基于总体经验模态分解和CoDE－BP短期风速预测

来源：计算机技术与发展杂志2019年第02期北京时间：

作者：胡亚兰;陈亮;余相;王丹

摘要：预测问题是应用机器学习的研究热点之一，是计算机技术领域在实际工程的重要应用，然而由于风速具有随机性、波动性等特性，导致风速预测存在准确率低的问题。为了提高风速预测的准确性，将总体经验模态分解(EEMD)方法引入到组合差分进化算法(CoDE)和前馈(BP)神经网络中，提出了一种新颖的混合风速预测模型(EEMD－CoDE－BP)。利用 EEMD 将原始风速信号分解成一系列不同频率的子序列 IMFs 和残差序列 r，通过每个子序列训练 CoDE－BP 模型，最终的风速预测结果由每个子序列预测结果等权求和得到。以国内某风电场每 10 min、1 h 采样间隔的风速数据进行 MATLAB仿真，对比包括传统的 Elman 神经网络(ENN)、小波神经网络(WNN)、BP、CoDE－BP 和 EMD－CoDE－BP 等算法，仿真结果表明所提方法能对风速进行准确有效的预测，极大地提高了预测精度，减小了预测误差

关键词：短期风速预测;总体经验模态分解;组合差分进化算法;前馈神经网络