基于总体经验模态分解和CoDE-BP短期风速预测

作者：胡亚兰; 陈亮^*; 余相; **

来源：计算机技术与发展, 2019, 29(02): 195-201.

• 短期风速预测
• 总体经验模态分解
• 组合差分进化算法
• 前馈神经网络

预测问题是应用机器学习的研究热点之一,是计算机技术领域在实际工程的重要应用,然而由于风速具有随机性、波动性等特性,导致风速预测存在准确率低的问题。为了提高风速预测的准确性,将总体经验模态分解(EEMD)方法引入到组合差分进化算法(CoDE)和前馈(BP)神经网络中,提出了一种新颖的混合风速预测模型(EEMD-CoDE-BP)。利用EEMD将原始风速信号分解成一系列不同频率的子序列IMFs和残差序列r,通过每个子序列训练CoDE-BP模型,最终的风速预测结果由每个子序列预测结果等权求和得到。以国内某风电场每10 min、1 h采样间隔的风速数据进行MATLAB仿真,对比包括传统的Elman神经网络(ENN)、小波神经网络(WNN)、BP、CoDE-BP和EMD-CoDE-BP等算法,仿真结果表明所提方法能对风速进行准确有效的预测,极大地提高了预测精度,减小了预测误差。