【成果】博士生李春昱在短期风电功率预测领域取得重要进展

盛立教授团队在时间序列短期预测领域取得重要进展，相关研究成果Physics-Informed Adaptive-Weight NBeatsx for Short-Term Wind Power Forecasting被控制领域国际权威期刊IEEE Transactions on Industrial Informatics录用。该期刊是工业信息领域的权威学术期刊，当前影响因子 9.9，为 SCI 一区 Top 期刊，在工业自动化、智能系统等领域具有广泛学术影响力。论文第一作者为太阳集团tyc234cc太阳集团tyc234cc博士研究生李春昱，通讯作者为盛立教授，学校为第一署名单位和通讯单位。研究工作得到国家重点研发计划、国家自然科学基金、山东省自然科学基金及山东省泰山学者项目等多个项目联合资助。

图1 论文首页

短期风电功率预测是保障电网稳定运行、优化能源调度的关键技术，但其面临多重挑战：风速的强波动性与间歇性、风电功率曲线的高度非线性、SCADA 数据存在的噪声与缺失问题，以及传统模型难以平衡预测准确性与物理可解释性的矛盾。现有深度学习模型多为 “黑箱” 结构，缺乏对风机运行物理约束的考量，而 NBEATSx 等模型的静态权重聚合策略也难以适配复杂的风电时序特征。为解决上述问题，团队提出物理信息感知的自适应权重 NBEATSx（PIAW-NBEATSx）预测框架，创新性地将风机切入风速、额定风速、切出风速、额定功率等运行约束通过平滑逻辑增长模型嵌入基函数设计，构建功率曲线堆栈；同时引入 Transformer 栈捕捉复杂时序依赖关系，并采用动态可训练权重机制替代传统固定求和策略，实现双栈输出的自适应融合。该方法既保证了预测结果的物理一致性，又提升了模型对复杂工况的适配能力，经 2MW 风机实测数据验证，预测精度与鲁棒性显著优于 Bi-LSTM、TCN、传统 NBEATSx 等基准模型。

图2 短期风电预测方法总体框架图

盛立教授团队长期聚焦复杂系统的故障诊断与容错控制、随机动态系统的控制与滤波、人工智能在时序数据处理中的应用等研究方向。团队主持国家重点研发计划课题、国家科技重大专项子课题、国家自然科学基金等国家级/省部级项目10余项；在IEEE Transactions on Automatic Control、IEEE Transactions on Cybernetics、IEEE Transactions on Industrial Electronics、IEEE Transactions on Industrial Informatics等控制领域权威期刊发表论文 100 余篇；获山东省自然科学二等奖、山东省技术发明二等奖、中国自动化学会技术发明一等奖等奖励10余项，研究成果在油气开发、装备监测等领域获得国内外同行高度认可。

论文链接：https://ieeexplore.ieee.org/document/11231029