⚡ electrical engineering

A wind power forecasting method based on CEEMDAN- LightGBM-Transformer

Ce document propose un modèle hybride CEEMDAN-LightGBM-Transformer qui décompose les données d'énergie éolienne, extrait et classe les caractéristiques non linéaires et linéaires, puis les fusionne via une architecture Transformer afin d'obtenir des prévisions hautement précises avec des mesures d'erreur considérablement réduites par rapport aux méthodes existantes.

Auteurs originaux : Jingsong ZHANG, Yukai Zhou, Xiaorui CHU, Yuanyuan Yang, Yangdi Xu

Publié 2026-09-02

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jingsong ZHANG, Yukai Zhou, Xiaorui CHU, Yuanyuan Yang, Yangdi Xu

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le réseau électrique est un équilibre délicat. Il nécessite un flux d'énergie constant et régulier pour maintenir les lumières allumées et les machines en marche, pourtant le vent, qui actionne de nombreuses éoliennes modernes, est notoirement capricieux. Il souffle par rafales, il stagne et il change de direction sans prévenir. Cette imprévisibilité crée un défi de taille pour les ingénieurs : comment un réseau électrique peut-il dépendre d'une source qui arrive et repart à sa guise ? Pour résoudre ce problème, les scientifiques tentent depuis longtemps de construire de meilleures méthodes pour prévoir la puissance éolienne. Ils ont utilisé des outils statistiques qui recherchent des modèles dans les données passées et, plus récemment, ils se sont tournés vers l'apprentissage profond (deep learning), un type d'intelligence informatique qui imite la façon dont le cerveau humain apprend de l'expérience. L'objectif est toujours le même : prédire exactement quelle quantité d'énergie un parc éolien produira dans les heures à venir, permettant ainsi aux gestionnaires de réseau de planifier à l'avance et de maintenir la stabilité du système.

Une équipe de chercheurs de l'Université de Xichang en Chine a proposé une nouvelle méthode pour s'attaquer à ce problème, en combinant trois techniques distinctes en un seul moteur de prévision puissant. Leur approche, détaillée dans une étude récente, traite les données brutes d'un parc éolien non pas comme un flux unique et chaotique, mais comme un mélange complexe de différents signaux qui doivent être séparés. D'abord, ils utilisent un processus mathématique appelé Décomposition Empirique en Modes d'Ensemble Complète avec Bruit Adaptatif (CEEMDAN). En termes simples, cela agit comme un tamis sophistiqué qui décompose les données de puissance éolienne saccadées et bruitées en plusieurs couches plus lisses et plus simples. Les chercheurs ont constaté que la couche supérieure de ces données consistait principalement en du bruit statique aléatoire et des vibrations mécaniques — un bruit qui perturbait les modèles de prédiction. En éliminant soigneusement cette première couche de bruit tout en préservant l'intégrité du reste du signal, ils ont nettoyé les données sans perdre les détails importants du comportement réel du vent.

Une fois les données nettoyées, les chercheurs les ont injectées dans une deuxième étape conçue pour trouver l'information la plus utile. Ils ont employé un algorithme connu sous le nom de LightGBM, qui agit comme un filtre hautement efficace pour trier des dizaines de variables. Le parc éolien fournissait une mine de données, incluant la vitesse du vent à différentes hauteurs, la température, l'humidité et la pression atmosphérique. Le système LightGBM a analysé ces facteurs pour déterminer lesquels comptaient réellement pour prédire la production d'énergie. Il a confirmé que la vitesse du vent était le facteur dominant, mais a également identifié des combinaisons spécifiques d'autres variables météorologiques qui apportaient un contexte crucial. Cette étape a permis de sifier que le modèle de prédiction final ne soit pas submergé par des données non pertinentes, mais qu'il se concentre plutôt sur les caractéristiques spécifiques qui pilotent la génération d'énergie.

La dernière pièce du puzzle était une architecture de réseau neuronal basée sur le modèle Transformer, une conception initialement célèbre pour sa capacité à comprendre le langage, mais ici adaptée aux données de séries temporelles. Cette partie du système examine les données nettoyées et filtrées pour comprendre comment le vent a évolué au fil du temps et pour prédire comment il évoluera ensuite. Contrairement aux modèles plus anciens qui pourraient examiner l'ensemble de l'historique des données éoliennes à la fois, ce système a été construit avec une structure spécifique qui respecte le flux du temps. Il regarde le passé pour faire une prédiction sur le futur, s'assurant de ne pas accéder accidentellement à des données du futur qu'il ne devrait pas encore connaître. En utilisant un mécanisme qui lui permet de se concentrer simultanément sur différentes parties de la séquence temporelle, le modèle capture à la fois les rafales à court terme et les modèles quotidiens à long terme.

