Time Series Forecasting

LIU 2018 → A previsão da velocidade do vento desempenha um papel importante no planejamento, controle e monitoramento dos sistemas inteligentes de energia eólica. Como o sinal da velocidade do vento é estocástico e intermitente, é difícil alcançar sua previsão satisfatória. No estudo, um novo modelo híbrido de previsão da velocidade do vento de aprendizagem profunda, que combina a transformação de wavelets empíricos e dois tipos de redes neurais recorrentes, é proposto. No novo modelo proposto, a transformação empírica de wavelets é adotada para decompor os dados brutos da velocidade do vento em várias subcamadas. A longa rede neural de memória de curto prazo, um método baseado no algoritmo de aprendizagem profunda, é utilizado para prever as sub-camadas de baixa velocidade do vento. A rede neural de Elman, uma rede neural recorrente, é construída para prever as sub-camadas de alta frequência. Nos experimentos de previsão executados, onze diferentes modelos de previsão são incluídos para validar o desempenho real de previsão do modelo proposto. Os resultados experimentais indicam que o modelo proposto apresenta desempenho satisfatório na predição de alta velocidade do vento. Neste artigo, uma nova combinação de modelos de previsão de velocidade do vento é proposta com base no EWT, rede LSTM e rede neural Elman. O modelo é composto de três etapas como: (a) o EWT é adotado para decompor os dados brutos da velocidade do vento em várias subcamadas; (b) a rede LSTM é empregada para prever a sub-camada de baixa frequência, enquanto a rede neural de Elman é empregada para prever as sub-camadas de alta frequência; (c) os resultados da previsão de cada sub-camada são resumidos para obter os resultados finais dos dados originais da velocidade do vento. As principais contribuições deste estudo são fornecidas a seguir: (a) Uma nova estrutura de previsão de velocidade do vento é proposta pela combinação com o EWT e dois RNNs. O EWT pode efetivamente extrair os componentes significativos dos sinais de velocidade do vento, enquanto os dois RNNs podem explorar os recursos não lineares ocultos de alto nível dos sinais de velocidade do vento; (b) Comparando com a wavelet tradicional e a decomposição EMD, o algoritmo EWT tem o desempenho de integração do algoritmo wavelet e do algoritmo EMD, de modo que tenha boa capacidade de adaptação na decomposição de série temporal não estacionária. O desempenho potencial do algoritmo EWT para a previsão multi-etapas da velocidade do vento não foi estudado; (c) A rede LSTM, que é um método de aprendizagem profunda, é introduzida para prever a sub-camada de velocidade do vento de baixa frequência decomposta pelo TLD no modelo de previsão híbrido proposto. Uma vez que a rede LSTM possui todas as vantagens das redes RNN e resolve a desvantagem do gradiente de fuga das redes RNN, tem o bom desempenho na modelagem de sinais não lineares. A combinação do algoritmo EWT e da rede LSTM para a previsão múltipla de velocidade do vento de alta precisão também não foi investigada; (d) A rede neural de Elman, que é um tipo dos RNN clássicos, é adotada para prever as subcamadas de alta frequência decompostas pelo TLD no modelo de previsão híbrido proposto. Como a rede Elman tem bom desempenho na modelagem única de alta freqüência, ela pode obter as informações de tendência de curto prazo da série de velocidade do vento de salto; e (e) Considerando as questões superiores, o EWT, a rede neural LSTM e a rede neural de Elman são selecionadas para realizar a decomposição não-estacionária da velocidade do vento, a previsão de baixa freqüência de velocidade de vento decomposta e a alta freqüência de velocidade de vento decomposta. previsão, respectivamente. A combinação do EWT, da rede LSTM e da rede neural Elman para a previsão múltipla da velocidade do vento não foi investigada anteriormente.

