Modello di previsione della velocità del vento multi-scala basato su algoritmo di fuga migliorato per l’ottimizzazione della decomposizione empirica modale con filtraggio tempo-variabile

Perché è importante prevedere il vento

Man mano che una porzione crescente dell’elettricità proviene da parchi eolici, mantenere le luci accese dipende dalla capacità di sapere con che intensità il vento soffierà nei prossimi minuti e nelle prossime ore. Se le previsioni sono errate, gli operatori di rete devono correre per bilanciare offerta e domanda, sprecando energia pulita o rischiando blackout. Questo articolo presenta un nuovo metodo per prevedere la velocità del vento in modo più accurato, soprattutto su orizzonti temporali brevi che sono critici per il controllo in tempo reale della rete.

Districare segnali del vento disordinati

La velocità del vento misurata su una turbina è un miscuglio di raffiche rapide, oscillazioni più lente e tendenze dolci a lungo termine. I metodi di previsione tradizionali spesso trattano questo groviglio come un unico flusso, rendendo difficile per i modelli informatici riconoscere schemi chiari. Gli autori iniziano separando i dati grezzi del vento in più strati, ciascuno rappresentante diverse scale temporali del moto. Questo viene fatto con una tecnica chiamata decomposizione empirica modale con filtraggio tempo‑variabile, che agisce come un setaccio intelligente: separa il rumore ad alta frequenza, le oscillazioni a frequenza media e le tendenze a bassa frequenza, in modo che ciascuna possa essere studiata e prevista autonomamente.

Addestrare un algoritmo a sfuggire alle cattive ipotesi

Questa sorta di setaccio però funziona bene solo quando i suoi parametri sono impostati correttamente. Sceglierli a mano o con metodi di ricerca standard può essere lento e inaffidabile, specialmente per dati del vento complessi e fortemente variabili. Per risolvere il problema, gli autori progettano un “algoritmo di fuga migliorato”, ispirato a come la folla trova le uscite in un edificio sconosciuto. L’algoritmo parte da molte possibili impostazioni, le mescola con una dose di casualità controllata e poi spinge gradualmente le opzioni più deboli verso quelle migliori. Aggiungendo un’inizializzazione caotica, una piscina evolutiva di candidati d’élite, passi di mutazione mirata e un meccanismo che attrae la popolazione verso le soluzioni migliori, l’algoritmo migliorato converge più rapidamente e con maggiore affidabilità rispetto a diversi concorrenti popolari.

Strumenti diversi per tipi diversi di moto

Una volta che il segnale del vento è stato suddiviso nelle componenti ad alta, media e bassa frequenza, il team assegna a ciascuna uno strumento di previsione diverso. La parte più turbolenta e ad alta frequenza viene affidata a una rete di deep learning avanzata, specializzata nel cogliere cambiamenti intricati e rapidi nel tempo. Le variazioni più morbide a frequenza media sono gestite da un modello basato sulla memoria più contenuto, che bilancia flessibilità e stabilità. La componente lenta, quasi di tendenza, è affidata a una rete neurale leggera che si allena rapidamente ed evita l’overfitting sul rumore. Dopo aver previsto separatamente ciascuna parte, le previsioni vengono ricombinate per produrre una singola previsione temporale della velocità del vento.

Mettere il modello alla prova

Per verificare se questo approccio multilivello sia effettivamente utile in pratica, gli autori utilizzano dati dettagliati di un parco eolico nello Xinjiang, Cina, con misurazioni effettuate ogni 15 minuti a diverse altezze. Confrontano il loro sistema con una serie di modelli di previsione popolari, dalle reti neurali semplici fino a metodi di deep learning all’avanguardia. Su previsioni che vanno da un passo in avanti fino a 15 passi avanti—coprendo quasi quattro ore—il nuovo modello produce costantemente errori più piccoli. In particolare, guardando a 15 passi nel futuro, mantiene una maggiore aderenza alla realtà rispetto anche a un forte modello deep singolo: il suo errore cresce più lentamente ed evita il rapido degrado che spesso affligge le previsioni a orizzonti più lunghi.

Cosa significa per le reti elettriche future

In termini semplici, lo studio dimostra che trattare il vento come un segnale stratificato—e associare a ogni strato il tipo giusto di motore di previsione—può dare agli operatori di rete una visione più nitida e stabile del breve periodo. L’algoritmo di ottimizzazione migliorato garantisce che la fase di separazione del segnale sia finemente tarata, mentre la combinazione di predittori specializzati impedisce che gli errori esplodano con l’aumentare dell’orizzonte di previsione. Insieme, questi progressi possono aiutare i sistemi elettrici ad accogliere più energia eolica senza sacrificare l’affidabilità, agevolando la transizione verso reti elettriche più pulite e resilienti.

Citazione: 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

Parole chiave: energia eolica, previsione delle fonti rinnovabili, decomposizione delle serie temporali, modelli di deep learning, stabilità della rete elettrica