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。

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] 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

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.

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.

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

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.

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

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.

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

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.

算法的整体框架如下图：

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

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。

1 已具备的条件

项目团队所在南京信息工程大学计算机学院、网络空间安全学院现拥有新型 GPU 服务器，为本项目基于大量风速数据的深度神经网络训练提供了良好的硬件保障。同时，从美国国家可再生能源实验室（ NREL ）获取了美国俄亥俄州的真实风速数据，用于对风速情况的基于现实数据的准确预测。

2 尚缺少的条件

对鲸鱼优化算法如何对 VMD 进行优化尚未解决，对 Attention 模型和 CNN 、 BiGRU 算法的组合应用仍需进一步的研究，数据集的处理尚未完成，以及算法完成后的测试、与其他算法的对比实验仍待进行。

3 解决方案

项目团队将依据制定的项目研究进度，对鲸鱼优化算法、 VMD 、 Attention 机制、 CNN 和 BiGRU 算法做出更加深入的研究以及实现，在处理后的数据集之中对目标算法模型和作为对照的现存代码模型进行测试和比对，最终提出基于改进的 VMD 和 CNN-BiGRU 的风电场新型短时风速预测算法。