基于VMD-FE-SSA-SVR模型的超短期风速预测

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。

基于CEEMDAN-SE-GWO-LSTM模型的短期风速预测

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。