《Eng》：Short-Term Wind Direction Forecasting Based on VMD-Transformer with Gated Residual Compensation
编辑推荐：
风向时间序列表现出角度周期不连续性、多尺度非平稳波动以及突发风向转变，这些特性阻碍了风电机组偏航控制用短期预测的精度。该研究开发了一种基于变分模态分解（VMD）和Transformer的双分支预测框架，以解决上述缺陷，并嵌入了滞后门控和分区残差补偿模块用于针对
风向时间序列表现出角度周期不连续性、多尺度非平稳波动以及突发风向转变，这些特性阻碍了风电机组偏航控制用短期预测的精度。该研究开发了一种基于变分模态分解（VMD）和Transformer的双分支预测框架，以解决上述缺陷，并嵌入了滞后门控和分区残差补偿模块用于针对性误差修正。首先，采用正弦-余弦编码消除风向角度数据在0°和360°之间的数值不连续性，并筛选有效的气象输入特征以剔除冗余协变量。其次，通过VMD将正弦-余弦编码的风向序列分解为多个带限固有模态函数（IMF），提取频率特定特征以降低非平稳性并促进后续Transformer建模。标准Transformer编码器作为正常分支，捕获整个时间序列中的长程时间依赖性，而轻量级多层感知器（MLP）构成补偿分支，学习基线预测与真实值之间的预测偏差。滞后门控单元基于历史预测误差和角度变化激活残差补偿，无需访问当前真实值，并通过分区策略自适应调整补偿强度；相关系数通过随机搜索优化。在一个由10,421个15分钟采样点组成的真实风电场数据集上进行验证，所提出的模型在六个基准模型中实现了最低的平均绝对误差（MAE）9.64°。对于改进后的真实突变样本（角度变化>70°），模型实现了6.02°的平均改进。消融实验验证了VMD预处理、MLP补偿分支和滞后门控机制在预测性能中发挥不可或缺的作用。所提出的框架可支持风电机组的精确偏航控制，并且分解-补偿工作流程也可推广至其他周期性非平稳预测任务。
全球能源转型推动了风电的大规模部署，但风力的随机性和波动性，尤其是频繁的突发风向转变，给风电机组运行带来持续风险。偏航系统作为水平轴风电机组的关键执行器，通过调整机舱朝向以对准来流，从而最大化风能捕获；即使微小偏航偏差也会降低发电效率并增加机械疲劳载荷。因此，短期风向预测对闭环偏航控制至关重要。现有方法主要分为统计方法和数据驱动方法，但各有局限：传统统计模型如差分自回归移动平均模型（ARIMA）难以捕捉强非线性；经典机器学习方法如支持向量机（SVM）和反向传播（BP）神经网络虽提升非线性拟合能力，却无法有效建模非平稳风序列中的长程时间依赖性；现代深度学习模型存在梯度消失、超参数调优繁琐及对突变不敏感等问题。当前风向预测框架面临三个瓶颈：难以同时处理角度不连续性、多尺度波动与突变特征；无法同时提取全局长期趋势和局部突变特征；缺乏专门针对风向突变校正的自适应端到端设计。为此，研究人员构建了基于变分模态分解（VMD）与Transformer的双分支预测框架，并嵌入滞后门控与分区残差补偿模块。研究人员首先采用正弦-余弦编码消除风向角在0°和360°之间的数值不连续性；利用随机森林（RF）筛选出30个核心辅助特征以剔除冗余协变量；随后对正弦-余弦编码的风向序列进行VMD分解，各分支生成4个带限固有模态函数（IMF），共8个IMF子序列，与筛选特征合并形成38维输入向量。标准Transformer编码器作为正常分支，捕获全局长程时间依赖；轻量级多层感知器（MLP）作为补偿分支，通过残差学习拟合正常分支的预测误差。滞后门控单元根据历史预测误差和角度变化激活残差补偿，无需访问当前真实值；分区策略将突变严重程度离散为六个区间，并通过随机搜索优化补偿系数。在四川省某风电场公开数据集（来源于国家电网新能源预测竞赛）上进行验证，该数据集包含10,421个15分钟采样点，按时间划分为训练集（6,410个）、验证集（2,095个）和测试集（1,916个）。结果显示，所提模型在六个基准模型中取得最低平均绝对误差（MAE）9.64°和均方根误差（RMSE）18.12°；对改进后的真实突变样本（角度变化>70°），平均改进达6.02°。消融实验表明VMD预处理、MLP补偿分支和滞后门控机制均发挥重要作用。该研究发表于《Eng》。
