《Applied Sciences》：Lag-Based Feature Engineering for One-Hour-Ahead Wind Speed Prediction Using Artificial Neural Networks
编辑推荐：
准确的一小时提前风速预测对于风能高效利用、发电规划以及风能系统可靠并网至关重要。然而，风速的时间依赖变异性与非线性行为使该预测问题具有挑战性。此外，小时级数据中的风速突变峰值与时间依赖性要求模型能够有效捕捉短期风速动态而不产生时间数据泄漏（temporal d
准确的一小时提前风速预测对于风能高效利用、发电规划以及风能系统可靠并网至关重要。然而，风速的时间依赖变异性与非线性行为使该预测问题具有挑战性。此外，小时级数据中的风速突变峰值与时间依赖性要求模型能够有效捕捉短期风速动态而不产生时间数据泄漏（temporal data leakage）。本研究利用小时级气象数据开发了一种基于人工神经网络（Artificial Neural Network, ANN）的一小时提前风速预测模型。模型输入包括温度、湿度、辐射、气压、风向的正弦与余弦分量、滞后风速变量以及最近一次风速观测值，输出变量定义为下一小时风速。建模流程包括构建滞后输入变量、为一小时提前任务对齐输入输出数据集、采用按时间顺序的训练-验证-测试划分，并通过基于验证集的调参筛选最终ANN模型。模型使用2024年土耳其埃拉泽（Elaz??）某气象站共计8757条小时级数据点进行训练与测试。为防止时间泄漏采用按时间顺序切分，并将所提模型与基于持续性（persistence）、线性、树基以及仅气象变量的ANN基准模型比较。在独立测试集上，所提调优滞后ANN取得RMSE 0.8904 m/s、MAE 0.6394 m/s、R 0.8897。该模型在评估模型中RMSE最低，而持续性模型在MAE与R上略优。结果表明，使用滞后变量使模型更有效学习风速时间依赖，获得具竞争力的基于RMSE的预测性能，而持续性模型依据MAE与R仍具竞争力。因此，所提滞后ANN方法为相似陆上气象站条件下一小时提前站点级风速预测提供了具竞争力的基于RMSE的框架。
研究背景方面，全球能源政策正转向减少化石燃料依赖与缓解气候变化，风能因技术发展与成本下降在发电中占比提升。但风速受温度、湿度、气压、辐射及局地地理条件影响，具有固有变异性、间歇性与非线性混沌特征，传统统计模型在突变与非线性主导时性能受限，而单纯增加模型复杂度未必能厘清滞后变量贡献与评测规范性。已有研究多聚焦深度学习架构或混合分解模型，常忽视一小时提前场景中“预报发布时刻t与目标时刻t+1”的严格对齐、按时间顺序切分防泄漏、以及将持续性（persistence）与线性回归等强基线并列比较的方法论透明度。为此，研究人员以土耳其埃拉泽内陆气象站2024年10米高度小时级观测为对象，系统评估滞后风速特征工程在简易前馈ANN框架中的贡献，并建立无泄漏、可复现的评测流程。该研究发表于《Applied Sciences》，其意义在于用最简网络结构证明：在站点级一小时提前任务中，滞后变量结合近期观测即可逼近甚至以RMSE衡量优于多数复杂基准，同时坦诚指出高峰值低估局限，为后续多站多年验证提供方法论模板。
主要关键技术方法概括如下：研究人员获取埃拉泽气象站2024年全年10米高度小时级数据（原始8781条，对齐后8757条），将风向转为正弦/余弦分量，构造WSpeed(t)、WSpeed(t?1)、WSpeed(t?23)（即目标前24小时同日同时刻）滞后集，以WSpeed(t+1)为标签；采用前70%训练、中15%验证、后15%测试的时间顺序切分（trainInd 1:6129, valInd 6130:7442, testInd 7443:8757），归一化参数仅由训练集估计；构建单隐藏层前馈ANN，隐藏神经元候选{3,5,8,10,12,15,20}，经30随机种子调参后以验证集最低RMSE选定3神经元、seed 30之最终模型，训练用Levenberg–Marquardt算法、隐层tanh、输出层线性、早停上限1000轮且验证失败6次终止；评测指标含RMSE、MAE、R、Bias、Slope、Intercept，并进行滞后消融（lag-ablation）与分风速段误差分析。
研究结果部分，各小节结论如下。基线性能与滞后消融分析（5.1节）通过对不同输入组合在独立测试集对比发现：仅气象变量ANN的RMSE高达1.7934 m/s、R仅0.4408；仅加WSpeed(t)即降至RMSE 0.9555 m/s、R 0.8910，证明最近观测为主导预测因子；最终全输入（气象+WSpeed(t)+WSpeed(t?1)+WSpeed(t?23)）取得最低RMSE 0.8904 m/s、MAE 0.6394 m/s、Bias 0.0498 m/s，表明t?1提供短程连续性、t?23提供前日同时刻互补信息。基准模型比较（5.2节）显示所提调优滞后ANN的RMSE 0.8904 m/s为全场最低，持续性模型RMSE 0.9059 m/s、MAE 0.6284 m/s、R 0.8909略优MAE与R，线性自回归、全输入线性回归、随机森林、梯度提升与仅气象ANN均逊于滞后ANN；30次重初始化测试集RMSE均值0.9090±0.0294 m/s，证明选定模型非偶然。时间序列与回归分析（5.3节）中测试集预测曲线跟踪实测趋势但平滑突变峰，回归R=0.8897、Slope=0.7544（<1）、Intercept=0.8710 m/s，说明系统轻微低估高速风并存在正偏移。残差与分风速段误差分析（5.4节）给出残差自相关最大0.1288（滞后1小时）几无时序残留；低速段（≤2.20 m/s）Bias +0.6092 m/s倾向高估，最高10%段（>5.70 m/s）RMSE升至1.7615 m/s、MAE 1.3450 m/s、Bias ?1.0285 m/s且80%预测低估，证实高峰值被平滑。训练性能与整体评估（5.5节）中验证MSE早停稳定，模型未过拟合，但独立测试仅为年末时段，需多年与分季节验证。
讨论与结论翻译部分：研究人员在结论中指出，基于8757条对齐小时数据开发的调优滞后ANN在一小时提前任务中取得RMSE 0.8904 m/s、MAE 0.6394 m/s、R 0.8897；仅用瞬时气象变量性能有限，滞后风速变量显著改善RMSE向误差表现；所提模型RMSE低于所有基准但持续性模型MAE与R略优，说明持续性仍是一小时提前强基线。滞后历史值助模型学时间依赖并获竞争力。由于数据为10米站点级未做轮毂高度外推，结论不能直接推广至风机轮毂高度或电网调度决策，需在多站多年、近海、深度学习架构及功率曲线转换下进一步验证。该研究为相似陆上气象站条件提供无泄漏、可复现的滞后特征工程ANN框架。
