据中的极端变化，从而使模型能够捕捉这些特征，从而提高其稳定性[26]。TVFEMD使用非均匀B样条作为时变滤波器，并在选择过程中结合了IMF带宽标准。它可以自适应地调整滤波器，
实验数据
本文使用2023年从云南一个风电场的风塔收集的冬季风速数据验证了所提出方法的有效性。图4显示了风电场的位置。实验中使用的数据由南京沐雷激光有限公司的NL V5.0 Nacelle激光风速雷达测量。选择了来自涡轮机5的数据，涵盖了2023年12月26日至2024年2月27日的63天的风速和风向数据，采样间隔为10分钟，
结论
为了解决短期多步风速预测准确性不足的问题，本研究结合了KAN网络的非线性能力和Transformer的全局建模优势，形成了SSA-STVFEMD-Kransformer模型。该模型结合了SSA去噪、由SBOA优化的TVFEMD分解以及Kransformer预测。基于中国云南一个风电场的冬季数据和美国一个风电场的春季数据的实验结果，
CRediT作者贡献声明
Xianzheng Kong：撰写 – 审稿与编辑，撰写 – 原始草稿，软件，方法论，形式分析。Bo-Chao Zheng：撰写 – 审稿与编辑，验证，监督，调查。Guoyong Huang：监督，资源，调查，资金获取。