Lorsque les chercheurs ont testé ce système combiné par rapport à d'autres méthodes de prévision populaires, les résultats ont été frappants. En utilisant les données d'un parc éolien de 200 mégawatts en Chine, enregistrées toutes les quinze minutes tout au long de l'année 2019, leur nouveau modèle a nettement surpassé les concurrents établis. Alors que d'autres méthodes, telles que les Forêts Aléatoires (Random Forest) ou les réseaux d'apprentissage profond standards, peinaient souvent à suivre les pics ou les chutes soudaines de puissance, le nouveau système suivait les données réelles avec une précision remarquable. L'étude a montré que cette nouvelle approche réduisait l'erreur de prédiction moyenne de 15 % par rapport à ces autres modèles. De plus, les prédictions du modèle s'alignaient si étroitement avec la production d'énergie réelle que la mesure statistique de précision, connue sous le nom de valeur R-carré, dépassait les 98 %.

Les chercheurs ont également testé leur système en supprimant ses composants individuels pour voir la contribution de chacun au succès final. Ils ont découvert que la combinaison était essentielle ; supprimer l'étape de suppression du bruit ou l'étape de filtrage des caractéristiques entraînait des résultats nettement moins bons. L'étude suggère que la véritable force de la méthode réside dans la manière dont ces trois composants travaillent ensemble : le premier nettoie le signal, le second sélectionne les bons ingrédients, et le troisième cuisine la prédiction finale. Cette approche intégrée offre un outil robuste pour les gestionnaires de réseau, aidant potentiellement à gérer plus efficacement l'intégration de l'énergie éolienne et à prendre de meilleures décisions concernant la maintenance des équipements et la distribution d'énergie.

Résumé Technique : Une méthode de prévision de l'énergie éolienne basée sur CEEMDAN-LightGBM-Transformer

Énoncé du problème
La production d'énergie éolienne est caractérisée par son intermittence, sa volatilité et son caractère aléatoire, ce qui crée des défis importants pour une prévision précise. Ces incertitudes compliquent la planification du réseau, la gestion de la consommation d'énergie et la maintenance des équipements, menaçant le fonctionnement stable et économique des systèmes de complémentarité multi-énergies. Les méthodes de prévision traditionnelles, telles que ARIMA, SVM et Random Forest, peinent souvent face à la multicolinéarité et ne parviennent pas à capturer efficacement la nature non linéaire et hautement volatile des données éoliennes. Bien que les approches de deep learning aient montré des promesses, elles sont fréquemment confrontées à des problèmes de fuite de données temporelles, de mélange de modes dans la décomposition des signaux et à l'incapacité de l'équilibre entre la réduction du bruit et la conservation des caractéristiques dynamiques critiques.

Méthodologie
L'article propose un cadre de prévision hybride intégrant trois composants distincts : la décomposition par mode empirique par ensemble complet avec bruit adaptatif (CEEMDAN), le Light Gradient Boosting Machine (LightGBM) et une architecture Transformer avec une structure Encodeur-Décodeur.

Décomposition du signal et débruitage (CEEMDAN) :
La série temporelle brute de l'énergie éolienne est d'abord décomposée en plusieurs fonctions de mode intrinsèque (IMF) à l'aide de CEEMDAN pour traiter les problèmes de mélange de modes inhérents à l'EMD traditionnelle. Pour optimiser l'entrée des modèles suivants, les auteurs introduisent une stratégie « drop_k ». Cette approche quantitative élimine les $k$ premières IMF à haute fréquence, identifiées comme contenant un bruit stochastique dominant et des signaux de vibration mécanique ayant une valeur prédictive négligeable. L'étude détermine que l'élimination de la première IMF uniquement ( $k=1$ ) offre le compromis optimal, supprimant le bruit de haute fréquence tout en préservant 99,5 % de la variance du signal original et les caractéristiques de l'impulsion transitoire critique.
Reconstruction et sélection de caractéristiques (LightGBM) :
Suite à la décomposition, un cadre de sélection de caractéristiques multidimensionnel est établi. Le modèle utilise l'analyse de corrélation de Pearson pour identifier les caractéristiques linéairement dominantes (spécifiquement la vitesse du vent à la hauteur du moyeu et à 70 m). Simultanément, LightGBM est employé pour évaluer les variables météorologiques non linéaires (telles que la pression atmosphérique et l'humidité) basées sur le gain de caractéristique. Ce processus filtre un ensemble d'entrée de 28 dimensions pour aboutir à un sous-ensemble de 20 dimensions à haute contribution, fusionnant efficacement les corrélations linéaires univariées avec les relations de couplage non linéaires multifactorielles.
Prévision de séquence (Transformer) :
Les caractéristiques affinées sont injectées dans un modèle Transformer utilisant une architecture Encodeur-Décodeur. Contrairement aux modèles à encodeur seul qui peuvent souffrir de fuites d'informations futures, ce cadre emploie une structure causale.

