组合两步分解和ARIMA-LSTM的短期风速预测研究

为提高风速序列预测精度，提出一种基于两步分解的短期风速组合预测模型，首先使用鲁棒经验模态分解（REMD）将风速数据分解为不同频率的子序列，然后将REMD分解得到的高频模态分量使用小波包分解（WPD）进行第二步分解，降低风速序列不稳定性，提高其可预测性。其次对分解得到的高频子序列建立长短期记忆神经网络（LSTM）预测模型，低频子序列建立差分自回归移动平均模型（ARIMA）预测模型。最后叠加子序列预测结果得到风速预测结果。通过两组不同风速数据集的实验对该模型的性能进行科学评估，模型预测结果的平均绝对误差分别为0.3026、0.1255；均方根误差分别为0.498、0.1607。与其他几种对比预测模型相比，验证该模型具有一定的优越性。