這篇文獻的工作部分詳細介紹了如何開發和評估提出的混合機器學習模型，用於智能電網中風力發電的短期風速預測。以下是這部分的主要內容：
- 數據預處理：
- 首先，使用來自當地風電場的風速數據集，對數據進行清洗，處理缺失值和異常值，以確保數據質量。
- 信號分解：
- 採用連續變分模態分解（Successive Variational Mode Decomposition, SVMD）方法將風速時間序列分解為多個內在模態函數（Intrinsic Mode Functions, IMFs），以提取數據中的不同頻率成分。
- 超參數優化：
- 利用量子行為粒子群優化（Quantum-behaved Particle Swarm Optimization, QPSO）的改進版本——精英育種QPSO（Elitist Breeding QPSO, EBQPSO）對最小二乘支持向量機（Least Squares Support Vector Machines, LSSVM）的超參數進行優化，以提高模型的預測精度。
- 短期風速預測模型構建：
- 將LSSVM模型應用於每個分解後的模態分量，並使用長短期記憶網絡（Long Short-Term Memory, LSTM）對原始風速序列與模態分量之和的差異進行建模，以捕捉風速時間序列中的非線性和非平穩特性。
- 模型訓練與測試：
- 分別對LSSVM和LSTM模型進行訓練和驗證，然後結合兩種模型的預測結果，得到最終的風速預測值。
- 性能評估：
- 使用均方根誤差（Root Mean Square Error, RMSE）、平均絕對誤差（Mean Absolute Error, MAE）、平均絕對百分比誤差（Mean Absolute Percentage Error, MAPE）等指標對模型性能進行評估，並與現有的風速預測模型進行比較，驗證所提模型的有效性和優越性。