基于EMD-ARIMA-LSTM的風(fēng)速預(yù)測方法

摘" 要：風(fēng)速預(yù)測在風(fēng)力發(fā)電中的準(zhǔn)確性至關(guān)重要。為提高預(yù)測精度，該文提出一種基于EMD-ARIMA-LSTM組合模型的風(fēng)速預(yù)測方法。首先，采用經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）技術(shù)對風(fēng)速時間序列進(jìn)行處理，并計算其固有模態(tài)分量的樣本熵值。然后，分別利用長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）和差分整合移動平均自回歸模型（ARIMA）對高熵和低熵的分量序列進(jìn)行建模預(yù)測。實(shí)驗(yàn)結(jié)果表明，所提組合模型相比單獨(dú)使用EMD-ARIMA或EMD-LSTM模型，具有顯著的預(yù)測優(yōu)勢，其均方根誤差（RMSE）和平均絕對百分比誤差（MAPE）大幅降低，R-squared評價指標(biāo)達(dá)到98.21%，展示了較高的預(yù)測精度。

關(guān)鍵詞：風(fēng)速預(yù)測；EMD；LSTM；ARIMA；樣本熵

中圖分類號：TP18" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號：2095-2945（2025）05-0050-04

Abstract： Accurate prediction of wind speed plays an important role in wind power generation. In this paper， a wind speed prediction method based on EMD-ARMI-LSTM combined model is proposed. Using the advantages of EMD decomposition technology to process time series， the wind speed time series is decomposed， and the sample entropy of the inherent modal component after EMD decomposition is calculated. LSTM model and ARIMA model are respectively used to predict the sequences with higher and lower sample entropy， and the final prediction results are fitted to obtain the predicted wind speed. The experimental results show that compared with EMD-ARIMA or EMD-LSTM model alone， the root mean square error （RMSE） and mean absolute percentage error （MAPE） of the combined EMD-ARMI-LSTM model are significantly reduced， and the evaluation index R-squared reaches 98.21%. The prediction effect has a high precision.

Keywords： wind speed prediction; EMD; LSTM; ARIMA; sample entropy

隨著全球能源需求的不斷增長和能源危機(jī)的日益嚴(yán)峻，風(fēng)能作為一種可再生能源，其開發(fā)利用日益受到重視[1]。風(fēng)力發(fā)電作為風(fēng)能利用的主要形式之一，風(fēng)速的精準(zhǔn)預(yù)測顯得尤為重要[2]。風(fēng)速的隨機(jī)性、波動性和間歇性不僅增加了能源生產(chǎn)的不穩(wěn)定性，還影響了電力系統(tǒng)的電能供需平衡、電網(wǎng)頻率和電壓波動等問題[3]。因此，提高風(fēng)速預(yù)測的準(zhǔn)確性對于優(yōu)化風(fēng)力發(fā)電系統(tǒng)的運(yùn)行、提高能源利用效率以及確保電網(wǎng)的安全穩(wěn)定運(yùn)行具有重要意義。

近年來，隨著大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)的飛速發(fā)展，風(fēng)速預(yù)測模型的研究取得了顯著進(jìn)展。傳統(tǒng)的風(fēng)速預(yù)測模型主要基于數(shù)值天氣預(yù)報的物理預(yù)測模型和歷史數(shù)據(jù)的統(tǒng)計分析模型[4]。然而，這些模型在處理風(fēng)場中風(fēng)速的非線性和復(fù)雜特性時存在一定的局限性，難以準(zhǔn)確提取出原始數(shù)據(jù)的重要特征[5]。因此，研究新的風(fēng)速預(yù)測方法，以提高風(fēng)力發(fā)電功率預(yù)測的準(zhǔn)確性和穩(wěn)定性，始終是新能源發(fā)電領(lǐng)域的研究熱點(diǎn)。

綜上，本文構(gòu)建了EMD-ARIMA-LSTM組合模型，旨在利用信號分解技術(shù)、時間序列分析方法和神經(jīng)網(wǎng)絡(luò)模型的各自優(yōu)勢，構(gòu)建一種風(fēng)速預(yù)測復(fù)合模型，并通過實(shí)驗(yàn)驗(yàn)證了其預(yù)測效果，為風(fēng)速準(zhǔn)確預(yù)測提供了新的思路和方法。

1" 數(shù)據(jù)預(yù)處理

本文研究數(shù)據(jù)來源于內(nèi)蒙古的某風(fēng)電場，從風(fēng)電場機(jī)組中采取部分風(fēng)速數(shù)據(jù)作為樣本。總體為32 d的風(fēng)速數(shù)據(jù)，采樣間隔時間為10 min，樣本數(shù)據(jù)為4 608個點(diǎn)，原始風(fēng)速時序圖如圖1所示。通過數(shù)據(jù)清洗、歸一化等預(yù)處理，將數(shù)據(jù)集分成30 d用于對模型進(jìn)行訓(xùn)練，對其參數(shù)進(jìn)行優(yōu)化，剩余2 d數(shù)據(jù)用于對模型進(jìn)行檢驗(yàn)。

2" EMD-ARIMA-LSTM算法原理

2.1" 經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）

經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）是一種時頻域信號處理方式，能夠?qū)⒃嫉臅r間序列拆分成一系列有限的本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF），并產(chǎn)生殘差項(xiàng)。其依據(jù)數(shù)據(jù)自身的時間尺度特征來進(jìn)行信號分解，具有完全自適應(yīng)的特點(diǎn)，分解的固有模態(tài)函數(shù)IMF數(shù)量不需要提前確定，分解后自動確定最佳數(shù)量。

