WikiEdge:ArXiv-2408.17185v1/abs：修订间差异
跳转到导航
跳转到搜索
Saved page by Carole |
|||
| （未显示同一用户的5个中间版本） | |||
| 第1行： | 第1行： | ||
<!-- 不要移除下面第一行，如果有编辑错误，请直接修改第二行以后的内容 --> | <!-- 不要移除下面第一行，如果有编辑错误，请直接修改第二行以后的内容 --> | ||
<div style="float: right;">[{fullurl:WikiEdge:ArXiv- | <div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17185v1/abs|action=edit}} 编辑]</div> | ||
* '''标题'''：Short-term Wind Speed Forecasting for Power Integration in Smart Grids based on Hybrid LSSVM-SVMD Method | * '''标题'''：Short-term Wind Speed Forecasting for Power Integration in Smart Grids based on Hybrid LSSVM-SVMD Method | ||
* '''中文标题'''： | * '''中文标题'''：智能电网中基于混合LSSVM-SVMD方法的短期风速预测 | ||
* '''发布日期'''：2024-08-30T10:35:59+00:00 | * '''发布日期'''：2024-08-30T10:35:59+00:00 | ||
* '''作者'''：Ephrem Admasu Yekun, Alem H. Fitwib, Selvi Karpaga Subramaniand, Anubhav Kumard, Teshome Goa Tella | * '''作者'''：Ephrem Admasu Yekun, Alem H. Fitwib, Selvi Karpaga Subramaniand, Anubhav Kumard, Teshome Goa Tella | ||
* '''分类'''：cs.LG | * '''分类'''：cs.LG | ||
*'''原文链接'''：http://arxiv.org/abs/2408.17185v1 | *'''原文链接'''：http://arxiv.org/abs/2408.17185v1 | ||
'''摘要'''： | '''摘要'''：由于其污染小和能源利用效率高，[[风能]]已成为最广泛利用的[[可再生能源]]之一。[[风电]]成功并网依赖于准确的[[风速预测]]模型。然而，由于风速固有的间歇性特征，风速预测任务具有挑战性。本文开发了一种混合[[机器学习]]方法来预测短期风速。首先，使用[[连续变分模态分解]]（SVMD）将风数据分解为模态分量。然后，将每个子信号拟合到[[最小二乘支持向量机]]（LSSVM）模型中，其超参数由一种新型的[[量子行为粒子群优化]]（QPSO）变体——具有精英繁殖的QPSO（EBQPSO）优化。其次，使用[[长短期记忆模型]]（LSTM）对原始风速序列与SVMD模态总和之间的残差进行建模。然后，使用LSSVM和LSTM模型的总和计算整体预测值。最后，使用从本地风电场收集的两个独立数据集，将所提出模型的性能与最先进的基准模型进行比较。实证结果表明，所提出的方法在性能上有显著提高，与基准方法相比，[[均方根误差]]（RMSE）减少了1.21%到32.76%，[[平均绝对误差]]（MAE）减少了2.05%到40.75%。该工作的全部代码实现可在[[Github]]上免费获得。 | ||
2024年9月2日 (一) 18:29的最新版本
- 标题：Short-term Wind Speed Forecasting for Power Integration in Smart Grids based on Hybrid LSSVM-SVMD Method
- 中文标题：智能电网中基于混合LSSVM-SVMD方法的短期风速预测
- 发布日期：2024-08-30T10:35:59+00:00
- 作者：Ephrem Admasu Yekun, Alem H. Fitwib, Selvi Karpaga Subramaniand, Anubhav Kumard, Teshome Goa Tella
- 分类：cs.LG
- 原文链接：http://arxiv.org/abs/2408.17185v1
摘要：由于其污染小和能源利用效率高，风能已成为最广泛利用的可再生能源之一。风电成功并网依赖于准确的风速预测模型。然而，由于风速固有的间歇性特征，风速预测任务具有挑战性。本文开发了一种混合机器学习方法来预测短期风速。首先，使用连续变分模态分解（SVMD）将风数据分解为模态分量。然后，将每个子信号拟合到最小二乘支持向量机（LSSVM）模型中，其超参数由一种新型的量子行为粒子群优化（QPSO）变体——具有精英繁殖的QPSO（EBQPSO）优化。其次，使用长短期记忆模型（LSTM）对原始风速序列与SVMD模态总和之间的残差进行建模。然后，使用LSSVM和LSTM模型的总和计算整体预测值。最后，使用从本地风电场收集的两个独立数据集，将所提出模型的性能与最先进的基准模型进行比较。实证结果表明，所提出的方法在性能上有显著提高，与基准方法相比，均方根误差（RMSE）减少了1.21%到32.76%，平均绝对误差（MAE）减少了2.05%到40.75%。该工作的全部代码实现可在Github上免费获得。