基于耦合双阶段分解、自适应组件聚类以及结合深度学习的复杂度-信噪比综合指数的风力发电预测方法

《Engineering Applications of Artificial Intelligence》：Wind power forecasting via coupled dual-stage decomposition, adaptive component clustering, and a complexity-signal-to-noise ratio integrated index with deep learning

　　摘要：风能时间序列具有强烈的随机性、波动性和非平稳性，这给精确的风能预测和电网的稳定运行带来了严峻挑战。从人工智能的角度出发，本文提出了一种混合式超短期风能预测框架，该框架包含三项关键的创新方法：基于样本熵和轮廓系数的数据驱动自适应成分聚类策略，用于客观地对风能成分进行分组；复杂度-信噪比综合指数，通过结合结构复杂度和信号质量来指导二次分解；以及针对不同成分的预测策略，采用定制化的深度学习模型，包括门控循环单元、带注意力机制的双向门控循环单元以及时空卷积网络-带注意力机制的双向门控循环单元。从工程应用的角度来看，该方法在比利时瓦隆地区的实际风能数据集上进行了验证。实验结果表明，该方法的平均绝对误差、均方根误差以及决定系数均显著优于基准模型，有效提升了预测精度，为风能的安全并网和高效利用提供了可靠的技术支持。

引言：全球能源短缺和环境问题日益严重，使得人们开始广泛关注可再生能源。作为一种清洁且无污染的可再生能源，风能得到了各国的大力支持和推广，成为近几十年来发展最快的可再生能源之一。然而，风能的间歇性导致风能信号的随机性和波动性很强，从而降低了预测精度。这严重影响了大规模并网系统的安全与稳定，因此提升风能预测精度已成为推动风能发展的当务之急，因为这有助于降低运营成本并优化电力调度。本研究聚焦于对实时电网调度至关重要的超短期风能预测。在这一时间尺度上，预测误差会直接影响备用容量分配、限电决策以及系统运营成本。目前的风能预测方法主要分为三类：物理方法、统计方法和人工智能方法。物理方法依靠风力发电机及地理物理特性进行预测，数值天气预报就是典型的例子，它利用气象数据和动力学方程进行建模。后续发展的物理模型还包括HIRLAM和ECMWF。不过，这些方法存在建模复杂、受天气条件限制以及计算负荷大的问题。统计方法则利用历史数据来捕捉风能的时间特征，比如考虑大气湍流的自动回归积分滑动平均模型。然而，传统的统计方法假设历史风能与未来风能之间存在线性关系，无法捕捉非线性波动，从而导致较大的长期预测误差。人工智能方法在风能预测中得到了广泛应用，包括支持向量机、极端学习机、XGBoost等机器学习模型。虽然机器学习模型能够捕捉序列中的复杂非线性关系，但其模型结构较为简单，参数空间有限，且无法动态捕捉时间依赖性。深度学习则引入了更为复杂的模型结构，尤其是长短期记忆网络和门控循环单元，它们在捕捉长期序列依赖性方面具有显著优势。尤其值得一提的是，门控循环单元系列模型在风能预测中表现出了出色的性能。还有研究者通过添加位置编码层和全连接神经网络层进一步提升了门控循环单元模型捕捉信息的能力，另有研究者采用CNN-GRU-注意力模型显著提高了风能预测的精度。最近的综述也证实了基于神经网络的时间序列预测方法在各种应用领域的有效性。上述方法均采用直接预测的方式，未对原始序列进行分解，忽视了其强烈的非平稳性和非线性特征，因而限制了预测精度。将信号分解、样本熵和机器学习相结合的混合模型则显著提升了风能预测的精度。有研究者将经验模态分解与CCTransformer算法结合起来提高风能预测精度，还有研究者使用集成经验模态分解对信号进行分解，再利用ConvLSTM预测各成分。完全集成经验模态分解加自适应噪声方法有效解决了经验模态分解和集成经验模态分解中的模式混合问题。有研究者利用该方法分解风能序列，降低数据的随机性，然后再用LSTM-TCN实现超短期风能的实时预测。还有研究者采用经验模态分解和经验小波变换方法分解信号，最后通过LSTM预测各成分得到最终预测结果。然而，信号分解会产生许多特征相似的成分，对每个成分单独建模会妨碍捕捉成分间的相关性。为了解决这一问题，一些研究提出了成分聚合的方法。有研究者在采用信号分解技术后，根据样本熵将成分重构为两个成分的序列，以反映功率负荷的波动和趋势，还有研究者根据原始序列的样本熵将成分分为高频和低频序列。这些聚合方法依赖于主观的经验判断，缺乏数据驱动的聚类方式。而且有些聚合后的成分仍具有较高的复杂性并含有噪声。因此，二次分解（主要是变分模态分解）被广泛用于降低非平稳性并提高预测精度。有研究者利用样本熵筛选出高频成分进行VMD二次分解以提高预测精度，但这些方法仅使用样本熵作为二次分解的选择依据，忽视了信号质量，可能会引入不必要的分解步骤。还有研究者采用多尺度排列熵和基于DWT的二次分解结合优化的GRU和Transformer模型进行风速预测，另有研究者提出CEEMDAN-SE-HDBSCAN-VMD框架，并搭配并行的TCN-BiGRU预测器用于多高度风速预测。这些研究进一步证明了分解-聚合框架在风能预测中的有效性。基于以上分析，尽管结合信号分解的混合预测模型提升了风能预测的精度，但仍然存在若干关键问题。成分聚合往往依赖经验规则，缺乏数据驱动的标准；二次分解的成分选择通常仅基于单一指标；而且在模型设计中未能充分考虑分解后成分的异质性。为了解决这些问题，本文提出了一种全新的混合式超短期风能预测框架。该框架首先进行基于CEEMDAN的初步分解，然后利用样本熵和轮廓系数进行自适应成分聚类。其中一个重要贡献是构建了复杂度-信噪比综合指数，该指数结合了复杂度和信号质量，为基于VMD的二次分解提供成分选择依据。最后，采用针对不同成分的预测策略对各个成分进行建模，进而重构出最终预测结果。本文的主要贡献如下：1. 提出了一种数据驱动的自适应聚合系统，首先根据最小样本熵识别并分离出主趋势成分，然后利用样本熵特征通过K-Means对剩余成分进行聚类。同时引入轮廓系数构建自适应评估机制，从而实现客观且数据驱动的成分聚合，减少对主观标准的依赖。2. 构建了由CSI引导的两阶段分解框架，该框架结合了基于CEEMDAN的初始分解和基于VMD的二次分解，以此减轻模式混合问题，实现多尺度信号表示。通过构建复杂度-信噪比综合指数，可以同时表征成分的复杂度和信号质量，从而为二次分解的成分选择提供统一的量化标准。3. 设计了一种针对不同成分的混合预测模型，根据预定义规则为不同的聚合成分匹配相应的预测模型，具体而言，主趋势成分采用GRU模型，由CSI选出的成分采用TCN-BiGRU-注意力模型，其余成分则采用BiGRU-注意力模型，从而通过定制化的建模提升预测精度。

