《Electric Power Systems Research》：Time-frequency feature analysis: A KAN-DLinear cooperative framework for multi-confidence interval wind power forecasting
编辑推荐：
风电短期预测中非平稳信号与特征提取不足的挑战，本文提出KAN-DLinear框架，结合自适应Hodrick-Prescott滤波与多尺度小波分解，通过门控残差融合机制动态调整KAN非线性建模与DLinear线性建模的权重，并基于高斯核密度估计生成85%、90%、95%置信水平预测区间。实验表明该方法在50MW陆上风电场和福建300MW海上风电场中均优于现有基准，兼具高预测精度与可靠的不确定性量化能力。
陈文英|吴梦达|刘帅|赵 luYang|刘长亮|刘伟亮
华北电力大学控制与计算机工程学院，中国北京102206
摘要
为了解决非平稳信号和短期风电预测中特征提取不足所带来的挑战，本文提出了一种结合显式时频分析的KAN-DLinear区间预测框架。该方法采用最大信息系数（MIC）进行特征选择，并利用自适应Hodrick-Prescott（HP）滤波器有效分离趋势和周期性成分。通过多尺度小波分解和基于符号的硬阈值处理来细化信号，以增强噪声抑制效果。该框架的架构结合了Kolmogorov-Arnold网络（KAN）来捕捉高维非线性特征，以及DLinear分支来建模局部线性趋势，两者通过门控残差融合机制动态调整各自的贡献。为了量化不确定性，采用高斯核密度估计生成85%、90%和95%置信水平的预测区间。在50兆瓦风电场的实验结果表明，所提出的框架显著优于现有最佳实践，表现出更高的预测准确性和可靠的电网调度不确定性界限。此外，在福建一个300兆瓦海上风电场的验证进一步证实了该方法的稳健性。
引言
准确的风电预测对于低碳能源转型至关重要，尤其是在中国“双碳”战略和全球气候目标要求高比例可再生能源整合的背景下[1]。作为一种主要的清洁能源，风电具有间歇性和可变性，当其渗透率较高时会对电网稳定性构成挑战[2,3]。短期预测通常覆盖6-72小时的时间范围[4]，用于支持电力系统的调度和计划。
预测方法主要分为点预测和概率预测[5]。点预测提供单一数值，但不可避免地存在误差。概率预测能够量化不确定性并提供更好的决策支持[6]。区间预测是一种常见的概率方法，它提供具有明确置信水平的预测范围，有助于电网运营商管理风险[7,8]。参数化区间方法假设误差分布已知，而非参数化方法（例如核密度估计或分位数回归）则直接从数据中学习误差分布。
常见的预测技术包括物理方法、统计方法和人工智能（AI）方法[[9], [10], [11]]。物理模型使用大气方程，但对天气误差敏感；统计模型依赖于历史模式，但在处理复杂数据时可能遇到困难；基于AI的模型，尤其是深度学习，能够高效捕捉非线性模式，并通常实现更高的准确性，代表了当前的技术水平[12]。值得注意的是，用于时间序列预测的深度学习架构一直在不断发展。例如，Feature Enhancement-Simplified-Bidirectional LSTM（FE-S-BiLSTM）采用特征增强层来抑制噪声，同时保留全局静态特征，并结合简化的门控机制来优化信息流[13]。CNN-EFC-BiLSTM将卷积神经网络与增强特征组合机制相结合，提取局部特征并通过权重分配层提高模型稳定性[14]。LSTM-Reduction架构通过简化的门结构在计算效率和预测准确性之间取得了良好的平衡[15]。这些架构为时间序列预测领域提供了宝贵的见解。
尽管深度学习方法在风电预测中展示了巨大的潜力，但现有研究仍面临三个主要挑战。首先，风电信号具有显著的非平稳性和多尺度变异性。传统的单一分解方法往往无法有效分离趋势、周期性和噪声成分，导致特征提取不足[[16], [17]]。其次，当前的深度学习架构在处理风电信号时存在固有局限性：固定的激活函数不足以捕捉复杂非线性；僵化的模型结构无法适应风速的突然变化；缺乏有效的成分融合机制，阻碍了来自不同子信号的信息的充分利用[18]。第三，大多数现有预测方法侧重于点预测，对预测不确定性的量化不足，从而限制了它们对风险意识电网运营决策的支持[[19], [20]]。
为了解决这些挑战，最近的研究尝试通过时频分解技术来提高预测性能。Meng等人[21]使用多变量变分模态分解从风电数据中提取特征；Dai等人[22]应用集合经验模态分解分离高频和低频成分；Hossain等人[23]利用带自适应噪声的完整集合经验模态分解获得内在模态函数；Yang等人[24]结合混合频率建模和集合策略；Ali等人[25]构建了基于小波的增强型神经网络用于去噪。这些工作加深了对多尺度风电动态的理解。然而，固定的分解方法可能难以适应数据的变化，并可能将趋势与噪声混淆，这凸显了更适应性时频分析的必要性。在成分融合方面，现有研究主要采用直接求和、基于准确性的加权或基于复杂度的加权策略[[26], [27]]，这些方法往往缺乏对动态变化的实时响应能力。最近引入的Kolmogorov-Arnold网络（KANs）[28]为解决上述挑战提供了新的视角。通过用可学习的样条函数替换固定激活函数，KANs可以实现更优的非线性拟合，并减少参数数量[[29], [30], [31]]。
基于以上分析，本文提出了一种新的风电概率区间预测框架。主要贡献如下：
（1）开发了一种混合时频分解策略。通过结合自适应HP滤波和多尺度小波分析，分离非平稳序列中的趋势、周期性和噪声成分。
（2）实现了具有门控残差融合机制的KAN–DLinear协作预测架构。KAN捕捉高维非线性关系，而DLinear建模局部线性动态。两个分支的贡献通过轻量级门控网络动态平衡，从而提高准确性和不确定性表示。
（3）引入了基于高斯KDE的非参数概率方法。生成多个置信水平的预测区间，以支持风险意识的电网运营。
（4）在内蒙古的一个50兆瓦风电场进行了实验验证。所提出的框架在点预测准确性和区间可靠性方面均优于现有最佳实践。
本文的其余部分组织如下：第2节解释了所提出的方法论。第3节展示了案例研究和实验结果。最后，第4节提出了结论和未来的研究方向。
方法
为了解决现有方法在处理非平稳风电序列时的局限性，本文提出了一种概率区间预测框架，如图1所示。
首先对数据进行了预处理，并分为训练集、验证集和测试集。为了优化特征选择，通过分析最大信息系数对预测性能的影响来确定其阈值，从而筛选出高度相关的特征。
数据描述
实验数据来自中国内蒙古赫西格腾旗的一个50兆瓦陆上风电场的运行数据，时间跨度为2019年10月1日至2020年10月31日。采样间隔为15分钟，共获得38,113个样本集。变量包括10个关键的气象和地理特征，如实际风速、参考风速、风向、环境温度、相对湿度、大气压力等。
结论
针对风电信号中的间歇性和非平稳性挑战，本文提出了一种结合自适应时频分解和KAN-DLinear协作架构的概率区间预测框架。主要贡献如下：
CRediT作者贡献声明
陈文英：撰写——审稿与编辑，撰写——初稿，监督。吴梦达：撰写——初稿，监督，方法论。刘帅：撰写——审稿与编辑，验证，资金获取。赵 luYang：可视化，监督，形式分析。刘长亮：监督，资源，调查。刘伟亮：可视化，验证，监督。
