Mehrskalen-Windgeschwindigkeits-Vorhersagemodell basierend auf verbessertem Escape-Algorithmus zur Optimierung der zeitvarianten Filter-Empirischen Moduszerlegung

Warum Windvorhersagen wichtig sind

Da immer mehr unseres Stroms aus Windparks stammt, hängt die Versorgungssicherheit davon ab, wie stark der Wind in den nächsten Minuten und Stunden wehen wird. Weichen Vorhersagen ab, müssen Netzbetreiber schnell reagieren, um Angebot und Nachfrage auszugleichen — wodurch saubere Energie verschwendet wird oder es zu Stromausfällen kommen kann. Dieser Artikel stellt eine neue Methode vor, die Windgeschwindigkeit insbesondere über kurze Zeiträume, die für die Echtzeit-Netzsteuerung entscheidend sind, genauer vorhersagt.

Das Entwirren unübersichtlicher Windsignale

Die an einer Turbine gemessene Windgeschwindigkeit ist ein Gemisch aus schnellen Böen, langsameren Schwankungen und sanften Langzeittrends. Traditionelle Vorhersagemethoden behandeln dieses Geflecht häufig als einen einzigen Strom, weshalb es Computermodellen schwerfällt, klare Muster zu erkennen. Die Autoren beginnen damit, die Rohdaten in mehrere Schichten zu zerlegen, die jeweils unterschiedliche Zeitskalen der Bewegung repräsentieren. Dies geschieht mit einer Technik namens zeitvariante Filter-Empirische Moduszerlegung, die wie ein intelligentes Sieb wirkt: Sie trennt hochfrequentes Rauschen, mittelmäßige Schwankungen und niederfrequente Trends, sodass jede Komponente einzeln untersucht und vorhergesagt werden kann.

Ein Algorithmus, der schlechte Lösungen vermeidet

Dieses intelligente Sieb funktioniert jedoch nur gut, wenn seine Einstellungen genau passend sind. Diese Einstellungen manuell auszuwählen oder mit Standard-Suchverfahren zu finden, kann langsam und unzuverlässig sein, insbesondere bei komplexen, stark veränderlichen Winddaten. Um das Problem zu lösen, entwickeln die Autoren einen „verbesserten Escape-Algorithmus“, inspiriert davon, wie Menschen in einem unbekannten Gebäude Ausgänge finden. Der Algorithmus startet von vielen möglichen Einstellungen, würzt sie mit kontrollierter Zufälligkeit und lenkt schwächere Optionen schrittweise in Richtung besserer Lösungen. Durch chaotische Initialisierung, einen sich entwickelnden Pool von Elite-Kandidaten, gezielte Mutationsschritte und einen Mechanismus, der die Population zur besten Lösung hinzieht, konvergiert der verbesserte Algorithmus schneller und zuverlässiger als mehrere gängige Konkurrenzverfahren.

Verschiedene Werkzeuge für verschiedene Bewegungsarten

Sobald das Windsignal in hoch-, mittel- und niederfrequente Anteile aufgeteilt ist, weist das Team jeder Komponente ein anderes Vorhersagewerkzeug zu. Der am stärksten turbulente, hochfrequente Anteil wird einem fortgeschrittenen Tiefenlernnetz übergeben, das auf das Erinnern feiner, schneller Veränderungen spezialisiert ist. Die glatteren, mittelgroßen Schwankungen werden von einem moderateren, speicherbasierten Modell verarbeitet, das Flexibilität und Stabilität ausgleicht. Die langsame, trendähnliche niederfrequente Komponente erhält ein leichtgewichtiges neuronales Netz, das schnell trainiert und Überanpassung an Rauschen vermeidet. Nachdem jede Teilkomponente separat prognostiziert wurde, werden die Vorhersagen wieder zusammengeführt, um eine einheitliche zeitabhängige Windgeschwindigkeitsvorhersage zu erzeugen.

Erprobung des Modells

Um zu prüfen, ob dieser mehrschichtige Ansatz in der Praxis tatsächlich hilft, verwenden die Autoren detaillierte Daten eines Windparks in Xinjiang, China, mit Messungen alle 15 Minuten in mehreren Höhen. Sie vergleichen ihr System mit einer Reihe populärer Vorhersagemodelle, von einfachen neuronalen Netzen bis hin zu modernen Tiefenlernmethoden. Über Vorhersagen mit einer Schrittweite bis hin zu 15 Schritten — also fast vier Stunden — liefert das neue Modell durchgehend kleinere Fehler. Bemerkenswert ist, dass es bei 15-Schritt-Vorhersagen seine Übereinstimmung mit der Realität deutlich besser hält als selbst ein starkes einzelnes Tiefenmodell: Sein Fehler wächst langsamer und es vermeidet die schnelle Verschlechterung, die bei längerfristigen Vorhersagen oft auftritt.

Was das für zukünftige Stromnetze bedeutet

Einfach gesagt zeigt die Studie, dass die Behandlung des Windes als mehrschichtiges Signal — und die Zuordnung jeder Schicht zu einem passenden Vorhersagewerkzeug — Netzbetreibern eine klarere, stabilere Sicht in die nahe Zukunft ermöglichen kann. Der verbesserte Optimierungsalgorithmus stellt sicher, dass der Schritt der Signalzerlegung fein justiert ist, während die Kombination spezialisierter Prädiktoren verhindert, dass die Fehler mit wachsendem Vorhersagehorizont stark ansteigen. Zusammengenommen können diese Fortschritte den Systemen helfen, mehr Windenergie aufzunehmen, ohne die Zuverlässigkeit zu opfern, und so den Weg zu saubereren, widerstandsfähigeren Stromnetzen ebnen.

Zitation: Zheng, H., Wu, Q., Lv, X. et al. Multi-scale wind speed prediction model based on improved escape algorithm for optimizing time-varying filtering empirical modal decomposition. Sci Rep 16, 4958 (2026). https://doi.org/10.1038/s41598-026-35505-6

Schlüsselwörter: Windenergie, Prognose erneuerbarer Energien, Zeitreihenzerlegung, Tiefenlernmodelle, Stabilität des Stromnetzes