基于经验模态二次分解的改进门控循环单元风速超短期组合预测模型

作者：颉清云; 宋连庆; 何永康

来源：国外电子测量技术, 2021, 40(06): 6-13.

DOI：10.19652/j.cnki.femt.2102507

• 风速预测
• MEEMD
• LMD
• GSA
• GRU神经网络

针对风力发电的风速时间序列非平稳特性和预测精度不高的问题,提出了一种基于改进集合经验模态分解(modified ensemble empirical mode decomposition, MEEMD)-局部均值分解(local mean decomposition, LMD)-引力搜索算法(gravitational search algorithm, GSA)-门控循环单元(gated recurrent unit, GRU)的超短期组合风速预测模型。首先利用MEEMD将风速序列分解为本征模态函数(intrinsic mode function, IMF)分量,求出各IMF分量的样本熵(sample entropy, SE),根据样本熵值的大小,量化其IMF分量的复杂性,对复杂性较高的IMF1分量采用LMD进行二次分解,然后对各分量建立经GSA优化的GRU神经网络预测模型,最后通过叠加得到风速的预测值。通过算例分析证明,所提的预测模型比其他几个单一和组合预测模型的预测精度高,可适用于风速的超短期预测。

• 单位
  西安工程大学