风能作为一种可持续的、可再生的能源，具有取之不尽、用之不竭的优良特性，并且能够将其转变为电能，成为当前新型可再生能源的主流，在世界各国广泛应用。至2021年，全球风电装机容量达到837GW。但是，风能具有随机性、波动性和间歇性的特征，高比例风力发电系统的并网，对传统电力系统的运行控制带来极大挑战。而准确的风速预测是运行控制的基础，其中，短期预测是电力系统制定日调度计划的重要依据，其预测结果的准确度对电力系统的经济、可靠运行具有重大的影响。
       近年来，随着机器学习技术的蓬勃发展，该领域的技术迅速应用于短期风速预测领域。如CNN，RNN，GRU，LSTM等。结合已有的风速预测技术以及混合神经网络模型，取得了非常有发展前景的预测结果。但是，已有的短时风速预测模型较多只关注时序数据，而目标风电场临近站点的风速数据也包含丰富信息。建立在风速时空特征基础上的风速预测方法研究目前较少。因此选取一个可以有效提取时空特征的混合框架是提高预测准确率的重要手段。
       在过去的十年中，人们已经研究了利用WT、EMD、EEMD、VMD和EWT等多种算法来降低或去除风速数据噪声的方法。VMD克服了EMD方法存在端点效应和模态分量混叠的问题，并且具有更坚实的数学理论基础，可以降低复杂度高和非线性强的时间序列非平稳性，分解获得包含多个不同频率尺度且相对平稳的子序列，适用于非平稳性的序列。但是VMD算法在求解中心频率及模态分量的过程中,中心频率的初值设定对VMD分解结果的影响较大。最近发展的鲸鱼优化算法，可以有效对VMD的参数进行寻优，使预测结果更加准确。

(1)    常用短时风速预测算法实现及性能比较

(2)    利用鲸鱼优化算法对VMD进行改进

(3)    CNN+BiGRU框架与Attention机制结合

由于风能的清洁，低成本和可持续性，风能已成为主流的新能源。根据《2022年全球风能报告》，从2022年到2026年，新增装机容量将超过557GW[1]。然而，由于风具有随机性、间歇性和不确定性，严重影响了电网的安全稳定运行[2]。准确的风速预测是运行控制的基础[3]。根据不同的时间间隔，风速预测可以分为短期（分钟，小时，天），中期（周，月）和长期（年）预测。其中，短期预测对于电力系统制定每日调度计划至关重要。它对电力系统的经济和可靠运行有重大影响。

       根据模型理论的不同，风速预测模型可以分为物理模型、统计模型、人工智能模型和混合模型。物理模型，如数值天气预报(NWP)和天气研究与预报(WRF)，通常考虑各种气象因素(如气压、湿度和温度)来预测未来风速[4,5]。物理模型建模过程涉及大量计算。由于风速的复杂性和地区差异，使用物理模型为不同地区建立高精度的短期预报具有挑战性。因此，它们通常用于特定区域的长期风速预测。与物理模型相比，统计模型简单、易用，因此在短期风速预测中被广泛采用。统计模型借助历史时间序列数据预测未来的数值，传统的统计模型包括自回归移动平均(ARMA)[6]、自回归综合移动平均(ARIMA)[7]、分数-ARIMA (f-ARIMA)[8]和Hammerstein自回归模型[9]。这些模型是时间序列模型，通常用于描述风速在不同位置的线性波动，在超短期和短期风速预测[10]中总体表现良好。

       由于人工智能技术的大幅发展，许多基于人工智能的模型也被广泛应用于风速预测，如支持向量机(SVM)[11]、最小二乘支持向量机(LSSVM)[12]、极端学习机(ELM)[13]、核ELM (KELM)[14]、模糊逻辑方法[15]、卡尔曼滤波[16]，以及不同类型的人工神经网络(ANN)，包括BP神经网络(BPNN)[17]、多层感知器(MLP)[18]、小波神经网络(WNN)[17]、Y. Wang等人的神经网络(GRNN)[17]。目前，随着深度学习技术的发展，深度神经网络(DNN)，包括长短期记忆(LSTM)[13]、卷积神经网络(CNN)[19]、双向LSTM (BiLSTM)[20]、门控循环单元(GRU)[21]、双向GRU (BiGRU)[22]、深度信念网络(DBN)[23]和自编码器(AE)[24]，因其处理复杂非线性问题的卓越能力而在风速预测中受到越来越多的关注。在以往的许多研究中，基于人工智能的模型比传统的统计模型具有更好的风速预测性能。其中CNN是多层前馈神经网络, 已被证明在提取隐藏的空间特征方面具有突出的性能. CNN具有稀疏连接和权重共享的性质, 这大大减少了模型参数的数量[25]。使用CNN提取目标站点和其他站点的气象因素之间的潜在空间关系, 可以减少风速的预测误差。BiGRU由正向的GRU和反向的GRU组成，可以学习前一时刻和后一时刻与当前状态之间的时序关系，可以对时间序列的长期和非线性依赖性进行建模。因此CNN+BiGRU框架可以有效提取时空特征，对风速进行准确预测。

