典型文献
基于多模式分解和麻雀优化残差网络的短期风速预测模型
文献摘要：
为提高风速预测的精度,提出一种基于多模式分解、麻雀优化算法(sparrow search algorithm,SSA)、残差网络(residual neural network,ResNet)和门控循环单元网络(gated recurrent units,GRU)的短期风速预测模型.该模型首先利用小波分解(wavelet transform,WT)、变分模态分解(variational mode decomposition,VMD)和自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)分别分解经过模糊C均值聚类后的风速数据,不同模态分解分量组合为二维矩阵,作为卷积网络的输入数据,实现不同模式分量波动规律的互补;随后,在传统卷积网络结构中增加改进的残差模块,对多模式分解分量进行特征提取,使得深层特征得到显著增强;最后,将特征融合后输入GRU模块,进一步挖掘风速分量在时序上的特征,通过麻雀优化对Res-GRU中的关键参数进行寻优,实现风速预测.实验表明,与传统组合模型相比,所提组合预测模型可以有效提高风速短期预测的准确率.
文献关键词：
风速短期预测;信号分解技术;残差网络;GRU神经网络;麻雀优化
中图分类号：
作者姓名：
陈臣鹏;赵鑫;毕贵红;谢旭;高敬业;骆钊
作者机构：
昆明理工大学电力工程学院,云南省 昆明市 650500
文献出处：
引用格式：
[1]陈臣鹏;赵鑫;毕贵红;谢旭;高敬业;骆钊-.基于多模式分解和麻雀优化残差网络的短期风速预测模型)[J].电网技术,2022(08):2975-2985
A类：
多模式分解
B类：
残差网络,风速预测,麻雀优化算法,sparrow,search,algorithm,SSA,residual,neural,network,ResNet,门控循环单元网络,gated,recurrent,units,GRU,小波分解,wavelet,transform,WT,变分模态分解,variational,mode,decomposition,VMD,自适应噪声完备集合经验模态分解,complete,ensemble,empirical,adaptive,noise,CEEMDAN,均值聚类,风速数据,分量组合,二维矩阵,输入数据,不同模式,波动规律,卷积网络结构,残差模块,深层特征,征得,特征融合,组合模型,组合预测模型,风速短期预测,信号分解技术
AB值：
0.374098
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
