《Wind Energy》：A Hybrid LSTM-KAN Framework With Dynamic Residual and Adaptive Grid for Robust Wind Speed Forecasting
编辑推荐：
准确的风速预测对于将风能高效集成到电网、优化涡轮机调度和确保电网稳定性至关重要。现有模型，如长短期记忆网络（LSTM），往往难以捕捉风速数据中高度非线性的关系和长程依赖。为了解决这些限制，本研究提出了一种混合模型LSTM-FDA-KAN，该模型将LSTM的序列
准确的风速预测对于将风能高效集成到电网、优化涡轮机调度和确保电网稳定性至关重要。现有模型，如长短期记忆网络（LSTM），往往难以捕捉风速数据中高度非线性的关系和长程依赖。为了解决这些限制，本研究提出了一种混合模型LSTM-FDA-KAN，该模型将LSTM的序列学习能力与Kolmogorov-Arnold网络（KAN）的非线性逼近能力相结合。该模型通过三个专门的模块进一步增强：特征交叉（FC）模块捕捉输入变量之间的复杂交互，动态残差（DR）模块自适应地实时纠正预测误差，自适应网格（AG）模块实现灵活的时空离散化，使模型对不均匀数据分布更加鲁棒。研究人员使用LandBench 1.0数据集评估模型，该数据集结合了全球区域的不同气象和地表变量。LSTM-FDA-KAN始终优于基线模型，达到Pearson相关系数接近0.91，并将均方根误差（RMSE）降低2%–3%。在沿海和高纬度地区，增益最为显著，在高度变化的天气条件下预测精度提高高达15%。除了整体精度，该模型在捕捉长程时间依赖方面表现出稳定性。在持续的极端事件期间，如连续热浪和长时间降雨期，该模型表现可靠，而传统模型通常会出现性能下降。这些结果共同确立了LSTM-FDA-KAN作为地球物理时间序列预测的可扩展且有效的解决方案。通过结合序列建模、非线性函数逼近和自适应模块，该框架提高了风速预测的准确性和可靠性。
**论文解读文章**
**研究背景与问题**
全球能源需求增长与化石燃料依赖的环境成本推动了可再生能源研究，其中风能因其清洁性和丰富性成为关键方向。准确的风速预测对于电网集成、涡轮机调度和系统稳定性至关重要。然而，地表风速受气候变化影响呈现显著趋势，同时具有高度随机性、非线性和非平稳性，现有方法面临挑战。传统数值模型基于物理原理，但面对噪声、异构数据或不规则时空采样时鲁棒性不足。统计模型如自回归积分滑动平均模型（ARIMA）能捕捉线性依赖，但难以处理非线性关系。深度学习模型如长短期记忆网络（LSTM）在序列预测中表现优异，但仍无法自适应处理不规则时空采样，导致对长程依赖、非线性特征和高阶交互的捕捉能力受限，影响预测精度和泛化能力。现有研究多侧重于精度提升，忽略了残差修正、高级特征交互和不规则数据分布的自适应处理，限制了模型在极端条件和多样区域下的泛化能力。为此，研究人员提出了一种混合框架LSTM-FDA-KAN，旨在统一序列建模与灵活非线性逼近，增强鲁棒性和可解释性。该研究发表在《Wind Energy》。
**主要关键技术方法**
研究人员采用了以下关键方法：（1）LSTM网络：用于捕捉风速时间序列中的长程时间依赖，通过门控机制（输入门、遗忘门、输出门）调节信息流，隐藏状态维度设为128。（2）Kolmogorov-Arnold网络（KAN）：基于Kolmogorov-Arnold表示定理，采用可学习单变量函数（参数化为B样条）替代固定权重，实现自适应非线性映射。关键超参数包括B样条函数数量（num）、样条阶数（k）和幅度缩放因子（scale_sp），通过分段调优确定为num=4、k=3、scale_sp=1.0。（3）特征交叉（FC）模块：在KAN前插入线性层、GELU激活和Dropout，捕捉高阶特征交互，模拟湍流混合和动量传递等物理过程。（4）动态残差（DR）模块：引入可学习融合系数α，自适应平衡残差基线与B样条分量，以稳定背景演变与非线性扰动。（5）自适应网格（AG）模块：采用指数衰减调度动态调整样条节点间距，从粗到细学习大尺度趋势和局部非线性波动。模型使用LandBench 1.0数据集，整合多源气象和地表变量（包括ERA5-Land、ERA5、SoilGrid等），通过区域和全局归一化、线性插值填补缺失值，并屏蔽冰川等无效区域。数据划分为训练集（2010-2019年）、验证集和测试集（2020年）。训练采用Adam优化器，学习率0.001，批次大小64，序列长度365天，早停策略（耐心10轮）。
**研究结果**
**4.1 KAN参数敏感性分析**
通过系统分析num、k和scale_sp对预测性能的影响，发现num=4时模型在Pearson相关系数（R）、无偏均方根误差（ubRMSE）和RMSE上达到最优或接近最优；k=3（三次B样条）在局部逼近与全局平滑间取得最佳平衡，平均R为0.901；scale_sp=1.0时R=0.901、RMSE=0.0213、ubRMSE=0.0211，过大或过小均导致性能下降。分段调优策略避免了穷举网格搜索，提高了效率。
