《Electric Power Systems Research》：Multi-step prediction method for short-term wind speed based on SSA-STVFEMD-Kransformer(EPSR-D-25-05656)
編輯推薦：
風電場風速預測中提出融合SSA去噪、SBOA優化TVFEMD分解及KAN-Decoder改進的Transformer模型，在云南和美國科羅拉多數據集上6步預測R2達91.75%和91.61%，較原Transformer提升7.4和7.7個百分點，并驗證噪聲魯棒性。
Xianzheng Kong|Bo-Chao Zheng|Guoyong Huang
中國江蘇省南京市，南京信息科學技術大學自動化學院，CICAEET，郵編210044
摘要
準確的風速預測對于優化風電場調度和維持電網穩定性至關重要。為了減輕由于強局部非線性和觀測噪聲導致的多步風速預測性能下降，我們提出了一種集成漸進式去噪、信號分解和改進型Transformer的框架。首先，應用奇異譜分析（SSA）進行初步去噪，以抑制隨機干擾。然后，秘書鳥優化算法（SBOA）自適應地選擇時變濾波經驗模態分解（TVFEMD）的參數，實現多尺度分離并減輕序列耦合。其次，我們開發了一種基于Transformer的預測器，其中包含KAN-Decoder。該模型保持全局注意力以建模長距離依賴性，并結合KAN B樣條映射更有效地捕捉局部非線性關系。在來自中國云南和美國科羅拉多州的風電場數據集上的實驗表明，對于6步預測，所提出的模型的R2值分別為91.75%和91.61%，相比原始Transformer分別提高了7.4個和7.7個百分點。噪聲敏感性實驗表明，所提出的方法在增加的干擾下仍保持更高的準確性，顯示出對噪聲的更強魯棒性。
引言
發展清潔能源和建立新的電力系統是實現碳峰值和中性的關鍵策略[1,2]。作為清潔能源的基本形式，風能在推動能源轉型和實現碳中性方面發揮著重要作用。風速的高波動性和間歇性，加上風電容量的持續擴張，加劇了發電的不確定性，這可能會擾亂電網系統的安全運行[3,4]。準確的風速預測可以預測風況和發電情況，使風電場能夠及時調整渦輪機運行，確保安全并最小化對電網的風險[5,6]。此外，精確的預測可以改進風電場的運營規劃，促進清潔能源的發展，并減少對化石燃料的依賴[7,8]。
傳統的風速預測方法通常分為物理模型、統計模型和人工智能方法[9,10]。這些方法可以進一步分為單一方法和組合方法[11]。單一方法僅在特定條件下有效，而基于AI的組合預測方法則集成多種算法以提高預測準確性[12]，因此成為風速預測的主要方法。機器學習方法已廣泛應用于風速預測；然而，由于風速的固有復雜性和隨機性，淺層學習算法難以捕捉數據中的深層模式[13,14]，這限制了預測準確性的提高。深度學習方法，如長短期記憶（LSTM）網絡和門控循環單元（GRU），被廣泛用于風速預測。這些方法有效緩解了梯度消失問題，同時確保了深度特征的提取。然而，當預測范圍或輸入序列較長時，這些結構仍然容易受到信息遺忘和依賴性建模不足等問題的影響[15]。相比之下，Transformer架構利用自注意力機制同時處理所有序列位置的依賴性，從而實現更優的長距離時間關系建模[16]。最近的研究將去噪和分解算法集成到Transformer框架中，以提高風速預測性能。Nascimento等人[17]引入了一種混合預測框架，將小波變換與Transformer架構相結合用于風速預測。該方法使用小波變換抑制風速數據中的噪聲，分解各種氣象特征序列，并應用Transformer進行預測。實驗驗證表明，這種混合方法在多步預測準確性和不同氣象條件下的預測穩定性方面，比標準和超參數優化的LSTM模型有顯著改進。Jiang W等人[18]首次應用變分模態分解（VMD）分解原始風速和氣象特征，從而降低了數據復雜性。然后使用圖神經網絡提取和更新變量特征，最后將集成特征輸入Transformer進行預測，實現了高準確性。Wu B等人[19]提出了一種結合了兩階段分解、自適應差分進化（JADE）算法和Transformer的組合預測模型。該模型在提供可解釋結果的同時，表現出優異的預測性能。這些方法證明了集成去噪、分解和基于Transformer的預測框架的有效性。然而，在預測過程中，Transformer的解碼結構仍然基于多層感知器（MLP），后者依賴于固定的激活函數和權重矩陣來擬合數據。當風速序列表現出復雜的非線性特征時，MLP的表現力受到限制，難以捕捉局部非線性模式。
