10.3969/j.issn.1673-7598.2024.01.003
基于改进经验模态分解和混合深度学习模型的风速预测
准确的风速预测对风电消纳和电力系统的稳定运行具有重要意义.提出将改进的自适应噪声完全集合经验模态分解(ICEEMDAN)方法和混合深度学习模型相结合以提高风速预测准确性.首先,采用ICEEMDAN分解方法提取复杂风速序列中不同频率特征;其次,针对不同频率特征构建时间卷积网络(TCN)-门控循环单元神经网络(GRU)模型,获取长期时序信息并对各特征序列进行预测;最后,加权集成每个特征序列的预测值作为最终结果.实验结果表明,所提ICEEMDAN-TCN-GRU模型较对比模型模型预测精度高、稳定性强.
风电、风速预测、时间序列分解、时间卷积网络、门控循环单元神经网络
52
TM614;TP18(发电、发电厂)
2024-01-31（万方平台首次上网日期，不代表论文的发表时间）
共7页
1-7
