1. 一眼概覽

該論文提出一種受生物神經(jīng)系統(tǒng)啟發(fā)的Liquid Neural Network（LNN）框架，首次將其應(yīng)用于風(fēng)電多時(shí)間尺度預(yù)測(cè)任務(wù)，并在多個(gè)數(shù)據(jù)集上顯著優(yōu)于LSTM、GRU等主流方法。

2. 核心問題

風(fēng)電預(yù)測(cè)面臨高度不確定性和非線性動(dòng)態(tài)問題，傳統(tǒng)深度學(xué)習(xí)方法如LSTM、GRU雖有成效，但缺乏解釋性和泛化能力。該研究致力于解決如何在多時(shí)間尺度、不同分辨率和變量數(shù)下，準(zhǔn)確且透明地預(yù)測(cè)風(fēng)電輸出的問題。

3. 技術(shù)亮點(diǎn)

• 生物啟發(fā)設(shè)計(jì)：LNN基于線蟲C. elegans神經(jīng)元建模，模擬突觸動(dòng)力學(xué)和液態(tài)神經(jīng)權(quán)重，實(shí)現(xiàn)連續(xù)時(shí)間動(dòng)態(tài)學(xué)習(xí)；
• 輕量高效：僅用25個(gè)神經(jīng)元的CfC-LNN模型，即可在保持預(yù)測(cè)準(zhǔn)確性的同時(shí)實(shí)現(xiàn)85%稀疏率，比深層LSTM快31倍；
• 多拓?fù)潇`活適配：框架支持Fully Connected、NCP（生物連接結(jié)構(gòu)）、隨機(jī)連接等多種結(jié)構(gòu)，具備良好的泛化能力和穩(wěn)健性。

4. 方法框架

圖片

論文方法框架分為三個(gè)階段：

? 數(shù)據(jù)準(zhǔn)備：采集風(fēng)電場(chǎng)時(shí)序數(shù)據(jù)，進(jìn)行變量選擇與歸一化處理；

? LNN建模訓(xùn)練：通過試驗(yàn)確定最優(yōu)神經(jīng)元數(shù)量，引入液態(tài)時(shí)間常數(shù)單元（LTC）或閉式連續(xù)單元（CfC）進(jìn)行建模；

? 預(yù)測(cè)與應(yīng)用：實(shí)現(xiàn)單步預(yù)測(cè)，支持1天、1周至3周的多時(shí)間尺度預(yù)測(cè)，為風(fēng)電調(diào)度與維護(hù)提供決策依據(jù)。

5. 實(shí)驗(yàn)結(jié)果速覽

圖片

論文在兩個(gè)數(shù)據(jù)集上驗(yàn)證模型性能：

? 歐洲風(fēng)電場(chǎng)數(shù)據(jù)（40年，1小時(shí)分辨率）：

CfC-NCP模型Test MSE達(dá)0.0036，優(yōu)于LSTM（0.0079）、GRU（0.0081）；

參數(shù)量?jī)H為L(zhǎng)STM的1/280，推理速度快31倍；

圖示顯示1日/1周/3周預(yù)測(cè)趨勢(shì)緊貼真實(shí)值，有助于維護(hù)調(diào)度；

? 阿爾伯塔風(fēng)電場(chǎng)數(shù)據(jù)（2年，10分鐘分辨率）：

? CfC-NCP在更復(fù)雜變量下依然保持領(lǐng)先，表現(xiàn)出強(qiáng)魯棒性。

6. 實(shí)用價(jià)值與應(yīng)用

該框架適用于智能電網(wǎng)中的風(fēng)電出力預(yù)測(cè)，具有推廣性和可解釋性，適合用于：

? 電網(wǎng)調(diào)度與負(fù)荷平衡；

? 風(fēng)電場(chǎng)運(yùn)維與檢修計(jì)劃；

? 可再生能源系統(tǒng)如太陽(yáng)能預(yù)測(cè)、虛擬電廠等擴(kuò)展場(chǎng)景。

7. 開放問題

? 當(dāng)前模型對(duì)突發(fā)天氣變化的適應(yīng)能力如何？是否需引入外部擾動(dòng)建模？

? NCP等生物啟發(fā)拓?fù)淠芊襁w移到電網(wǎng)其他預(yù)測(cè)任務(wù)如負(fù)荷或電價(jià)預(yù)測(cè)中？

? LNN是否具備在線學(xué)習(xí)能力，以應(yīng)對(duì)風(fēng)電場(chǎng)不斷變化的運(yùn)行環(huán)境？