基于特征工程驱动的深度学习在长期气象数据上的风速预测：多城市及消融实验分析

《Journal of Atmospheric and Solar-Terrestrial Physics》：Wind Speed Prediction Using Feature Engineering–Driven Deep Learning on Long-Term Meteorological Data: A Multi-City and Ablation-Based Analysis

　　•一种经过特征工程优化的混合CNN–BiLSTM架构被开发出来。•利用13年的每小时数据对长期风速预测进行了评估。•特征工程将MAPE从22.24%以上降低到1.36%。•在所有地理测试区域，预测精度均超过R2 = 0.998。•该模型在沿海、内陆和高海拔地形中都能保持稳定性。引言风能是主要的可持续且环保的能源之一。然而，由于风速本身具有不可预测性，将风能纳入电网并实现高效利用面临诸多挑战。因此，在特定地理区域内进行准确的风速预测对于能源生产规划、电网管理、农业、海上作业以及灾害预防和减轻等诸多应用而言至关重要。近年来，人工智能（AI）和深度学习（DL）技术的应用显著提升了现代风速预测系统的精度与稳定性，使其优于传统方法。这些进步为模拟复杂的天气和地形条件带来了新机遇，尤其是在不同的地理区域。风速预测的主要挑战在于风的高时间与空间变异性，这种变异性往往使得传统的统计和物理建模方法难以取得理想效果。特别是在短期和中期预测中，数值天气预报（NWP）模型计算成本高昂，且往往难以捕捉局部变化。因此，需要更先进且灵活的方法。在这方面，基于AI和DL的方法因其能够从大规模数据集中学习复杂关系，并有效整合不同类型的数据源而备受关注。在风速预测中运用AI和DL方法的主要优势在于它们能够整合地面观测站、卫星观测数据以及NWP输出等多样化数据源，从而生成更准确可靠的预测结果。最新研究显示，此类多源数据融合显著提升了预测性能。例如，Chen等人开发了一种多源数据融合网络（MSD-NFCNet），该网络结合了卫星数据、数字高程模型以及地面观测数据，用于修正欧洲中期天气预报中心（ECMWF）数据集中的系统误差。他们的模型将ECMWF 10米风速预测的RMSE降低了61.03%，充分体现了多源数据整合对预测精度的影响[1]。尽管这些研究展示了整合多种数据源的好处，但在相同学习框架下特征工程策略的有效性仍需进一步研究。这一发现表明，结合来自不同地理区域的异构数据集具有显著优势，尤其是在复杂地形上的风速预测方面。在用于风速预测的AI和DL技术中，人工神经网络（ANN）、长短期记忆网络（LSTM）、BiLSTM、卷积神经网络（CNN）、门控循环单元（GRU），以及混合和集成方法都受到了广泛关注。Valdivia-Bautista等人在一项综合研究中，根据数据类型、预处理和后处理技术、ANN架构、预测范围、步长以及评估指标等因素对现有的预测方法进行了分类。他们的研究表明，基于ANN的模型在预测特定位置的未来风速以及估算风能潜力方面具有很高的精度[2]。这凸显了ANN及相关方法作为不同地区风速预测工具的重要性。深度学习技术在风速预测中之所以能取得成功，关键在于它们能够有效捕捉时变数据中的短期和长期依赖关系。诸如LSTM和BiLSTM之类的循环神经网络尤其擅长同时识别风速的突发变化和长期趋势[3]。Mojahid等人提出了一种用于南海风速预测的混合方法，该方法结合了用于建模短期动态的RNN与用于捕捉长期依赖关系的BiLSTM，超越了自回归积分滑动平均（ARIMA）、传统RNN、LSTM和BiLSTM等传统模型。