利用VMD–PSO–GRU混合框架改进季节性多时域风速预测
《Energy》:Improving seasonal multi-horizon wind speed forecasting using a VMD–PSO–GRU hybrid framework
【字体:
大
中
小
】
时间:2026年05月18日
来源:Energy 9.4
编辑推荐:
萨娜埃·阿尔胡奇(Sanae Arkhouch)| 伊克拉姆·阿拉西(Ikrame Arrassi)| 伊利亚斯·埃尔·迈亚斯(Ilyass El Myasse)| 纳比尔·贝纳亚(Nabil Benaya)| 法伊扎·迪布(Faiza Dib)| 哈杜吉·本·梅齐安(Khadd
萨娜埃·阿尔胡奇(Sanae Arkhouch)| 伊克拉姆·阿拉西(Ikrame Arrassi)| 伊利亚斯·埃尔·迈亚斯(Ilyass El Myasse)| 纳比尔·贝纳亚(Nabil Benaya)| 法伊扎·迪布(Faiza Dib)| 哈杜吉·本·梅齐安(Khaddouj Ben Meziane)
摩洛哥特图安阿卜杜勒马利克·埃萨迪大学(Abdelmalek Essaadi University)FST阿尔霍塞伊玛(FST Al-Hoceima)LDRSI实验室
**摘要**
在高度非平稳和季节性依赖的大气条件下,准确的超短期风速预测对于风电场的可靠运行、电网整合以及实时决策至关重要。为了解决不同季节间预测鲁棒性的差异,本研究提出了一种结合多尺度信号分解和自适应优化的混合VMD–PSO–GRU框架。首先使用变分模态分解(VMD)提取风速的内在成分并减少不稳定性,然后通过粒子群优化(PSO)自适应调整GRU的超参数,从而提高对不同风况的泛化能力。该模型在涵盖四个季节的大规模SDWPF数据集上进行了测试,预测时间范围从20分钟到60分钟。结果表明,随着预测提前时间的增加,预测精度会下降;然而,混合框架能够持续缓解这种下降,并且优于单独的GRU、注意力GRU、基于优化的模型以及基于分解的模型。春季、夏季、秋季和冬季的平均RMSE值分别为0.343、0.360、0.398和0.428,同时保持了模型复杂度的可控性、较低的不确定性界限以及适合风电场运行的低推理延迟。
**引言**
可再生能源预测已成为现代电力系统中运营规划、电网整合和决策支持的关键[1]。在可再生能源中,风能因其快速部署和对大气变化的强烈依赖性而占据特别重要的地位。风能系统特别适合进行预测性和数据驱动的管理,因为它们涉及在不确定环境条件下运行的多个相互作用的子系统[2]。在这种情况下,非常短时间尺度上的准确风速预测对于风能系统的可靠运行至关重要,因为风速具有固有的变化性和不确定性。风速可能在几分钟到几十分钟内迅速波动,因此及时预测对于运营规划和决策至关重要。文献一致强调,超短期和非常短期的预测在运营管理中起着核心作用,因为即使在这些时间尺度上的小误差也会显著影响系统的稳定性和运营效率[3][4](见表1)。尽管已有大量研究集中在风力发电预测上,但由于风速的高波动性和其对涡轮机空气动力行为的直接影响,风速仍然是需要预测的基本物理变量。最近关于超短期风速预测的研究表明,提高这些时间尺度上的预测精度对于提高风电场运行的可靠性、响应性和效率至关重要[5][6]。此外,预测提前时间不仅是建模参数,也是风电场的运营要求,因为不同的预测时间尺度支持与控制、调度和电网交互相关的不同决策层次[7]。然而,随着预测时间的延长,预测难度通常会增加,误差指标上升,相关性指标下降[8][9]。
