基于INGO-SWGMN混合模型的超短期风速预测研究

作者：付文龙; 章轩瑞; 张海荣; 傅雨晨; 刘兴韬

来源：太阳能学报, 2024, 45(05): 133-143.

DOI：10.19912/j.0254-0096.tynxb.2022-1975

• 风速
• 预测
• 深度学习
• 变分模态分解
• 共享权重门控记忆网络
• 改进的北方苍鹰优化算法

为提高超短期风速预测的精度，提出一种融合变分模态分解（VMD）、相空间重构、改进的北方苍鹰优化算法（INGO）和共享权重门控记忆网络（SWGMN）的超短期风速混合预测模型。首先，考虑到风速的强波动性会对预测带来不利影响，采用VMD对风速时间序列进行分解，得到一系列相对平稳的子序列。然后对各子序列分量进行相空间重构，得到相应的相空间矩阵。接着针对长短期记忆网络（LSTM）训练时间较长和权重参数较多的问题，提出一种SWGMN对各子序列分量建立预测模型。同时，为提高模型预测性能，提出一种INGO对SWGMN模型的两个超参数进行寻优，得到最优参数组合。最后累加各子序列预测值，得到最终风速预测结果。实验结果表明，在单步预测和多步预测中，所提方法的平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）、决定系数R2分别为0.1828 m/s、0.2263 m/s、4.5481%、0.987和0.2429 m/s、0.3107 m/s、6.1113%、0.976，相较于传统方法具有更高的预测精度和预测效率。

• 单位
  中国长江电力股份有限公司; 三峡大学