在极端天气条件下设计稳健的风速预测系统：一种基于信息引导的分解与深度学习框架

《ADVANCED ENGINEERING INFORMATICS》：Designing robust wind speed forecasting system under extreme Events: An Information-Guided decomposition and deep Learning-Based framework

　　季武|金宇豪|罗文军 中国甘肃省兰州市西北民族大学数学与计算机科学学院 730030

摘要：在极端天气事件中实现准确的风速预测，对于降低此类事件对社会的影响以及提升风能发电效率至关重要。然而，现有的大多数预测方法主要是为非极端条件设计的，这给极端天气条件下风电产业的稳定运行带来了巨大挑战。为解决这些问题，本研究提出了一种适用于极端条件的混合风速预测系统，该系统将优化后的序列分解方法与深度学习模型相结合，称为SKLD-RR-VMD-D-GRU。具体而言，该系统基于最大化对称Kullback-Leibler散度并最小化分解残差能量比的原则，优化变分模态分解中的组件数量，从而得到一种改进的分解方法，即SKLD-RR-VMD。之后利用优化后的VMD对极端风速数据进行分析，有效过滤掉原始序列中的噪声。再将分解得到的子序列输入到经过动态时间规整算法优化的门控循环单元网络中，即D-GRU。最终通过整合所有子序列的预测结果来获得风速预报值。研究使用多个监测站的数据集对所提系统的性能进行了评估，并与多种基准模型及先进模型进行了比较。此外，还用另一种深度学习架构——长短期记忆网络对该框架进行了测试，以评估其通用性。实验结果表明，所提系统在极端和非极端风速场景下均具备出色的预测精度和稳定性。

引言：随着全球气候的剧烈变化，极端天气事件的频率和强度正在不断上升。诸如强风暴、飓风和台风之类的极端天气事件，会对人类社会和自然环境造成深远影响。据报道[1]，2025年5月4日，中国贵州省黔西市遭遇了14级突发大风。强风导致四艘船只倾覆，84人落水，造成10人死亡、数十人受伤。此外，还有其他一些极端事件也对社会造成了严重影响。例如，2021年12月，一个强风暴系统席卷美国中部，引发了大范围的恶劣天气，其中包括多起长路径龙卷风，其中一场特别猛烈的EF-4级龙卷风起源于田纳西州西北部，穿过肯塔基州西部，沿途多处地区遭受严重破坏，共造成56人死亡、500多人受伤[2]。尤其有多起极端天气事件对风力发电机造成了严重损坏。比如，2021年2月8日至20日，美国得克萨斯州因极寒天气而出现停电事故[3]。在那次事故中，得克萨斯州及美国中南部共有1045台发电机组无法正常运行，导致2341.8万千瓦的负荷中断。同样，2024年9月6日，台风“雅吉”登陆中国海南省文昌市海岸[4]。受“雅吉”影响，文昌市木兰湾沿岸的许多风力发电机被损坏，部分风机塔甚至被掩埋。因此，为减轻这些事件带来的不良影响，有效的预测措施至关重要。基于极端天气条件数据开发准确的风速预测技术，是提高预测精度和及时性的关键，这对灾害的预防和减轻具有重要意义。

