Model prognozowania prędkości wiatru w wielu skalach oparty na ulepszonym algorytmie escape do optymalizacji czasowo-zmiennych filtrowych empirycznych dekompozycji modalnych

Dlaczego ważne jest prognozowanie wiatru

W miarę jak coraz więcej naszej energii pochodzi z farm wiatrowych, utrzymanie zasilania zależy od tego, czy wiemy, jak mocno będzie wiało w ciągu najbliższych minut i godzin. Gdy prognozy są nietrafne, operatorzy sieci muszą gwałtownie wyrównywać podaż i popyt, marnując czystą energię lub narażając się na przerwy w dostawie prądu. Artykuł przedstawia nową metodę dokładniejszego przewidywania prędkości wiatru, szczególnie na krótkich horyzontach czasowych, które są kluczowe dla sterowania siecią w czasie rzeczywistym.

Rozplątywanie chaotycznych sygnałów wiatru

Prędkość wiatru mierzona przy turbinie to mieszanina gwałtownych porywów, wolniejszych wahań i łagodnych długoterminowych trendów. Tradycyjne metody prognozowania często traktują ten splot jako jednolity strumień, co utrudnia modelom komputerowym wykrycie wyraźnych wzorców. Autorzy zaczynają od rozdzielenia surowych danych wiatrowych na kilka warstw, z których każda reprezentuje inne skale czasowe ruchu. Robią to za pomocą techniki zwanej czasowo-zmiennym filtrowym empirycznym rozkładem modalnym, działającej jak inteligentne sito: oddziela szumy wysokiej częstotliwości, średnio‑częstotliwościowe wahania i niskoczęstotliwościowe trendy, tak by każdą składową można było osobno analizować i przewidywać.

Nauka algorytmu, by unikał złych zgadnięć

Ta „inteligentna sita” działa jednak dobrze tylko przy odpowiednich ustawieniach. Dobór tych parametrów ręcznie lub przy użyciu standardowych metod poszukiwania może być powolny i zawodny, zwłaszcza dla złożonych, silnie zmiennych danych wiatrowych. Aby temu zaradzić, autorzy opracowali „ulepszony algorytm escape”, inspirowany sposobem, w jaki tłum znajduje wyjścia w nieznanym budynku. Algorytm startuje z wieloma możliwymi ustawieniami, miesza je z dawką kontrolowanego losu, a następnie stopniowo przesuwa słabsze opcje w kierunku lepszych. Dzięki chaotycznej inicjalizacji, ewoluującemu zbiorowi elitarnych kandydatów, ukierunkowanym krokom mutacji oraz mechanizmowi przyciągającemu populację ku najlepszym rozwiązaniom, ulepszony algorytm zbiega szybciej i bardziej niezawodnie niż kilka popularnych konkurentów.

Różne narzędzia dla różnych rodzajów ruchu

Po rozdzieleniu sygnału wiatru na składowe wysokiej, średniej i niskiej częstotliwości zespół przypisuje każdej z nich inny narzędzie prognostyczne. Najbardziej turbulentna, wysokoczęstotliwościowa część trafia do zaawansowanej sieci głębokiego uczenia, wyspecjalizowanej w zapamiętywaniu złożonych, szybkich zmian w czasie. Gładsze, średnio‑częstotliwościowe wahania obsługuje bardziej skromny model pamięciowy, który równoważy elastyczność ze stabilnością. Powolna, niemal trendowa składowa niskoczęstotliwościowa jest powierzona lekkiej sieci neuronowej, która szkoli się szybko i unika nadmiernego dopasowania do szumu. Po osobnym przewidzeniu każdej części, prognozy są sumowane, by wygenerować jedną, czasową prognozę prędkości wiatru.

Testy modelu

Aby sprawdzić, czy to wielowarstwowe podejście rzeczywiście pomaga w praktyce, autorzy wykorzystali szczegółowe dane z farmy wiatrowej w Xinjiangu w Chinach, z pomiarami co 15 minut na kilku wysokościach. Porównali swój system z szeregiem popularnych modeli prognostycznych, od prostych sieci neuronowych po zaawansowane metody głębokiego uczenia. W prognozach sięgających od jednego kroku naprzód do 15 kroków naprzód—obejmujących prawie cztery godziny—nowy model konsekwentnie generował mniejsze błędy. Co ważne, przy patrzeniu 15 kroków w przyszłość utrzymywał dopasowanie do rzeczywistości znacznie lepiej niż nawet silny, jednolity model głęboki: jego błąd rośnie wolniej i unika szybkiej degradacji, która często dotyka prognoz na dłuższe horyzonty.

Znaczenie dla przyszłych sieci energetycznych

Mówiąc prosto, badanie pokazuje, że traktowanie wiatru jako sygnału wielowarstwowego—i dopasowanie każdej warstwy do odpowiedniego rodzaju silnika prognostycznego—może dać operatorom sieci ostrzejszy, bardziej stabilny wgląd w krótką przyszłość. Ulepszony algorytm optymalizacyjny zapewnia dokładne dostrojenie kroku rozdziału sygnału, podczas gdy zestaw wyspecjalizowanych predyktorów zapobiega gwałtownemu wzrostowi błędów wraz z wydłużaniem horyzontu prognozy. Te udoskonalenia razem mogą pomóc systemom energetycznym przyjmować więcej energii wiatrowej bez utraty niezawodności, ułatwiając przejście w kierunku czystszych, bardziej odpornych sieci elektrycznych.

Cytowanie: 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

Słowa kluczowe: energia wiatru, prognozowanie odnawialnej energii, dekompozycja szeregów czasowych, modele głębokiego uczenia, stabilność sieci energetycznej