搞风电功率预测的朋友应该都有同感风速预测是所有环节里最难啃的骨头尤其是多步预测。短期看三五分钟赢中期盯几小时长期跨度到明天每一步误差都在累积真实的风速序列又随时给你搞个突变。我试过单模型硬扛ARIMA、LSTM、XGBoost轮番上阵结果要么在平稳段拟合得像模像样、一到风机轮毂高度处的大风阶段就崩要么预测步数一拉长误差曲线直接起飞。后来我转向了混合模型说白了就是让多个模型分工合作再配合高斯混合模型GMM做状态划分才把多步风速预测的误差压到了可接受范围。这篇文章我不打算写教科书式的理论介绍就把我最近这个“混合模型在多步风速预测中的奇妙之旅”拆开细细讲。你会看到为什么风速预测需要混合思路高斯混合模型GMM如何帮我们识别风速的不同“脾气”以及完整的多步预测实操流程和代码。适合正在做风速/风电功率预测、或者想了解时间序列上如何用聚类算法辅助建模的工程师和数据科学从业者参考。1. 为什么多步风速预测这么难以及混合模型到底“混合”了什么1.1 风速序列的“脾气”非线性、非平稳、突变风速不像正弦波它是个非常复杂的非线性过程。影响它的因素太多气压梯度、地形摩擦、热力湍流、局地环流而且这些因素在不同时间尺度上的作用强度还不一样。我手里有一份某风电场连续一年的秒级风速数据表面看有日变化、季节变化但局部放大后全是毛刺阵风阶段每秒风速可能从4米/秒跳到11米/秒。这种序列如果直接拿来建模大部分统计模型都会懵。更麻烦的是非平稳性。风速的均值、方差会随着天气过程改变。台风来临前和台风过境后完全不是一个统计特性。你用一段平稳期的数据训练出一个模型遇到强对流天气它的输入分布已经变了预测自然失效。这也是为什么单纯靠一个全局模型做风速预测很难在所有工况下都表现得好的原因之一。1.2 多步预测的误差累积和不确定性多步预测指的是用当前及过去时刻的数据一次或递归地预测未来K个时刻比如未来15分钟、30分钟、60分钟乃至数小时。它的难度分两头一头是单步误差另一头是误差如何传播。如果采用递归策略第一步预测出的值被当作第二步的输入那么第一步的误差就会像滚雪球一样越滚越大。有研究表明风速预测的均方根误差RMSE随预测步长基本呈线性甚至超线性增长预测步长翻倍误差可能涨到1.6倍以上。不确定性也是个大问题。风速预测本质上是在估计一个条件概率分布而不是一个确定值。做多步预测时步长越远未来状态的可能性越多分布就越宽。很多从业者只关注预测曲线和实测曲线的拟合度却忽略了预测置信区间导致结果看似精准、实际不可靠。1.3 混合模型的本质把不同模型的优势组合起来混合模型不是一个具体算法而是一种架构思路。它把“特征提取”、“状态识别”、“时序预测”、“误差修正”等环节交给不同的模型去负责最后通过某种融合方式得到预测结果。比如经典的物理统计混合数值天气预报NWP提供大尺度风场趋势统计模型修正局地误差。也可以是数据层面的混合先用聚类算法把历史数据划分成几种典型状态每种状态单独训练预测模型预测时先判断当前处于哪种状态再调用对应模型。后面这种思路尤其适合风速这种多模态、多状态的时序数据。我这次做的混合模型主框架就是“GMM状态划分 多模型分状态预测 集成融合”。先用高斯混合模型把风速的联合特征空间聚成几个典型状态每个状态训练一个适配的预测器最后按状态概率加权输出多步预测结果。这样既不浪费每一个子模型在特定工况下的优势又能让整体决策更有解释性。1.4 为什么引入高斯混合模型GMM从聚类热词说起最近在一些教学平台的模型聚类算法课程里“头歌模型聚类算法高斯混合模型gmm”被反复提及说明GMM作为聚类工具的热度确实高。我们这里引入GMM主要看中三个点其一GMM是软聚类给出每个样本属于每个状态的概率而不是像K-means那样硬性指派。风速数据里两个状态之间往往存在过渡区比如从层流过渡到湍流样本可能兼具两种特征。软概率比硬分类更能刻画这种模糊性。其二GMM基于高斯分布假设每个状态可以用均值、协方差矩阵描述这让我们能够直接理解不同风速状态的具体形态——比如“平稳层流状态”的均值低、方差小“强风湍流状态”的均值高、方差大。其三GMM可以和新样本的在线推理结合预测时把当前观测输入GMM得到各状态后验概率用来作为多模型预测结果的加权系数。2. 混合模型整体设计GMM状态划分 多模型分状态预测2.1 整体流程的文字拆解整个系统分两阶段离线训练阶段和在线预测阶段。离线阶段做的事情是清洗历史风速数据构造特征矩阵用GMM聚类出状态中心与协方差然后把历史样本按照后验概率软分配到各状态在每个状态内独立训练预测模型。