⚡ electrical engineering

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

Este artigo propõe um modelo híbrido CEEMDAN-LightGBM-Transformer que decompõe dados de energia eólica, extrai e classifica características lineares e não lineares, e as funde por meio de uma arquitetura Transformer para alcançar previsões altamente precisas com métricas de erro significativamente reduzidas em comparação aos métodos existentes.

Autores originais: Jingsong ZHANG, Yukai Zhou, Xiaorui CHU, Yuanyuan Yang, Yangdi Xu

Publicado 2026-09-02

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jingsong ZHANG, Yukai Zhou, Xiaorui CHU, Yuanyuan Yang, Yangdi Xu

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A rede elétrica é um delicado ato de equilíbrio. Ela exige um fluxo constante e estável de energia para manter as luzes acesas e as máquinas funcionando, mas o vento, que impulsiona muitas turbinas modernas, é notoriamente instável. Ele sopra em rajadas, estagna e muda de direção sem aviso prévio. Essa imprevisibilidade cria um desafio significativo para os engenheiros: como pode uma rede elétrica depender de uma fonte que chega e parte conforme sua própria vontade? Para resolver isso, cientistas tentam há muito tempo construir formas melhores de prever a energia eólica. Eles utilizaram ferramentas estatísticas que buscam padrões em dados passados e, mais recentemente, voltaram-se para o aprendizado profundo (deep learning), um tipo de inteligência computacional que imita como o cérebro humano aprende com a experiência. O objetivo é sempre o mesmo: prever exatamente quanta energia um parque eólico produzirá nas próximas horas, permitindo que os operadores da rede planejem com antecedência e mantenham o sistema estável.

Uma equipe de pesquisadores da Universidade de Xichang, na China, propôs um novo método para enfrentar esse problema, combinando três técnicas distintas em um único e poderoso motor de previsão. A abordagem deles, detalhada em um estudo recente, trata os dados brutos de um parque eólico não como um fluxo único e caótico, mas como uma mistura complexa de diferentes sinais que precisam ser separados. Primeiro, eles utilizam um processo matemático chamado Decomposição de Modo Empírico de Conjunto Completo com Ruído Adaptativo (CEEMDAN). Em termos simples, isso atua como uma peneira sofisticada que quebra os dados irregulares e ruidosos da energia eólica em várias camadas mais suaves e simples. Os pesquisadores descobriram que a camada superior desses dados consistia principalmente em estática aleatória e vibração mecânica — ruído que confundia os modelos de previsão. Ao remover cuidadosamente apenas essa primeira camada de ruído, mantendo o restante do sinal intacto, eles limparam os dados sem perder os detalhes importantes de como o vento realmente se comporta.

Uma vez que os dados foram limpos, os pesquisadores os alimentaram em uma segunda etapa projetada para encontrar a informação mais útil. Eles empregaram um algoritmo conhecido como LightGBM, que atua como um filtro altamente eficiente para vasculhar dezenas de variáveis. O parque eólico fornecia uma riqueza de dados, incluindo velocidades do vento em diferentes alturas, temperatura, umidade e pressão do ar. O sistema LightGBM analisou esses fatores para determinar quais realmente importavam para a previsão da produção de energia. Ele confirmou que a velocidade do vento era o fator dominante, mas também identificou combinações específicas de outras variáveis meteorológicas que adicionavam um contexto crucial. Esta etapa garantiu que o modelo de previsão final não fosse sobrecarregado por dados irrelevantes, mas focado nos recursos específicos que impulsionam a geração de energia.

A peça final do quebra-cabeça foi uma arquitetura de rede neural baseada no modelo Transformer, um design originalmente famoso por sua capacidade de compreender linguagem, mas aqui adaptado para dados de séries temporais. Esta parte do sistema observa os dados limpos e filtrados para entender como o vento mudou ao longo do tempo e prever como ele mudará a seguir. Diferente de modelos mais antigos que poderiam observar todo o histórico de dados do vento de uma só vez, este sistema foi construído com uma estrutura específica que respeita o fluxo do tempo. Ele olha para o passado para fazer uma previsão sobre o futuro, garantindo que não acesse acidentalmente dados do futuro que ainda não deveria conhecer. Ao usar um mecanismo que permite focar em diferentes partes da sequência temporal simultaneamente, o modelo captura tanto rajadas de curto prazo quanto padrões diários de longo prazo.

