基于二次分解的LCNN-Mamba模型的中短期风电功率预测

《Sustainability》:Medium and Short-Term Wind Power Forecasting Using LCNN-Mamba Model Based on Quadratic Decomposition

【字体: 大 中 小 】 时间:2026年07月16日 来源:Sustainability 4.1

编辑推荐:

  准确的风电功率预测对于推动可持续风能利用、稳定新能源电力系统以及促进电力行业的低碳可持续发展至关重要。针对风电时间序列中强非平稳性、显著多尺度波动以及局部动力学与长期依赖关系联合建模困难等挑战,研究人员提出了一种基于多尺度分解和局部-全局协作建模的中短期风电功

  
准确的风电功率预测对于推动可持续风能利用、稳定新能源电力系统以及促进电力行业的低碳可持续发展至关重要。针对风电时间序列中强非平稳性、显著多尺度波动以及局部动力学与长期依赖关系联合建模困难等挑战,研究人员提出了一种基于多尺度分解和局部-全局协作建模的中短期风电功率预测方法。首先,利用季节性趋势分解(Seasonal Trend Decomposition, STL)从原始时间序列中提取趋势和季节分量。然后,对残差序列进行自适应噪声完备经验模态分解(CEEMDAN)以揭示潜在的强非平稳特征。基于主频特征,将分解后的分量重构为高频、中频和低频序列,与趋势和季节分量共同构成多维输入特征集。其次,为适应多尺度分量的时间序列特征,研究人员设计了一种集成局部卷积神经网络(Local Convolutional Neural Network, LocalCNN)与状态空间模型的LCNN-Mamba预测框架。LocalCNN用于建模局部和多尺度动态特征,而多层Mamba状态空间模块高效捕获长期时间序列依赖,从而实现对局部敏感性和全局建模能力的协同增强。该模型在两个不同位置风电场的实际运行数据上进行了验证。实验结果表明,所提方法在预测精度上优于传统预测方法,为风电并网运行、电力调度优化以及风能资源的大规模高质量可持续发展提供了可靠的技术参考。
### 论文解读:基于二次分解和LCNN-Mamba模型的中短期风电功率预测

#### 研究背景与问题

在全球碳中和战略持续推进的背景下,风能作为清洁可再生能源的核心支柱,其大规模开发与高效利用对能源结构转型和电力系统低碳运行至关重要。然而,受风资源固有的随机性、波动性和间歇性限制,风电功率呈现出强不确定性与非平稳性。大规模风电基地多通过混合级联高压直流(HVDC)系统外送,其功率调节与故障穿越策略会加剧风电的波动性与非平稳性,对电网安全稳定运行和调度决策构成挑战。现有预测方法中,递归神经网络(RNN)及其变体(如长短期记忆网络LSTM、门控循环单元GRU)虽缓解了长程梯度消失问题,但顺序运算模式限制了超长序列建模效率;Transformer架构虽通过自注意力机制实现全局依赖捕获,但其二次计算复杂度随序列长度急剧增加,不适用于长期预测任务;而状态空间模型(SSM)如Mamba虽具备线性复杂度优势,但对非平稳数据的突变波动适应性差,对局部短期异常特征敏感性不足。此外,现有信号分解技术多采用单一分解算法(如经验模态分解EMD、变分模态分解VMD),难以有效抑制模态混叠、充分挖掘多尺度综合特征,且缺乏分解与预测模块间的协同优化。因此,亟需建立一种能够兼顾多尺度特征表征与高效长序列建模的集成预测框架。

#### 研究内容与结论

本研究针对上述问题,开发了一种融合多尺度二次分解与局部-全局协同建模的新型风电功率预测框架。核心创新在于STL-CEEMDAN二次分解与Mamba模型的互补耦合,以解决HVDC风电外送背景下时间序列的非平稳性和多尺度波动。首先,采用STL分离趋势和季节分量以消除长期漂移干扰,再利用CEEMDAN对残差波动序列进行自适应分解,抑制模态混叠并实现多尺度特征的分层解耦。基于主频特征,将分解后的分量重构为高频、中频和低频子序列,与趋势和季节分量构成五维输入特征。其次,设计了LCNN-Mamba预测框架:局部卷积神经网络(LocalCNN)提取局部短期异常动态特征,多层Mamba状态空间模块高效捕获长程时间依赖,形成局部-全局联合预测结构。使用内蒙古和宁夏两个风电场的历史运行数据(采样间隔15分钟)验证模型。实验结果表明,所提方法在单步与多步预测中均优于LSTM、GRU、CNN、Transformer及纯Mamba等基线模型,在MAE、MSE、RMSE和R2等指标上表现最优,鲁棒性和泛化能力突出。该研究可为短期风电功率预测、精细化电网调度及HVDC风送系统的故障穿越优化提供技术参考。论文发表在《Sustainability》。

