1. 一眼概览
该论文提出一种受生物神经系统启发的Liquid Neural Network（LNN）框架，首次将其应用于风电多时间尺度预测任务，并在多个数据集上显著优于LSTM、GRU等主流方法。
2. 核心问题
风电预测面临高度不确定性和非线性动态问题，传统深度学习方法如LSTM、GRU虽有成效，但缺乏解释性和泛化能力。该研究致力于解决如何在多时间尺度、不同分辨率和变量数下，准确且透明地预测风电输出的问题。
3. 技术亮点
1. 生物启发设计：LNN基于线虫C. elegans神经元建模，模拟突触动力学和液态神经权重，实现连续时间动态学习；
2. 轻量高效：仅用25个神经元的CfC-LNN模型，即可在保持预测准确性的同时实现85%稀疏率，比深层LSTM快31倍；
3. 多拓扑灵活适配：框架支持Fully Connected、NCP（生物连接结构）、随机连接等多种结构，具备良好的泛化能力和稳健性。
4. 方法框架
图片
论文方法框架分为三个阶段：
• 数据准备：采集风电场时序数据，进行变量选择与归一化处理；
• LNN建模训练：通过试验确定最优神经元数量，引入液态时间常数单元（LTC）或闭式连续单元（CfC）进行建模；
• 预测与应用：实现单步预测，支持1天、1周至3周的多时间尺度预测，为风电调度与维护提供决策依据。
5. 实验结果速览
图片
论文在两个数据集上验证模型性能：
• 欧洲风电场数据（40年，1小时分辨率）：
CfC-NCP模型Test MSE达0.0036，优于LSTM（0.0079）、GRU（0.0081）；
参数量仅为LSTM的1/280，推理速度快31倍；
图示显示1日/1周/3周预测趋势紧贴真实值，有助于维护调度；
• 阿尔伯塔风电场数据（2年，10分钟分辨率）：
• CfC-NCP在更复杂变量下依然保持领先，表现出强鲁棒性。
6. 实用价值与应用
该框架适用于智能电网中的风电出力预测，具有推广性和可解释性，适合用于：
• 电网调度与负荷平衡；
• 风电场运维与检修计划；
• 可再生能源系统如太阳能预测、虚拟电厂等扩展场景。
7. 开放问题
• 当前模型对突发天气变化的适应能力如何？是否需引入外部扰动建模？
• NCP等生物启发拓扑能否迁移到电网其他预测任务如负荷或电价预测中？
• LNN是否具备在线学习能力，以应对风电场不断变化的运行环境？