Quando os pesquisadores testaram este sistema combinado contra outros métodos de previsão populares, os resultados foram impressionantes. Utilizando dados de um parque eólico de 200 megawatts na China, registrados a cada quinze minutos ao longo de 2019, o novo modelo superou significamente os concorrentes estabelecidos. Enquanto outros métodos, como Random Forest ou redes de aprendizado profundo padrão, frequentemente tinham dificuldade em acompanhar picos ou quedas repentinas de potência, o novo sistema acompanhou os dados do mundo real com uma precisão notável. O estudo mostrou que a nova abordagem reduziu o erro médio de previsão em 15 por cento em comparação com esses outros modelos. Além disso, as previsões do modelo alinharam-se tão proximamente com a produção de energia real que a medida estatística de precisão, conhecida como valor R-quadrado, excedeu 98 por cento.

Os pesquisadores também testaram seu sistema removendo suas partes individuais para ver o quanto cada uma contribuía para o sucesso final. Eles descobriram que a combinação era essencial; remover a etapa de remoção de ruído ou a etapa de filtragem de características levou a resultados visivelmente piores. O estudo sugere que o verdadeiro poder do método reside em como esses três componentes trabalham juntos: o primeiro limpa o sinal, o segundo seleciona os ingredientes certos e o terceiro "cozinha" a previsão final. Esta abordagem integrada oferece uma ferramenta robusta para os operadores de rede, ajudando potencialmente a gerenciar a integração da energia eólica de forma mais eficaz e a tomar melhores decisões em relação à manutenção de equipamentos e distribuição de energia.

Resumo Técnico: Um Método de Previsão de Energia Eólica Baseado em CEEMDAN-LightGBM-Transformer

Definição do Problema
A geração de energia eólica é caracterizada pela intermitência, volatilidade e aleatoriedade, criando desafios significativos para a previsão precisa. Essas incertezas complicam o escalonamento da rede, a gestão do consumo de energia e a manutenção de equipamentos, ameaçando a operação estável e econômica de sistemas de potência complementares de múltiplas energias. Os métodos de previsão tradicionais, como ARIMA, SVM e Random Forest, frequentemente lutam contra a multicolinearidade e falham em capturar efetivamente a natureza não linear e altamente volátil dos dados de energia eólica. Embora as abordagens de aprendizado profundo tenham mostrado potencial, elas frequentemente enfrentam problemas com vazamento de dados temporais, mistura de modos na decomposição de sinais e a incapacidade de equilibrar a redução de ruído com a retenção de características dinâmicas críticas.

Metodologia
O artigo propõe uma estrutura de previsão híbrida que integra três componentes distintos: Decomposição Empírica de Modos Completos com Ruído Adaptativo (CEEMDAN), Máquina de Gradient Boosting de Gradiente Leve (LightGBM) e uma arquitetura Transformer com uma estrutura Encoder-Decoder.