Encodeur : Capture les dépendances bidirectionnelles au sein des séquences historiques à l'aide de l'auto-attention et de réseaux à propagation avant (FFN).
Décodeur : Intègre les caractéristiques latentes avec des espaces réservés de prédiction futurs. Il utilise une auto-attention multi-têtes masquée pour imposer strictement la causalité temporelle (empêchant le modèle de « voir » les données futures) et une attention croisée pour faire correspondre les paires clé-valeur historiques avec les requêtes cibles.
Encodage de position : Un encodage sinusoïdal fixe est appliqué pour capturer la périodicité inhérente et les corrélations décalées dans le temps des données d'énergie éolienne.

Contributions clés
L'article identifie trois innovations primaires :

Filtrage quantitatif du bruit : L'introduction d'un indicateur de bruit et de la stratégie « drop_k » au sein du cadre CEEMDAN permet l'élimination objective du bruit à haute fréquence tout en conservant les caractéristiques dynamiques essentielles pour la prévision à court terme, atténuant ainsi l'aliasing modal.
Ingénierie de caractéristiques hybride : L'intégration de la corrélation de Pearson avec le gain de caractéristique de LightGBM crée un mécanisme de sélection robuste qui équilibre la dominance linéaire de la vitesse du vent avec les interactions météorologiques non linéaires, améliorant la rationalité de l'entrée.
Architecture Transformer Encodeur-Décodeur causale : L'adoption d'un Transformer Encodeur-Décodeur masqué spécifiquement conçu pour éliminer la fuite de données temporelles, utilisant l'attention croisée pour fusionner les segments de séquences historiques et futurs pour une prédiction multi-étapes précise.

Résultats expérimentaux
Le modèle a été évalué à l'aide de données provenant d'un parc éolien de 200 MW en Chine (2019, intervalles de 15 minutes). Le modèle proposé CEEMDAN-LightGBM-Transformer (CLT) a été comparé à Random Forest (RF), GRU, ARIMA, XGBoost et d'autres modèles de séries temporelles de pointe (Informer, TimesNet, PatchTST).

Métriques de performance : Le modèle CLT a atteint une mRMSE (erreur quadratique moyenne moyenne) de 2,893 et une mMAE (erreur absolue moyenne moyenne) de 2,100 sur l'ensemble de test, avec une valeur $R^2$ de 0,991.
Gains comparatifs : Comparé aux modèles de base comme Random Forest et GRU, la méthode proposée a démontré une réduction de 15 % tant pour la mRMSE que pour la mMAE. Contre le Transformer classique, la mRMSE et la mMAE ont chuté de plus de 32 %. Contre la référence XGBoost, la mRMSE et la mMAE ont diminué de plus de 81 %.
Études d'ablation : Les expériences supprimant des modules individuels (CL, LT, CT) ont confirmé que l'intégration complète de la décomposition, de la sélection de caractéristiques et de l'architecture Transformer causale produit les taux d'erreur les plus bas et la plus haute capacité de généralisation. Le modèle a réussi à suivre les pics de puissance et les conditions de montée ou de descente rapide là où d'autres modèles présentaient un retard ou un biais d'ajustement.

Signification
L'article affirme que ce modèle hybride fournit un support efficace pour les opérations critiques du réseau, notamment la répartition, la gestion de la consommation d'énergie et la prise de décision pour la maintenance des équipements. En combinant de manière synergique la décomposition de signal, la sélection de caractéristiques par gradient boosté et la modélisation de séquence basée sur l'attention, l'approche répond aux défis spécifiques de la volatilité de l'énergie éolienne, offrant une solution robuste pour réduire les erreurs de prévision dans des environnements complexes et non stationnaires.

Articles similaires