.png){kind=icon}
返回
A noise-robust framework for multi-step wind power forecasting via self-supervised joint optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.111826.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
短期风电预测仍是一项关键但具有挑战性的任务，这是由于风能固有的波动性和间歇性所致。尽管深度学习已展现出潜力，但在多步预测中仍易受噪声和累积误差的影响。本文提出了一种名为Time Self-Supervised Contrastive Learning（TimeSCL）的新框架，该框架将对比学习与自监督联合优化相结合，以增强鲁棒性和准确性。TimeSCL引入了一种自适应噪声注入机制，用于生成干净—噪声样本对，使模型能够学习噪声不变的表示。一种双向前向传播策略对比了去噪前后的表示，改进了时序建模。为进一步缓解过拟合和误差累积，TimeSCL整合了dropout以及一种时域到频域的损失函数，联合捕捉时序和频谱特征。此外，在训练过程中采用了一种渐进式对比损失加权（PCLW）策略，以动态平衡不同损失组件的贡献，确保稳定且有效的优化。在多样化公开基准和真实风力涡轮机数据集上进行的广泛实验表明，TimeSCL持续优于当前最优基线模型，将均方误差最多降低13.6%，平均绝对误差降低5.4%。这些结果证明了该框架在噪声和复杂环境下进行鲁棒风电预测的有效性和实用性。
Keyword:
wind power forecasting
contrastive learning
self-supervised learning
noise robustness
deep learning
