用于可变地形条件下风速预测的新型去噪技术和深度学习混合模型
机器学习
2024-08-29 v1 神经与进化计算
摘要
风流在由于山丘、山脉和山谷的形状和高度而引起速度和方向大幅波动时，可能高度不可预测，这使得在复杂地形下准确预测风速（WS）至关重要。本文提出了一种新型且自适应的WS短期预测模型。论文的主要贡献包括：(a)利用部分自相关函数（PACF）最小化内模函数（IMF）的维度，从而减少训练时间；(b)采用样本熵（SampEn）计算降维后IMF集合的复杂度。该提议技术具有自适应性，因为根据复杂度选择特定的深度学习（DL）模型-特征组合；(c)提出了一种用于复杂IMF的双向特征-LSTM框架，实现了预测精度的提升；(d)与持久性、混合、集合经验模态分解（EEMD）和变分模态分解（VMD）基的深度学习模型相比，所提模型表现出优越的预测性能。在简单地形和复杂地形条件之间的预测精度方差最低为0.70%。IMF维度降低和基于复杂度的模型-特征选择可将训练时间缩短68.77%，平均提高预测质量58.58%。
引用
@article{arxiv.2408.15554,
title = {A Novel Denoising Technique and Deep Learning Based Hybrid Wind Speed Forecasting Model for Variable Terrain Conditions},
author = {Sourav Malakar and Saptarsi Goswami and Amlan Chakrabarti and Bhaswati Ganguli},
journal= {arXiv preprint arXiv:2408.15554},
year = {2024}
}