Масштабная модель прогноза скорости ветра на основе улучшенного алгоритма escape для оптимизации эмпирического модального разложения с переменным фильтром

Почему важно прогнозировать ветер

По мере того как доля электроэнергии от ветропарков растёт, надежность электроснабжения всё больше зависит от умения предсказать силу ветра на ближайшие минуты и часы. Если прогнозы ошибочны, операторам сети приходится в экстренном порядке балансировать спрос и предложение, что ведёт к растрате чистой энергии или риску отключений. В этой статье представлен новый подход к более точному прогнозированию скорости ветра, особенно на коротких горизонтах, критичных для управления сетью в реальном времени.

Разбор сложного ветрового сигнала

Измеренная на турбине скорость ветра — это смесь резких порывов, более медленных колебаний и плавных долгосрочных трендов. Традиционные методы прогнозирования часто рассматривают этот поток как единое целое, что затрудняет моделям выявление чётких закономерностей. Авторы начинают с разложения исходных данных о ветре на несколько слоёв, каждый из которых отражает движения на своём временном масштабе. Для этого используется метод эмпирического модального разложения с переменным фильтром, который действует как умное сито: он отделяет высокочастотные шумы, среднечастотные колебания и низкочастотные тренды, чтобы каждый компонент можно было исследовать и прогнозировать отдельно.

Обучение алгоритма выходить из плохих предположений

Однако это умное сито эффективно только при правильно подобранных настройках. Выбор параметров вручную или с помощью стандартных поисковых методов может быть медленным и ненадёжным, особенно для сложных и сильно изменчивых ветровых данных. Чтобы решить эту проблему, авторы разработали «улучшенный алгоритм escape», вдохновлённый тем, как люди в толпе находят выходы в незнакомом здании. Алгоритм стартует с множества возможных настроек, перемешивает их с помощью контролируемой случайности и затем постепенно подтягивает менее удачные варианты к более успешным. За счёт хаотической инициализации, эволюции пула лидирующих кандидатов, целенаправленных шагов мутации и механизма притяжения популяции к лучшим решениям, улучшенный алгоритм сходится быстрее и надёжнее по сравнению с рядом популярных конкурентов.

Разные инструменты для разных видов движения

После того как сигнал ветра разделён на высоко-, средне- и низкочастотные составляющие, команда назначает для каждой части свой инструмент прогнозирования. Самую турбулентную, высокочастотную составляющую обрабатывает продвинутая сеть глубокого обучения, специализирующаяся на запоминании сложных и быстрых изменений во времени. Более гладкие среднечастотные вариации прогнозируются с помощью более скромной модели с памятью, которая сочетает гибкость и стабильность. Медленная, близкая к тренду низкочастотная компонента доверяется лёгкой нейросети, которая быстро обучается и не склонна переобучаться на шуме. После индивидуального прогнозирования каждой части результаты складываются, давая единый временной прогноз скорости ветра.

Проверка модели в действии

Чтобы оценить, помогает ли этот многоуровневый подход на практике, авторы используют детализированные данные с ветропарка в Синьцзян-Уйгурском автономном районе Китая, с измерениями каждые 15 минут на нескольких высотах. Они сравнивают свою систему с рядом популярных моделей прогнозирования — от простых нейросетей до современных методов глубокого обучения. Во всех прогнозах от шага вперёд до 15 шагов вперёд — почти на четыре часа — новая модель стабильно даёт меньшие ошибки. Особенно заметно, что при прогнозе на 15 шагов вперёд она сохраняет соответствие реальности значительно лучше, чем даже сильная одиночная глубокая модель: её ошибка растёт медленнее и избегает резкого ухудшения, характерного для долгих горизонтов.

Что это значит для будущих энергосистем

Проще говоря, исследование показывает: подход, рассматривающий ветер как многослойный сигнал и подбирающий для каждого слоя подходящий прогнозный механизм, даёт операторам сети более точное и стабильное представление о ближайшем будущем. Улучшенный оптимизационный алгоритм обеспечивает тонкую настройку шага разложения сигнала, а сочетание специализированных предикторов не даёт ошибкам стремительно нарастать с увеличением горизонта прогноза. В совокупности эти улучшения помогают энергетическим системам принимать больше ветроэнергии без потери надёжности, ускоряя переход к более чистым и устойчивым сетям электроснабжения.

Цитирование: 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

Ключевые слова: ветроэнергетика, прогнозирование возобновляемой энергии, разложение временных рядов, модели глубокого обучения, стабильность электрической сети