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。