基于樣本熵雙分解和SSA-LSTM的超短期風(fēng)速預(yù)測(cè)

打開(kāi)文本圖片集

摘 要：為進(jìn)一步提高超短期風(fēng)速預(yù)測(cè)的準(zhǔn)確性，提出一種基于樣本熵的雙分解和麻雀搜索算法（SSA）改進(jìn)長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（ILSTM）的耦合模型（簡(jiǎn)記為DILSTM）。首先，利用變分模態(tài)分解（VMD）分解原始序列并通過(guò)樣本熵量化各子序列的復(fù)雜性；其次，利用完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMDAN）分解復(fù)雜度最高的子序列進(jìn)一步提取特征過(guò)濾噪聲；最后，將雙分解得到的子序列分別建立DILSTM預(yù)測(cè)模型，并對(duì)所有子序列的預(yù)測(cè)結(jié)果疊加得到最終風(fēng)速預(yù)測(cè)結(jié)果。（剩余15417字）