基于变分模态分解的机器学习模型择优风速预测系统
精准的风速预报对风力发电系统具有重要意义,但风速信号自身固有的随机性使其波动复杂且不可控,以往的研究采用单一或固定的组合模型很难把握风速序列的特征.提出一种基于分解的机器学习模型择优风速预测系统,采用变分模态分解算法降低原始风速序列的复杂度.进而利用模糊神经网络、非线性自回归神经网络、Elman神经网络、反向传播神经网络和自回归差分移动平均模型构成机器学习模型择优系统,分别对子序列的验证集进行预测,通过均方根误差等性能指数选择其最优模型,提高了整体模型的预测精度.试验采用宁夏地区4个站点的实测风速数据,仿真实验结果表明,所提模型相比于单模型以及较新的深度学习组合模型,具有更高的预测精度.
风速预测;变分模态分解;机器学习;Elman神经网络
36
P425(气象基本要素、大气现象)
国家自然科学基金项目"基于尺度空间理论和地统计学的数据同化观测误差研究"编号:41861047
2021-12-07(万方平台首次上网日期,不代表论文的发表时间)
共13页
937-949