基于数据分解与深度学习模型的风速预测：以沙特阿拉伯某风电场为例
机器学习
2024-12-19 v1
摘要
随着工业和技术的发展以及电力需求的不断增长，风能已逐渐成为增长最快且最环保的新能源。然而，由于风速的波动性，风力发电始终伴随着不确定性。风速预测（Wind Speed Forecasting, WSF）对于电网的调度、稳定性和可控性至关重要，其准确性对有效利用风能资源具有决定性作用。因此，本研究提出了一种基于混合分解方法与双向长短期记忆网络（Bidirectional Long Short-term Memory, BiLSTM）的平稳数据风速预测新框架，旨在为沙特阿拉伯 Al-Jouf 地区的 Dumat Al-Jandal 风电场实现高精度的预测。该混合分解方法结合了小波包分解（Wavelet Packet Decomposition, WPD）与季节调整方法（Seasonal Adjustment Method, SAM）。SAM 方法消除了由 WPD 生成的分解子序列的季节分量，从而降低了预测复杂度。随后应用 BiLSTM 对所有去季节化的分解子序列进行预测。研究使用了从 Al-Jouf 地区某处获取的五年逐小时风速观测数据来验证所提模型的有效性。包含其他 27 个模型的对比实验结果表明，所提模型在单步与多步风速预测中均表现出优越性，其总体平均平均绝对误差为 0.176549，均方根误差为 0.247069，决定系数误差为 0.985987。
引用
@article{arxiv.2412.13356,
title = {Wind Speed Forecasting Based on Data Decomposition and Deep Learning Models: A Case Study of a Wind Farm in Saudi Arabia},
author = {Yasmeen Aldossary and Nabil Hewahi and Abdulla Alasaadi},
journal= {arXiv preprint arXiv:2412.13356},
year = {2024}
}