A wind power forecasting method based on CEEMDAN- LightGBM-Transformer
本文提出了一种混合 CEEMDAN-LightGBM-Transformer 模型，该模型通过分解风电数据，提取并排序非线性与线性特征，并通过 Transformer 架构进行融合，从而实现高精度预测，且与现有方法相比显著降低了误差指标。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
电网是一个微妙的平衡过程。它需要持续、稳定的电力流动来维持灯光亮起和机器运转，然而，驱动许多现代涡轮机的风却以反复无常而著称。它时而阵发，时而停滞，时而毫无预警地改变方向。这种不可预测性给工程师们带来了巨大的挑战：如何让电网依赖一个随心所欲地到来又离开的能源？为了解决这个问题，科学家们长期以来一直致力于构建更好的风力发电预测方法。他们曾使用寻找历史数据模式的统计工具，而近来，他们转向了深度学习——一种模仿人类大脑从经验中学习的计算机智能。其目标始终如一：精确预测风电场在未来几小时内将产生多少能量，从而让电网调度员能够提前规划，保持系统稳定。
中国西昌大学的一个研究小组提出了一种新方法来应对这一问题，将三种截然不同的技术结合成一个强大的单一预测引擎。他们的研究方法详述于近期的一项研究中，该方法并不将风电场的原始数据视为单一、混乱的流，而是将其视为需要被分离的不同信号的复杂混合物。首先，他们使用了一种被称为“带有自适应噪声的完全集合经验模态分解”的数学过程。通俗地说，这就像一个精密的筛子，将锯齿状、充满噪声的风力发电数据分解成几个更平滑、更简单的层级。研究人员发现，数据的最顶层主要是随机静电和机械振动——这些噪声会干扰预测模型。通过仔细去除仅有的第一层噪声，同时保持其余信号完整，他们在不丢失风力实际行为重要细节的情况下对数据进行了清洗。
一旦数据清洗完毕，研究人员将其输入到第二个旨在寻找最有价值信息的阶段。他们采用了一种名为 LightGBM 的算法，它就像一个高效的过滤器，用于在数十个变量中进行筛选。风电场提供了丰富的数据，包括不同高度的风速、温度、湿度和气压。LightGBM 系统分析了这些因素，以确定哪些因素对于预测功率输出真正重要。它证实了风速是主导因素，但也识别出了能提供关键背景信息的其他天气变量的具体组合。这一步骤确保了最终的预测模型不会被无关数据淹没，而是专注于驱动能量生成的特定特征。
拼图的最后一块是基于 Transformer 模型架构的神经网络，这种设计最初因其理解语言的能力而闻名，但在此处被改编用于处理时间序列数据。这个部分通过观察清洗并过滤后的数据，来理解风随时间的变化方式，并预测其未来的变化趋势。与那些可能会同时查看整个历史风力数据的旧模型不同，该系统采用了尊重时间流向的特定结构。它通过观察过去来对未来做出预测，确保不会意外获取它尚不应该知道的未来数据。通过使用一种允许它同时关注时间序列不同部分的机制，该模型既能捕捉短期阵风，也能捕捉长期的日间模式。
当研究人员将这个组合系统与其他流行的预测方法进行对比测试时，结果令人瞩目。利用来自中国一座 200 兆瓦风电场在 2019 年全年的每十五分钟一次的记录数据，他们的新模型表现显著优于成熟的竞争对手。虽然其他方法（如随机森林或标准的深度学习网络）在追踪功率的突然激增或骤降时往往显得力不从心，但新系统能以极高的精度追踪真实世界的数据。研究表明，与这些其他模型相比，新方法将平均预测误差降低了 15%。此外，该模型的预测结果与实际功率输出契合得非常紧密，其统计学上的准确度指标（即 R 方值）超过了 98%。
研究人员还通过移除系统的各个组成部分来测试其系统，以观察每个部分对最终成功的贡献程度。他们发现，这种组合是必不可少的；移除去噪步骤或特征过滤步骤都会导致结果明显变差。研究表明，该方法的真正威力在于这三个组件是如何协同工作的：第一个负责清洗信号，第二个负责挑选正确的原料，第三个则负责烹饪出最终的预测。这种集成方法为电网调度员提供了一个强大的工具，有望帮助他们更有效地管理风电力的整合，并在设备维护和能源分配方面做出更好的决策。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。