基于IVMD-PSO-LSTM模型的短期风速预测
魏来1
谢义超2
喻敏1
1.武汉科技大学理学院 武汉 4300702.湖北商贸学院管理学院 武汉 430079
摘要：原始的风速序列是一种非线性和不平稳的风速序列,直接针对风速序列进行建模和预测精度不高.论文提出一种基于改进变分模态分解(Improved Variational Mode Decomposition,IVMD)的粒子群优化长短期记忆模型(Particle Swarm Optimization-Long Short-Term Memory,PSO-LSTM)网络相结合的方法对短期风速序列进行预测.IVMD算法能够自适应地确定分解层数,从而将原始风速序列转化为若干个不同频率、平稳的子序列,并具有良好的完备性.论文首先通过计算不同分解层数下的各个子序列的模糊熵值来为VMD算法选取合适的分解层数,然后采用VMD算法对原始风速序列进行计算分解得到一系列的平稳子序列,再通过对LSTM模型进行PSO算法优化来寻找最优参数,对子序列建立优化后的组合模型来进行预测,最后对子序列预测结果加总得到最终的预测结果.仿真结果表明,论文提出的IVMD-PSO-LSTM混合模型相较于BP、ARMA、LSTM单一模型预测精度更高,符合现有的风速预测标准.
关键词：VMD模糊熵PSOLSTM风速预测
分类号：TP183(自动化基础理论)
论文发表日期：2024-06-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 1708-1713 )
英文信息