基于秩池化与快速傅里叶变换的多步短期风速预测
机器学习
2023-05-08 v2 大气与海洋物理
摘要
短期风速预测对于风能的经济利用至关重要。真实世界的风速数据通常具有间歇性与波动性，给现有浅层模型带来巨大挑战。本文提出一种用于多步风速预测的新的深度混合模型，即 LR-FFT-RP-MLP/LSTM（线性快速傅里叶变换秩池化多层感知机/长短期记忆网络）。我们的混合模型同时处理局部与全局输入特征。我们利用秩池化（RP）进行局部特征提取以捕获时间结构并保持时间顺序。此外，为理解风的周期模式，我们采用快速傅里叶变换（FFT）提取风速数据中的全局特征与相关频率分量。所得的局部与全局特征分别与原数据融合，并输入 MLP/LSTM 层以得到初始风速预测。最后，我们利用线性回归层协同这些初始预测以产生最终风速预测。所提混合模型使用 2010 至 2020 年收集的真实风速数据评估，相比最先进的单一与混合模型展现出更优的预测能力。总体而言，本研究为提升风速预测精度提供了一种有前景的方法。
引用
@article{arxiv.2211.14434,
title = {Multi-Step Short-Term Wind Speed Prediction with Rank Pooling and Fast Fourier Transformation},
author = {Hailong Shu},
journal= {arXiv preprint arXiv:2211.14434},
year = {2023}
}