风光功率预测误差降12%~20%
首个将增强型xLSTM融合时间序列级联CNN的风光混合预测模型，深度挖掘数值天气预报中的复杂时间相关性，显著提升中期风光功率预测精度。
Wan, Hang · Jiasong, Wang · Quan, Gan · Yaping, Xia · Chang, Yufang · Huaicheng, Yan
Renewable Energy 2025
在Natal和比利时不同规模风光数据集上，相较Time2Vec-WDCNN-BiLSTM等最优方法，光伏MAE降低12.28%–20.00%，风电降低10.33%–11.53%。
首次在混合风光功率预测中应用增强型xLSTM框架，并系统分析了sLSTM与mLSTM层配对方式对性能的影响。
引入时间序列级联卷积神经网络（TCCNN），缓解深层CNN中的特征丢失问题，增强多变量非线性关系建模能力。