查看“WikiEdge:ArXiv-2408.17185v1/methods”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17185v1/methods|action=edit}} 编辑]</div>
这篇文献的工作部分详细介绍了如何开发和评估提出的混合[[机器学习]]模型，用于[[智能电网]]中[[风力发电]]的短期[[风速预测]]。以下是这部分的主要内容：
# '''[[数据预处理]]'''：
#* 首先，使用来自当地[[风电场]]的风速数据集，对数据进行清洗，处理缺失值和异常值，以确保数据质量。
#  '''[[信号分解]]'''：
#* 采用[[连续变分模态分解]]（Successive Variational Mode Decomposition, SVMD）方法将风速时间序列分解为多个[[内在模态函数]]（Intrinsic Mode Functions, IMFs），以提取数据中的不同频率成分。
#  '''[[超参数优化]]'''：
#* 利用[[量子行为粒子群优化]]（Quantum-behaved Particle Swarm Optimization, QPSO）的改进版本——[[精英育种QPSO]]（Elitist Breeding QPSO, EBQPSO）对[[最小二乘支持向量机]]（Least Squares Support Vector Machines, LSSVM）的超参数进行优化，以提高模型的预测精度。
#  '''[[短期风速预测模型构建]]'''：
#* 将LSSVM模型应用于每个分解后的模态分量，并使用[[长短期记忆网络]]（Long Short-Term Memory, LSTM）对原始风速序列与模态分量之和的差异进行建模，以捕捉风速时间序列中的非线性和非平稳特性。
#  '''[[模型训练与测试]]'''：
#* 分别对LSSVM和LSTM模型进行训练和验证，然后结合两种模型的预测结果，得到最终的风速预测值。
#  '''[[性能评估]]'''：
#* 使用[[均方根误差]]（Root Mean Square Error, RMSE）、[[平均绝对误差]]（Mean Absolute Error, MAE）、[[平均绝对百分比误差]]（Mean Absolute Percentage Error, MAPE）等指标对模型性能进行评估，并与现有的风速预测模型进行比较，验证所提模型的有效性和优越性。