VMD和混合深度学习框架融合的短期风速预测
风速预测是影响风电场效率和稳定性的重要因素.文中基于风速的时空特征,融合变分模态分解(VMD)和混合深度学习框架进行短期风速预测,即VHSTN(VMD-based hybrid spatio-temporal network).其中,混合深度学习框架由卷积神经网络(CNN)、长短时记忆网络(LSTM)以及自注意力机制(SAM)组成.该算法对原始数据清洗后,采用VMD将多站点风速的时空数据分解为固有模态函数(intrinsic mode functions,IMF)分量,去除风速数据的不稳定性;然后针对各IMF分量,应用底部的CNN抽取空域特征;再用顶层LSTM提取时域特征,之后用SAM通过自适应加权加强对隐藏特征的提取并得到各分量的预测结果;最后合并获得最终预测风速.在数据集WIND上进行实验,并和相关典型算法对比,实验结果表明了该算法的有效性和优越性.
风速预测、时空特征、变分模态分解(VMD)、卷积神经网络(CNN)、长短时记忆网络(LSTM)、自注意力机制(SAM)
32
TP391;TN911.7;TP183
国家自然科学基金;国电南瑞项目
2023-09-25(万方平台首次上网日期,不代表论文的发表时间)
共8页
169-176