短时风速预测的智能方法研究
发布时间：2021-04-12 12:17
经济的发展使得人们的生活质量越来越高,但随之而来的环境问题也愈来愈严重,譬如大气污染、海洋污染、森林火灾、病毒肆虐、石油资源的日渐匮乏等问题,因此,充分利用风能等可再生的清洁能源是极其重要的。精确的风速预测能够帮助我们有效地利用风能资源,但由于风速的随机性以及非稳定性使得风速的预测极具挑战性,故需要寻找合适的预测模型才能精确地预测风速。针对风速预测,本文提出了一种基于权重的组合模型,文章主要从三个方面对风速的预测展开了探讨:（1）数据降噪方法的选择;（2）单一模型的预测研究;（3）组合模型的预测研究。由于原始风速数据具有非平稳性等特征,直接使用原始风速数据进行预测研究会使得预测效果不理想,在预测之前需要对原始数据进行数据重构等降噪处理,本文选择了经验模态分解（EMD）、集成的经验模态分解（EEMD）、小波变换（WD）、高斯滤波器和均值滤波器五种方法分别对六个站点的原始风速数据进行降噪处理,将处理后的数据基于长短时记忆神经网络LSTM分别做预测实验,得出EMD和WD方法预测效果明显优于其他几种。单一模型的预测选择支持向量回归SVR、多层感知机MLP、循环神经网络RNN、长短时记忆神经网络...
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
六个站点原始风速数据来源
兰州大学硕士学位论文短时风速预测的智能方法研究21表3.1不同降噪方法的预测结果站点模型MAE（m/s）RMSE（m/s）MAPE（%）SMAPE（%）站点1EMD_LSTM0.36640.44676.73306.9387EEMD_LSTM0.35800.46266.48996.7140WD_LSTM0.26000.337974.79804.8445MEAN_LSTM0.39660.52377.35617.3821GAUSS_LSTM0.61360.800611.316611.3366ORGINAL_LSTM0.37210.48006.97816.8643站点3EMD_LSTM0.27340.30374.63934.7249EEMD_LSTM0.38560.34155.41325.3472WD_LSTM0.29200.29044.44524.5300MEAN_LSTM0.27520.26124.05683.9482GAUSS_LSTM0.70660.680410.457610.4477ORGINAL_LSTM0.38670.45347.13826.9047站点5EMD_LSTM0.33380.42126.41056.1204EEMD_LSTM0.32890.40386.24956.035WD_LSTM0.21820.27564.11194.0885MEAN_LSTM0.37270.47196.84146.9616GAUSS_LSTM0.56200.690110.795310.2028ORGINAL_LSTM0.34990.45136.61376.3943站点7EMD_LSTM0.30060.36844.58934.6457EEMD_LSTM0.33690.40965.10825.1548WD_LSTM0.24700.31683.81113.8064MEAN_LSTM0.44050.57346.9736.6957GAUSS_LSTM0.59790.74469.3299.0072OTGINAL_LSTM0.37240.48235.69285.7135站点8EMD_LSTM0.27250.36494.88024.8238EEMD_LSTM0.33420.43245.87515.9058WD_LSTM0.24600.32874.37454.3341MEAN_LSTM0.43340.57977.87227.4964GAUSS_LSTM0.62340.807411.299910.6695ORGINAL_LSTM0.37850.50786.66126.5885站点9EMD_LSTM0.30540.38037.00796.6899EEMD_LSTM0.24450.31725.44625.4220WD_LSTM0.22270.28834.97594.9103MEAN_LSTM0.35200.43618.02937.7262GAUSS_LSTM0.39330.50258.83698.6773ORGINAL_LSTM0.31070.40376.93496.8361站点平均EMD_L
兰州大学硕士学位论文短时风速预测的智能方法研究25第四章单一模型预测本章为单一模型的预测，首先选择EMD和WD两种数据降噪方法对六个站点的数据分别做重构处理，得到降噪后的数据。仿真实验分为EMD重构数据和WD重构数据两组，选择SVR、MLP、RNN、LSTM、GRU五种模型为单一模型，分别进行实验分析。4.1基于EMD数据重构的单模型风速预测选择经验模态分解EMD为数据降噪方法，分别对六个站点原始风速数据做降噪处理，将处理后的数据作为SVR、MLP、RNN、LSTM、GRU五种单一模型的输入值，分别进行风速预测。图4.1给出了站点3和站点8各单一模型基于EMD的预测趋势图。图4.1部分站点基于EMD的单一模型风速预测趋势图