在训练过程中，噪音会对模型的性能产生不利影响。数据分解技术通过消除噪声，降低了预测难度，提高了模型的精度。这些技术的目的是将原始信号分割成不同频率的子序列。对数据进行降噪的数据分解技术可以分为五类，即基于小波的、基于经验模态分解的、基于变分模态分解的、基于自适应的和基于混合分解的[26]。在之前的研究[27]中，基于相同的实测风速信号和预测算法，列出并比较了8种典型的信号分解方法的特征。然后，根据这些不同的信号分解方法对风速进行分解和预测，并对预测结果进行分析。结果表明，基于VMD的预测模型具有较好的预测效果。Goh等人[28]认为VMD是目前最有效的降噪分解方法。但VMD算法在求解中心频率及模态分量的过程中,中心频率的初值设定对VMD分解结果的影响较大[29],当前VMD研究较少考虑该因素。鲸鱼优化算法是模仿自然界中鲸鱼捕食行为的新型群体智能优化算法[30]，利用鲸鱼优化算法对变分模态分解模态个数K和惩罚参数α寻优，可以使VMD的分解结果更加准确。

[1]    Wind Energy Council, Global wind report annual market update 2022, [Online].Available:https://gwec.net/wp-content/uploads/2022/04/Annual-Wind-Report-2022_screen_final_April.pdf

[2]    Tahmasebifar, R., Moghaddam, M. P., Sheikh-El-Eslami, M. K., & Kheirollahi, R. (2020). A new hybrid model for point and probabilistic forecasting of wind power. Energy, 211, Article 119016.

[3]    M. R. Chen, G. Q. Zeng, K.D. Lu and Jian Weng. “A two-layer nonlinear combination method for short-term wind speed prediction based on ELM, ENN, and LSTM,” IEEE Internet of Things Journal, vol. 6, no. 4, pp. 6997-7010, 2019.

[4]    Jung J, Broadwater RP. Current status and future advances for wind speed and power forecasting. Renew Sustain Energy Rev 2014;31:762–77.

[5]    Hu J, Heng J, Wen J, Zhao W. Deterministic and probabilistic wind speed forecasting with de-noising-reconstruction strategy and quantile regression based algorithm. Renew Energy 2020;162:1208–26.

[6]    Han Q, Meng F, Hu T, Chu F. Non-parametric hybrid models for wind speed forecasting. Energy Convers Manage 2017;148:554–68.

[7]    Yunus K, Thiringer T, Chen P. Arima-based frequency-decomposed modeling of wind speed time series. IEEE Trans Power Syst 2015;31(4):2546–56.

[8]    Kavasseri RG, Seetharaman K. Day-ahead wind speed forecasting using f-ARIMA models. Renew Energy 2009;34(5):1388–93.

[9]    Maatallah OA, Achuthan A, Janoyan K, Marzocca P. Recursive wind speed forecasting based on hammerstein auto-regressive model. Appl Energy 2015;145:191–7.

[10] Jung J, Broadwater RP. Current status and future advances for wind speed and power forecasting. Renew Sustain Energy Rev 2014;31:762–77.

[11] 焦业峰, 王艳, 纪志成. 基于BLP-ALO-SVM的风电功率短期预测方法[J]. 系统仿真学报, 2022, 34(12): 2535-2545.

[12] Wang Y, Wang J, Wei X. A hybrid wind speed forecasting model based on phase space reconstruction theory and Markov model: A case study of wind farms in northwest China. Energy 2015;91:556–72.

[13] Liu H, Mi X, Li Y. Smart multi-step deep learning model for wind speed fore-casting based on variational mode decomposition, singular spectrum analysis, lstm network and elm. Energy Convers Manage 2018;159:54–64.

[14] Fu W, Wang K, Tan J, Zhang K. A composite framework coupling multiple feature selection, compound prediction models and novel hybrid swarm optimizer-based synchronization optimization strategy for multi-step ahead short-term wind speed forecasting. Energy Convers Manage 2020;205:112461.

[15] Severiano CA, e Silva PCdL, Cohen MW, Guimar?es FG. Evolving fuzzy time series for spatio-temporal forecasting in renewable energy systems. Renew Energy 2021;171:764–83.

[16] Cassola F, Burlando M. Wind speed and wind energy forecast through kalman filtering of numerical weather prediction model output. Appl Energy 2012;99:154–66.

[17] Song J, Wang J, Lu H. A novel combined model based on advanced optimization algorithm for short-term wind speed forecasting. Appl Energy 2018;215:643–58.

[18] He X, Nie Y, Guo H, Wang J. Research on a novel combination system on the basis of deep learning and swarm intelligence optimization algorithm for wind speed forecasting. IEEE Access 2020;8:51482–99.

[19] Yu Y, Han X, Yang M, Yang J. Probabilistic prediction of regional wind power based on spatiotemporal quantile regression. IEEE Trans Ind Appl 2020;56:6117–27.

