基于CEEMD和LSTM-ARIMA的短期风速预测

作者：李秉晨; 于惠钧; 丁华轩; 刘靖宇

来源：中国测试, 2022, 48(02): 163-168.

• 风速预测
• 完备总体经验模态分解
• 长短期记忆网络
• 自回归差分移动平均

针对风速序列具有很强的随机性和波动性，提出一种基于完备总体经验模态分解(CEEMD)、长短期记忆网络(LSTM)和自回归差分移动平均(ARIMA)的组合预测模型来对短期风速进行准确预测。首先利用CEEMD算法将原始风速序列分解为多个模态分量，降低风速序列的复杂度；然后通过排列熵(PE)把风速子模态分为高频序列和低频序列，对高频序列和低频序列分别建立LSTM和ARIMA预测模型；最后把子序列预测结果叠加起来，得到最终的风速预测值。实验结果表明，该预测模型的平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别为8.68%、0.389 m/s，与其他预测模型的预测结果相比，预测精度有了一定提高。

• 单位
  湖南工业大学