基于SSA-VMD预处理的TCN-Informer短期风速多步预测混合模型

孔宪正; 黄国勇; 邓为权; 刘发炳

doi:doi:10.19912/j.0254-0096.tynxb.2024-1806

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 >

基于SSA-VMD预处理的TCN-Informer短期风速多步预测混合模型

更新时间：2026-03-06

- 基于SSA-VMD预处理的TCN-Informer短期风速多步预测混合模型
- 基于SSA-VMD预处理的TCN-Informer短期风速多步预测混合模型
- 太阳能学报 2026年47卷第2期页码：527-538
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1806
  中图分类号： TM614
- 网络首发：2026-03-05，
  
  纸质出版：2026-03-05
- 稿件说明：
移动端阅览
孔宪正, 黄国勇, 邓为权, 等. 基于SSA-VMD预处理的TCN-Informer短期风速多步预测混合模型[J]. 太阳能学报, 2026,47(2):527-538.

孔宪正, 黄国勇, 邓为权, et al. 基于SSA-VMD预处理的TCN-Informer短期风速多步预测混合模型[J]. 2026, 47(2): 527-538.
孔宪正, 黄国勇, 邓为权, 等. 基于SSA-VMD预处理的TCN-Informer短期风速多步预测混合模型[J]. 太阳能学报, 2026,47(2):527-538. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1806.

孔宪正, 黄国勇, 邓为权, et al. 基于SSA-VMD预处理的TCN-Informer短期风速多步预测混合模型[J]. 2026, 47(2): 527-538. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1806.

摘要

针对传统风速预测方法多步预测准确性不足的问题

提出一种基于奇异谱分析和变分模态分解预处理的时间卷积网络-Informer混合预测模型。首先

利用奇异谱分析抑制原始风速中的噪声

降低风速的不稳定性;然后

利用变分模态分解降低风速序列的复杂度

并将各分量分别输入到时间卷积网络提取时间特征以加强局部信息的捕捉;最后

将各模态分量及其时空特征进行融合

输入到Informer自注意力模型对其长时间依赖关系进行建模

得到多步风速预测结果。以云南某风电场测风塔实测风速为验证

该模型在6步和12步预测上MAPE分别仅为1.63%和2.25%

进一步提高了短期风速多步预测准确性。

Abstract

To address the limited accuracy of multi-step wind speed predictions using conventional methods

this paper proposes a hybrid model that integrates Singular Spectrum Analysis （SSA） and Variational Mode Decomposition （VMD） with a Time Convolutional Network （TCN）-Informer architecture. Firstly

SSA is used to suppress noise in the original wind speed data and reduce its instability. Next

VMD is employed to reduce the complexity of the wind speed sequence

with each component then input into TCN's feature extraction module to capture temporal features and enhance local information representation. Finally

by fusing temporal and spatial features from each modal component and inputting them into Informer's self-attention model

long-term dependence relationships are modeled to obtain multi-step wind speed predictions. The proposed model was validated using measured wind speed data from a meteorological tower at a wind farm in Yunnan province

China. The results show that the MAPE for 6-step and 12-step predictions were only 1.63% and 2.25%

respectively

demonstrating significantly accuracy in short-term multi-step wind speed prediction.

关键词

Keywords

references

刘德伟, 郭剑波, 黄越辉, 等. 基于风电功率概率预测和运行风险约束的含风电场电力系统动态经济调度[J]. 中国电机工程学报, 2013, 33(16): 9-15, 24.

姜兆宇, 贾庆山, 管晓宏. 多时空尺度的风力发电预测方法综述[J]. 自动化学报, 2019, 45(1): 51-71.

石卓见, 冉启武, 徐福聪. 基于聚合二次模态分解及Informer的短期负荷预测[J]. 电网技术, 2024, 48(6): 2574-2583.

VASWANI A,SHAZEER N,PARMAR N,et al.Attention is all you need[C]//Proceedings of the 31st International Conference on Neural information Processing Systems. Long Beach, USA, Curran Associates Inc, 2017: 6000-6010.

ZHOU H Y, ZHANG S H, PENG J Q, et al.Informer: beyond efficient transformer for long sequence time-series forecasting[J]. Proceedings of the AAAI conference on artificial intelligence, 2021, 35(12): 11106-11115.

滕陈源, 丁逸超, 张有兵, 等. 基于VMD-Informer-BiLSTM模型的超短期光伏功率预测[J]. 高电压技术, 2023, 49(7): 2961-2971.

钱政, 裴岩, 曹利宵, 等. 风电功率预测方法综述[J]. 高电压技术, 2016, 42(4): 1047-1060.

林涛, 刘航鹏, 赵参参, 等. 基于SSA-PSO-ANFIS的短期风速预测研究[J]. 太阳能学报, 2021, 42(3): 128-134.

殷豪, 曾云, 孟安波, 等. 基于奇异谱分析-模糊信息粒化和极限学习机的风速多步区间预测[J]. 电网技术, 2018, 42(5): 1467-1474.

刘杰, 金勇杰, 田明. 基于VMD和TCN的多尺度短期电力负荷预测[J]. 电子科技大学学报, 2022, 51(4): 550-557.

王逸文, 王维莉, 刘贤超, 等. 融合两阶段分解与iJaya-ELM的短期风速预测模型[J]. 电子测量与仪器学报, 2023, 37(7): 186-195.

向玲, 邓泽奇, 赵玥. 基于LPF-VMD和KELM的风速多步预测模型[J]. 电网技术, 2019, 43(12): 4461-4467.

毕贵红, 黄泽, 赵四洪, 等. 基于混合分解和PCG-BiLSTM的风速短期预测[J]. 太阳能学报, 2024, 45(1): 159-170.

王维高, 魏云冰, 滕旭东. 基于VMD-SSA-LSSVM的短期风电预测[J]. 太阳能学报, 2023, 44(3): 204-211.

DU W H, ZHOU J, WANG Z J, et al.Application of improved singular spectrum decomposition method for composite fault diagnosis of gear boxes[J]. Sensors, 2018, 18(11): 3804.

张广伦, 钟海旺. 信息熵在电力系统中的应用综述及展望[J]. 中国电机工程学报, 2023, 43(16): 6155-6180.

DRAGOMIRETSKIY K, ZOSSO D.Variational mode decomposition[J]. IEEE transactions on signal processing, 2014, 62(3): 531-544.

苏连成, 朱娇娇, 李英伟. 基于时间卷积网络残差校正的短期风电功率预测[J]. 太阳能学报, 2023, 44(7): 427-435.

许越, 李强, 崔晖. 基于MIC-EEMD-改进Informer的含高比例清洁能源与储能的电力市场短期电价多步预测[J]. 电网技术, 2024, 48(3): 949-957.

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VMD-TCN-GRU-AM的超短期风电预测

基于ICPO优化VMD耦合深度学习模型的中短期风电功率预测

基于SSA-VMD-LIESN的短期风电功率预测方法研究

考虑历史相似性加权的超短期风电功率组合预测

基于多目标优化和误差修正的短期风速预测