基于时频卷积交互的增量迁移学习在风速与风电功率多任务预测中的研究

本文提出了一种创新的增量迁移学习框架，结合时频卷积交互网络（TCINet）和门控循环单元（GRU），通过多任务学习同步预测风速和风电功率。该模型利用循环卷积的并行结构捕捉动态特征，并采用增量学习适应数据分布的时变特性，显著提升了预测精度。实验表明，该方法在15分钟至1小时的多时间尺度预测中均表现最优，为新建风电场的小样本建模提供了高效解决方案。

　　

亮点

• 提出了一种增量迁移学习框架，通过新数据微调模型，解决风速和风电功率时间序列的时变异质性问题。

• 开发了基于时频卷积交互的少样本建模方法，适用于历史数据有限的新建风电场。

• 构建了基于循环卷积的并行框架，结合门控循环单元（GRU）捕捉数据时间依赖性。

• 实证验证表明，模型在中国北方最大海上风电场的多时间间隔预测中精度最优。

实验配置

实验基于TensorFlow 2.10.0和Python 3.12平台，硬件采用Intel i7-13700k CPU和Nvidia Quadro A2000 GPU。滑动窗口和通道数均设置为24。对比基线包括经典模型及最新提出的Fnet、Fastformer、SCINet和Mamba。

消融实验中，TCINet-1表示移除GRU模块，TCINet-2表示移除因果卷积交互模块，TCINet-3表示同时移除二者。

结论

本研究针对风速与风电功率的强相关性，建立了多任务预测模型。增量迁移学习框架有效缓解了时间序列的异质性和统计特性时变问题，提升了预测精度。时频卷积交互网络与循环卷积并行框架的结合，显著增强了小样本场景下的模式提取能力，为风电预测的工程应用提供了新思路。