基于时频卷积交互的增量迁移学习用于风速和风电功率的多任务预测
本文介绍了一种基于时频卷积交互的增量迁移学习方法，用于在历史数据不足的新建风电场中进行风速和功率的多任务预测。该方法将时频卷积交互神经网络整合到带有循环卷积和门控循环单元的并行框架中，与经典LSTM算法相比显著降低了预测误差。
7月 5, 2025
基于动态图交互神经网络的风速和时变风切变系数多任务预测
本研究提出了一种基于图神经网络的多任务学习方法，用于同时预测风速和风切变系数。该方法解决了风切变系数随气象条件动态变化的问题，克服了风切变现象与风速预测之间的耦合挑战。
7月 5, 2025
带辅助变量的混沌风速时间序列预测的选择性记忆注意机制
本文提出了一种新颖的选择性记忆注意机制，通过利用辅助变量提高风速预测精度。该方法引入自适应频域选择注意力权重算子，解析不同频率区间的有效信息，与经典LSTM算法相比显著降低了预测误差。
7月 5, 2025