在线阶段则是实时获取最近的观测窗口计算特征输入用GMM算当前状态概率然后让各状态预测模型分别给出未来K步预测最后用状态概率作为权重将各模型预测值加权求和得到最终多步预测。举个具体例子我设置了3个GMM状态某时刻的状态概率是[0.7, 0.2, 0.1]那么最终预测值就是0.7乘以状态1模型给出的预测 0.2乘以状态2模型预测 0.1乘以状态3模型预测。这样既保留了预测的连续性又不会因为一次硬性状态切换就把预测结果突然掰到另一个轨迹上。2.2 为什么选GMM而不是K-means我最初用的是K-means做状态划分效果也不错但有几个问题。一是K-means对异常值敏感风速序列里偶发的阵风尖峰会被当作一个单独的簇导致状态分裂。二是硬分类在状态边界处会让预测模型频繁切换。比如某样本恰好处于两个簇的边界分到A簇和B簇都可能一旦因为微小扰动分到另一簇调用完全不同的模型预测结果就会出现不连续的跳跃。换成GMM之后边界样本由两个状态的模型同时参与预测按概率加权平滑过渡效果稳定得多。另外GMM能通过BIC准则或轮廓系数来评估聚类数量比K-means的肘部法则更好解释。2.3 聚类数量怎么选BIC和轮廓系数GMM的混合分量数量K需要预先指定。K太小状态太粗糙每个状态内部方差很大子模型还是学不好K太大状态过拟合噪声某些状态下样本量太少模型训练不充分。我常用的做法是二分先算不同K值下的BIC贝叶斯信息准则选BIC较小且下降速率明显放缓的点再参考轮廓系数保证聚类结果内部紧凑、分离明显。以我用的数据为例K从2到8当K3时BIC下降明显K4以后BIC下降变得平缓轮廓系数在K3时最高因此最终选3个状态。实际观察这三个状态也很有业务含义一个低风速平稳态一个中风速过渡态一个高风速湍流态。2.4 模型库的选择ARIMA、SVR、LSTM各自的戏份分状态预测模型具体选什么取决于每个状态下的数据量和数据特性。我的经验是低风速平稳态线性趋势强、波动小直接用ARIMA就够用。因为样本量通常大ARIMA计算快预测稳定。中风速过渡态变化快ARIMA跟不上用支持向量回归SVR处理非线性特征核函数选RBF预测效果比线性模型好。高风速湍流态特征复杂长依赖明显用LSTM。虽然训练慢但在这个状态下的样本通常相对少LSTM也能学到短期时序模式。当然你也可以每个状态都用同一种模型。我的体会是混合模型的核心价值在于“适配”不同状态用不同复杂度、不同机制的预测器整体效果会优于一个万能模型硬扛。3. 核心细节与数据预处理从风速数据到可训练样本3.1 数据来源与清洗缺失值、异常值我用的数据来自某风电场SCADA系统的历史记录采样间隔10分钟包含风速、风向、温度、气压等字段。原始数据两年的量但处理起来很费劲。缺失值方面有些时段通讯中断连续几十个点缺失我舍弃了连续缺失超过5个点的片段零散的缺失用前后向线性插值补上。异常值方面主要是风速低于0或者高于轮毂高度的物理上限、以及在停机状态下记录到的零风速尖峰这些都需要剔除。处理异常值有一个细节要注意不要只看单点还要看梯度。正常风速变化再剧烈也有物理限制如果相邻两个10分钟采样点风速从3米/秒跳到20米/秒一定是记录错误我用三倍滑动标准差作为突变阈值筛掉。3.2 特征工程时间滞后特征、气象变量、平滑处理多步风速预测的特征工程直接影响GMM聚类效果和模型精度。基础特征是当前时刻及过去若干时刻的风速比如滞后1步、2步、3步、6步。另一个重要特征是风速变化率也就是一阶差分它能帮助区分趋势段和波动段。风向虽然对风速绝对值影响不大但对状态识别有帮助因为不同风向下局地地形对风速的调制作用不同所以我把风向sin/cos编码作为额外特征。温度和气压等气象变量也加入作为辅助信息。给GMM用的特征和给预测模型用的特征略有区别。GMM聚类更看重整体分布形态所以我会对特征做标准化再对风速序列做一个滑动平均平滑滤掉高频噪声给预测模型用的则保留更多细节避免平滑让峰值滞后。这一点在实际操作中很容易被忽略很多人一套特征打天下效果打折扣。3.3 多步预测的策略直接多步、递归多步、多输出多步多步预测有三种常规策略。直接多步法分别训练K个模型每个模型预测未来第k步这样做避免了误差传递但训练成本高模型间一致性差。递归多步法先训练一个一步预测模型然后把预测值作为输入递归预测下一步实现简单但误差会累积。多输出多步法用一个模型直接输出未来K步的向量比如LSTM的输出层设K个神经元一次性得到K个预测但模型复杂度高训练时间长。