这篇文档属于类型a，即报告了一项原创性研究的学术论文。以下是针对该研究的详细学术报告：

作者及机构
本研究由Mingju Gong（天津理工大学集成电路科学与工程学院）、Changcheng Yan（同前）、Wei Xu（天津理工大学海洋能源与智能建造研究所）、Zhixuan Zhao（早稻田大学社会科学学院）、Wenxiang Li、Yan Liu（均来自天津理工大学）以及Sheng Li（海岛环境科学技术研究院有限公司）共同完成。论文发表于《Energy》期刊第283卷（2023年），文章编号129171，在线发布于2023年9月22日。

学术背景
研究领域为可再生能源中的风能短期功率预测。传统化石能源的长期使用导致资源枯竭和环境污染问题，风能因其分布广、可再生性成为重要替代能源。然而，风能的随机性和间歇性使得风电预测技术面临挑战，预测精度直接影响电网安全与电力市场竞争力。现有预测方法主要分为三类：基于物理模型（如数值天气预报NWP）、统计方法（如ARIMA、卡尔曼滤波）和人工智能方法（如LSTM、CNN）。但物理模型计算复杂，统计方法对长期预测效果不佳，而人工智能方法需大量历史数据且训练速度慢。因此，本研究提出了一种结合时序卷积网络（Temporal Convolutional Network, TCN）和Informer的混合预测模型，旨在通过TCN提取时序特征，并利用Informer的长序列预测优势提升精度，同时引入Adabelief优化器进一步优化性能。

研究流程与方法
1. 数据准备
- 数据集：使用Kaggle提供的风力发电机数据集，包含2019年5月至2020年3月以10分钟间隔采集的18个特征（如风速、涡轮功率、环境温度等）。
- 预处理：采用前向填充处理缺失值，将数据按7:2:1划分为训练集、测试集和验证集。

1. 模型设计

   • TCN模块：
     
     • 结构：由因果卷积（Causal Convolution）、膨胀卷积（Dilated Convolution）和残差连接（Residual Connection）组成。因果卷积确保时序单向性，膨胀卷积扩大感受野，残差连接缓解梯度消失。
       
     • 功能：从输入序列中提取潜在时序依赖关系和非线性特征。
       
   • Informer模块：
     
     • 改进点：采用ProbSparse自注意力机制（Probsparse Self-attention）降低计算复杂度（从O(L²)降至O(L ln L)），并通过蒸馏操作（Distillation）压缩冗余特征。
       
     • 输入：TCN处理后的特征序列，解码器通过掩码多头注意力（Masked Multi-head Attention）生成预测结果。
       
   • 优化器：采用Adabelief优化器，通过动态调整步长（基于梯度与预测值的偏差）提升收敛速度和泛化能力。
     

2. 对比实验

   • 基线模型：与TCN、CNN、LSTM、GRU、XGBoost、LightGBM和独立Informer模型对比。
     
   • 评估指标：均方误差（MSE）、平均绝对误差（MAE）、均方根误差（RMSE）和对称平均绝对百分比误差（sMAPE）。
     

3. 实验验证

   • 多步预测：测试1至4步预测性能（步长96个时间点）。结果显示，TCN-Informer模型在四步预测中均表现最优（如4步预测MSE为0.1085，优于Informer的0.1276）。
     
   • 优化器对比：Adabelief的误差（MAE=0.1524）显著低于Adam（0.1548）和RMSprop（0.1569），且稳定性更高（标准差更小）。
     

主要结果
1. 模型性能
- TCN-Informer在1步预测中MSE为0.0518，较基准模型降低17%（如CNN为0.0926）。
- 随着预测步长增加，优势更显著（4步预测sMAPE为48.07%，优于Informer的52.81%）。
2. 特征提取效果
- TCN成功捕捉了风速与功率间的非线性关系（如相似气象条件下功率值的潜在关联），解决了传统模型对长序列特征提取不足的问题。
3. 优化器效果
- Adabelief通过动态调整步长，使预测曲线更贴近真实值（见图20），误差分布更集中（箱线图显示四分位距更窄）。

结论与价值
1. 科学价值
- 提出了一种新型混合模型框架，结合了TCN的时序特征提取能力和Informer的长序列预测优势，为风光等间歇性能源预测提供了新思路。
2. 应用价值
- 高精度预测可帮助电网企业制定精准调度计划，提升风电并网稳定性，降低弃风率。
3. 局限性
- 模型复杂度较高，未来需轻量化设计；当前仅为点预测，未来可扩展为概率区间预测以量化不确定性。

研究亮点
1. 方法创新：首次将TCN与Informer结合，并引入Adabelief优化器，在公开数据集上验证了其优越性。
2. 技术突破：通过TCN的膨胀卷积和残差结构，解决了长序列依赖问题；Informer的ProbSparse注意力机制显著降低了计算开销。
3. 可扩展性：模型框架可迁移至其他时序预测任务（如光伏功率、负荷预测）。

其他有价值内容
- 作者开源了代码和数据（需申请获取），便于复现和后续研究。
- 研究受“基于大数据与深度学习的区域供热节能技术研究（Z20220192）”项目支持，体现了产学研结合的应用导向。

此研究为风光功率预测领域提供了兼具创新性与实用性的解决方案，其混合建模思路和优化器选择对后续研究具有重要参考意义。