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