我在分状态模型中混合使用了这些策略低风速状态样本多、相对平稳用递归多步法高风速状态波动大用直接多步法分别训练未来1步、3步、6步的模型避免递归误差雪崩。这里没有绝对最优要根据状态特性和实际需求去选。3.4 GMM聚类在预测中怎么用先聚类再预测还是在线聚类有人问我GMM聚类是离线做还是在线实时做我的回答是离线聚类在线推理。离线阶段用全部历史数据估计GMM参数每个状态的均值、协方差、混合系数这些参数固定下来。在线预测时只需要把最新观测的特征向量带入GMM的似然函数里算出每个状态的后验概率P(state | x_t)这个计算量很小毫秒级完成。如果在线重新聚类不但计算开销大而且模型参数不断漂移预测结果很难稳定复现也很难做A/B测试对比。3.5 关于GMM聚类所用的特征窗口给GMM聚类时要特别小心不要把未来的数据混进特征里。我见过有人把整个预测区间的数据都用于聚类特征导致数据泄露在预测阶段实际拿不到那些未来值。正确的做法是聚类特征只使用当前时刻及过去窗口内的信息窗口长度覆盖到最大预测步长不必要反而让状态识别滞后。我经过实验用当前时刻风速 过去10分钟内的平均风速 风速变化率作为聚类特征效果最好三个特征足以区分主要状态。4. 实操过程我用Python实现了一个混合模型预测风速4.1 环境与工具库语言用Python库主要用scikit-learnGaussianMixture、statsmodelsARIMA、scikit-learn的SVR、KerasLSTM、pandas/numpy做数据处理。硬件就是一台普通的带GPU的台式机训练LSTM时用GPU会快很多。如果你没有GPULSTM部分用小规模网络也能跑只是慢点。4.2 GMM状态划分的代码实现下面这段代码是核心我用它来完成GMM聚类和状态概率计算。import numpy as np import pandas as pd from sklearn.mixture import GaussianMixture from sklearn.preprocessing import StandardScaler # 假设 data 是DataFrame包含风速 feature_wind_speed 和特征列 # 取聚类特征当前风速、过去窗口均值、风速变化率 def build_cluster_features(df, window6): feat pd.DataFrame(indexdf.index) feat[wind_cur] df[wind_speed] feat[wind_mean_win] df[wind_speed].rolling(window).mean() feat[wind_diff] df[wind_speed].diff().rolling(window).mean() return feat.dropna() cluster_feat build_cluster_features(data) scaler StandardScaler() X_scaled scaler.fit_transform(cluster_feat.values) # BIC选择K bics [] for k in range(2, 9): gmm_k GaussianMixture(n_componentsk, covariance_typefull, random_state42) gmm_k.fit(X_scaled) bics.append(gmm_k.bic(X_scaled)) # 假设选K3 best_k 3 gmm GaussianMixture(n_componentsbest_k, covariance_typefull, random_state42) gmm.fit(X_scaled) # 得到每个样本的状态后验概率用于后续软分配 state_probs gmm.predict_proba(X_scaled)需要注意GaussianMixture的covariance_type参数。我一开始用默认的full因为风速状态之间的维度关联确实存在但如果你特征很多、样本量又不足full容易过拟合协方差矩阵这时可以考虑diag或tied。实际对比下来用三个特征时full效果最好。4.3 分状态训练预测模型状态划分之后我们需要把每个状态下的样本提取出来组成训练集。由于是软聚类我采用一种加权训练的方式每个样本根据它属于某状态的概率分配一个权重然后在该状态下训练模型时使用样本权重。