考虑时空相关性的BiLSTM-KAN短期风速预测模型

任怡超; 黄国勇; 邓为权; 孔宪正

doi:10.19912/j.0254-0096.tynxb.2025-0684

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

考虑时空相关性的BiLSTM-KAN短期风速预测模型

更新时间：2026-10-15

- 考虑时空相关性的BiLSTM-KAN短期风速预测模型
- 考虑时空相关性的BiLSTM-KAN短期风速预测模型
- 太阳能学报 2026年47卷第9期页码：738-745
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：10.19912/j.0254-0096.tynxb.2025-0684
  中图分类号： TM614
- 网络首发：2026-10-10，
  
  纸质出版：2026
- 稿件说明：
移动端阅览
任怡超, 黄国勇, 邓为权, 等. 考虑时空相关性的BiLSTM-KAN短期风速预测模型[J]. 太阳能学报, 2026,47(9):738-745.

任怡超, 黄国勇, 邓为权, et al. 考虑时空相关性的BiLSTM-KAN短期风速预测模型[J]. 2026, 47(9): 738-745.
任怡超, 黄国勇, 邓为权, 等. 考虑时空相关性的BiLSTM-KAN短期风速预测模型[J]. 太阳能学报, 2026,47(9):738-745. DOI： 10.19912/j.0254-0096.tynxb.2025-0684.

任怡超, 黄国勇, 邓为权, et al. 考虑时空相关性的BiLSTM-KAN短期风速预测模型[J]. 2026, 47(9): 738-745. DOI： 10.19912/j.0254-0096.tynxb.2025-0684.

摘要

为充分挖掘风速的时空特征

提出一种基于图卷积网络（GCN）、逐次变分模态分解（SVMD）、双向长短时记忆网络（BiLSTM）及柯尔莫哥洛夫-阿诺德网络（KAN）的短期风速预测模型。首先

利用GCN提取不同水平距离风速之间的空间特征;然后

采用SVMD对目标风速序列进行分解

以提取不同时间尺度的模态特征;最后

将提取的空间信息和分解后的多尺度时间序列进行融合

并将融合后的时空多维信息输入到BiLSTM-KAN模型中进行预测。实验结果表明

在超前1步、3步、6步、9步和12步预测中

所提模型的平均绝对误差相比于BiLSTM模型分别降低38.36%、55.45%、58.21%、60.53%和59.76%。

Abstract

To comprehensively capture the spatiotemporal characteristics of wind speed

this paper proposes a short-term wind speed forecasting model based on graph convolutional network （GCN）

successive variational mode decomposition （SVMD）

bidirectional long short-term memory （BiLSTM） network

and the Kolmogorov-Arnold Network （KAN）. First

GCN is employed to extract spatial features among wind speeds at different horizontal distances. Then

SVMD is used to decompose the target wind speed series

thereby extracting modal features across various temporal scales. Finally

the extracted spatial features and the multi-scale temporal components are fused and input into a BiLSTM-KAN model to perform forecasting. Experimental results show that for 1-

and 12-step ahead predictions

the proposed model reduces the mean absolute error by 38.36%

55.45%

58.21%

60.53%

and 59.76%

respectively

compared with the BiLSTM model.

关键词

Keywords

references

Bommidi B S, Teeparthi K.A hybrid wind speed prediction model using improved CEEMDAN and Autoformer model with auto-correlation mechanism[J]. Sustainable Energy Technologies and Assessments, 2024, 64: 103687.

Zhang C, Li Z B, Ge Y D, et al.Enhancing short-term wind speed prediction based on an outlier-robust ensemble deep random vector functional link network with AOA-optimized VMD[J]. Energy, 2024, 296: 131173.

唐非. 基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型[J]. 太阳能学报, 2024, 45(7): 735-744.

李永刚, 王月, 刘丰瑞, 等. 基于Stacking融合的短期风速预测组合模型[J]. 电网技术, 2020, 44(8): 2875-2882.

潘超, 李润宇, 蔡国伟, 等. 基于属性约简重构的自校正卷积记忆风速预测[J]. 中国电机工程学报, 2023, 43(7): 2721-2732.

凡航, 张雪敏, 梅生伟, 等. 基于时空神经网络的风电场超短期风速预测模型[J]. 电力系统自动化, 2021, 45(1): 28-35.

Zhu Q M, Chen J F, Shi D Y, et al.Learning temporal and spatial correlations jointly: a unified framework for wind speed prediction[J]. IEEE Transactions on Sustainable Energy, 2020, 11(1): 509-523.

王旭光, 张可, 李潇, 等. 基于变量相关注意力机制的短期风速预测[J]. 太阳能学报, 2023, 44(8): 467-476.

Dai J F, Fu L H.A wind speed forecasting model using nonlinear auto-regressive model optimized by the hybrid chaos-cloud salp swarm algorithm[J]. Energy, 2024, 298: 131332.

Nazari M, Sakhaei S M.Successive variational mode decomposition[J]. Signal Processing, 2020, 174: 107610.

张越, 臧海祥, 韩海腾, 等. 基于FSN-MCCN-SA-BiLSTM的短期风速预测[J]. 太阳能学报, 2024, 45(8): 529-536.

Zhang Y M, Wang H.Multi-head attention-based probabilistic CNN-BiLSTM for day-ahead wind speed forecasting[J]. Energy, 2023, 278: 127865.

ZHANG C, MA H X, HUA L, et al.An evolutionary deep learning model based on TVFEMD, improved sine cosine algorithm, CNN and BiLSTM for wind speed prediction[J]. Energy, 2022, 254: 124250.

王泰然, 鲍逸非. 基于卷积神经网络和双向长短期记忆网络的微地震记录去噪方法[J]. 北京大学学报(自然科学版), 2025, 61(3): 487-500.

Kipf T N, Welling M. Semi-supervised classification with graph convolutional networks[J]. Arxiv Preprint Arxiv:1609.02907, 2016.

Parri S, Teeparthi K.Svmd-Tf-Qs: an efficient and novel hybrid methodology for the wind speed prediction[J]. Expert Systems with Application, 2024, 249: 123516.

Xiao Y N, Cui H, Abu Khurma R, et al.Artificial lemming algorithm: a novel bionic meta-heuristic technique for solving real-world engineering optimization problems[J]. Artificial Intelligence Review, 2025, 58(3): 84.

向玲, 陈锦鹏, 付晓孟婷, 等. 基于VIT和LSTM的风速多步预测[J]. 太阳能学报, 2024, 45(9): 525-533.

李承皓, 杨永标, 宋嘉启, 等. 基于IMVMD和BiLSTM-SARIMA组合模型的台区光伏短期发电功率预测[J]. 太阳能学报, 2025, 46(2): 433-440.

Liu Z M, Wang Y X, Vaidya S, et al. Kan: Kolmogorov-arnold networks[J]. Arxiv Preprint Arxiv:2404. 19756, 2024.

JI T R, HOU Y T, ZHANG D. A comprehensive survey on Kolmogorov Arnold networks (KAN)[J]. Arxiv Preprint Arxiv:2407.11075, 2024.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于变量相关注意力机制的短期风速预测

基于FSN-MCCN-SA-BiLSTM的短期风速预测

基于机器学习耦合启发式算法和数据预处理的无负约束组合风速预测

基于样本熵双分解和SSA-LSTM的超短期风速预测

基于MODWT-CEEMDAN-Transformer-BiTCN的短期光伏功率区间预测