他们的研究结果表明，与ARIMA相比，所提出的混合模型误差降低了99.7%，与RNN相比降低了70.3%，与LSTM相比降低了30.7%，与BiLSTM相比降低了37.6%，尤其是在长期预测场景中。在MAPE方面也观察到了类似的改进效果[4]。这些研究结果表明，混合深度学习架构能够提升预测精度。不过，大多数以往的研究主要侧重于设计越来越复杂的神经网络架构，而特征工程以及在相同实验条件下进行系统性基准测试的作用则相对较少受到重视。在风速预测中，对性能指标的评估对于客观衡量预测模型的有效性至关重要。文献中最常用的指标包括RMSE、平均绝对误差（MAE）、MAPE、平均偏差误差（MBE）以及R2。Ahmed等人使用MAPE、RMSE、MBE和R2指标，对用于巴基斯坦苏贾瓦尔地区日平均风速预测的基于AI的模型进行了性能评估。该模型的测试结果显示，MAPE为6.023%，RMSE为0.773，MBE为0.13，R2为0.83[5]。这些结果表明，所提出的AI模型具有较高的精度和可靠性。同样，Sibtain等人报告称，他们为多变量超短期风速预测开发的VIL（VMD-ICEEMDAN-LSTM）模型，在与七种不同模型相比时，具有最低的误差率以及最高的R2值（0.984）[6]。这类评估指标为比较不同模型和地理区域提供了标准化依据。NWP模型在大规模和长期天气预报中发挥着重要作用。然而，由于它们在捕捉局部变化以及应对突发风事件方面存在局限性，因此需要开发误差校正和后处理技术。Zhao等人提出了基于深度学习的误差校正方法，以提高NWP输出的精度。在他们的研究中，将基于时间序列的技术（如移动平均、指数平滑、ARIMA）与基于深度学习的方法（如LSTM、CNN）进行了比较，结果发现这两种方法都能显著提升NWP预测的精度[7]。不过，基于深度学习的方法具有更高的灵活性和效率，尤其适用于不同地理区域的应用，因为它们完全基于数据驱动，无需复杂的物理建模过程。在风速预测中，采用混合和集成方法是提升模型性能的常用手段。Qu等人针对中国东部沿海的两个风电场，提出了一种集成模型，该模型通过一种新的多目标优化算法来确定不同组成模型的权重。在数据预处理阶段，还采用了降噪和数据分解技术。研究结果表明，与单个模型相比，所提出的集成模型具有更高的精度和可靠性[8]。类似地，Liu等人通过整合小波分解、样本熵、变分模态分解以及集成学习技术，开发了一种用于大规模多步风速预测的混合模型。该模型在涉及多步预测以及风速变化较大的情况下，能够产生有效的预测结果[9]。不过，大多数集成研究仅评估预测精度，而计算复杂性、统计显著性以及对比误差降低分析则往往被忽略。基于深度学习的模型的性能在很大程度上取决于所使用数据的质量和多样性。Baggio等人通过整合天气预报数据与地面站观测数据，开发了一种用于短期风速预测（覆盖1至6小时未来时间）的混合神经网络模型。与持久性和线性回归等基线技术相比，该模型在地形复杂的地中海地区，能使RMSE降低多达30%。此外，对该模型进行针对特定站点的定制，还能更准确地反映局部变化情况[10]。这一发现强调了模型适配以及在不同地理区域整合本地数据的重要性。在选择用于风速预测的深度学习方法时，需要考虑不同地理环境的需求。例如，Liu等人利用五年的气象数据评估了多种深度学习算法（MLP、CNN、LSTM、GRU、CNN–LSTM），并指出GRU模型表现最佳（RMSE为0.049米/秒，R2为0.8634）。此外，该模型还能以89%的准确率预测混合能源系统的年度能源产量，并在现实条件下以1.55%的误差幅度预测第六年的产量[11]。