相关实验视频
一个基于神经网络,波形变换,相互信息和coot优化算法的新型风速预测模型
Faezeh Amirteimoury1, Farshid Keynia2, Elaheh Amirteimoury3
1Department of Computer Engineering, Kerman Branch, Islamic Azad University, Kerman, Iran.
Scientific reports
|March 29, 2025
概括
本研究引入了一种先进的风速预测模型,以改善可再生能源的整合. 这种新的方法通过准确预测风力发电,提高了电网稳定性,优于现有的方法.
科学领域:
- 可再生能源系统可再生能源系统
- 计算智能是一种计算智能.
- 时间序列分析时间序列分析
背景情况:
- 风能是重要的可再生资源,但其间歇性质给电网带来了整合挑战.
- 风速波动需要准确的预测模型来确保电网稳定性和可靠的能源供应.
研究的目的:
- 开发和评估一种用于精确预测风速的新型混合模型.
- 解决风速变化的复杂性,以加强风力发电的电网整合.
主要方法:
- 这是一个混合模型,它结合了离散波纹变换 (DWT) 进行信号平滑,相互信息 (MI) 进行特征选择,Coot优化算法 (COOT) 进行最佳特征选择,以及双向长短期内存 (BiLSTM) 进行模式识别.
- 使用标准误差指标进行性能评估:平均平方误差 (MSE),平均绝对误差 (MAE),平均绝对百分比误差 (MAPE),确定系数 (R2) 和中位数绝对误差 (MedAE).
主要成果:
- 拟议的混合模型在两个不同的风速数据集上展示了高预测准确度.
- 该模型在各种性能指标中显著超过了14个基准模型.
- 集成DWT,MI,COOT和BiLSTM有效地捕获了风速数据中的复杂模式.
结论:
- 与现有方法相比,开发的混合模型为风速预测提供了优越的解决方案.
- 这种先进的预测能力可以促进风能更有效地融入电网.
- 这些发现强调了将信号处理,特征选择和深度学习结合起来,用于可再生能源预测的潜力.
