基于递减时域卷积网络与傅里叶变换的光伏-风电多变量时序预测方法研究

本文提出了一种结合递减时域卷积网络（DTCN）与快速傅里叶变换（FFT）的混合预测框架，通过频域特征全局建模与时间卷积网络的高效特征提取，显著提升了光伏（PV）和风电功率预测精度。实验表明，该方法在新疆全年数据集上的平均绝对误差（MAE）较Transformer等模型降低最高达94.82%，为可再生能源并网调度提供了创新技术方案。

　　

Highlight

本研究创新性地构建了"时-频域协同处理"框架：通过快速傅里叶变换（FFT）将原始时序数据映射至频域，利用递减时域卷积网络（DTCN）的膨胀卷积、因果卷积和多步处理机制提取频域全局特征，显著提升模型对长序列和多变量关联的捕捉能力。

Data description

实验采用2019年新疆全年光伏与风电数据集，该地区年日照超2700小时，太阳辐射总量达1300-1500 kWh/m²，为验证模型在强波动性可再生能源预测中的鲁棒性提供了理想场景。

Methodology

预测框架包含三阶段：1）数据预处理；2）FFT频域转换；3）DTCN特征提取。其中DTCN通过递减膨胀率卷积（逐步扩大感受野）和残差连接，有效解决传统卷积网络对长程依赖建模的局限性。

Comparison with other methods

相较于Transformer、DLinear等基线模型，DTCN-FFT在新疆第四季度光伏预测中MAE降低31.85%-94.82%，其频域特征融合机制尤其擅长处理具有显著周期特性的能源数据。

Conclusions

该研究证实频域特征可有效增强模型全局感知能力，递减膨胀卷积设计在保持计算效率的同时，将预测精度提升至实用化水平，为高比例可再生能源电网的调度决策提供了新范式。