基于周期性数值特征嵌入的深度学习风能发电功率预测模型

Abstract

针对风力发电SCADA系统高维数据的非平稳性与周期性边界混淆问题，本文提出融合可学习周期性数值特征嵌入（Periodic Numerical Feature Embeddings）的深度回归预测框架（PeriodicEmbed+MLP）。通过五阶段异常清洗流水线保障数据质量，利用三角函数正交编码处理周期性特征，结合滑动窗口提取大气湍流特征，构建33维预测因子体系。模型核心引入参数化正弦余弦频率映射嵌入层，将33维物理输入映射至1056维高频特征空间，顶层Sigmoid约束确保预测的物理自洽性。在Kaggle公开风电SCADA数据集（T1，49,148个有效样本）上的实验表明，PeriodicEmbed+MLP相较于XGBoost基线RMSE降低15.4%（119.58→101.16 kW），MAE降低18.2%（76.88→62.90 kW），决定系数R²达0.963，预测输出自然满足物理区间约束，无需后处理裁截。