基于LSTM和TCN混合深度学习的风速短期预测模型

摘要

近年来，环境污染和全球变暖问题越来越严重。人们日益认识到保护环境，节能减排的重要性。随着人们对环境问题越来越重视以及科技的进步，太阳能、风能、地热能等清洁能源在生产中的应用比例越来越大，其中风能是目前最受欢迎的清洁能源之一。风力发电在全世界范围内得到广泛的应用，但风速预测一直是一个急需解决的问题。准确的风速预报可以为风电场规划以及选址提供有力的支持，风速波动具有很大的随机性和不可预测性，风速预测问题较为复杂。　　如今，随着数据挖掘和人工智能的发展，人们对于风速预测问题的研究也越来越深入。本文主要关注于风速短期预测问题。为了更好的解决该问题，本文提出一种新的深度学习混合模型。该模型基于奇异谱分析(SSA)、完全集成经验模态分解(CEEMDAN)、长短时记忆模型(LSTM)、时序卷积(TCN)、遗传算法集成构建。该模型首先使用SSA和CEEMDAN对原序列进行二次分解，然后使用LSTM和TCN对分解后的序列进行预测。在模型构建过程中使用遗传算法对全局超参数寻优，最终得到预测模型。　　本文使用两个有明显差异的风速数据集验证模型效果，本文提出的模型在两个数据集上均有较好的表现，可以显著提高预测精度，说明该模型是一种有效的短期预测模型。

目录

声明

第一章 引言

1.2 研究现状

1.3 研究内容

第二章 数据收集和基本实验设置

2.2 数据探索性分析

2.3 模型评价指标

第三章 模型介绍

3.1 实验基准模型

3.2调参方法-遗传算法(GA)

3.3时间序列分解方法

3.3.1 Seasonal Decomposition(SD)

3.3.2 完全集成经验模态分解(CEEMDAN)

3.3.3奇异谱分析(SSA)

3.4时间序列预测方法

3.4.1长短时记忆模型(LSTM)

3.4.2 梯度提升回归模型(Gradient Boosting Regressor)

3.4.3 时序卷积网络(TCN)

3.5 GA-SSA-CEEMDAN-LSTM-TCN

第四章 实验结果分析

4.1.1 SSA-CEEMDAN分解结果

4.1.2模型预测结果对比

4.1.3模型效果对比

4.2塞格德风速数据集

4.2.1 SSA-CEEMDAN分解结果

4.2.2模型预测结果对比

4.2.3 模型效果对比

第五章 总结与展望

参考文献

致谢