【参考文献】：
期刊论文
[1]基于PSO优化LSSVM的短期风速预测[J]. 孙斌,姚海涛. 电力系统保护与控制. 2012(05)
本文编号：3133282
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
六个站点原始风速数据来源
兰州大学硕士学位论文短时风速预测的智能方法研究21表3.1不同降噪方法的预测结果站点模型MAE（m/s）RMSE（m/s）MAPE（%）SMAPE（%）站点1EMD_LSTM0.36640.44676.73306.9387EEMD_LSTM0.35800.46266.48996.7140WD_LSTM0.26000.337974.79804.8445MEAN_LSTM0.39660.52377.35617.3821GAUSS_LSTM0.61360.800611.316611.3366ORGINAL_LSTM0.37210.48006.97816.8643站点3EMD_LSTM0.27340.30374.63934.7249EEMD_LSTM0.38560.34155.41325.3472WD_LSTM0.29200.29044.44524.5300MEAN_LSTM0.27520.26124.05683.9482GAUSS_LSTM0.70660.680410.457610.4477ORGINAL_LSTM0.38670.45347.13826.9047站点5EMD_LSTM0.33380.42126.41056.1204EEMD_LSTM0.32890.40386.24956.035WD_LSTM0.21820.27564.11194.0885MEAN_LSTM0.37270.47196.84146.9616GAUSS_LSTM0.56200.690110.795310.2028ORGINAL_LSTM0.34990.45136.61376.3943站点7EMD_LSTM0.30060.36844.58934.6457EEMD_LSTM0.33690.40965.10825.1548WD_LSTM0.24700.31683.81113.8064MEAN_LSTM0.44050.57346.9736.6957GAUSS_LSTM0.59790.74469.3299.0072OTGINAL_LSTM0.37240.48235.69285.7135站点8EMD_LSTM0.27250.36494.88024.8238EEMD_LSTM0.33420.43245.87515.9058WD_LSTM0.24600.32874.37454.3341MEAN_LSTM0.43340.57977.87227.4964GAUSS_LSTM0.62340.807411.299910.6695ORGINAL_LSTM0.37850.50786.66126.5885站点9EMD_LSTM0.30540.38037.00796.6899EEMD_LSTM0.24450.31725.44625.4220WD_LSTM0.22270.28834.97594.9103MEAN_LSTM0.35200.43618.02937.7262GAUSS_LSTM0.39330.50258.83698.6773ORGINAL_LSTM0.31070.40376.93496.8361站点平均EMD_L
兰州大学硕士学位论文短时风速预测的智能方法研究25第四章单一模型预测本章为单一模型的预测，首先选择EMD和WD两种数据降噪方法对六个站点的数据分别做重构处理，得到降噪后的数据。仿真实验分为EMD重构数据和WD重构数据两组，选择SVR、MLP、RNN、LSTM、GRU五种模型为单一模型，分别进行实验分析。4.1基于EMD数据重构的单模型风速预测选择经验模态分解EMD为数据降噪方法，分别对六个站点原始风速数据做降噪处理，将处理后的数据作为SVR、MLP、RNN、LSTM、GRU五种单一模型的输入值，分别进行风速预测。图4.1给出了站点3和站点8各单一模型基于EMD的预测趋势图。图4.1部分站点基于EMD的单一模型风速预测趋势图
【参考文献】：
期刊论文
[1]基于PSO优化LSSVM的短期风速预测[J]. 孙斌,姚海涛. 电力系统保护与控制. 2012(05)
本文编号：3133282
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3133282.html