风速是一个复杂的物理过程,具有强烈的非平稳性、明显的多尺度变异性和显著的季节性依赖性。其统计特性会随着大气条件的变化而随时间演变,这使得在快速变化的情况下进行预测特别具有挑战性[10][11]。除了预测准确性之外,预测不确定性也是一个根本的理论和运营挑战,它源于数据质量、模型结构、随机风变异性、季节性变化以及预测时间跨度内的误差累积[12]。这种不确定性在电力系统应用中尤为重要,因为它直接影响控制策略、系统可靠性和运营决策[13]。这些挑战不仅限于风速预测,也反映了电力系统中的更广泛的方法论问题。类似的问题在故障诊断[14][15]、分布式发电下的微电网协调[16]和变压器频率响应解释[17]中也有讨论,其中不确定性在确保系统的稳健性和可靠性方面起着关键作用。这些见解进一步突显了在风速预测模型中明确考虑不确定性的重要性。
机器学习方法由于能够直接从历史和运营数据中学习非线性关系而被广泛用于风速和风能预测。例如,Reja等人展示了在SCADA变量上训练的人工神经网络在短期预测任务中的实际应用性[18]。集成学习方法,如随机森林回归,在与其他机器学习基线相比也表现出竞争力,Sathyaraj和Sankardoss也有报道[19]。此外,AlShafeey和Csaki提出了结合多种算法的自适应和混合学习策略,以提高不同预测场景下的鲁棒性[20]。最近,深度学习方法由于其在建模非线性时间依赖性方面的强大能力而受到广泛关注。循环架构(如长短期记忆LSTM网络)在序列建模任务中的表现优于传统神经网络[21]。Elsaraiti和Merabet将LSTM循环神经网络应用于风速预测[21],而Karaaslan等人进一步证实了深度学习在短期风速预测中的有效性[22]。此外,Khan等人使用深度学习模型在不同数据集上取得了令人满意的结果[23]。这些发展证实了深度学习在风速预测中的重要性日益增加。尽管取得了这些进展,但在实际运营条件下仍存在一些挑战。机器学习模型可能严重依赖于输入质量,并且可能无法在不同数据集之间一致地泛化[18][19]。像LSTM和GRU这样的深度学习方法可以实现高短期精度,但往往对超参数配置敏感,并且在高度波动的风条件下可能表现出较低的鲁棒性[21][22]。此外,风速的非平稳性、多尺度和季节性依赖性导致性能随季节变化而变化,正如最近的基于混合分解的研究所强调的[10][11],而预测误差通常会随着预测时间的延长而增加[8][9]。因此,仍需要能够跨季节和多个时间尺度提高鲁棒性的预测框架,同时明确解决季节变化问题。为了缓解这些限制,最近出现了结合信号分解、深度学习和智能优化的混合预测框架。分解技术用于将复杂的风速信号分离成更规则的成分,从而在与深度学习模型结合使用时提高学习稳定性和预测精度。例如,张和李使用数据分解结合优化的LSSVM模型进行短期风能预测[24],而王和张开发了基于TSO-VMD-BiLSTM框架的短期风速预测模型[25]。特别是,李等人证明VMD可以有效地捕捉多尺度风动态,并在与优化和BiLSTM-注意力机制结合使用时减少模式混合[10]。同时,包括粒子群优化(PSO)和遗传算法在内的元启发式优化算法被引入以自动化超参数调整,减少了对经验性试错选择的依赖,并提高了收敛性和泛化性能。在这方面,刘等人提出了一个用于超短期风电预测的混合GA–PSO–CNN模型[26],而苏等人开发了一个结合信号分解和改进的chimp优化的基于群体智能的深度学习模型用于风速预测[27]。此外,徐和牛提出了一个用于超短期风速预测的新组合模型,而张等人引入了一个具有误差校正的多目标集成模型用于多步风速预测[28][29]。
尽管在混合分解-优化预测框架方面取得了进展,但在季节变化和扩展多时间跨度预测下信号分解与超参数优化之间的交互作用仍不够充分探索。这一限制激发了本研究,该研究明确调查了这些组件在异质季节条件下的单独和组合效应。
**主要贡献**
本研究的主要贡献总结如下:
• 提出了一种考虑季节性的多时间尺度风速预测框架,结合了变分模态分解、粒子群优化和门控循环单元(VMD–PSO–GRU),以更好地应对风速动态的非平稳性、多尺度和季节依赖性。
