基于改进STGCN与N-BEATS的风功率超短期预测.pdfVIP

2025年4月15日现代电子技术Apr.2025

第48卷第8期ModernElectronicsTechniqueVol.48No.8

115

115

DOI：10.16652/j.issn.1004‐373x.2025.08.018

引用格式：程旭初，刘景霞，康荣凯.基于改进STGCN与N‐BEATS的风功率超短期预测[J].现代电子技术，2025，48（8）：115‐121.

基于改进STGCN与N‐BEATS的风功率超短期预测

程旭初，刘景霞，康荣凯

（内蒙古科技大学自动化与电气工程学院，内蒙古包头014010）

摘要：精准的风功率预测对电网调度具有重大意义，针对现有预测方法中数据特征提取不充分、输入序列过长时产

生梯度消失和预测精度低的问题，提出一种基于改进时空图卷积（STGCN）与神经基扩展分析（N‐BEATS）模型的组合预测模

型，该方法通过充分提取数据时空特征来提高预测精度。首先，利用STGCN对多元输入序列进行深度特征提取，充分挖掘

风机SCADA数据中的时空潜在关系；同时，为了进一步提高预测精度，通过构建序列分解模块与多分辨率卷积对STGCN模

型进行改进，使其能够更好地适应风电数据的复杂特性；然后，神经基扩展分析（N‐BEATS）新型神经网络对STGCN提取的

时空信息数据进行时序关系分析，得到最终预测结果；最后，以内蒙古某风场SCADA数据为例，通过多模型对比实验与自身

消融实验验证了所提组合模型策略的有效性以及对STGCN的改进效果。实验结果表明，所设计模型在预测精度上取得了

显著的提升，为风电功率预测领域的研究提供了新的思路和方法。

关键词：超短期风功率预测；时空图卷积；神经基扩展分析；序列分解；深度特征提取；图卷积网络

中图分类号：TN919‐34；TM614文献标识码：A文章编号：1004‐373X（2025）08‐0115‐07

Windpowerultra‐short‐termpredictionbasedonimprovedSTGCNwithN‐BEATS

CHENGXuchu,LIUJingxia,KANGRongkai

(SchoolofAutomationandElectricalEngineering,InnerMongoliaUniversityofScienceandTechnology,Baotou014010,China)

Abstract：Accuratewindpowerforecastingisofgreatsignificanceforgriddispatching.Inordertosolve