FreeGNN：面向可再生能源预测的持续源自由图神经网络适应框架
机器学习
2026-03-03 v1 人工智能
摘要
可再生能源发电预测对于高效电网管理和可持续用电规划至关重要。然而，传统监督模型需要获取目标站点的标注数据，而由于隐私、成本或日志istical 限制，这些数据可能不可用。本文提出FreeGNN，一种持续源自由图域适应框架，使其能在无需源数据或目标标签的情况下对未知可再生能源站点进行自适应预测。我们的方法将基于时空图神经网络(GNN)的主干架构与教师-学生策略、记忆回放机制、图基正则化以保持空间相关性以及漂移感知加权方案相结合，动态调整流式更新期间的适应强度。这一组合允许模型在保持稳健性和稳定性的同时，持续适应非平稳环境条件。我们在三个真实数据集上进行了广泛实验：GEFCom2012、Solar PV 和 Wind SCADA，涵盖多个站点、不同时间分辨率和气象特征。消融研究确认，每个组件记忆、图正则化、漂移感知适应和教师-学生策略对整体性能都有显著贡献。实验表明，FreeGNN 在 GEFCom 数据集上实现 MAE 为 5.237，RMSE 为 7.123；在 Solar PV 数据集上实现 MAE 为 1.107，RMSE 为 1.512；在 Wind SCADA 数据集上实现 MAE 为 0.382，RMSE 为 0.523。这些结果表明该方法在源自由、持续学习环境中能够实现准确而稳健的预测，凸显其在自适应可再生能源系统中实际部署的潜力。为可重复性，实现细节已于 https://github.com/AraoufBh/FreeGNN 提供。
引用
@article{arxiv.2603.01657,
title = {FreeGNN: Continual Source-Free Graph Neural Network Adaptation for Renewable Energy Forecasting},
author = {Abderaouf Bahi and Amel Ourici and Ibtissem Gasmi and Aida Derrablia and Warda Deghmane and Mohamed Amine Ferrag},
journal= {arXiv preprint arXiv:2603.01657},
year = {2026}
}
备注
16 pages, 8 figures, 8 tables