多时间尺度态势感知模型

极端灾害下快速自适应

融合元学习机制的Transformer模型，在极端天气冲击下可快速自适应，为高原综合能源系统提供精准的多时间尺度态势感知。

Qi, Liu · Chao, Zhang · Ma, Yunfeng · Shao, Jun

Sustainable Energy Technologies and Assessments 2026

技术优势

极端天气下快速适应

元学习算法使模型在极端天气冲击下只需少量样本即可快速调整，提高预测准确性。

提升存活率与恢复速度

仿真验证表明，该策略在严重冬季风暴下显著提升系统存活率和负荷恢复速度，降低停电损失。

确保算法可执行性

快速分解算法和结构创新的黑启动恢复序列确保在严格高原降容约束下仍能收敛并物理可行。

应用场景

• 高原综合能源系统：提供高海拔环境下的精准预测和韧性策略，保障系统在极端天气下的可靠运行。
• 可再生能源预测与调度：利用改进的Transformer-MAML模型提升风光等可再生能源出力的预测精度，优化调度。
• 机器人应急电源管理：当电网因灾害停电时，可快速生成恢复序列，指导应急电源机器人执行黑启动。
• 智能建筑能源韧性：态势感知能力可集成到建筑能源管理系统中，提升其在极端天气下的韧性和恢复力。