WikiEdge:ArXiv-2408.17185v1/methods

編輯

這篇研究論文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：

1. 數據預處理：
   • 首先，從風電場收集的風速數據被分解成模態分量，使用連續變分模態分解（Successive Variational Mode Decomposition, SVMD）技術。
2. 模型訓練與優化：
   • 接着，每個子信號被擬合到最小二乘支持向量機（Least Squares Support Vector Machines, LSSVM）模型中，其超參數通過一種新型的量子行為粒子群優化（Quantum-behaved Particle Swarm Optimization, QPSO）算法——精英育種QPSO（Elitist Breeding QPSO, EBQPSO）進行優化。
   • 然後，使用長短期記憶網絡（Long Short-Term Memory, LSTM）對原始風速序列與SVMD模式聚合之間的差異進行建模。
3. 預測結果計算：
   • 最終預測值通過聚合LSSVM和LSTM模型的預測值來計算。
4. 性能評估：
   • 通過與現有的風速預測基準模型進行比較，評估所提出模型的性能。
5. 實驗結果：
   • 實證結果顯示，所提出的方法在均方根誤差（Root Mean Square Error, RMSE）和平均絕對誤差（Mean Absolute Error, MAE）方面相較於基準方法有顯著改進。
6. 代碼實現：
   • 研究中所有的代碼實現都在GitHub上公開可用。