基于迁移学习CNN-LSTM的海上风电场风速及功率高精度短期预测方法

余彪; 王卓恒; 綦晓; 孙单勋; 臧兴海; 盛发明

doi:doi:10.19912/j.0254-0096.tynxb.2024-2060

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于迁移学习CNN-LSTM的海上风电场风速及功率高精度短期预测方法

更新时间：2026-07-22

- 基于迁移学习CNN-LSTM的海上风电场风速及功率高精度短期预测方法
- 基于迁移学习CNN-LSTM的海上风电场风速及功率高精度短期预测方法
- 太阳能学报 2026年47卷第4期页码：222-230
- 作者机构：
- 作者简介：
- 基金信息：
  
  国家自然科学基金青年科学基金（62201226）;广东省基础与应用基础研究基金（2022A1515240021）
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-2060
  中图分类号： TM614
- 网络首发：2026-05-08，
  
  纸质出版：2026
- 稿件说明：
移动端阅览
余彪, 王卓恒, 綦晓, 等. 基于迁移学习CNN-LSTM的海上风电场风速及功率高精度短期预测方法[J]. 太阳能学报, 2026,47(4):222-230.

余彪, 王卓恒, 綦晓, et al. 基于迁移学习CNN-LSTM的海上风电场风速及功率高精度短期预测方法[J]. 2026, 47(4): 222-230.
余彪, 王卓恒, 綦晓, 等. 基于迁移学习CNN-LSTM的海上风电场风速及功率高精度短期预测方法[J]. 太阳能学报, 2026,47(4):222-230. DOI： doi:10.19912/j.0254-0096.tynxb.2024-2060.

余彪, 王卓恒, 綦晓, et al. 基于迁移学习CNN-LSTM的海上风电场风速及功率高精度短期预测方法[J]. 2026, 47(4): 222-230. DOI： doi:10.19912/j.0254-0096.tynxb.2024-2060.

摘要

在海上风电场景中

风速及功率的短期预测面临诸多挑战

常规长短期记忆神经网络（LSTM）难以准确预测深远海域风电场表现。为此

该研究在广东某海上风电场部署了多普勒激光雷达

并收集了实测风速数据

针对预测精度不足的原因

提出基于迁移学习的卷积-长短期记忆神经网络CNN-LSTM预测模型。迁移学习能通过利用相似任务的知识加速新任务学习并提升模型性能;CNN擅长提取雷达数据的空间特征;LSTM则擅长捕捉时间序列的长期依赖性。综合上述特点

使该文提出的方法在提升海上风电风速预测和功率预测方面表现出色。实验结果显示

与雷达测量数据及常规LSTM模型相比

新方法在预测海上风速和风电功率时误差显著降低。

Abstract

In offshore wind power scenarios

short-term prediction of wind speed and power faces many challenges. Conventional long short-term memory neural networks （LSTM） struggle to accurately predict wind speed and power in far-reaching offshore wind farms. To address this challenge

this study deploys a Doppler lidar in an offshore wind farm in Guangdong

and collects measured wind speed data. To address the reasons for the insufficient prediction accuracy

this paper proposes a convolutional neural network-long short-term memory （CNN-LSTM） prediction model based on migration learning. Migration learning can accelerate new task learning and improve model performance by utilizing knowledge from similar tasks; CNN is good at extracting spatial features of radar data; and LSTM is good at capturing long-term dependencies of time series. The combination of these features makes the method proposed in this paper perform well in improving wind speed prediction and power prediction for offshore wind power. The experimental results show that compared with the original radar data and the conventional LSTM model

the new method significantly reduces the error in predicting the offshore wind speed and wind power

and the prediction accuracy is better improved.

关键词

Keywords

references

刘星斗. 基于WRF与深度神经网络的风电功率预测[D]. 济南: 山东大学, 2022.

LIU X L, LIN Z, FENG Z M.Short-term offshore wind speed forecast by seasonal ARIMA-A comparison against GRU and LSTM[J]. Energy, 2021, 227: 120492.

江国乾, 徐向东, 白佳荣, 等. 基于多粒度时间卷积网络的超短期风功率预测[J]. 太阳能学报, 2024, 45(5): 104-111.

张群, 唐振浩, 王恭, 等. 基于长短时记忆网络的超短期风功率预测模型[J]. 太阳能学报, 2021, 42(10): 275-281.

任东方, 马家庆, 何志琴, 等. 基于AVMD-CNN-GRU-Attention的超短期风功率预测研究[J]. 太阳能学报, 2024, 45(6): 436-443.