為了克服前面提到的MLP的局限性，麻省理工學院的學者們在2024年引入了KAN模型（Kolmogorov-Arnold Networks，KAN）[20]。KAN通過在權重中加入可學習的激活函數，采用了一種新的計算機制。每個權重參數根據訓練數據自適應調整，顯著提高了模型的靈活性和表現力，同時減少了參數數量。研究表明，KAN在建模非線性關系方面優于傳統的MLP[21]。Kiamari等人[22]將圖卷積網絡（GCN）與KAN結合，提出了GKAN模型。通過在層間使用可學習的激活函數，GKAN在半監督學習任務Cora數據集上將準確率提高了8.26%。Bodner等人[23]引入了CKAN網絡（Convolutional KANs，CKAN），它在卷積神經網絡的基礎上加入了KAN的非線性激活函數，提高了網絡的表現力。在MNIST和Fashion-MNIST數據集上的實驗表明，CKAN網絡僅使用了一半的參數，但其準確率與CNN相當。Granata等人[24]將KAN應用于水文預測，并將其性能與傳統深度學習模型進行了比較。結果表明，KAN在捕捉水文序列的潛在模式方面優于LSTM和Transformer。Muqtadir等人[25]將KAN與神經層次插值（N-HiTS）結合用于需求響應預測，提高了性能。新模型在冬季和夏季數據集上的表現均優于現有高級模型，證明了其在不同條件下的有效性。這些研究表明，KAN在建模復雜的非線性映射方面具有顯著優勢，盡管其在風速集成預測中的應用仍有限。為了更好地說明各種方法的優點和缺點，表1對主要的風速預測方法進行了分類。
風速時間序列表現出明顯的非平穩性和局部非線性動態，實際測量數據經常受到噪聲和異常值的污染，這挑戰了現有方法在多步預測準確性和魯棒性方面的能力。為了解決這些挑戰，我們總結的主要貢獻如下：
(1)我們構建了一個穩健的兩階段預處理框架，將基于SSA的去噪與SBOA優化的TVFEMD相結合。這一流程有效減輕了隨機波動，確保了預測建模的輸入高度穩定。
(2)我們設計了一種改進的Transformer架構，其中包含創新的KAN-Decoder。通過用Kolmogorov-Arnold Network（KAN）替換傳統的前饋網絡并優化其計算路徑，該模型顯著提高了對局部非線性動態的捕捉能力，同時提升了推理效率。
(3)我們在兩個真實世界數據集（中國云南和美國科羅拉多州）上進行了消融研究，以量化各組分的貢獻，并進行了噪聲敏感性實驗來評估性能邊界。結果表明，所提出的方法在6步預測中的R2值分別為91.75%和91.61%，并且隨著數據質量的下降，性能下降速度較慢。
部分摘錄
時變濾波經驗模態分解（TVFEMD）
風速序列表現出顯著的非平穩性，原始數據包含低頻和高頻信號特征。分解算法可以有效分離風速數據中的極端變化，從而使模型能夠捕捉這些特征，從而提高其穩定性[26]。TVFEMD使用非均勻B樣條作為時變濾波器，并在選擇過程中結合了IMF帶寬標準。它可以自適應地調整濾波器，
實驗數據
本文使用2023年從云南一個風電場的風塔收集的冬季風速數據驗證了所提出方法的有效性。圖4顯示了風電場的位置。實驗中使用的數據由南京沐雷激光有限公司的NL V5.0 Nacelle激光風速雷達測量。選擇了來自渦輪機5的數據，涵蓋了2023年12月26日至2024年2月27日的63天的風速和風向數據，采樣間隔為10分鐘，
結論
為了解決短期多步風速預測準確性不足的問題，本研究結合了KAN網絡的非線性能力和Transformer的全局建模優勢，形成了SSA-STVFEMD-Kransformer模型。該模型結合了SSA去噪、由SBOA優化的TVFEMD分解以及Kransformer預測。基于中國云南一個風電場的冬季數據和美國一個風電場的春季數據的實驗結果，
CRediT作者貢獻聲明
Xianzheng Kong：撰寫 – 審稿與編輯，撰寫 – 原始草稿，軟件，方法論，形式分析。Bo-Chao Zheng：撰寫 – 審稿與編輯，驗證，監督，調查。Guoyong Huang：監督，資源，調查，資金獲取。
