基于两阶段分解与综合相对重要性分析的可解释风速预测

Interpretable wind speed forecasting through two-stage decomposition with comprehensive relative importance analysis

Huanze Zeng · Binrong Wu · Haoyu Fang · Jiacheng Lin · Applied Energy · 2025年8月 · Vol.392

摘要 准确的风速预测为风电场的高效调度与运行提供了关键的决策支持，从而保障智能电网的稳定运行。然而，风速序列固有的波动性和非平稳性给提升预测精度带来了挑战。现有研究表明，风速与多种气象因素之间存在密切的相关性；有效利用这些气象数据可显著提高风速预测的准确性。本研究提出了一种新颖的短期多变量可解释风速预测方法，旨在同时提升预测的准确性和可解释性。所提出的模型融合了两阶段分解过程、综合相对重要性分析（CRIA）、基于牛顿-拉夫森的优化器（NRBO）以及可解释的深度学习模型——时间融合变换器（TFT）...

解读: 该风速预测技术对阳光电源风电变流器及储能系统具有重要应用价值。通过MVMD-CEEMDAN二级分解和CRIA特征选择,可显著提升风电场功率预测精度,优化ST系列储能变流器的充放电策略制定。TFT深度学习模型的可解释性为iSolarCloud平台的预测性维护提供决策支持,结合气象多变量分析可改进GFM...