准确的估计和预测风速有助于电力调度和优化控制策略，但是，在新建风电场当中，往往面临历史数据不足的问题，这给精确建模带来困扰。

尽管历史数据的扩充有很多方式，但是风速数据模式的统计特征（例如分布特点、分位数）不断变化，进一步阻碍了历史数据缺失条件下的建模过程。如图1所示，是实测数据的分布特征和分位数特征的变化情况。

为解决少样本建模中遭遇的时变统计特征问题，研究团队创新性的构建了一种基于时频卷积交互的增量迁移学习多任务预测方法，如图2所示。该方法引入了一种时频卷积交互神经网络，将其整合到利用循环卷积的并行框架中，并添加了门控循环单元。

使用实测数据进行的实验结果表明，与经典的LSTM算法相比，所提方法的预测误差取得了大幅下降。此外，增量迁移学习模型的微调表明，预测效果可以在更长时间段内进一步提高了。部分对比结果如图3所示。

相关研究成果以“Incremental transfer learning based on temporal-frequency convolution interaction for multi-task prediction of wind speed and wind power”为题，于2025年10月17日接收于《Neural Networks》上。