目前，非极端天气条件下的风速预测技术已经相对成熟，相关技术大致可分为三类：1）数值天气预报方法，如天气研究和预报模型[5]、全球预报系统[6]以及欧洲中期天气预报中心模型[7]，这类方法基于物理模型，适合进行长期预报。但它们的计算成本较高，且可能需要大量数据，因此在短期预报方面效果不佳，限制了其在实时预测中的应用[8]。2）统计方法，如移动平均法[9]、自回归移动平均法[10]以及灰色模型[11]。传统的统计模型计算效率高，适用于简单的时间序列预报，但在处理非线性数据时存在困难[12]。3）基于深度学习的技术。近年来，由于深度学习强大的数据拟合能力，能够捕捉复杂的非线性关系，因此在时间序列预报领域展现出巨大潜力。例如，Sarangi等人[13]使用深度信念网络来预测概率风速时间序列。Sireesha和Thotakura[14]提出了一个多层感知器模型，用于安得拉邦沿海地区的风能发电量预测。Raju和Das[15]构建了卷积神经网络模型用于太阳风预测，而Cai等人[16]则利用循环神经网络对分解后的风速序列进行预测。Rahman等人[17]比较了三种深度学习模型——多层感知器、卷积神经网络和循环神经网络——在可再生能源预测中的性能。在上述深度学习模型中，由于循环神经网络在时间序列预测方面的出色表现，已成为风速预测的常用工具[16]、[18]、[19]。长短期记忆网络和门控循环单元是风速预测任务中常用的循环神经网络变体。标准循环神经网络的一个主要缺陷是梯度消失问题，而长短期记忆网络通过隐藏单元内的自连接“门”机制解决了这一问题，使其非常适合用于风速预测[20]。例如，Jaseena和Kovoor[21]使用堆叠自编码器从原始风速数据中提取更深层次的特征，然后将这些特征输入到优化后的堆叠长短期记忆网络中进行风速预测。Yang等人[22]开发了一种基于注意力机制的多输入长短期记忆模型，该模型能够有效提取数据特征并提高预测精度。Zhang等人[23]采用了双层长短期记忆网络架构，同时实现风速的区间预测和点预测。与长短期记忆网络相比，结构更为简单的门控循环单元也在时间序列预测领域越来越受到重视。例如，Xu等人[24]采用改进的粒子群优化算法与门控循环单元网络相结合，构建了一个用于监测大坝行为的序列预测模型；Chandran等人[25]则比较了长短期记忆网络、门控循环单元网络和循环神经网络在预测风电场发电量方面的性能，结果发现门控循环单元网络在短期风能预测中的表现最佳。

此外，将数据预处理技术与深度学习模型相结合，已成为提升预测精度的一种常见策略。Nascimento等人[26]提出了一种基于小波变换的深度学习方法，用于6小时内的风速和能量预测。Peng等人[27]先使用小波软阈值去噪方法去除冗余信息，然后再应用门控循环单元网络来预测多步风速，以此提高预测的准确性和效率。Yan等人[28]提出了一种改进的奇异谱分解方法，该方法可将风速数据按从高到低的频率分解为多个子序列，再使用长短期记忆网络来预测低频子序列。除了上述研究中所提到的数据分解方法外，另一种用于分解非线性和非平稳信号的常用技术是经验模态分解，正如之前的研究所示[29]、[30]。不过，经验模态分解也存在一些局限性，比如内在模态函数的数量难以确定，还存在模态混合现象，即振幅差异极大的振荡会出现在同一个模态中，或者不同模态中出现相似的振荡。为解决这些问题，变分模态分解作为一种更灵活的替代方法被引入，它允许人工调整分解的阶数，从而减少模态混合现象[32]。例如，Shen等人[33]采用变分模态分解方法将频域特征分解为多个模态，随后将这些模态输入到深度学习网络中，逐步进行预测。类似地，Jiang等人[34]使用变分模态分解将原始序列分解为不同频率的子序列，然后采用Transformer模型进行预测。Han等人[35]使用变分模态分解将风速序列及相关变量分解为子序列，接着应用改进后的长短期记忆网络来预测提取出的特征。Xiao等人[36]则运用变分模态分解将电力负荷分解为离散的子模式，将其扩展为序列，再使用长短期记忆网络来预测这些子序列并重构数据。在变分模态分解框架中，合理确定分解模态的阶数对于确保有效的信号分解至关重要。分解阶数过少可能无法捕捉数据中的变化特性，而过多则可能导致过度分解，产生虚假模态，同时增加计算复杂度[37]。因此，必须采用适当的方法来确定合适的变分模态分解阶数。例如，Liu等人[38]通过计算剩余能量与原始序列的比值来确定变分模态分解的最优阶数。Fu等人[39]则是通过观察随着分解阶数增加最大中心频率的稳定情况来确定分解阶数。Zhang等人[40]应用变分模态分解对风速数据进行分析，同时利用样本熵来评估子序列的复杂性，进而选择熵值最高的序列作为对应的分解阶数。然而，这些方法都存在缺乏客观评价标准或仅依赖单一评价指标的不足。因此，需要更可靠的模型来确定变分模态分解的最优阶数。此外，为深度学习网络设置超参数也是一个重要问题。其中，回溯长度是指用于预测未来值并建立输入输出关系的历史数据长度，在时间序列预测中起着重要作用。Muneeb[41]采用模拟退火算法来优化风能预测的回溯长度，Shahid等人[42]则使用遗传算法来实现相同目的。不过，这些方法可能会受到模型不稳定性和预测过程固有偏差的影响。因此，找到最优的回溯长度以提高时间序列预测的精度仍然是一个艰巨的任务。