这类对比研究为确定特定地理区域最合适的模型提供了宝贵参考。在风速预测中，不仅点预测，概率预测也越来越重要。Sertta?通过采用自适应变分模态分解以及双流CNN–BiLSTM架构，为土耳其阿菲永卡拉希萨尔地区开发了一种多层且具备不确定性意识的预测系统。该系统通过分位数回归生成涵盖最佳和最坏情况的概率预测区间。值得注意的是，预测区间会根据不同的风况动态扩展和收缩，为决策者提供了有价值的参考信息[12]。这种方法有助于在不同地理区域更有效地应对不确定性，尤其是在能源规划和风险管理方面。尽管有这些对比研究，但目前仍缺乏在相同特征工程流程下对多种深度学习模型进行统一评估的研究。因此，很难确定性能提升是源于架构的复杂性，还是数据表示策略的优化。最近，Wu等人[13]对基于深度学习的预测架构进行了全面综述，系统总结了时间序列预测领域的最新方法进展、架构多样性以及尚未解决的研究问题。这些研究进一步凸显了开展全面对比性基准测试以及设计具有物理意义特征工程策略的必要性，这也正是本研究要解决的问题。近期，相关预测应用中也对混合深度学习架构和特征工程策略进行了研究。Ganvir等人[14]提出了一种用于全球水平辐照度预测的可解释AI框架，证明在提升预测精度的同时，也能增强模型的可解释性。Gupta等人[15]则引入了一种混合小波变换–CNN架构，用于从气象数据中提取有用的时间模式，从而实现太阳辐照度预测。此外，Gupta等人[16]还对先进的机器学习算法进行了对比研究，强调了特征工程和系统性基准测试对于提升预测性能的重要性。虽然这些研究证明了混合学习策略和工程化特征的有效性，但它们主要聚焦于太阳辐照度预测或一般的天气预报任务。相比之下，本研究专门针对长期风速预测，开发了一种由特征工程驱动的FE-GRU框架，并通过使用来自三个气候条件各异的地区的13年气象数据集进行全面基准测试，验证了该框架的性能。总之，近年来基于AI和深度学习的风速预测技术取得了显著进展，表明数据表示和学习架构在提升预测性能方面都起着至关重要的作用。然而，现有研究大多侧重于开发越来越复杂的神经网络架构，而特征工程、系统性基准测试、计算效率以及统计验证等方面的作用则相对较少受到重视。此外，目前仍缺乏在相同实验条件下，使用长期气象观测数据对多种具有代表性的深度学习模型进行全面评估的研究。鉴于这些研究空白，本研究提出了一种由特征工程驱动的预测框架，旨在通过全面评估不同的深度学习架构，而非依赖单一模型，从而提升风速预测的精度。因此，本研究的创新之处不在于提出另一种混合深度学习架构，而在于建立了一个统一的预测框架，该框架能够在相同实验条件下，系统地评估特征工程、深度学习架构、统计验证以及计算复杂性所带来的综合影响。综上所述，本研究的主要科学贡献可归纳如下。首先，本研究提出了一种由特征工程驱动的全面预测框架，系统研究了数据表示对基于深度学习的风速预测的影响。与许多仅侧重于提出越来越复杂的混合架构的以往研究不同，本研究在相同的实验条件下，使用同一组经过特征工程处理的数据集，对五种具有代表性的深度学习模型——即CNN、LSTM、堆叠型BiLSTM、GRU以及CNN–BiLSTM–Linear堆叠集成模型——进行了评估。这种统一的评估方式有助于公平比较不同预测模型的性能，尤其注重最小化相对预测误差（MAPE），同时还考虑了不同预测架构下的计算复杂性和模型稳定性。其次，本研究使用了来自土耳其三个气候和地形条件各异的地区（恰纳卡莱、尼德德和凡城）的13年（2010–2022年）每小时观测数据，构建了一个长期气象数据集。该框架使得可以使用相同的特征工程处理后的输入数据，对各种代表性的深度学习架构进行全面比较，从而根据所选的评估标准确定最合适的模型。