Xiongfeng Zhao · Hai Peng Liu · Huaiping Jin · Xueping Shen 等5人 · Energy Conversion and Management · 2025年1月 · Vol.344

摘要 风电具有高度的不确定性和非线性，其时间序列通常表现出多周期性特征和概念漂移现象，这对实现高精度预测构成了重大挑战。本文提出了一种基于时空特征增强并结合动态在线校正机制的混合深度学习预测模型——时空增强型混合在线学习网络（Spatio-temporal Enhanced Hybrid Online Learning Network, STE-HOLNet），该模型通过改进的时间编码机制与深层网络结构紧密集成，实现了实时且高精度的风电功率预测。首先，引入一种改进的Time2Vec模块（E-Ti...

解读: 该风电功率预测技术对阳光电源储能系统具有重要应用价值。STE-HOLNet模型的概念漂移检测与自适应在线学习机制,可直接应用于ST系列PCS的功率预测模块,提升储能系统对风电波动的响应能力。其时空特征增强方法能优化iSolarCloud平台的预测性维护算法,降低RMSE达36.93%的性能可显著改善...