章节片段：信号分解方法——完全集成经验模态分解加自适应噪声方法可将非平稳信号分解为一组具有自适应频率尺度的固有模态函数，从而实现对复杂时间序列的多分辨率分析。通过引入自适应白噪声和集成平均，该方法能有效减轻模式混合问题，提升分解的稳健性。变分模态分解方法则将信号分解为预定数量的……

框架概述：为了在复杂且非平稳的条件下提高风能预测的精度，本文提出了一种融合信号分解、自适应成分聚合以及分成分预测的混合框架。该框架包含三个依次进行的阶段：分解、自适应聚合和分成分预测。首先，利用CEEMDAN将原始风能序列分解为多个固有模态函数。接着，进行自适应……

数据描述与参数设置：数据集1为来自比利时南部瓦隆地区的陆上风能数据，采集时间为2019年3月1日至31日，采样间隔为15分钟，共2972个样本，数据来源为https://opendata.elia.be/explore/dataset/。该数据集用于模型开发与性能评估，被划分为训练集、验证集和测试集，比例分别为7:2:1。数据集2也为比利时南部瓦隆地区的陆上风能数据，采集时间为2019年5月1日至31日，采样间隔同样为15分钟，共2976个样本。

实验结果：在本节中，我们首先展示分解、聚类和二次分解步骤的结果，这些结果是后续分成分预测策略的基础。随后，通过全面的对比实验、消融研究以及泛化能力验证，来证明所提模型的有效性。

结论：本文提出了一种分成分的超短期风能预测方法，该方法融合了自适应成分聚合、CSI引导的二次分解以及定制化的深度学习预测器。该算法首先利用CEEMDAN分解原始风能序列，并通过样本熵识别出主趋势成分。然后，通过结合轮廓系数优化的K-Means聚类算法对剩余成分进行自适应聚合。此外，还构建了复杂度-信噪比综合指数，用以指导后续操作。

CRediT作者贡献声明：尹妍负责原文撰写、验证、资源整理、方法设计、研究实施、资金获取、正式分析以及概念构思；陈桂奇负责审稿与编辑、监督、研究实施、资金获取、正式分析、数据整理以及概念构思；张庆负责审稿与编辑、软件使用、方法设计、研究实施以及数据整理；王文博负责审稿与编辑、软件使用以及数据整理；王欣雅负责审稿与编辑、方法设计。

利益冲突声明：作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢：本研究得到了国家自然科学基金（编号62406258）、武汉科技大学冶金过程系统科学湖北省重点实验室（编号Z202401）以及武汉理工大学智能机器人湖北省重点实验室（编号HBIR202408）的支持。

尹妍|陈桂奇|张庆|王文博|王欣雅
中国湖北省武汉市武汉科技大学数学与系统科学学院，邮编430065