第三，本研究不仅进行常规的性能比较，还采用了全面的对比基准测试、统计显著性分析（配对t检验和威尔科克森符号秩检验）、置信区间估计、计算复杂度评估、误差降低程度分析、基于泰勒图的一致性评估以及特征重要性分析。这些互补的分析方法为所提出的预测框架提供了具有统计学依据且实际意义明确的评估结果。最后，该框架通过将有效的特征工程、系统化的模型评估以及计算效率分析整合在一个统一的实验框架中，旨在支持实际的风速预测应用。这种全面的设计提升了基于深度学习的预测模型在不同地理和气候条件下的可解释性及实用性。本研究的主要贡献可总结如下：•提出了一种基于特征工程的FE-GRU预测框架，通过循环编码、差分特征以及移动平均平滑技术来实现长期风速预测。•该框架利用来自三个不同地理区域的13年每小时气象观测数据进行了全面验证，这些区域分别代表沿海、内陆高原和山区气候。•通过广泛的实验分析，包括对比基准测试、统计显著性检验、泰勒图分析、特征重要性分析以及计算复杂度评估，证明了该方法的稳健性和可靠性。•该框架在保持良好的预测性能与计算效率平衡的同时，始终能够实现高精度的风速预测。本文的其余部分结构如下：第二部分介绍了研究的方法论框架；在这一部分中，详细阐述了来自恰纳卡莱省、尼德省和凡省的13年数据集、所采用的特征工程技术（如循环编码和差分特征），以及所提出的基于特征工程的预测框架和各深度学习架构的数学基础。第三部分展示了实验结果与性能分析，包括五种深度学习模型的全面对比基准测试、统计显著性检验、泰勒图分析、概率密度函数、特征重要性评估以及基于城市的比较。第四部分将所得结果与现有文献中的研究进行对比，重点分析模型性能的差异、统计验证以及特征重要性。最后，第五部分总结了研究的主要发现，并为未来的研究提出了建议。数据集描述与预处理在本研究中，使用了土耳其国家气象服务局在2010年至2022年间收集的13年每小时气象数据，这些数据涵盖了土耳其三个地形和气候条件各异的城市：恰纳卡莱（海平面）、尼德（中海拔）和凡（高海拔）。相应地，这些城市位于低海拔、中海拔和高海拔地区。研究中使用的所有数据集都包含相同的变量。对于每个地点，结果与讨论本部分利用来自土耳其三个气候条件不同的地区——恰纳卡莱、尼德和凡的每小时气象数据，对所提出的基于特征工程的预测框架进行了全面评估。在相同的实验条件下，对五种具有代表性的深度学习模型，包括CNN、LSTM、堆叠BiLSTM、FE-GRU以及CNN–BiLSTM–Linear堆叠集成模型进行了比较评估。模型性能是通过多种互补的方法来评估的。讨论本研究利用来自土耳其三个地理和气候条件不同的地区的长期气象数据，对所提出的基于特征工程的FE-GRU预测框架进行了全面评估。实验结果一致表明，将具有物理意义的特征工程与基于GRU的预测模型相结合，能够显著提高不同风况下的风速预测精度。从MAPE指标来看，该框架表现优异。结论在本研究中，提出了一种基于特征工程的FE-GRU预测框架，该框架利用来自土耳其三个气候和地形条件不同的地区的每小时气象数据，通过结合具有物理意义的特征工程技术，包括循环时间编码、差分气象特征以及基于移动平均的趋势提取方法，与基于GRU的预测模型相结合，以提高风速预测的准确性。CRediT作者贡献说明哈伦·古内什：撰写——初稿、可视化、验证、软件、资源、方法论、研究、形式分析、数据整理、概念构建。埃尔尚·奥默·于泽尔：撰写——审阅与编辑、撰写——初稿、可视化、验证、监督、资源、方法论、形式分析、数据整理、概念构建。利益冲突声明? 作者声明他们没有已知的可能影响本文所述工作的财务利益或个人关系。哈伦·古内什|埃尔尚·奥默·于泽尔