为开展研究，研究人员采用以下关键技术方法：基于Gini指数降幅的随机森林特征重要性筛选，以剔除冗余气象协变量并降低输入维度；VMD多尺度分解，将正弦-余弦编码的风向序列分解为4个带限IMF以降低非平稳性；标准Transformer编码器通过多头自注意力捕获长程时序依赖；轻量级MLP补偿分支通过残差学习拟合基线预测与真实值间的误差；滞后门控状态机依据历史误差跳变与角度变化动态激活补偿，避免频繁模式切换；六个分区补偿系数经验证集上50次随机搜索迭代优化。数据来自四川省某风电场公开数据集，共10,421个15分钟采样点。
研究结果分为五个方面。（1）VMD验证：通过波形层次分离与重构保真度验证，四个IMF分量中IMF1频率最高、振幅较小，IMF4频率最低、振幅最大，符合VMD频域分解准则。重构误差均值为0.31°，标准差为13.28°，RMSE为19.94°；但去除VMD使测试MAE增加67.0%，表明IMF特征承载显著预测信息。（2）整体预测性能比较：与VMD-Transformer、VMD-GRU、VMD-LSTM、Pure Transformer、Pure ESN、VMD-ESN六个基准模型相比，所提模型在MAE（9.64°）和RMSE（18.12°）上均取得最低值，时间序列拟合曲线在突变点处跟踪更紧密，响应滞后更小。（3）风向突变事件性能：在192个触发样本中，正常触发（角度变化≤70°）的平均改进为0.32°，而真实突变（角度变化>70°）的平均改进达6.02°；三个极值案例分别实现17.94°、15.53°和14.89°的误差削减，证明补偿机制针对极端风向突变具有定向纠错能力。（4）预测不确定性和稳定性评估：95%置信区间全程较窄，仅在突变时轻微展宽，预测误差概率密度集中于零附近，无明显系统偏移，验证了连续多步预测的长期稳定性。（5）消融研究与模块贡献分析：去除VMD后MAE上升67.0%至16.10°，RMSE上升65.3%至29.96°，±10°预测精度下降15.8个百分点，证明VMD是框架的基础组件；去除补偿分支后MAE仅从9.64°微升至9.67°，RMSE从18.12°微升至18.23°，±10°精度保持72.73%不变，原因是突变样本仅占测试集的10.1%，但极端突变点处的误差削减仍十分显著。
讨论部分总结了四个核心发现：VMD预处理通过频域分离降低建模难度，是框架性能的基础；补偿分支结合滞后门控与分区策略，对突变事件实现定向纠错，同时避免平稳阶段过度补偿；双分支Transformer在全部评价指标上优于六种主流基准模型，体现了自注意力并行计算与残差纠错结合的优越性；窄置信区间和零中心误差分布表明模型具有较低的不确定性和良好长期稳定性。研究同时指出局限性：数据来自单一风电场，跨场景泛化受限；滞后阈值依赖经验设定，缺乏极端天气下的动态自适应；仅实现单步预测，多步预测中累积误差会降低性能；VMD采用固定全局参数，难以适应季节变化的风特性。未来工作将采用多区域数据集提升跨场景泛化能力，利用强化学习动态优化门控阈值，并压缩模型以实现风电机组端嵌入式部署；除风向预测外，分解-补偿工作流还可扩展至短期电力负荷等其他非平稳时间序列预测任务。研究结论为：所提出的VMD-Transformer双分支框架结合滞后门控与分区残差补偿，能够在平稳和突变风况下实现均衡的短期风向预测，为风电场偏航控制提供可行的智能化解决方案，其分解-补偿结构对其他周期性非平稳序列预测任务具有可推广性。
