面向超短期风电功率预测的变强度感知预测框架

《Energy and AI》：A Change-Intensity-Aware Forecasting Framework for Ultra-Short-Term Wind Power Prediction

　　

超短期风电功率预测对电网安全稳定运行与高效能量管理至关重要。然而，由于风电功率序列通常表现出强非线性、随机性及快速局部变化，精确预测仍具挑战。针对该问题，研究人员提出一种集成强度导向因果预处理与先验引导时序建模的预测框架。具体而言，研究人员提出强度导向多尺度因果移动平均（ID-CMA）方法用于严格因果在线预处理；该方法依据局部变化强度自适应融合不同时间尺度的因果移动平均，构建趋势-残差表示，在抑制噪声的同时保留快速变化特征。在此基础上，由预处理阶段导出的变强度感知先验作为加性偏置注入自注意力机制，使模型在时序依赖建模中对高变化区间给予更高关注。基于真实风电数据集的实验验证了所提框架在超短期风电功率预测中的有效性，并表明所提预处理方法在不同预测模型中均保持有效。

研究背景方面，随着传统化石能源衰退与环境压力加剧，风能因清洁、可规模化与可持续特性在全球低碳转型中战略地位凸显，IRENA统计2024年底全球风电累计装机达1133 GW，GWEC预计2030年总装机突破2 TW。然而风电功率受气象变量非线性影响，序列具强随机性、波动性与多尺度动态突变，现有基于Transformer等模型的预测方法多聚焦时序依赖或注意力效率，对局部变化强度显式刻画不足，对陡变段与爬坡事件敏感性不够；同时多数分解与去噪预处理方法偏离线、计算成本高，且未将变化信息有效传至下游模型。为此，研究人员开展了一项面向在线超短期场景、联动因果预处理与注意力先验的集成预测研究，旨在兼顾严格因果、轻量部署与变强度信息传导，论文发表于《Energy and AI》。

关键技术方法上，研究人员构建强度导向多尺度因果移动平均（ID-CMA）预处理前端，设三尺度平滑长度集合L={L₁,L₂,L₃}且L_s≥3，各尺度采用单侧因果移动平均\overline{x}_t^(L_s)=1/d_t^(L_s)∑_i=0^d_t(L_s)-1x_t-i（d_t^(L_s)=min(L_s,t+1)），据局部变强度估计归一化权重动态融合得多尺度主趋势与残差通道；继而设计变强度感知注意力先验，将ID-CMA提取的变化强度作为加性偏置注入自注意力分数计算，引导注意力向陡变历史位置偏移；最终形成预处理—编码器一致耦合的轻量框架，在真实风电场SCADA功率序列上做严格因果滚动预测。

研究结果部分，按原文小节叙述如下。2.1节ID-CMA方法中，2.1.1给出多尺度长度设置动机：短尺度捕局部尖峰、中尺度作过渡、长尺度稳低频轮廓，约束L_s≥3以防噪声区间方差放大；2.1.2给出多尺度基线提取，采用单侧因果平均并在序列起始以可用样本数自适应作分母，保证严格因果与初值无偏。由此ID-CMA在稳态段倾向长尺度平滑、在陡变段抬升短尺度权重，输出主趋势+残差双通道表示。2.1后续强度估计与权重归一化步骤使变化强度显式化为尺度权重，解决固定尺度建模在异质动态下欠适应问题。变强度感知注意力先验机制将前述强度映射为bias项，使self-attention在长序列中对高变区间历史位置获更高得分，缓解均匀依赖导致的陡变漏检。统一框架把预处理端变化感知内化为编码器端时间建模先验，缩小预处理与预测语义鸿沟，无过度拓扑复杂度的轻量架构适配在线下一步预测。

讨论与结论部分，研究人员指出：现有预处理常难兼顾严格因果、在线效率与变信息保留，多数模型未显式利用局部变强度；本文框架通过ID-CMA与注意力先验闭环耦合，在真实数据集上较基准Transformer、Informer、Autoformer及EMD/CEEMD类分解前处理方案在MAE、RMSE与陡变段误差上均获改进，且ID-CMA作为前端在XGBoost、LightGBM、BiGRU等异构模型上亦提升鲁棒性，证明变强度因果预处理具模型无关价值。结论认为，强度导向因果移动平均可有效解耦低频趋势与高频随机扰动，变强度先验引导的自注意力增强了对abrupt ramp的捕捉，输入—模型协同的因果一致框架为超短期风电功率在线预测提供轻量可行路径；未来可将该先验扩展至多变量气象协同与分布式风场联合更新场景。