此外，目前大多数研究主要集中在非极端风速的预测上。与非极端条件相比，极端风速通常会超过特定阈值，且波动性更大。因此，为非极端风速开发的预测方法可能并不适用于极端风速的预测，所以极端风速的预测仍然是研究的热点。在极端风速预测方面，Peláez-Rodríguez等人[43]提出了一种新的分层分类/回归框架。Castro-Camilo等人[44]开发了一种灵活的拼接型伽马广义帕累托模型，用于同时预测极端风速和非极端风速。Ye等人[45]将粒子群优化、贝叶斯优化以及其他预测算法整合到一个堆叠集成学习框架中，构建了一个极端天气下的电力预测模型。Chkeir等人[46]则在不同的时间尺度下，利用多个气象数据集，采用堆叠长短期记忆神经网络来预测极端降水量和风速。他们的研究结果表明，所提出的模型在极端事件预测方面具有出色的性能。Liu等人[47]推导出了极端条件下滑力发电量的解析物理公式，同时还提出了一种基于物理原理、结合强化学习的概率预测方法，用于预测此类事件期间的风力发电量。álvarez-Rodríguez等人[48]采用概念瓶颈模型来预测风电场的极端风速值。Modé等人[49]则构建了双输出长短期记忆网络和Transformer架构，结合回归和分类功能来预测极端风速。不过，这些方法可能存在极端事件和非极端事件预测之间的不平衡问题。有些方法只专注于极端事件，而另一些方法在非极端事件预测方面的性能则明显低于对极端事件的预测性能。因此，有必要开发能够在极端天气条件下同时预测极端风速和非极端风速的新风速预测方法。