2.2" 樣本熵

熵的概念在熱力學(xué)中被廣泛使用，1948年，Shannon將“熵”的概念應(yīng)用于信息論領(lǐng)域中，并提出“信息熵”的概念，并由此提出了近似熵、樣本熵的概念[6-7]。樣本熵源于對近似熵的改進(jìn)，熵值越大，表示信號系統(tǒng)中包含的信息量越多，具有不確定性的信息也越多；反之，熵值越小，具有不確定性的信息也越少。因此，樣本熵是一種度量數(shù)據(jù)集的不確定度和無序度的重要指標(biāo)，用于描述樣本集合的不確定程度或數(shù)據(jù)的復(fù)雜性，計算方法如下：

4" 實(shí)驗(yàn)驗(yàn)證與分析

4.1" 風(fēng)速序列的樣本熵

用EMD方法對風(fēng)速數(shù)據(jù)進(jìn)行分解，得到EMD分解結(jié)果如圖4所示。

由EMD分解后結(jié)果圖可以觀察到從首個本征模態(tài)函數(shù)序列至最終殘差序列，展現(xiàn)了風(fēng)速序列復(fù)雜性的逐步遞減趨勢。IMF1序列代表原始信號中頻率最高的組成部分，其復(fù)雜性相對較高，包含了信號中較多的高頻細(xì)節(jié)信息。隨著IMF序列的遞進(jìn)，信號中的高頻成分逐漸被剝離，復(fù)雜性逐漸降低，直至最后的殘差序列，它代表了信號中的低頻趨勢或平均特征，其復(fù)雜性相對較低。數(shù)據(jù)集經(jīng)過EMD分解后各個模態(tài)的樣本熵數(shù)值見表1。

4.2" 模型效果對比

構(gòu)建基于EMD-ARIMA-LSTM及2種對比模型，3個模型性能評價結(jié)果見表2。其中，MAPE表示平均絕對百分比誤差、MSE是均方誤差、RMSE是均方根誤差、MAE是平均絕對誤差。R-squared為決定系數(shù)，其值越接近1表示模型擬合越好。

經(jīng)分析發(fā)現(xiàn)，EMD在簡化時間序列復(fù)雜度方面展現(xiàn)出顯著的效果，特別是當(dāng)與LSTM模型和ARIMA模型相結(jié)合時，這種方法的優(yōu)勢進(jìn)一步凸顯。將EMD與LSTM相結(jié)合，可以更好地把握風(fēng)速時序中復(fù)雜的特性，增強(qiáng)預(yù)測的精度與穩(wěn)定性，預(yù)測效果要明顯優(yōu)于EMD-ARIMA的預(yù)測效果。而EMD算法能夠使風(fēng)速時間序列分解為一系列固有模態(tài)函數(shù)，通過分析各個模態(tài)的樣本熵值，對樣本熵值大，復(fù)雜程度高的子序列采用LSTM模型進(jìn)行預(yù)測，同時利用ARIMA預(yù)測方法，對具有較小樣本熵值和較低復(fù)雜性的序列進(jìn)行預(yù)測，最后通過各子序列擬合得到風(fēng)速的預(yù)測值。因此，EMD-ARIMA-LSTM模型的預(yù)測效果與EMD-LSTM預(yù)測效果相比進(jìn)一步提高了預(yù)測效果，兩者預(yù)測結(jié)果優(yōu)于EMD-ARIMA模型。

5" 結(jié)論

本文提出了一種基于EMD-ARIMA-LSTM組合模型的風(fēng)速預(yù)測方法。通過對風(fēng)速序列進(jìn)行EMD分解，得到模態(tài)分量和殘差序列，結(jié)合LSTM網(wǎng)絡(luò)和ARIMA模型，建立EMD-ARIMA-LSTM組合模型。經(jīng)過實(shí)驗(yàn)對比可知，相比于EMD-ARIMA、EMD-LSTM，EMD-ARIMA-LSTM模型具有更佳預(yù)測效果。

參考文獻(xiàn)：

[1] 彭程，路文梅，李文才，等.高滲透率分布式電源接入對配電網(wǎng)電壓穩(wěn)定性的影響研究[J].河北水利電力學(xué)院學(xué)報，2020，30（4）：44-48.

[2] 李慧，孫宏斌，張芳.風(fēng)電場風(fēng)速分布模型研究綜述[J].電工電能新技術(shù)，2014，33（8）：62-66.

[3] 高波，高明明，和紅梅，等.交流電壓分區(qū)協(xié)調(diào)控制方法的設(shè)計與仿真[J].計算機(jī)仿真，2023，40（5）：150-153，161.

[4] KOSANA V， TEEPARTHI K， MADASTHU S. Hybrid convolutional Bi-LSTM autoencoder framework for short-term wind speed prediction[J]. Neural Computing amp; Applications， 2022.

[5] AKHTER M， MEKHILEF S， MOKHLIS H. An Hour-Ahead PV Power Forecasting Method Basedon an RNN-LSTM Model for Three Different PV Plants[J]. Energies， 2022，15（6）：2243.

[6] 王順群.基于變分模態(tài)分解和GRU模型的燃?xì)庳?fù)荷預(yù)測研究[D].貴陽：貴州大學(xué)，2022.

[7] 任春雨.時間序列預(yù)測在風(fēng)電場中的應(yīng)用研究[D].揚(yáng)州：揚(yáng)州大學(xué)，2023.