#### 关键技术方法

研究采用以下主要技术方法:
(1)**二次分解框架**:首先利用**季节性趋势分解(STL)**从原始时间序列中提取趋势和季节分量;再对残差序列采用**自适应噪声完备经验模态分解(CEEMDAN)**,将其分解为多个固有模态函数(IMF)及残余项。依据各IMF的主频特征(通过希尔伯特谱分析),将分量重构为高频(1–4 Hz)、中频(0.1–1 Hz)和低频(<0.1 Hz)三个子序列,与趋势和季节分量共同构成五维输入特征集。
(2)**LCNN模块**:基于深度可分离一维卷积,通过多尺度卷积核提取局部动态特征,辅以高通增强、变化感知门控机制及残差融合,增强对短期突变和局部波动的敏感性。
(3)**Mamba模块**:基于选择性状态空间模型(SSM),通过输入驱动的选择机制实现动态自适应建模,以线性复杂度捕获长程时间依赖。
(4)**样本来源**:主要实验数据来自内蒙古某风电场2021年1月1日至2023年3月12日的76,968个观测点(采样间隔15 min);泛化实验数据来自宁夏某风电场35,040个观测点(间隔15 min),两地直线距离超500 km,地形与气候差异显著。

#### 研究结果

**3.3 模型对比实验**
通过单步滚动预测(192/336/672步)对比LSTM、GRU、CNN、Transformer、Mamba等模型。所有对比模型均采用STL-CEEMDAN预处理。定性结果表明,传统模型(如LSTM、GRU)在急剧波动时响应滞后,CNN对极端波动拟合偏差明显且过平滑,Transformer预测曲线在平稳段抖动显著。定量指标显示,LCNN-Mamba在192步预测中MAE为0.418、MSE为0.422、RMSE为0.647、R2为0.996,均优于其他模型;随步长增加至336和672步,误差增幅最小,在雷达图中占据绝对优势。结论:LCNN-Mamba有效平衡了短期动态与长期依赖,具有最强预测精度和鲁棒性。

**3.4 LCNN-Mamba消融实验**
依次移除STL、CEEMDAN、LCNN和Mamba模块进行对比。残差区间统计显示,完整模型STL-CEEMDAN-LCNN-Mamba的90%误差区间为[-0.8912,0.8582],全残差范围仅[-2.2386,2.2884];缺失任意模块时残差分布显著扩大(如缺失Mamba时最大残差跨度达[-4.8334,3.9870])。残差概率密度曲线表明完整模型峰值最接近零且包络最窄。散点图与预测曲线进一步验证:缺失STL使MAE升至0.580、R2降至0.957;缺失CEEMDAN导致误差扩大;缺失Mamba时MAE高达0.933、R2降至0.979,曲线剧烈振荡。对比STL-CEEMDAN-Mamba与完整模型发现,嵌入LCNN后MAE下降7.1%、MSE下降3.7%、RMSE下降2.3%、R2从0.989提升至0.996。结论:各模块均不可替代,完整模型实现了互补优势,最小化残差,获得最优预测准确性与稳定性。

**3.5 LCNN-Mamba泛化实验**
采用宁夏风电场数据(0–100 MW,波动更剧烈)进行192/336/672步预测。预测曲线显示,即使在连续拐点和局部剧烈波动区域,模型仍能紧密跟踪真实值,672步时仅在高频突变点出现轻微滞后。定量结果:192步模型RMSE为0.63、R2为0.996;336步R2为0.957;672步R2为0.908、误差相对较大。结论:在功率范围和波动幅度扩大的场景下,LCNN-Mamba仍保持良好泛化能力与动态响应性能,短时间窗更有助于捕捉关键变化特征。

#### 总结讨论与结论

**讨论片段总结**:论文未设独立的讨论章节,但在结论部分对研究意义与未来方向进行了概括。所提STL-CEEMDAN-LCNN-Mamba混合模型在多步风电功率预测中取得了良好性能,但其输入特征体系仍有优化空间。未来工作将引入专用神经网络模块完善特征工程,充分挖掘多气象变量与风电功率间的交互耦合关系。从电力系统工程视角看,该模型可为风电场调度、电网运行及HVDC系统调节提供可靠功率数据支持,具有重要的实际应用价值。后续研究将推动模型轻量化部署与现场应用,并在中国南方风电数据集及其他时间序列预测领域验证其泛化性能。

**研究结论翻译**:为推进可持续风能开发并应对非平稳风电功率时间序列的预测挑战,本文结合LCNN的局部特征提取能力与Mamba的长序列建模能力,提出了一种基于STL-CEEMDAN二次分解的LCNN-Mamba混合预测模型。实验验证得出以下主要结论:(1)数据预处理阶段:对原始风电功率时间序列应用STL-CEEMDAN两阶段分解——先通过STL分离趋势和季节分量,再对残差分量进行CEEMDAN多尺度分解——有效降低了序列的非平稳性和复杂度。结合主频排序与重构策略,该方案高效组织了高、低频信息,为后续建模提供了清晰稳定的输入表示。对比分析表明,该双重分解策略在特征分离与信息保全方面具有显著优势。(2)预测建模阶段:构建了LCNN-Mamba混合架构以协同学习多尺度特征,其中LCNN提取局部时间模式和短期动态变化,而Mamba捕获序列的长期依赖与全局演化特性。通过特征映射与残差机制缓解了信息传输损失,增强了模型训练稳定性与收敛效率。实验结果表明,该方法在不同数据场景下始终保持优异的预测精度与稳定性,相较基线模型展现出更强的综合性能与适应性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号