近日，计电学院的陈燕教授及其研究生团队和广西电网深度合作，在国际知名期刊《Energy》上连续发表两篇高水平论文。这两篇论文分别聚焦于风电预测的最新理论与方法，展示了陈教授团队在智能算法优化及应用领域的卓越成就。

第一篇论文“Alleviating distribution shift and mining hidden temporal variations for ultra-short-term wind power forecasting”提出了一种革新性的Dish-RDC-TimesNet混合模型，有效降低了预测误差，展现了理论创新与应用价值的完美结合。第二篇论文“The univariate model for long-term wind speed forecasting based on wavelet soft threshold denoising and improved Autoformer”则在长期风速预测上取得显著进步，进一步巩固了陈燕教授团队在该领域的领先地位。

《Energy》由Elsevier出版，涉及电气与电子工程、能源工程与动力技术、、可再生能源、可持续性与环境、工业与制造工程、机械工程、土木工程等多个领域。该期刊在科研影响力方面表现出色，2022-2023年度影响因子为9.0，2023年12月中科院SCI期刊分区为1区。

论文提出的算法模型在广西大学超算中心Sugon7000A超级并行计算机系统上实现。

附录：

该论文关注于非稳态性研究，为了解决分布偏移问题，提出一种减轻分布偏移的方法作为风功率预测的一般神经范式，即使用最近差异特征化（Dish-RDC）方法。Dish-RDC将分布偏移分为内部空间和外部空间偏移。通过采用RDC促进了输入序列到可学习分布系数的映射，以更好地估计分布。而且，现实世界的时间序列经常表现出多周期性，但现有模型在捕捉这种时间变化方面存在局限性。引入了时间二维变化模型（TimesNet）。TimesNet基于多周期性将时间变化分析扩展到二维空间。通过使用二维核来模拟这些变化，使得TimesNet可以有效地将先进的计算机视觉技术整合到风功率预测中。结合上诉方法，提出了Dish-RDC-TimesNet混合模型。实验表明，与基准模型相比，该模型在两个数据集上的MAE分别降低了 47.10% 和 20.63%。此外，将 Dish-RDC与基准模型相结合，在这些数据集上的MAE分别降低了 39.79% 和 17.85%。

该论文关注于传统分解技术与预测模型组合形成混合预测模型带来的时间成本过高问题，引入并改进了Autoformer模型，首次将其应用于长期单变量风速预测任务。Autoformer将分解技术作为预测模型的子模块，既解决了传统混合模型时间成本高的问题，又保留了分解技术在时间序列处理中的优势。研究将Autoformer分解模块替换为混合专家分解模块(MOEDecomp)，以更好地提取风速序列的复杂趋势项。结合自相关机制，对风速进行序列关注，提取长序列的时间依赖关系。此外，为了降低噪声对最终风速预测结果的影响，研究采用小波软阈值去噪算法对风速序列进行降噪处理。为了评估模型的性能，采用了两种多步预测策略，利用4个数据集对未来24、48、72、96和120 h的风速进行了预测。实验结果表明，该模型在预测精度、泛化能力和处理不确定性数据等方面均优于15个对比模型。