基于机器学习的风速信号预测模型概述

郑俊

摘 要：经过研究发现，风能资源以其储量大、分布广、清洁无污染、利用成本低等优势，成为目前最具开发潜力的可再生能源。研究风能资源，主要是通过风速进行，风速是研究风能资源最具代表性的一个重要特征，但是，由于风速具有较强的间歇性、随机性、不可控性等，使得风电开发成本较高，也不利于风电并网系统的稳定运行。因此，降低风电开发成本是必不可少的环节。本文主要针对基于基于机器学习的风速信号预测模型概述进行讨论，进一步弥补现有研究中存在的不足，提高了预测精度。

关键词：机器学习；风速；预测模型

一、引言

机器学习是人工智能的一个分支，它一般通过在大量的数据上进行训练来实现一些特定的任务，比如图片分类问题，预测问题，实时翻译问题等等。风能作为一种主要的可再生绿色能源，因其技术可行性高，低污染，存在巨大的潜力，国内外很多研究人员对其进行了研究。在过去的几十年中，随着人工智能和计算机技术的发展，人工智能模型也被许多学者研究并应用到风速中，相比于统计模型，人工智能模型对风速的预测精度更高，而基于机器学习的风速信号预测模型能够更准确进行风速预测。

二、概述

由于风速的复杂性和随机性强，学者们为了提高风速的预测精度的同时降低其预测时间，将以上模型的优势融合，提出各种各样的组合模型。一般可以分成四类：基于权重的组合方法，数据的预处理方法，参数选择与优化方法以及误差处理方法[1]。将经验小波变换（Empirical Wavelet Transform，EWT）技术与改进的人工蜂群（Artificial Bee Colony，ABC）算法、极限学习机（ExtremeLearning Machine，ELM）神经网络和 ARIMA 线性分析相结合[2]，提出了一种新的金融时间序列数据预测混合模型，客服了原有算法的不足，提高了算法的优化性能[3]。

三、结论

具有特征选择和记忆功能的深度学习模型（如卷积长短时记忆网络）以及极限學习机对风速具有较好的预报能力，小波包分解可以显著提高模型精度。小波包分解与卷积长短时记忆网络、卷积门控循环单元和极限学习机的耦合模型在风速预报中具有较好的表现。这表明信号分解和深度学习的耦合模型，能有效提高预报精度，是值得推广的一种办法。

参考文献：

[1]摆玉龙，路亚妮，刘名得.基于变分模态分解的机器学习模型择优风速预测系统[J].地球科学进展，2021，36（09）：937-949.

[2]骆黎明，白伟华，孙越强，夏俊明.基于树模型机器学习方法的GNSS-R海面风速反演[J].空间科学学报，2020，40（04）：595-601.

[3]黄小佳. 基于机器学习的风能资源评估与风速预测的模型构建及研究[D].东北财经大学，2021.DOI：10.27006/d.cnki.gdbcu.2021.000052.