[20] Neshat M, Nezhad MM, Abbasnejad E, Mirjalili S, Tjernberg LB, Garcia DA, Alexander B, Wagner M. A deep learning-based evolutionary model for short-term wind speed forecasting: A case study of the lillgrund offshore wind farm. Energy Convers Manage 2021;236:114002.

[21] Niu Z, Yu Z, Tang W, Wu Q, Reformat M. Wind power forecasting using attention-based gated recurrent unit network. Energy 2020;196:117081.

[22] Xu Y, Yang G, Luo J, et al. A multi-location short-term wind speed prediction model based on spatiotemporal joint learning[J]. Renewable Energy, 2022, 183: 148-159.

[23] Zhu L, Hu W. Short Term Wind Speed Prediction Based on VMD and DBN Combined Model Optimized by Improved Sparrow Intelligent Algorithm[J]. IEEE Access, 2022, 10: 92259-92272.

[24] Rayi V K, Mishra S P, Naik J, et al. Adaptive VMD based optimized deep learning mixed kernel ELM autoencoder for single and multistep wind power forecasting[J]. Energy, 2022, 244: 122585.

[25] 袁咪咪, 宫法明, 李昕. 基于CNN-LSTM的多因素时空风速预测. 计算机系统应用, 2021, 30(8): 133-141.http://www.c-s-a.org.cn/1003-3254/8089.html

[26] Liu H, Chen C. Data processing strategies in wind energy forecasting models and applications: A comprehensive review. Appl Energy 2019;249:392–408.

[27] Li C, Li Z. Multiple signal decomposition method for multi-step forecasting of typhoon wind speed. J Vib Meas Diagnosis 2019;5(39):1103e10.

[28] Goh HH, He R, Zhang D, Liu H, Dai W, Lim CS, et al. A multimodal approach to chaotic renewable energy prediction using meteorological and historical in-formation. Appl Soft Comput 2022:108487.

[29] 韩宇,张兴敢.基于改进变分模态分解的生命体征检测[J].南京大学学报(自然科学),2022,58(04):680-688.DOI:10.13232/j.cnki.jnju.2022.04.012.

[30] Nadimi-Shahraki M H, Zamani H, Mirjalili S. Enhanced whale optimization algorithm for medical feature selection: A COVID-19 case study[J]. Computers in Biology and Medicine, 2022, 148: 105858.

(1)    充分发挥时空速度蕴含的丰富信息进行风电场短时风速预测。

(2)    对风速使用鲸鱼算法优化的VMD分解，可以有效降低风速的不平稳性。

(3)    CNN+BiGRU组合框架与Attention机制的选取。

1.      技术路线

算法的整体框架如下图：

根据上述算法框架，首先对时空数据进行归一化和利用鲸鱼优化算法优化的VMD分解处理，并得到IMF各分量；将各分量作为输入，应用CNN框架+Attention1进行空域特征的处理；之后应用BiGRU框架+Attention2进行时域特征的处理；将得到的各预测值进行反归一化和拼合处理，得到最终的风速预测值。

这里，利用鲸鱼优化算法优化的VMD的原理和流程如下：

使用鲸鱼优化算法（WOA）对VMD参数进行寻优，以包络熵极小值作为适应度函数，包络熵代表原始信号的稀疏特性，当IMF中噪声较多，特征信息较少时，则包络熵值较大，反之，则包络熵值较小。

信号x (i)(i = 1,2,…,N )包络熵E_P 用以下公式计算，式中a (i) 是由VMD 分解的k 个模态分量经Hilbert 解调后的包络信号，ε(i)是通过计算a (i)的归一化得到的概率分布序列，N 为采样点数，计算概率分布序列ε(i)的熵值即为包络熵E_P。

采用WOA优化VMD参数流程如图所示。首先初始化鲸群位置向量[K，α]，以包络熵作为适应度函数，并计算每个鲸鱼适应度，然后通过判断收敛因子大小选择迭代公式进行迭代更新，直到满足终止条件，输出最优VMD参数。

这里，时空特征如下图所示：

这里，Attention1的计算公式如下：

其中为i，j站点的权值，计算公式如下：

这里，和是参数，[;]是连接运算，是i，j站点的互信息。

Attention2的计算公式如下：

其中和是参数。最终的预测值为

2.      拟解决问题

(1)    风速时空数据数量较大，如何进行处理来加快算法处理速度；

(2)    VMD的模态个数K和惩罚参数α对结果的影响较大，如何利用鲸鱼优化算法寻找最优参数；

(3)    风速预测框架为CNN+BiGRU，Attention机制的位置确定及层数确定；

(4)    所提模型的训练，包括模型参数的确定等。

3.      预期成果

2023.10-2023.11 专利1项

2023.12-2024.1  SCI论文1篇

2023.12-2024.3  模拟算法系统

2024.2-2024.3   软件著作权1项；模拟算法系统说明1份，研究报告1份。