为了丰富极端天气条件下的风速预测技术，并解决上述存在的问题，本文提出了一种全新的极端天气事件风速预测系统，旨在兼顾常规风速预测和极端风速预测的优势。首先，本文提出了一种策略，通过计算每个经过VMD分解的序列与原始序列之间的对称Kullback-Leibler散度（SKLD），以及残差序列与原始序列之间的平均比率（RR），来确定最优的VMD分量数量。该策略被称作信息引导型分解机制。随后，采用动态时间规整（DTW）方法来确定深度学习网络中输入输出关系的最优回顾长度。众所周知，DTW被广泛用于衡量数据相似性。更具体而言，它可用于识别时间序列不同阶段中具有相似模式的数据点。例如，Wang等人[50]提出了一种基于DTW的改进型模糊C均值聚类方法，该方法利用动态规划寻找时间序列之间的最优规整路径，从而对数据点进行聚类并提取模糊逻辑规则。这种方法克服了欧几里得距离的局限性，后者在衡量具有不同时间延迟的时间序列之间的相似性时存在困难。Wu等人[51]应用DTW来捕捉风力涡轮机之间的长期相似性，揭示出复杂的长期空间特征，并整合全局空间信息。之后再据此设定其他网络超参数。最后，通过汇总GRU或LSTM得到的所有子序列的预测结果，来预测包含极端值的风速，同时利用来自两个不同气象站的实际风速数据来评估所提系统的性能。本研究的主要贡献如下：1.同时关注极端风速和非极端风速的预测。本研究使用的风速数据中含有极端值，这些极端值会给时间序列带来显著的波动和不稳定性。本研究在预测超过特定阈值的极端风速的同时，也注重非极端风速的预测，从而在不影响极端风速预测准确性的前提下，实现非极端数据的良好预测效果。2.优化深度学习网络中的输入输出配对。通过DTW算法优化深度学习模型中输入与输出之间的配对关系。该算法通过衡量不同序列之间的相似性，确定最优的配对关系，有效分析网络中输入与输出之间的关联，进而提升模型的预测精度。3.一种改进的用于时间序列分解的VMD算法。本研究提出了一种基于最大化散度与最小化残差比率原则来确定最优VMD分量数量的方法。具体而言，通过计算每个分解后子序列与原始序列之间的平均SKLD值，以及在不同分解数量下残差与原始序列的平均比率，来确定最优的VMD分解层级。该方法采用结合散度值和能量比率的比率基准，确保分解后的各分量之间存在显著差异，同时残差比例保持较低，从而实现信息充分且分离度良好的分解结果。4.全面的多维度性能评估。本研究采用了多种常用的误差指标以及相对误差改善程度来评估模型性能。此外，考虑到极端事件的存在，还采用了基于信息集的假设检验方法进行评估。该方法能够同时评估极端事件和非极端事件的预测效果，确保两类事件的预测性能都达到良好水平。5.一种适用于极端天气条件下的新型风速预测系统。本研究开发了一种专为极端天气条件下的风速预测设计的新型预测系统。该系统整合了优化的VMD算法、基于时间序列相似性的配对方法以及深度学习网络，为极端事件的预测提供了新的框架。而且，该系统的框架并不局限于某种特定的深度神经网络架构，即便更换为其他神经网络架构，系统仍能保持良好的预测性能，进一步体现了其灵活性和稳健性。本文的其余结构如下：第2节介绍基础方法，第3节阐述所提出的混合系统的工作原理，第4节详细说明实验设计并分析结果，最后第5节给出总结与结论。

VMD是一种完全非递归的信号处理方法，由Dragomiretskiy和Zosso [52]于2014年提出。VMD的整体框架被构建为一个变分问题，其主要任务是通过构建和求解变分方程来实现信号分解[53]。假设原始信号x(t)被分解为K个模式u1,u2,…,uK，wk则为第k个模式uk的CF。变分问题的构建过程如图1所示。更详细的理论表述可见后文。

所提出的优化方法与系统：本节首先介绍所提出的优化版VMD方法以及最优回顾长度搜索方法，随后阐述所开发的风速预测系统。

数据描述与极端值定义：本研究使用由NOAA国家环境中心[83]提供的邢台市和湛江市的风速数据，来评估第3节中描述的所提风速预测系统的性能。邢台站的数据采样时间为2017年1月1日至2019年12月31日，湛江站的采样时间为2013年1月1日至2015年12月31日，两组数据均为每3小时采集一次。

结论：本文提出了一种新型风速预测系统，该系统通过改进的序列分解方法和深度学习网络来提升预测性能，尤其是在极端天气条件下。该系统通过预先确定网络的输入输出关系及超参数来优化预测精度。为评估系统性能，本研究利用来自两个气象站的真实风速数据进行了模拟实验，并对模型的准确性进行了评估。

CRediT作者贡献声明：Jie Wu：写作——审阅与编辑、写作——初稿撰写、指导、方法论、资金获取、概念构思。Yuhao Jin：写作——审阅与编辑、写作——初稿撰写、验证、软件、方法论、形式分析、数据整理。Wenjun Luo：验证、软件、数据整理。

利益冲突声明：作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。

致谢：本研究得到了中央高校基本科研业务费（项目编号31920240090）和中国国家自然科学基金（项目编号71861030）的支持。