热能动力工程

作者：刘莘轶,王梓涛,王洋,徐加陵,刘单珂,于立军

单位：上海交通大学 机械与动力工程学院,,上海交通大学 智慧能源创新学院,,上海交通大学 智慧能源创新学院,,上海交通大学 智慧能源创新学院,,上海交通大学 智慧能源创新学院,,上海交通大学 智慧能源创新学院,

关键词：风力发电;功率预测;持续学习;深度神经网络

基金：国家电力投资集团有限公司-上海交通大学“未来能源计划联合基金”（WH410245001/004）

随着风电装机容量和并网比例持续提升,预测模型必须在动态环境中频繁更新,但增量学习易遗忘且批量学习计算开销巨大。本文提出了一种信息增强记忆感知突触(IE-MAS)协同持续学习框架,通过特异性缩放、任务相似度调控与知识蒸馏三重机制协同抑制遗忘并平衡新旧知识。以新疆某200MW风电场为实验对象,分别在LSTM、GRU、Transformer与TCN四种时序网络中验证IE-MAS性能。在每轮仅引入10%新增数据的条件下,IE-MAS使LSTM的RMSE、MAE分别降低约1.7%与2.5%,R2提升约1.9%。在跨模型对比中,IE-MAS在各架构上与需累积所有历史数据的批量训练相比表现相当或略优,且轮训练时间平均压缩约70%,为超短期风电预测及其他时序持续学习场景提供了兼顾效率和精度的实时更新方案。

来源：2025年第11期

《热能动力工程》期刊编辑部

查看热能动力工程杂志2025年第11期