---

Mi 2017 → A previsão da velocidade do vento é importante para a segurança dos sistemas de energia eólica. Este artigo propõe um novo método híbrido para a previsão de velocidade do vento em múltiplos estágios baseado no Denoising de Domínio Wavelet, Decomposição de Pacote Wavelet, Decomposição em Modo Empírico, Média Móvel Regressiva Automática, Máquina de Aprendizagem Extrema e Método de Correção de Raro. Na arquitetura híbrida proposta, o Denoising de Domínio Wavelet é adotado para reduzir o ruído da série original de velocidade do vento e um algoritmo de decomposição secundário é apresentado para reduzir o intermitente da série original de velocidade do vento. No algoritmo de decomposição secundária proposto, a Decomposição de Pacotes Wavelet é utilizada para decompor a série de velocidade do vento em um número de subcamadas não estacionárias e subcamadas estacionárias, e a Decomposição do Modo Empírico é usada para decompor ainda mais a não-estacionária obtida. dados em uma série de funções do modo intrínseco. Finalmente, os modelos de Média Móvel Regressiva e Máxima Aprendizagem Extrema são empregados para completar o cálculo de previsão multi-step para as sub-camadas estacionárias e funções de modo intrínseco decompostas, respectivamente. Além disso, o novo método de correção de valores discrepantes é proposto para garantir a robustez dos modelos de máquina de média móvel e aprendizagem extrema regressiva construídos durante a computação de previsão. Para estimar o desempenho do novo método de previsão híbrido proposto, uma série de experimentos de comparação de desempenho é fornecida no estudo. Os modelos de previsão comparativos envolvidos consistem no modelo de Média Móvel Regressiva Automática, o modelo BP, o modelo Elman, a Máquina de Aprendizagem Extrema e os diferentes modelos híbridos propostos. Os resultados experimentais indicam que: nas comparações de todos os modelos de previsão de velocidade do vento mainstream envolvidos, o modelo híbrido proposto apresenta o melhor desempenho de previsão. Neste artigo, um novo método de previsão de velocidade de vento híbrido é proposto. O conteúdo do método proposto é fornecido da seguinte forma: (a) o WDD (Wavelet Domain Denoising) é adotado para reduzir os caracteres ruidosos da série original de velocidade do vento; (b) um algoritmo de decomposição secundária é apresentado para reduzir a não-estacionaridade da série original de velocidade do vento. No algoritmo de decomposição secundária proposto, o WPD (Wavelet Packet Decomposition) é utilizado para decompor a série de velocidade do vento em um número de dados de velocidade do vento NS (Non-stationary Sublayers) e SS (Sub-Layers Estacionários), e o EMD (Empirical Mode Decomposition) é usado para decompor ainda mais os dados NS obtidos em uma série de IMFs. Para verificar se uma sub-camada de velocidade do vento decomposta WPD é estacionária, o ADF (Augmented Dickey-fuller Test) é utilizado no estudo; (c) os modelos de previsão ARMA (Média Móvel Regressiva Móvel) e ELM (Máquina de Aprendizagem Extrema) são construídos para completar a computação de previsão multi-etapas para os SS e IMFs decompostos, respectivamente; (d) o novo algoritmo OCM (Outlier Correction Method) é proposto para garantir a robustez dos modelos ARMA e ELM construídos durante o seu cálculo de previsão; e (e) para verificar o desempenho da previsão do modelo híbrido proposto, um número de experimentos de previsão é fornecido neste estudo. Os modelos de previsão incluídos compreendem o modelo ARIMA, o modelo BP, o modelo Elman, o modelo ELM, o modelo híbrido WPD-ELM e o proposto híbrido WDD-WPD-ARMA (SS) - EMD-ELM (NS) -OCM modelo. As inovações do método de previsão híbrido proposto são explicadas da seguinte forma: (a) um algoritmo de decomposição adaptativa de sinal secundário é proposto pela combinação das teorias de WPD, ADF e EMD. No algoritmo de decomposição secundária proposto, o WPD é utilizado para decompor a série de velocidade do vento em um número de subcamadas, então o ADF é utilizado para verificar se uma sub-camada é NS ou SS e, finalmente, o EMD é usado para decompor ainda mais os dados NS obtidos em uma série de FMIs. Embora tenha havido alguns algoritmos de decomposição secundária, a decomposição secundária para os sinais não estacionários obtidos pela primeira decomposição não foi investigada e a combinação do WPD, ADF e EMD na decomposição da velocidade secundária do vento não foi investigada. O propósito da decomposição secundária é diminuir a não-estacionaridade dos dados originais da velocidade do vento o máximo possível; (b) no estudo, o algoritmo wavelet não é usado para decompor os dados originais da velocidade do vento em um número de subcamadas de velocidade do vento diretamente, mas para remover o ruído dos dados originais da velocidade do vento. As tarefas de decomposição da velocidade do vento são distribuídas para a combinação secundária híbrida WPD-EMD; (c) os modelos ARMA são eficazes para prever as séries temporais estacionárias, enquanto os modelos ELM têm a velocidade de aprendizagem rápida e bom desempenho de generalização, para equilibrar o desempenho em tempo real e a precisão da previsão, os modelos ARMA e os modelos ELM são construídos para prever o SS e IMFs, e garantir ainda mais a robustez dos resultados da previsão do modelos ELM / ARMA construídos, um novo modelo OCM é apresentado na última etapa de computação do proposto WDD-WPD-ARMA (SS) -EMD-ELM (NS) -Modelo OCM.