基于耦合多尺度分解与回归增强的集成学习风力发电预测方法

《Knowledge-Based Systems》：Wind power forecasting using ensemble learning based on coupled multiscale decomposition and regression enhancement

　　

• •
  本文提出了一种新的“分解-聚类-二次分解-预测-重构-校正”流程，该流程综合运用CEEMDAN方法、基于样本熵的K-means聚类以及变分模态分解技术，在降低建模复杂度的同时有效抑制模态混叠现象。
• •
  为提升XGBoost超参数调优的全局搜索能力与收敛稳定性，本文设计了一种改进的混沌演化优化算法，该算法具备精英保留、自适应参数调整、增强型搜索功能以及反射边界处理机制。
• •
  本文引入了一种回归增强模块，该模块通过分段加权回归并结合物理约束（非负性及额定容量约束）来系统纠正系统误差，确保方案的工程可行性。
• •
  通过针对实际15分钟尺度风电场数据的全面验证，包括消融实验、多时间切片分析、统计显著性检验以及跨数据集评估，结果表明所提模型的R²值为0.993，平均绝对误差为1.373兆瓦，均方根误差为2.278兆瓦，性能显著优于现有主流模型。

引言

能源系统的低碳转型对于应对全球气候危机至关重要，而风能作为技术最为成熟的可再生能源，在其中发挥着关键作用[1]、[2]。然而，风能固有的随机性、间歇性及波动性给大规模电网的实时平衡带来了挑战，成为其进一步推广的重要瓶颈[3]。这一问题的根源在于风电出力的内在不确定性，使得难以实现精准的时空预测。因此，可靠的短期风电功率预测对于保障电网高效运行以及提升风能利用率具有至关重要的意义[4]。

为应对这些挑战，风电预测研究已从基于物理原理的方法逐步转向数据驱动的方法。早期研究主要依赖物理模型和传统统计方法。基于计算流体力学和数值天气预报的物理模型可以通过求解复杂的物理方程来模拟大气运动并估算功率输出，这类方法具有明显的物理可解释性优势[5]、[6]。但它们计算成本较高，且往往无法捕捉到微地形和尾流效应等重要的局部特征。传统统计方法，如自回归积分滑动平均模型和灰色预测模型，虽然能够从历史数据中提取线性时间模式，但却难以处理风电时间序列所具有的非线性和非平稳特性[7]。而基于概率的风电密度模型虽可用于资源评估，却难以实现高精度、高频次的短期预测[8]。

近年来，由于机器学习和深度学习具备强大的非线性拟合与特征学习能力，已成为预测领域的主流技术，由此形成了多层次、跨学科的技术框架[9]。现有的先进方法大致可分为三类。第一类是直接应用各类独立模型，比如用于复杂模式学习的分数阶神经网络[10]、用于概率预测的连续条件随机场[11]、用于提升可解释性的时间注意力机制[12]，以及基于约束边界估计用于风险量化的区间预测系统[13]。第二类是广泛应用的“分解-预测-重构”混合框架，该框架通过信号预处理来缓解原始序列的非平稳性。变分模态分解、带自适应噪声的完全集合经验模态分解及其多层耦合方案已被广泛应用于更清晰地分离频率分量。这些分解后的子序列通常会用高性能预测模型进行建模，其中像XGBoost这样的梯度提升决策树因其高效性与泛化能力而备受青睐[18]，而循环神经网络则因其在时间序列建模方面的优势而被广泛应用[16]、[17]。第三类则是集成优化与自适应增强策略，这类方法借助沙猫群优化和混沌演化优化等元启发式算法来实现自动参数调优，同时借鉴负荷预测领域的成熟混合框架设计，并开发动态在线学习机制以应对数据分布的变化[22]。最新的研究还在探索融合跨学科知识——如季内振荡特征[23]——以及隐私保护型的协同学习框架[24]，以此进一步提升预测的稳健性及实际应用价值。

尽管已取得显著进展，现有方法仍存在三个核心问题：信号分解不平衡、忽视系统误差，以及缺乏物理约束[25]、[26]。为解决这些问题，本文提出了一种知识驱动的框架，该框架将机器学习与智能优化相结合，将领域专业知识融入三个核心模块：其一为知识驱动的模式聚合机制，该机制利用样本熵和改进的K-means聚类方法根据内在复杂性对不同IMF分量进行分组，在减少冗余的同时保留具有物理意义的频率分量；其二为基于物理原理的误差校正模块，该模块结合分段加权回归与严格的物理约束（非负性及额定容量约束）来系统性地修正系统偏差；其三为通过ICEO算法实现的自适应优化知识学习过程，该算法能够通过平衡全局探索与局部利用来自动调整XGBoost的超参数。本文的主要贡献体现在四个方面：

(1) 一种两阶段自适应信号处理机制，该机制先将CEEMDAN方法与基于熵的K-means聚类相结合对相似的IMF分量进行聚合，随后再通过VMD方法对剩余的非平稳分量进行精细化处理，从而在降低复杂度的同时保留关键的频率信息。

(2) ICEO算法，该算法提升了原有混沌演化优化算法在XGBoost超参数优化中的全局搜索能力与收敛稳定性。

(3) 回归增强模块，该模块通过加权回归与物理约束相结合的方式纠正系统误差，确保方案的工程可行性。

(4) 一种系统化的“分解、聚类、二次分解、预测、重构、校正”流程，该流程将分解、优化与校正各模块有机结合，形成了一套用于风电预测的全面且模块化的解决方案。

本文的结构如下：第一章介绍相关的理论基础；第二章详细阐述耦合多尺度分解与回归增强集成学习框架的整体结构；第三章基于实际风电场数据展开实验验证与结果分析；第四章总结全文并指出未来的研究方向。本文中使用的缩写与变量详见表1。

章节要点

基本方法

本章系统阐述了耦合多尺度分解与回归增强集成学习框架所涉及的核心理论和方法，为后续模型的构建奠定基础。

基于耦合多尺度分解与回归增强的集成学习风电预测方法

依据前述方法的原则，本文构建了一个全面的短期风电混合预测框架。该框架遵循“分解-聚类-二次分解-预测-重构-校正”的流程，通过多阶段的精细化处理，逐层剖析风电时间序列中的复杂成分，最终实现高精度且高度稳健的预测结果。

整个预测框架

实验评估

本章将通过实际风电场景数据，系统验证所提出的耦合多尺度分解与回归增强集成学习模型的有效性、优越性及稳健性。

结论

本文提出了一种将集成学习与耦合多尺度分解及回归增强技术相结合的风电预测框架。通过“分解、聚类、二次分解、预测、重构、校正”的混合流程，该框架能够有效应对风电时间序列所具有的强非平稳性、非线性及随机性特征。通过将初始的CEEMDAN分解与基于样本熵的改进快速K-means聚类相结合

CRediT作者贡献说明

马泽龙：论文撰写——初稿撰写、验证工作、软件开发、方法设计、正式分析、概念构思。 张铁峰：论文撰写——审阅与编辑、验证工作、项目监督、项目管理。 张凯：论文撰写——审阅与编辑、验证工作、项目监督。 钱健：论文撰写——审阅与编辑、资源协调、数据收集、数据整理。 孙浩：论文撰写——审阅与编辑、资源协调、数据收集、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结果的已知财务利益冲突或个人关系。

致谢

本研究得到了中国龙源电力集团的资助，资助编号为LYX-2024-17。

Zilong Ma|Tiefeng Zhang|Ke Zhang|Jian Qian|Hao Sun