风速预测对于提高风能利用率和优化风电并网至关重要。其混沌特性和缺乏相关变量使得准确预测变得困难。大多数研究仅依赖历史风速，限制了准确性的提升。

尽管风速预测相关的研究很多，而且广泛应用了深度学习模型。但是，深度学习模型适合挖掘多变量、非线性数据中的模式，但风速预测的挑战往往因相关预测变量的缺乏而变得棘手。如图1所示，是风速和风电功率数据在不同频率间隔下的相关性分析。

从另一个角度来看，尽管风电功率相对于风速是反向因果关系，但是风电功率的长期趋势是风速的一种非线性变换后的反映，如果能够挖掘该趋势并加以利用，将会扩展风速的预测问题研究。

为解决这一问题，特别是挖掘辅助变量的潜在趋势，研究团队创新性的构建了一种辅助变量选择性记忆的注意力机制模型，如图2所示。该方法的创新之处在于开发了一种自适应频域选择注意力权重算子，以自适应地解析不同频域区间中的有效信息。

以 15 分钟和 1 小时平均绝对误差为标准，所提方法的实际风速预测误差与经典 LSTM 算法相比分别降低了68%和49%。验证了挖掘反向因果关系以提高预测精度的可行性。部分对比验证结果如图3所示。

相关研究成果以"A selective memory attention mechanism for chaotic wind speed time series prediction with auxiliary variable"为题，于2025年7月23日发表于《Applied Soft Computing》上。

[论文下载]