【背景介绍】
在“双碳”战略和能源转型的宏大背景下，风力发电已成为推动绿色能源发展的重要支柱。近年来，我国风电装机容量保持高速增长，逐渐成为电力系统中占比最高的可再生能源之一。然而，与火电等传统能源相比，风电输出具有明显的不确定性和波动性，受气象条件、地形环境等因素影响极大。其功率曲线往往呈现出复杂的非线性特征和突发性变化，这对电力系统的安全运行和电网调度带来了前所未有的挑战。
如何在复杂环境下实现高精度、强鲁棒性的风力发电功率预测，成为学界与产业界的共同关切。过去的研究中，物理建模方法能够一定程度反映风能机理，但模型构建复杂，对气象和机组参数要求极高；统计方法在短时预测方面具备优势，但在面对长期或剧烈波动时表现有限；机器学习和深度学习模型虽能刻画非线性特征，但常面临训练成本高、泛化能力不足等问题。现有方法的不足，使得风电预测精度难以满足新型电力系统“安全、稳定、经济”运行的更高要求。
【方案介绍】
针对这一痛点，武汉大学孙建军教授团队提出了基于HOA-VMD-DWE的短期风力发电功率预测方法，在方法论与实践应用上均实现了显著突破。该方案核心在于将徒步优化算法（HOA）、变分模态分解（VMD）和动态权重集成（DWE）有机结合，形成一个既能适应复杂环境，又能在不同风况下保持稳定预测性能的混合预测框架。
首先，在特征提取环节，研究引入HOA对VMD核心参数的全局寻优。传统VMD在分解风电功率信号时，分解模态数和惩罚因子对分解效果影响显著，而人工经验选取或网格化搜索往往效率低下，容易陷入局部最优。HOA通过模拟人类“探索—回顾—协同”的徒步过程，实现搜索空间的动态探索。其“局部爬坡”机制提升了搜索精度，“路径回顾”避免了错误延续，“群体协同”则加速了全局收敛。借助HOA，VMD的分解效果得到优化，生成的本征模态函数（IMF）能够更精准地分离不同时间尺度的风电功率特征，为后续预测提供坚实基础。
其次，在建模阶段，研究团队采用GRU与MLP的双模型并行预测。其中，GRU擅长处理时间序列数据，能够捕捉风功率在时间上的依赖性和变化趋势；而MLP则更擅长拟合非线性关系，能够对复杂的输入特征进行高维映射。两类模型在处理风电预测任务时各有优势，但若单独使用，往往难以兼顾时序与非线性特征。
为实现优势互补，研究团队引入了DWE动态权重集成机制。不同于传统的固定加权方式，DWE能够根据输入特征和预测任务的动态变化，实时调整GRU和MLP的融合权重。例如，在风功率曲线波动剧烈、时序特征占主导时，DWE会提高GRU的权重；而在风速、湿度等气象因素导致的非线性关系更显著时，DWE则倾向于增强MLP的贡献度。这种“自适应加权”机制极大提升了模型的灵活性和鲁棒性。
在实验验证方面，团队选取新疆某大型风电场的实测数据进行分析。该风电场地处典型大陆性气候区，气象条件复杂多变，既有长期稳定的弱风时段，也存在频繁的强阵风天气，非常适合用于算法测试。通过对典型弱风、典型强阵风以及一般风力三类天气条件的预测对比，结果显示：在弱风环境下，该方法的均方误差（MSE）仅为0.5087，决定系数（R²）高达0.9612；在强阵风环境下，R²接近0.998，能够精准捕捉突发性波动；在一般风况下，R²同样达到0.990以上，显著优于传统GRU、MLP和LSTM等单一模型。整体来看，该方案在预测精度、泛化能力和鲁棒性三方面均实现了突破，为电网的安全稳定运行提供了高价值的技术支撑。
【未来前沿发展展望】
风力发电功率预测的研究正在进入一个新的阶段，未来的发展趋势主要体现在以下几个方向：
一是多源数据融合。随着物联网和遥感技术的发展，风电预测不再局限于气象站数据，还可结合卫星监测、海洋气候乃至电网运行数据，形成更全面的预测输入。
二是深度智能化算法。强化学习、迁移学习等新兴人工智能方法将进一步提升模型的适应性，使预测模型能够快速迁移到不同风电场景中，减少对大规模训练数据的依赖。
三是实时预测与边缘计算。未来风电场将更依赖边缘计算与云平台的协同，实现预测结果的实时更新和调度优化，提升电网响应速度。
四是多能互补预测。在新型电力系统中，风电、光伏与储能之间的协同预测和调度将成为趋势。通过统一的预测框架，提升不同能源间的互补性，有助于进一步增强能源系统的稳定性与经济性。
可以预见，随着预测技术不断演进，风电功率预测将从单一的短期预测走向多时间尺度、多能源类型的综合预测体系，在保障电力系统安全运行、促进新能源消纳和实现“双碳”目标中发挥更为关键的作用。
（武汉大学电气与自动化学院 杨源朝 粟乐杰 孙建军）