KHODAYAR M, WANG J H.Spatio-temporal graph deep neural network for short-term wind speed forecasting[J]. IEEE transactions on sustainable energy, 2019, 10(2): 670-681.

蒋建东, 孙书凯, 董存, 等. 风电中长期电量预测研究现状[J]. 高电压技术, 2022, 48(2): 409-419.

LUO X, ZHANG D X, ZHU X.Deep learning based forecasting of photovoltaic power generation by incorporating domain knowledge[J]. Energy, 2021, 225: 120240.

王世明, 张少童, 娄嘉奕. 基于CNN-LSTM-ARIMA的超短期风速预测[J]. 新能源进展, 2024, 12(6): 688-695.

REN J, YU Z P, GAO G L, et al.A CNN-LSTM-LightGBM based short-term wind power prediction method based on attention mechanism[J]. Energy reports, 2022, 8: 437-443.

唐清苇, 向月, 代佳琨, 等. 基于CNN-LSTM的风电场发电功率迁移预测方法[J]. 工程科学与技术, 2024, 56(2): 91-99.

黄贤明, 郝雨辰, 霍雪松, 等. 基于时空混合注意力机制的超短时风电功率预测方法[J]. 现代电力, 2025, 42(5): 928-936.

WU Q Y, GUAN F, LYU C, et al.Ultra-short-term multi-step wind power forecasting based on CNN-LSTM[J]. IET renewable power generation, 2021, 15(5): 1019-1029.

廉文超, 宋小全, 郝朝阳, 等. 双向长短期记忆网络在激光雷达风廓线预测的应用[J]. 光学学报, 2024, 44(24): 58-67.

LI N H, DYER-HAWES Q, ROMANIC D, et al. Investigation of coastal winds and turbulence characteristics using Doppler lidar[J]. Journal of geophysical research: atmospheres, 2024, 129(19): e2024JD041429.

SALCEDO-BOSCH A, GUTIERREZ-ANTUNANO M A, TIANA-ALSINA J, et al. Floating Doppler wind lidar measurement of wind turbulence: a cluster analysis[C]//IGARSS 2020-2020 IEEE International Geoscience and Remote Sensing Symposium. Waikoloa, HI, USA, 2021: 6077-6080.

VAN DOOREN M F, TRABUCCHI D, KÜHN M. A methodology for the reconstruction of 2D horizontal wind fields of wind turbine wakes based on dual-Doppler lidar measurements[J]. Remote sensing, 2016, 8(10): 809.

LU J, BEHBOOD V, HAO P, et al.Transfer learning using computational intelligence: a survey[J]. Knowledge-based systems, 2015, 80: 14-23.

王晓霞, 艾兴成, 王涛. 基于实例迁移学习的小样本光伏功率短期预测[J]. 太阳能学报, 2024, 45(6): 325-333.

程明, 翟金星, 马骏, 等. 基于迁移学习的CNN-GRU短期电力负荷预测方法[J]. 武汉大学学报(工学版), 2024, 57(6): 812-820.

CHEN X H, YANG R, XUE Y H, et al.Deep transfer learning for bearing fault diagnosis: a systematic review since 2016[J]. IEEE transactions on instrumentation and measurement, 2023, 72: 3508221.

LI J P, HUANG R Y, HE G L, et al.A two-stage transfer adversarial network for intelligent fault diagnosis of rotating machinery with multiple new faults[J]. IEEE/ASME transactions on mechatronics, 2021, 26(3): 1591-1601.

D’INCECCO M, SQUARTINI S, ZHONG M J. Transfer learning for non-intrusive load monitoring[J]. IEEE transactions on smart grid, 2020, 11(2): 1419-1429.

马兆荣, 刘晋超, 元国凯. 珠海桂山海上风电场风电机组基础设计[J]. 南方能源建设, 2015, 2(3): 72-75.

杨伟鹏. 海上波浪能与风能互补发电平台的控制系统研究与设计[D]. 北京: 华北电力大学, 2015.

吴春雷. 基于中尺度数值气象模式的风电场参数化建模方法研究[D]. 杭州: 浙江大学, 2023.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

东海风电场黏土不排水抗剪强度的静力触探标定

波流共同作用下桩基局部冲刷计算方法研究与初步验证

基于改进堆优化算法和TimesNet神经网络的锂电池剩余寿命预测方法

基于多尺度分解和多模型融合的锂电池剩余使用寿命预测

光伏电站建设对周边空气与土壤环境影响的区域性差异研究