基于多模式分解和麻雀优化残差网络的短期风速预测模型

摘要：

为提高风速预测的精度,提出一种基于多模式分解、麻雀优化算法(sparrow search algorithm,SSA)、残差网络(residual neural network,ResNet)和门控循环单元网络(gated recurrent units,GRU)的短期风速预测模型.该模型首先利用小波分解(wavelet transform,WT)、变分模态分解(variational mode decomposition,VMD)和自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)分别分解经过模糊C均值聚类后的风速数据,不同模态分解分量组合为二维矩阵,作为卷积网络的输入数据,实现不同模式分量波动规律的互补;随后,在传统卷积网络结构中增加改进的残差模块,对多模式分解分量进行特征提取,使得深层特征得到显著增强;最后,将特征融合后输入GRU模块,进一步挖掘风速分量在时序上的特征,通过麻雀优化对Res-GRU中的关键参数进行寻优,实现风速预测.实验表明,与传统组合模型相比,所提组合预测模型可以有效提高风速短期预测的准确率.

关键词：风速短期预测、信号分解技术、残差网络、GRU神经网络、麻雀优化

所属期刊栏目：46

分类号：TM614(发电、发电厂)

资助基金：国家自然科学基金51907084

在线出版日期：2022-08-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：2975-2985