基于EMD-ARIMA-LSTM的風速預測方法

摘" 要：風速預測在風力發(fā)電中的準確性至關(guān)重要。為提高預測精度，該文提出一種基于EMD-ARIMA-LSTM組合模型的風速預測方法。首先，采用經(jīng)驗模態(tài)分解（EMD）技術(shù)對風速時間序列進行處理，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（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行建模預測。實驗結(jié)果表明，所提組合模型相比單獨使用EMD-ARIMA或EMD-LSTM模型，具有顯著的預測優(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評價指標達到98.21%，展示了較高的預測精度。

關(guān)鍵詞：風速預測；EMD；LSTM；ARIMA；樣本熵

中圖分類號：TP18" " " 文獻標志碼：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的日益嚴峻，風能作為一種可再生能源，其開發(fā)利用日益受到重視[1]。風力發(fā)電作為風能利用的主要形式之一，風速的精準預測顯得尤為重要[2]。風速的隨機性、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，提高風速預測的準確性對于優(yōu)化風力發(fā)電系統(tǒng)的運行、提高能源利用效率以及確保電網(wǎng)的安全穩(wěn)定運行具有重要意義。

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

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)絡模型的各自優(yōu)勢，構(gòu)建一種風速預測復合模型，并通過實驗驗證了其預測效果，為風速準確預測提供了新的思路和方法。

1" 數(shù)據(jù)預處理

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

2" EMD-ARIMA-LSTM算法原理

2.1" 經(jīng)驗模態(tài)分解（EMD）

經(jīng)驗模態(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。其依據(jù)數(shù)據(jù)自身的時間尺度特征來進行信號分解，具有完全自適應的特點，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

熵的概念在熱力學中被廣泛使用，1948年，Shannon將“熵”的概念應用于信息論領域中，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，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，用于描述樣本集合的不確定程度或數(shù)據(jù)的復雜性，計算方法如下：

4" 實驗驗證與分析

4.1" 風速序列的樣本熵

用EMD方法對風速數(shù)據(jù)進行分解，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)了風速序列復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，其復雜性相對較高，包含了信號中較多的高頻細節(jié)信息。隨著IMF序列的遞進，信號中的高頻成分逐漸被剝離，復雜性逐漸降低，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在簡化時間序列復雜度方面展現(xiàn)出顯著的效果，特別是當與LSTM模型和ARIMA模型相結(jié)合時，這種方法的優(yōu)勢進一步凸顯。將EMD與LSTM相結(jié)合，可以更好地把握風速時序中復雜的特性，增強預測的精度與穩(wěn)定性，預測效果要明顯優(yōu)于EMD-ARIMA的預測效果。而EMD算法能夠使風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，復雜程度高的子序列采用LSTM模型進行預測，同時利用ARIMA預測方法，對具有較小樣本熵值和較低復雜性的序列進行預測，最后通過各子序列擬合得到風速的預測值。因此，EMD-ARIMA-LSTM模型的預測效果與EMD-LSTM預測效果相比進一步提高了預測效果，兩者預測結(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組合模型的風速預測方法。通過對風速序列進行EMD分解，得到模態(tài)分量和殘差序列，結(jié)合LSTM網(wǎng)絡和ARIMA模型，建立EMD-ARIMA-LSTM組合模型。經(jīng)過實驗對比可知，相比于EMD-ARIMA、EMD-LSTM，EMD-ARIMA-LSTM模型具有更佳預測效果。

參考文獻：

[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].河北水利電力學院學報，2020，30（4）：44-48.

[2] 李慧，孫宏斌，張芳.風電場風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)控制方法的設計與仿真[J].計算機仿真，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模型的燃氣負荷預測研究[D].貴陽：貴州大學，2022.

[7] 任春雨.時間序列預測在風電場中的應用研究[D].揚州：揚州大學，2023.