《Results in Engineering》：A multi-resolution time-frequency decoupling framework for long-term PV and wind power forecasting
编辑推荐：
真实世界可再生能源时间序列通常表现出显著的非平稳性。传统的单阶段或浅层分解方法往往不足以有效表征此类序列的内在周期性，且其建模复杂时序模式（包括随机扰动和局部突变）的能力仍然有限。为解决这一问题，研究人员提出了一种多分辨率时频解耦框架。通过将快速傅里叶变换（F
真实世界可再生能源时间序列通常表现出显著的非平稳性。传统的单阶段或浅层分解方法往往不足以有效表征此类序列的内在周期性，且其建模复杂时序模式（包括随机扰动和局部突变）的能力仍然有限。为解决这一问题，研究人员提出了一种多分辨率时频解耦框架。通过将快速傅里叶变换（FFT）与季节-趋势分解相结合，该框架从互补的时域和频域视角联合建模时间序列，从而更全面地表征其多尺度动态特性。针对解耦后的异构分量，设计了一个双分支时间变化提取器。在短期分支中，采用深度可分离卷积（Depthwise Conv）捕捉局部波动模式。在长期分支中，引入了一个增强型多阶ChebyKAN（Multi-KAN）模块，该模块附加了ReLU门控单元，通过结构化非线性表示增强长期趋势建模。为了有效整合多尺度特征，进一步提出了一个通道独立聚合模块，以减轻因异构变量直接特征融合而导致的跨变量干扰。在1个光伏数据集和3个风电数据集上进行的大量实验表明，与现有基准模型相比，所提方法在均方误差（MSE）和平均绝对误差（MAE）上分别平均降低了13.10%和8.22%，证明了其在长期预测任务中的有效性和泛化能力。
可再生能源（如风能和太阳能）是能源转型的关键，但其发电功率具有随机性、间歇性和波动性，给电力系统调度带来挑战。传统时间序列预测方法通常采用单阶段或浅层分解，难以充分捕捉非平稳序列中的多周期特性（如日周期、季节周期）以及随机扰动和局部突变。为此，研究人员提出了一种多分辨率时频解耦框架（Multi-Resolution Time-Frequency Decoupling, MRTFD），旨在通过融合时域和频域信息，实现多尺度周期解耦与建模。该研究发表在《Results in Engineering》上。
主要关键技术方法包括：(1) 快速傅里叶变换（FFT）用于从频域提取前k个主导周期，将原始序列重塑为二维张量，以分离周期内和周期间变化；(2) 季节-趋势分解（使用移动平均）将每个周期分量进一步分解为平滑长期趋势和包含高频细节的短期波动；(3) 双分支时间变化提取器：短期分支采用深度可分离卷积（Depthwise Conv）捕捉局部波动；长期分支采用多阶ChebyKAN（Multi-KAN）模块，由两个一阶Chebyshev KAN层和间插ReLU门控单元组成，以高效建模长期趋势；(4) 通道独立聚合模块，通过残差连接和线性层独立整合各变量特征，避免跨变量干扰。样本来源包括中国广西桂林、南宁、钦州的风电场和光伏站，以及土耳其的单个风机SCADA数据（Kaggle公开）。
实验在四个数据集上展开，采用MSE、MAE、RMSE和CORR评价，并利用泰勒图可视化。主要结果如下：
**Experiment I: 在数据集1（桂林风电场）上的比较分析**。在24至120小时预测时域上，所提方法均优于所有基准模型，MSE和MAE平均降低13.28%和6.97%。泰勒图显示所提方法点最接近观测点，相关系数接近1，验证了其整体预测能力。
**Experiment II: 在数据集2（南宁风电场）上的比较分析**。所提方法MSE和MAE平均降低15.14%和8.91%，进一步验证了跨区域泛化能力，且泰勒图中标记点仍最接近真实值。
**Experiment III: 在数据集3（土耳其风机）上的比较分析**。尽管该数据集序列模式较简单，所提方法仍实现MSE和MAE平均降低12.68%和5.68%，且泰勒图显示其标准差最接近真实值，表明其稳健性。
**Experiment IV: 在数据集4（钦州光伏站）上的比较分析**。光伏序列具有强日周期，所提方法MSE和MAE平均降低11.31%和11.33%，在拟合峰值时避免过拟，泰勒图显示其一致性最优。
**计算效率分析（Experiment V和VI）**。所提方法在推理时间和FLOPs上优于大多数基准模型，得益于深度可分离卷积和低阶KAN的高效设计，以及并行分解策略，使其在准确性和效率间取得平衡。
**消融研究（Experiment VII至XI）**。Experiment VII验证了通道独立聚合模块优于均值或拼接；Experiment VIII验证了Multi-KAN中一阶ChebyshevKAN+ReLU优于单层或高阶KAN，避免过拟合；Experiment IX验证了多分辨率时频解耦框架（同时使用FFT和季节-趋势分解）优于仅使用单一分解；Experiment X验证了框架的通用性，替换长期建模模块后仍具竞争力；Experiment XI验证了移动平均窗口大小（15、25、35）对性能影响不敏感，最优为25。
讨论部分指出，尽管所提方法在准确性和效率间取得平衡，但参数数量仍高于轻量模型，且实验基于连续高质量数据，未考虑极端天气、设备故障等异常情况。未来工作将结合缺失数据恢复、异常检测、自适应噪声抑制和物理信息建模，以提升鲁棒性；还将探索概率预测和不确定性估计，以及轻量化模型设计。
结论翻译：本研究聚焦于可再生能源功率时间序列中普遍存在的多周期特性，提出了一个时频混合多分辨率周期解耦框架。在三个风电数据集和一个光伏数据集上的实验验证了该框架的有效性。结果表明，所提框架在不同预测时域下均能持续提升预测精度。其性能优势不仅源于网络架构的优化，更在于对可再生能源时间序列物理特性和多尺度周期模式的有针对性的建模。