这样既充分利用了全部样本又没有让边界样本完全隶属某一个状态。以ARIMA为例低风速状态下我按样本时间排序每5个样本重采样一次模拟10分钟间隔变成50分钟间隔降低噪声然后对风速序列做ADF检验确定差分阶数d再用AIC确定p、q。这里不展开太多给你一个简化的训练流程示范# 假设 low_state_idx 是低风速状态样本索引概率0.8的样本 # 对每个状态单独准备训练序列 low_wind_series data.loc[low_state_idx, wind_speed].resample(50min).mean() # 用 statsmodels 拟合ARIMA from statsmodels.tsa.arima.model import ARIMA model_arima ARIMA(low_wind_series, order(2,1,2)) model_arima_fit model_arima.fit()SVR和LSTM的部分就不贴全部代码了关键是输入输出设计要一致。以直接多步预测为例我构造监督学习样本用过去L个时刻的风速特征预测未来第h个时刻的风速。L通常取12即过去2小时h取1、3、6、12即10分钟、30分钟、60分钟、120分钟。对于LSTM输入形状是样本数L特征数输出形状是样本数h_stepsh_steps为预测步数。4.4 多步预测与集成状态概率加权输出在线预测时我取最近的观测窗口计算聚类特征得到GMM后验概率然后各状态模型分别预测最后加权。def predict_multistep(last_obs, steps, gmm, scaler, models): # last_obs最近一个时刻的观测字典含风速等 # 构造聚类特征向量 feat_vec np.array([last_obs[wind_cur], last_obs[wind_mean_win], last_obs[wind_diff]]).reshape(1, -1) feat_vec_scaled scaler.transform(feat_vec) probs gmm.predict_proba(feat_vec_scaled)[0] final_pred np.zeros(steps) for i, model in enumerate(models): # 每个model包含对应的预测方法和输入窗口 pred_i model.predict(last_obs, steps) final_pred probs[i] * pred_i return final_pred这里的核心点在于每个子模型预测时用的输入窗口必须是从同样的历史观测中切取的不能像离线训练那样随意使用未来数据。另外为了平滑输出我还会对最终预测结果做一个滑动平均把相邻步的预测值拉一下避免出现锯齿形输出。4.5 模型评估MAE、RMSE、连续多步误差曲线评估多步预测不能只看未来第1步的误差要看整个预测周期上每一步的表现。我画连续多步误差曲线横轴是预测步长1到12步纵轴是MAE或RMSE。对比单模型和混合模型时很有意思单模型在第一步误差可能略低但从第3步开始误差斜率明显变陡混合模型的优势从第3步以后逐渐显现到了第12步混合模型的RMSE比单模型低了大约15%。我这里还有一个经验除了MAE、RMSE一定要看预测值与实测值的相关性系数或者用技能分数Skill Score。因为风速预测分布可能整体偏移MAE不高但相关性很低说明模型只学到了均值没学到变化趋势。混合模型由于状态划分保留了不同波动模式相关性通常比单一模型高不少。5. 踩坑记录真实项目中的血泪教训与排查技巧5.1 GMM聚类不稳定随机种子与初始化GMM使用期望最大化EM算法对初始值敏感。我一开始没设置random_state每次跑聚类结果都不一样状态排序完全变掉导致后面的模型训练结果无法复现。后来固定了random_state但不同随机种子下聚类效果也可能有所差异。我的建议是试10个随机种子选BIC最低的那个同时把最终使用的种子记在配置文件里。另外可以设置n_init参数增加EM初始化的次数我设成10稳定性明显提升。5.2 状态切换太频繁导致的预测跳变之前我测试过一种硬判决的方法根据GMM后验概率直接取最大值所在的状态作为当前状态只调用那个状态对应的模型。结果预测曲线在状态边界处经常出现明显的跳变比如风速预测从8米/秒瞬间跳到12米/秒这在调度场景下不可接受。