Исследование по улучшению краткосрочного прогнозирования ветровой генерации через объединение признаков в гибридной глубокой нейросетевой структуре

Почему важно прогнозировать ветер

Электроэнергия от ветровых турбин чистая, но сам ветер непостоянен. Когда выходная мощность ветропарка внезапно растет или падает, операторам сети нужно быстро реагировать, чтобы поддерживать подачу и защищать оборудование. В этом исследовании рассматривается новый подход к прогнозированию того, сколько энергии произведет ветропарк всего за несколько часов вперед. За счет более эффективного извлечения информации из метеоданных и прошлой работы турбин авторы показывают, что более умные прогнозы могут сделать ветровую энергию более надежной основой будущих энергосистем.

Проблема укрощения порывистой генерации

Ветровая генерация быстро выросла в мире и теперь обеспечивает значительную долю электроэнергии в многих регионах. В отличие от угольных или газовых электростанций, ветропарки нельзя бесконтрольно увеличивать или уменьшать мощность. Их выход меняется вместе с погодой, иногда меняясь на половину номинальной мощности всего за несколько часов. Такие быстрые скачки, называемые реймповыми событиями, особенно проблемны, потому что многие существующие инструменты прогнозирования с трудом их отслеживают. Модели также часто хорошо работают только на одном участке или в одном сезоне, но теряют точность при изменении условий, и зачастую не используют в полной мере многочисленные погодные измерения, доступные в современных системах прогнозирования.

Новый способ «читать» ветер

Авторы предлагают гибридную архитектуру глубокого обучения, специально разработанную для устранения этих слабых мест. Вместо опоры на один тип нейросети их модель сочетает два взаимодополняющих ветвления. Одна ветвь использует специальную форму свертки для сканирования длинных отрезков прошлых данных, эффективно улавливая закономерности, разворачивающиеся в течение минут и часов. Встроенный механизм взвешивания усиливает влияние наиболее информативных метеорологических переменных — например, измеренной скорости ветра в штормовую зимнюю погоду — одновременно подавляя шумные или менее полезные сигналы. Вторая ветвь концентрируется на том, как во времени развивается последовательность мощности ветра, обучаясь смотреть как вперед, так и назад, чтобы лучше понять, как формируются постепенные сдвиги и внезапные реймпы.

Позволяя модели обращать внимание

Поверх этой двойной структуры исследователи добавляют механизм внимания — инструмент, широко используемый в современных языковых и визуальных моделях. Здесь внимание помогает сети решать, какие прошлые моменты имеют наибольшее значение для конкретного прогноза. Вместо фиксации только на самых последних показаниях метод мягко распределяет фокус по более широкому окну, чтобы ранние признаки приближающегося реймпа не игнорировались. Выходы двух ветвей затем объединяются в одно компактное представление, которое подается на финальный слой предсказания, выдающий краткосрочный прогноз мощности для ветропарка.

Тестирование на годичных данных реального ветра

Чтобы оценить практическую эффективность подхода, команда применила его к данным большого ветропарка в Внутренней Монголии, Китай, охватывающим полный год с измерениями каждые 15 минут. Они тщательно очистили данные, удалив невозможные значения — такие как мощность при нулевом ветре или резко прыгающие температуры — и использовали проверенные методы для отбора наиболее важных погодных признаков. Новую модель затем сравнили с несколькими сильными конкурентами, включая популярные архитектуры трансформеров и другие гибридные глубокие нейросетевые решения, в четырех репрезентативных месяцах, отражающих зимние, весенние, летние и осенние условия.

Более точные прогнозы в разные сезоны

Во всех сезонах гибридная модель стабильно показывала меньшую ошибку по сравнению с упрощенными версиями и превосходила или сопоставима с более продвинутыми альтернативами. Ее прогнозы точнее отслеживали резкие подъемы и падения мощности и допускали меньше крупных ошибок. В числовом выражении модель сократила среднеквадратичную ошибку до менее чем одной пятой относительно базовой сверточной схемы, с коэффициентами соответствия, близкими к совершенству для данного ветропарка. Статистические тесты подтвердили, что в наиболее нестабильные месяцы, где прогнозирование особенно сложно и важно, ее преимущество над ведущим методом на базе трансформера вряд ли было случайным.

Что это значит для повседневного энергопотребления

Для неспециалистов ключевая мысль проста: более разумное применение глубинного обучения может сделать ветровую энергию более предсказуемой на временных масштабах, важных для работы сети. Сочетая разные типы нейросетей и давая им возможность адаптироваться к смене сезонов и погодных закономерностей, эта архитектура обеспечивает более стабильные и точные краткосрочные прогнозы для изучаемого участка. Хотя работа сосредоточена на одном ветропарке и точечных прогнозах, а не полных диапазонах неопределенности, она указывает путь к инструментам прогнозирования, которые могут помочь операторам сети увереннее полагаться на ветер, снижать затраты на резервные мощности и поддерживать более чистую и более устойчивую энергосистему.

Цитирование: Su, X., Gao, J., Han, K. et al. Research on enhancing short-term wind power forecasting through feature fusion in a hybrid deep learning framework. Sci Rep 16, 10043 (2026). https://doi.org/10.1038/s41598-026-40689-y

Ключевые слова: прогнозирование ветровой энергии, возобновляемая энергия, глубокое обучение, стабильность энергосети, прогнозирование временных рядов