【期刊信息】

Message

刊名:计算机光盘软件与应用
主办:中国大恒公司大恒电子出版社
主管:中国科学院
ISSN:1007-9599
CN:11-3907/TP
语言:中文
周期:半月
影响因子:0
期刊分类:计算机软件及计算机应用

现在的位置:主页 > 期刊导读 >

电力工业论文_基于Kmeans-VMD-LSTM的短期风速

来源:计算机光盘软件与应用 【在线投稿】 栏目:期刊导读 时间:2022-01-17

作者:网站采编

关键词:

【摘要】文章目录 0 引 言 1 基于Kmeans和VMD的信号分解 1.1 Kmeans算法 1.2 VMD分解 1.3 样本熵 1.4 LSTM神经网络 2 Kmeans-VMD-LSTM预测模型 2.1 预测模型 2.2 预测结果评估指标 3 算例及试验结果分析 3.1 数据聚
文章目录

0 引 言

1 基于Kmeans和VMD的信号分解

1.1 Kmeans算法

1.2 VMD分解

1.3 样本熵

1.4 LSTM神经网络

2 Kmeans-VMD-LSTM预测模型

2.1 预测模型

2.2 预测结果评估指标

3 算例及试验结果分析

3.1 数据聚类

3.2 数据分解与重构

    3.2.1 数据分解

        (1) 将第一类相似日分解为5层子分量。

        (2) 将第一类相似日分解为10层子分量。

    3.2.2 数据重构

3.3 模型的构建与预测

    3.3.1 Kmeans-VMD-AdaBoost-BP预测模型

    3.3.2 Kmeans-VMD-LSTM预测模型

    3.3.3 误差对比分析

4 结 语

文章摘要:短期风速具有间歇性、波动性、非线性和非平稳性等特点,具有高度的复杂性,预测难度较大。风速信号可以看成是由复杂度较低、规律较强的简单信号耦合而成,所以可利用分解方法使之分为多尺度的波动分量,降低分量复杂度,增强其规律性,可以提高其预测精度。因此,为了提高神经网络的学习效率,采用Kmeans算法对原始风速数据进行相似日聚类;其次,使用VMD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。通过大量试验和不同方法之间的比较表明,基于Kmeans-VMD-LSTM的组合预测模型可以有效提高风速短期预测的准确率。

文章关键词:

论文分类号:TM614



文章来源:《计算机光盘软件与应用》 网址: http://www.jsjgprjyyy.cn/qikandaodu/2022/0117/1795.html


上一篇:武器工业与军事技术论文_基于ANGM(1,1)和PSO-
下一篇:化学论文_基于大米特征矿物元素产地鉴别建模方