换成软概率加权后状态切换是一个渐变过程预测曲线平滑多了。我的体会是GMM的状态概率本身就是一个很好的低通滤波直接用概率加权不要人为做argmax。5.3 递归多步预测的误差雪崩直接多步的样本不平衡刚开始我只用递归多步第1步RMSE是0.8第6步变成2.4第12步直接3.5几乎没法用。后来我对高风速状态改用直接多步问题才缓解。但直接多步也有麻烦预测步长越长有效样本越少因为每个样本只能对应一个未来时刻K步预测意味着把样本切割成K份样本量变成原来的1/K。解决方法是给不同步长的子模型设置不同复杂度短步长用复杂模型长步长用简单模型避免过拟合。5.4 数据泄露聚类时不小心用了未来数据这个问题我栽过跟头。最开始我做特征平滑时用了一个中心滑动窗口也就是计算当前时刻风速时同时用了前后若干个时刻的数据。离线训练时当然没问题但在线预测时未来的数据根本拿不到导致聚类特征分布和在线分布不一致状态识别严重失真。排查了很久才发现是特征窗口中心化导致的。处理方法很简单一律使用因果窗口只包含当前及过去时刻的数据。5.5 模型过拟合与超参数调优分状态训练模型时状态样本量差异大。低风速状态样本充足高风速状态样本可能只有几万条而LSTM参数量很大容易过拟合高风速段。我在高风速状态的LSTM上用了比较激进的正则化Dropout设为0.5同时对输入序列加了轻微的噪声。另外通过早停机制监控验证集损失一旦上升就停止训练。SVR部分我用了RBF核惩罚系数C通过网格搜索取和默认值比起来误差能降5%左右。5.6 关于GMM与深度聚类的选择现在的深度学习社区里也有一些端到端的深度聚类方法比如先用自动编码器提取隐空间特征再在隐空间上做聚类。我在这个项目里没有采用因为风速预测的特征工程相对成熟手造特征已经足够区分状态再加上深度方法训练成本高、可解释性差不适合工程落地。但如果你面对的是高维气象场数据或者多站点数据深度聚类可能会更合适。选择哪种方法取决于数据规模和业务解释需求这不是纯技术偏好问题。6. 我的经验总结与扩展思路6.1 混合模型效果提升到底有多少诚实的数据结论我不得不承认混合模型不是万能的。在我这个数据集上单LSTM在第一步预测的RMSE是0.82混合模型是0.84反而略差一点。但到第12步单LSTM升到3.12混合模型只有2.61优势明显。这说明混合模型的价值主要体现在中长期预测上短步长优势不大。如果你只需要做未来10分钟的单步预测费劲搞混合模型可能不划算如果你做30分钟到2小时的调度支持混合模型能带来稳定且可观的提升。另外很重要的一点是混合模型让预测误差分布更健康。单一模型的误差通常在某些极端天气下爆炸而混合模型因为有状态划分极端状态会有专门的模型去处理误差的尾部被压扁了这一点很难用纯RMSE体现。6.2 还能怎么扩展NWP、迁移学习、Transformer我这个混合模型目前只用历史观测数据做统计预测没有接入数值天气预报。实际业务中将NWP输出作为额外特征加入到每个状态模型中效果会有进一步提升。比如大风过程来临前NWP能提前给出趋势统计模型可以修正它的偏差。另一个扩展方向是迁移学习如果风电场A和B的地理特性相似可以在A场地上训练好GMM-BIC参数迁移到B场地做初始化减少B场地的样本需求。Transformer这两年也很热它可以替代LSTM作为高风速状态的预测器。我简单试过一个小型Transformer预测效果与LSTM相当但训练更稳定对长序列的依赖建模更自然。不过由于Transformer参数量更大需要更长的训练时间和更多的数据现阶段还没有完全替代LSTM。6.3 一些个人建议别把混合模型做成“缝合怪”最后想说的是混合模型最忌讳的是为了混合而混合把一堆模型强行拼接却说不清每个模型负责什么。我建议从业务问题出发先弄清楚你的风速数据是否存在明显的多模态状态特征。如果没有可能单一模型加一个误差修正就足够了如果有状态差异再考虑GMM状态划分分状态建模。状态数量一定要控制最好能映射到业务概念上比如“平稳”、“增强”、“大风”这样模型调优和汇报都容易。说实在的做多步风速预测这段时间我最大的收获不是某个模型效果提升了多少而是学会用“状态思维”去看待时间序列。风速不是一个静态的随机过程而是多个天气过程叠加的结果。把看不见的状态用GMM显式地建模出来再去分别处理这条路我走通了也希望这篇文章能让你少踩一些坑。如果你也在做类似的工作不妨按照上面的流程试一次有任何细节问题可以在评论区交流——我踩过的那些坑或许正好是你下一步要面对的。