• 该框架在四个季节性风况下进行了系统评估,详细分析了预测性能在不同统计和动态风条件下的变化情况。
• 在20到60分钟的扩展短期提前时间内进行了直接的多时间尺度预测,从而可以明确评估随着预测时间增加的性能下降情况以及所提出的混合框架缓解这种下降的能力。
• 使用基于GRU、优化、分解和混合的变体进行了结构化的比较和消融分析,以量化信号分解和超参数优化的单独和组合贡献。
• 除了预测准确性之外,还从计算效率方面评估了该框架,表明在保持模型复杂度和低推理延迟的同时,可以实现改进的预测性能,这支持了其在实时风电场应用中的实际适用性。
**本文的其余部分组织如下**:第2节介绍了研究空白和动机。第3节描述了所提出的方法论。第4节介绍了评估指标。第5节讨论了比较结果和计算效率。最后,第6节总结了本文并概述了未来的研究方向。
**研究空白和动机**
表2通过总结现有风速预测研究中识别的主要方法论限制以及本工作中解决的相应研究空白,阐明了所提出框架的动机。如表所示,以往的研究往往对季节性变化的分析有限,对多个预测时间跨度的评估不足,对异质风况下模型鲁棒性的研究也有限。此外,相关数据预处理
本研究的实验使用了SDWPF数据集,这是一个用于风能预测的大规模公共SCADA数据集。该数据集来自中国龙源电力集团运营的一个实际风电场,涵盖了2020年1月至2021年12月的两年时间。它包含了134台风力涡轮机的测量数据,以10分钟的时间分辨率记录,产生了超过1100万条数据记录。SDWPF数据集提供了多个描述风速的SCADA变量。
**性能指标**
为了评估所提出模型的预测性能,采用了三个常用的统计指标:平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)。
MAE衡量预测误差的平均幅度,定义为:
MAE = 1/N ∑i=1N |yi?y?i|
其中yi和y?i分别表示实际风速值和预测风速值,N是样本数量。
RMSE对较大误差的惩罚更严重,其公式为:
**季节性多时间尺度预测性能**
表6中呈现的预测结果应与表3中总结的季节性数据集的统计特性一起解释。四个季节性风况在分散性、不对称性和尾部行为方面表现出不同的统计特性,这些特性直接影响预测难度和模型在不同预测时间跨度下的鲁棒性。
在所有季节中,随着预测时间从20分钟增加到……
**结论**
本研究提出了一种用于高度非平稳和季节依赖风条件下的季节性多时间尺度风速预测的混合VMD–PSO–GRU框架。该框架结合了多尺度信号表示的变分模态分解和用于自适应GRU超参数调整的粒子群优化,以提高预测的鲁棒性和泛化能力。在大型SDWPF数据集上进行的实验评估涵盖了四个季节……
**作者贡献声明**
萨娜埃·阿尔胡奇(Sanae Arkhouch):撰写——审阅与编辑、撰写——原始草稿、验证、方法论、形式分析、数据整理。
伊克拉姆·阿拉西(Ikrame Arrassi):撰写——原始草稿、方法论、形式分析。
伊利亚斯·埃尔·迈亚斯(Ilyass El Myasse):撰写——原始草稿、方法论、调查。
纳比尔·贝纳亚(Nabil Benaya):撰写——原始草稿、验证、监督。
法伊扎·迪布(Faiza Dib):撰写——原始草稿、调查。
哈杜吉·本·梅齐安(Khaddouj Ben Meziane):撰写——原始草稿、调查。
**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
**致谢**
本研究得到了摩洛哥国家科学技术研究委员会(CNRST-Morocco)在“PhD-Associate Scholarship – PASS”项目下的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号