基于混合 LSSVM-SVMD 方法的智能电网风电并网短期风速预测
机器学习
2024-09-02 v1
摘要
因其污染少且能源利用效率高，风能已成为应用最广泛的可再生能源之一。将风电成功并入电网系统取决于准确的风速预测模型。然而，由于风速固有的间歇性特征，风速预测任务极具挑战性。本文开发了一种用于预测短期风速的混合机器学习方法。首先，利用逐次变分模态分解（SVMD）将风数据分解为模态分量。然后，将每个子信号拟合至最小二乘支持向量机（LSSVM）模型，其超参数由量子行为粒子群优化（QPSO）的一种新变体——带有精英繁殖的 QPSO（EBQPSO）进行优化。其次，利用长短期记忆模型（LSTM）对构成原始风序列与 SVMD 模态聚合之间差异的残差进行建模。随后，利用 LSSVM 和 LSTM 模型的聚合计算总体预测值。最后，使用从当地风电场收集的两个独立数据集，将所提模型的性能与用于风速预测的最先进基准模型进行了比较。实证结果表明，所提方法在性能上有显著提升，与基准方法相比，均方根误差（RMSE）降低了 1.21% 至 32.76%，平均绝对误差（MAE）降低了 2.05% 至 40.75%。本工作的完整代码实现已在 Github 上免费提供。
引用
@article{arxiv.2408.17185,
title = {Short-term Wind Speed Forecasting for Power Integration in Smart Grids based on Hybrid LSSVM-SVMD Method},
author = {Ephrem Admasu Yekun and Alem H. Fitwib and Selvi Karpaga Subramaniand and Anubhav Kumard and Teshome Goa Tella},
journal= {arXiv preprint arXiv:2408.17185},
year = {2024}
}