基于LSTM的风矢量预测方法

TM614; 从特征工程角度对风速与风向间的相关性进行分析,结果表明,风速与风向包含的特征信息不同,可以同时将其作为输入变量,用于训练模型.该结果也为输入变量时间长度的选择提供了依据.将风速分解为东西及南北方向2个正交的一维变量,以防止多维变量增加方法复杂度.采用长短时记忆神经网络(LSTM)分别对2个方向风速训练预测模型,并将预测结果还原为风速与风向预测数据.实验结果表明,所提方法能够更好地捕捉风速与风向中的信息量,在风速与风向的预测误差分别小于1.0 m/s和5°时,预测准确率可达到90%以上....

Full description

Saved in:
Bibliographic Details
Published in电力自动化设备 Vol. 43; no. 11; pp. 111 - 116
Main Authors 朱天宇, 叶强, 郝建树, 高超越, 杨家祺
Format Journal Article
LanguageChinese
Published 哈尔滨工业大学 经济与管理学院,黑龙江 哈尔滨 150006%东北林业大学 机电工程学院,黑龙江 哈尔滨 150040 01.11.2023
Subjects
长短时记忆神经网络
wind vector prediction method
LSTM
相关性
风矢量预测方法
特征工程
feature engineering
信息密度
方法复杂度
method complexity
relevance
informa-tion density
Online AccessGet full text
ISSN1006-6047
DOI10.16081/j.epae.202305013

Cover

More Information
Summary:TM614; 从特征工程角度对风速与风向间的相关性进行分析,结果表明,风速与风向包含的特征信息不同,可以同时将其作为输入变量,用于训练模型.该结果也为输入变量时间长度的选择提供了依据.将风速分解为东西及南北方向2个正交的一维变量,以防止多维变量增加方法复杂度.采用长短时记忆神经网络(LSTM)分别对2个方向风速训练预测模型,并将预测结果还原为风速与风向预测数据.实验结果表明,所提方法能够更好地捕捉风速与风向中的信息量,在风速与风向的预测误差分别小于1.0 m/s和5°时,预测准确率可达到90%以上.
ISSN:1006-6047
DOI:10.16081/j.epae.202305013