**4.2 DR融合系数和AG网格混合参数敏感性分析**
将DR的可学习融合系数α替换为固定值，发现α=0.50和0.75时RMSE仅增加0.8%和1.37%，而极端值（0.00和1.00）导致RMSE增加5.29%和3.66%，表明可学习系数避免次优配置。对于AG模块，固定网格混合比例γ的极端设置导致RMSE显著波动，动态AG策略在所有预测时间尺度（1-7天）上均优于固定γ，验证了自适应网格的稳定性。
**4.3 多预测时间尺度下模型变体对比**
在1-7天预测时间尺度上比较10种变体，LSTM-FDA-KAN在1天预测中R最高（0.9085）、ubRMSE最低（0.02091）；2-3天保持优势（R=0.8494和0.8049）；5天R=0.7331；7天R=0.6826，RMSE和bias均优于其他模型。平均性能显示，LSTM-FDA-KAN相比基线LSTM，R提升0.01027，RMSE和ubRMSE分别降低2.03%和2.08%，训练时间增加10.9%，推理时间增加12.4%，GPU内存增加5.4%，表明精度与计算代价间的良好平衡。
**4.4 LSTM和LSTM-FDA-KAN性能空间对比**
空间分布图显示，两种模型在北半球中高纬度地区表现良好，但基线LSTM在干旱半干旱区（如北非、中东、澳大利亚中部）相关度较低。LSTM-FDA-KAN在北美、欧洲和东亚相关度显著提升，在青藏高原、安第斯山脉和萨赫勒等复杂地形区大幅降低MSE和ubRMSE。全球差异图显示广泛MSE降低，仅局部沿海或沙漠地区有轻微增加。该性能归因于FDA模块提取周期和非平稳信号，以及KAN增强非线性特征表示。
**4.5 全球预测性能**
在五个代表性站点（俄罗斯亚马尔半岛、中国华北平原、西非热带湿润区、美国华盛顿州、澳大利亚东南沿海）的全年预测中，LSTM-FDA-KAN准确捕捉快速变化（如亚马尔半岛第120-170天风速上升）、中频波动（华北平原第200-230天波动）、季风过渡期（西非第180-250天）以及瞬态尖峰（华盛顿州第240-270天），优于基线LSTM。与多种基准模型（包括Transformer和混合KAN框架）的R对比中，LSTM-FDA-KAN持续最高（R>0.9），在澳大利亚中部、非洲北部、内蒙古等复杂地形区R较低，但整体仍优于其他模型。
**4.6 极端风速爬坡事件案例研究与可解释性分析**
在2020年2月20-25日北欧冬季风暴案例中，LSTM-FDA-KAN准确捕捉风速从20.8m/s骤升至24.5m/s（单日增加3.7m/s）的爬坡过程，避免了对峰值（2月21日）的低估和2月23日的过度估计，而基线LSTM-KAN及单模块变体均存在显著偏差。DR模块提供样本自适应残差修正，减少时间滞后；AG模块动态优化高梯度气象状态下的非线性样条表示，增强局部响应。SHAP可解释性分析显示，10米风分量（10U、10V）贡献最大，比湿和表层土壤湿度也显著影响预测，揭示了非线性关系（如高比湿对应正SHAP值，增加预测风速）。
**总结与讨论**
讨论部分指出，LSTM-FDA-KAN在极端条件（如持续热浪和长时间降雨）下保持高预测稳定性，这对防止电网故障至关重要。研究结论翻译如下：研究人员提出了LSTM-FDA-KAN，一种用于短期和中期风速预测的混合神经网络。该模型结合了LSTM的时间建模能力和KAN的非线性逼近能力，捕捉多元气象数据中的序列依赖和复杂交叉变量交互。通过集成三个互补模块——特征增强（FA）层、DR权重机制和AG缩放策略——增强了适应性和表达力。在LandBench 1.0上的广泛实验表明，LSTM-FDA-KAN在多个预测时间尺度上始终优于基线模型和单模块变体。1天预测中，模型达到最高Pearson相关系数（R=0.9085）和最低无偏RMSE（ubRMSE=0.02091）；即使7天预测，性能仍稳健（R=0.6826）。关键KAN超参数敏感性分析表明，num=4、k=3、scale_sp=1.0的配置在精度和过拟合抑制间取得平衡。尽管标准化LandBench设置提供了公平基准，但可能未完全捕捉原始操作观测中的变异性，因此结果证明了模型在受控基准协议下的鲁棒性，进一步针对异构站点或区域特定数据集的验证将提供更强泛化证据。总之，LSTM-FDA-KAN通过结合时间序列学习与高维非线性函数逼近，推进了风速预测，其可扩展、可解释的架构为其他具有复杂时空动态和非线性结构的地球物理和环境建模任务提供了实用模板。未来工作将聚焦于将预测结果直接集成到风电转换模型和电网调度优化算法中，形成准确天气预报与有效能源管理之间的闭环。
