基于CEEMD和LSTM-ARIMA的短期风速预测

基于CEEMD和LSTM-ARIMA的短期风速预测
李秉晨;于惠钧;丁华轩;刘靖宇
【期刊名称】《中国测试》
【年(卷),期】2022(48)2
【摘要】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。

【总页数】6页(P163-168)
【关键词】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【作者】李秉晨;于惠钧;丁华轩;刘靖宇
【作者单位】湖南工业大学轨道交通学院
【正文语种】中文
【中图分类】TM614
【相关文献】
1.基于CEEMD和GWO的超短期风速预测
2.基于CEEMD-LSSVM的风电场短期风速预测
3.基于CEEMD-CSO-ELM的短期风速预测
4.基于CEEMD-CSO-ELM 的短期风速预测
5.基于CEEMD和机器学习算法的短期风速组合预测
因版权原因，仅展示原文概要，查看原文内容请购买。