基于ICEEMDAN-Pyraformer-GRU的短期风速预测方法研究

摘要

针对风速的强非线性与波动性导致的预测精度不足问题,文章提出一种将多尺度信号分析技术与深度学习模型相融合的短期风速预测方法.该方法包括数据预处理模块与深度学习预测模块.数据预处理模块采用改进的自适应噪声完备集合经验模态分解方法对风速信号进行多尺度分解与噪声抑制,以提高后续预测模型的准确性;深度学习预测模块基于高效金字塔式注意力机制与门控循环单元构建混合模型,以协同提取时序依赖与局部突变特征.通过动态权重分配整合各子模型优势,提升综合预测精度.利用回归评价指标对模型性能进行评估,得到该预测模型的均方误差为0.91（m/s）²,均方根误差为0.95 m/s,平均绝对误差为0.69 m/s,平均绝对百分比为12.65%.对此试验结果表明,本预测模型优于其他对比模型,验证了该方法在短期风速预测上的优越性.

关键词

风速预测 / 信号分析 / 注意力机制 / 深度学习 / Pyraformer / GRU

基金资助

国家自然科学基金项目(12305186); 江苏省高等学校自然科学研究面上项目(22KJB470012); 江苏省自然科学基金青年基金项目(BK20230700)