鄭俊

摘 要：經(jīng)過研究發(fā)現(xiàn)，風能資源以其儲量大、分布廣、清潔無污染、利用成本低等優(yōu)勢，成為目前最具開發(fā)潛力的可再生能源。研究風能資源，主要是通過風速進行，風速是研究風能資源最具代表性的一個重要特征，但是，由于風速具有較強的間歇性、隨機性、不可控性等，使得風電開發(fā)成本較高，也不利于風電并網(wǎng)系統(tǒng)的穩(wěn)定運行。因此，降低風電開發(fā)成本是必不可少的環(huán)節(jié)。本文主要針對基于基于機器學習的風速信號預測模型概述進行討論，進一步彌補現(xiàn)有研究中存在的不足，提高了預測精度。

關(guān)鍵詞：機器學習；風速；預測模型

一、引言

機器學習是人工智能的一個分支，它一般通過在大量的數(shù)據(jù)上進行訓練來實現(xiàn)一些特定的任務，比如圖片分類問題，預測問題，實時翻譯問題等等。風能作為一種主要的可再生綠色能源，因其技術(shù)可行性高，低污染，存在巨大的潛力，國內(nèi)外很多研究人員對其進行了研究。在過去的幾十年中，隨著人工智能和計算機技術(shù)的發(fā)展，人工智能模型也被許多學者研究并應用到風速中，相比于統(tǒng)計模型，人工智能模型對風速的預測精度更高，而基于機器學習的風速信號預測模型能夠更準確進行風速預測。

二、概述

由于風速的復雜性和隨機性強，學者們?yōu)榱颂岣唢L速的預測精度的同時降低其預測時間，將以上模型的優(yōu)勢融合，提出各種各樣的組合模型。一般可以分成四類：基于權(quán)重的組合方法，數(shù)據(jù)的預處理方法，參數(shù)選擇與優(yōu)化方法以及誤差處理方法[1]。將經(jīng)驗小波變換（Empirical Wavelet Transform，EWT）技術(shù)與改進的人工蜂群（Artificial Bee Colony，ABC）算法、極限學習機（ExtremeLearning Machine，ELM）神經(jīng)網(wǎng)絡(luò)和 ARIMA 線性分析相結(jié)合[2]，提出了一種新的金融時間序列數(shù)據(jù)預測混合模型，客服了原有算法的不足，提高了算法的優(yōu)化性能[3]。

三、結(jié)論

具有特征選擇和記憶功能的深度學習模型（如卷積長短時記憶網(wǎng)絡(luò)）以及極限學習機對風速具有較好的預報能力，小波包分解可以顯著提高模型精度。小波包分解與卷積長短時記憶網(wǎng)絡(luò)、卷積門控循環(huán)單元和極限學習機的耦合模型在風速預報中具有較好的表現(xiàn)。這表明信號分解和深度學習的耦合模型，能有效提高預報精度，是值得推廣的一種辦法。

參考文獻：

[1]擺玉龍，路亞妮，劉名得.基于變分模態(tài)分解的機器學習模型擇優(yōu)風速預測系統(tǒng)[J].地球科學進展，2021，36（09）：937-949.

[2]駱黎明，白偉華，孫越強，夏俊明.基于樹模型機器學習方法的GNSS-R海面風速反演[J].空間科學學報，2020，40（04）：595-601.

[3]黃小佳. 基于機器學習的風能資源評估與風速預測的模型構(gòu)建及研究[D].東北財經(jīng)大學，2021.DOI：10.27006/d.cnki.gdbcu.2021.000052.