Decomposição de Sinal e Redução de Ruído (CEEMDAN):
A série temporal bruta de energia eólica é primeiro decomposta em múltiplas Funções de Modo Intrínseco (IMFs) usando CEEMDAN para abordar os problemas de mistura de modos inerentes ao EMD tradicional. Para otimizar a entrada para os modelos subsequentes, os autores introduzem uma estratégia "drop_k". Esta abordagem quantitativa descarta as primeiras $k$ IMFs de alta frequência, que são identificadas como contendo ruído estocástico dominante e sinais de vibração mecânica com valor preditivo negligenciável. O estudo determinou que descartar apenas a primeira IMF ( $k=1$ ) oferece o equilíbrio ideal, removendo o ruído de alta frequência enquanto preserva 99,5% da variância do sinal original e as características de pulso transiente críticas.
Reconstrução e Seleção de Características (LightGBM):
Após a decomposição, estabelece-se uma estrutura de seleção de características multidimensionais. O modelo utiliza a análise de correlação de Pearson para identificar características linearmente dominantes (especificamente a velocidade do vento na altura do cubo e a 70m). Simultaneamente, o LightGBM é empregado para avaliar variáveis meteorológicas não lineares (como pressão atmosférica e umidade) com base no ganho de características (feature gain). Este processo filtra um conjunto de entrada de 28 dimensões para um subconjunto de 20 dimensões de alta contribuição, fundindo efetivamente correlações lineares univariadas com relações de acoplamento não linear de múltiplos fatores.
Previsão de Sequência (Transformer):
As características refinadas são alimentadas em um modelo Transformer que utiliza uma arquitetura Encoder-Decoder. Diferente dos modelos apenas de encoder que podem sofrer de vazamento de informações futuras, esta estrutura emprega uma estrutura causal.
- Encoder: Captura dependências bidirecionais dentro de sequências históricas usando autoatenção (self-attention) e Redes de Alimentação Direta (FFN).
- Decoder: Integra características latentes com placeholders de previsões futuras. Ele utiliza autoatenção de múltiplas cabeças mascarada para impor estritamente a causalidade temporal (impedindo que o modelo "veja" dados futuros) e atenção cruzada (cross-attention) para combinar pares de chave-valor históricos com consultas alvo (queries).
- Codificação Posicional: Uma codificação senoidal fixa é aplicada para capturar a periodicidade inerente e as correlações de atraso temporal dos dados de energia eólica.

Principais Contribuições
O artigo identifica três inovações primárias:

Filtragem Quantitativa de Ruído: A introdução de um indicador de ruído e a estratégia "drop_k" dentro da estrutura CEEMDAN permite a remoção objetiva de ruído de alta frequência enquanto retém características dinâmicas essenciais para a previsão de curto prazo, mitigando o aliasing modal.
Engenharia de Características Híbrida: A integração da correlação de Pearson com o ganho de características do LightGBM cria um mecanismo de seleção robusto que equilibra a dominância linear da velocidade do vento com as interações meteorológicas não lineares, melhorando a racionalidade da entrada.
Arquitetura Causal Encoder-Decoder: A adoção de um Transformer Encoder-Decoder mascarado especificamente projetado para eliminar o vazamento de dados temporais, utilizando atenção cruzada para fundir segmentos de sequência históricos e futuros para uma previsão de múltiplos passos precisa.

Resultados Experimentais
O modelo foi avaliado utilizando dados de um parque eólico de 200MW na China (2019, intervalos de 15 minutos). O modelo proposto CEEMDAN-LightGBM-Transformer (CLT) foi comparado com Random Forest (RF), GRU, ARIMA, XGBoost e outros modelos de séries temporais de última geração (Informer, TimesNet, PatchTST).

Métricas de Desempenho: O modelo CLT alcançou um mRMSE (Erro Raiz Quadrático Médio) de 2,893 e um mMAE (Erro Absoluto Médio) de 2,110 no conjunto de teste, com um valor de $R^2$ de 0,991.
Ganhos Comparativos: Comparado a modelos de base como Random Forest e GRU, o método proposto demonstrou uma redução de 15% tanto no mRMSE quanto no mMAE. Contra o Transformer vanilla, o mRMSE e o mMAE caíram mais de 32%. Contra a linha de base XGBoost, o mRMSE e o mMAE declinaram mais de 81%.
Estudos de Ablação: Experimentos removendo módulos individuais (CL, LT, CT) confirmaram que a integração total da decomposição, seleção de características e a arquitetura causal do Transformer produz as menores taxas de erro e a maior capacidade de generalização. O modelo rastreou com sucesso picos de potência e condições de rápida subida/descida (ramp-up/down) onde outros modelos exibiram atraso ou viés de ajuste.

Significância
O artigo afirma que este modelo híbrido fornece suporte eficaz para operações críticas de rede, incluindo despacho, gestão de consumo de energia e tomada de decisão de manutenção de equipamentos. Ao combinar sinergicamente a decomposição de sinais, a seleção de características por gradiente impulsionado e a modelagem de sequência baseada em atenção, a abordagem aborda os desafios específicos da volatilidade da energia eólica, oferecendo uma solução robusta para reduzir erros de previsão em ambientes complexos e não estacionários.

Mais como este