期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于VMD-FE-SSA-SVR模型的超短期风速预测
1
作者
王胜研
王娟娟
《电器与能效管理技术》
2024年第4期57-64,共8页
为有效降低风速的非线性和无序性带来的风速预测难度,提高预测准确性,提出一种结合变分模态分解(VMD)、模糊熵(FE)、麻雀搜索算法(SSA)和支持向量回归(SVR)的组合预测模型来预测超短期风速。首先利用VMD技术将风速数据分解为若干模态分...
为有效降低风速的非线性和无序性带来的风速预测难度,提高预测准确性,提出一种结合变分模态分解(VMD)、模糊熵(FE)、麻雀搜索算法(SSA)和支持向量回归(SVR)的组合预测模型来预测超短期风速。首先利用VMD技术将风速数据分解为若干模态分量,再通过FE方法对各分量进行筛选,将FE值相近的分量进行叠加,形成若干个新序列,然后采用经SSA优化过的SVR模型对新序列进行训练与预测,最后将各新序列的预测结果叠加,形成最终预测结果。通过不同模型验证对比,VMD-FE-SSA-SVR模型预测效果较好,表明所提模型显示出较好的预测精度与稳定性,可有效预测超短期风速。
展开更多
关键词
风速预测
变分模态分解
模糊熵
麻雀搜索算法
支持向量回归
下载PDF
职称材料
基于CEEMDAN-SE-GWO-LSTM模型的短期风速预测
2
作者
王胜研
王娟娟
《电工技术》
2024年第4期74-78,81,共6页
为了降低风速具有的非线性和随机性带来的预测难度,提高预测准确性,提出一种融合完全自适应噪声集合经验模态分解(CEEMDAN)、样本熵(SE)、灰狼优化算法(GWO)和长短期记忆神经网络(LSTM)的组合预测模型来预测短期风速。首先利用CEEMDAN...
为了降低风速具有的非线性和随机性带来的预测难度,提高预测准确性,提出一种融合完全自适应噪声集合经验模态分解(CEEMDAN)、样本熵(SE)、灰狼优化算法(GWO)和长短期记忆神经网络(LSTM)的组合预测模型来预测短期风速。首先利用CEEMDAN将风速数据分解为若干模态分量,再通过样本熵对各分量进行筛选,将样本熵值相近的模态分量进行叠加,形成新的若干个子序列,然后对各子序列采用GWO-LSTM模型进行训练与预测,最后叠加子序列的预测结果。实验结果表明,所提CEEMDAN-SE-GWO-LSTM模型相对于单一的LSTM模型在均方根误差、平均绝对误差和平均相对误差这3个误差指标上分别降低了21.7%、44.5%和40.9%,因此该模型具有较好的预测精度与稳定性,可有效预测短期风速。
展开更多
关键词
风速预测
CEEMDAN
SE
GWO
长短期记忆神经网络
下载PDF
职称材料
题名
基于VMD-FE-SSA-SVR模型的超短期风速预测
1
作者
王胜研
王娟娟
机构
大连交通大学自动化与电气工程学院
出处
《电器与能效管理技术》
2024年第4期57-64,共8页
文摘
为有效降低风速的非线性和无序性带来的风速预测难度,提高预测准确性,提出一种结合变分模态分解(VMD)、模糊熵(FE)、麻雀搜索算法(SSA)和支持向量回归(SVR)的组合预测模型来预测超短期风速。首先利用VMD技术将风速数据分解为若干模态分量,再通过FE方法对各分量进行筛选,将FE值相近的分量进行叠加,形成若干个新序列,然后采用经SSA优化过的SVR模型对新序列进行训练与预测,最后将各新序列的预测结果叠加,形成最终预测结果。通过不同模型验证对比,VMD-FE-SSA-SVR模型预测效果较好,表明所提模型显示出较好的预测精度与稳定性,可有效预测超短期风速。
关键词
风速预测
变分模态分解
模糊熵
麻雀搜索算法
支持向量回归
Keywords
wind speed prediction
variational mode decomposition(VMD)
fuzzy entropy(FE)
sparrow search algorithm(SSA)
support vector regression(SVR)
分类号
TM614 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
基于CEEMDAN-SE-GWO-LSTM模型的短期风速预测
2
作者
王胜研
王娟娟
机构
大连交通大学
出处
《电工技术》
2024年第4期74-78,81,共6页
文摘
为了降低风速具有的非线性和随机性带来的预测难度,提高预测准确性,提出一种融合完全自适应噪声集合经验模态分解(CEEMDAN)、样本熵(SE)、灰狼优化算法(GWO)和长短期记忆神经网络(LSTM)的组合预测模型来预测短期风速。首先利用CEEMDAN将风速数据分解为若干模态分量,再通过样本熵对各分量进行筛选,将样本熵值相近的模态分量进行叠加,形成新的若干个子序列,然后对各子序列采用GWO-LSTM模型进行训练与预测,最后叠加子序列的预测结果。实验结果表明,所提CEEMDAN-SE-GWO-LSTM模型相对于单一的LSTM模型在均方根误差、平均绝对误差和平均相对误差这3个误差指标上分别降低了21.7%、44.5%和40.9%,因此该模型具有较好的预测精度与稳定性,可有效预测短期风速。
关键词
风速预测
CEEMDAN
SE
GWO
长短期记忆神经网络
Keywords
wind speed prediction
CEEMDAN
SE
GWO
long short-term memory neural network
分类号
TM614 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于VMD-FE-SSA-SVR模型的超短期风速预测
王胜研
王娟娟
《电器与能效管理技术》
2024
0
下载PDF
职称材料
2
基于CEEMDAN-SE-GWO-LSTM模型的短期风速预测
王胜研
王娟娟
《电工技术》
2024
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部