Усовершенствованные гибридные модели для многошагового прогнозирования скорости ветра

Исследователи из Хэбэйского педагогического университета, Института физики атмосферы и Ланьчжоуского университета разработали и сравнили три новые гибридные модели для многошагового прогнозирования скорости ветра. Модели, основанные на вейвлет-разложении (WD), алгоритме оптимизации поиска кукушки (CS) и вейвлет-нейронной сети (WNN), были протестированы на данных с двух ветряных электростанций в провинции Шаньдун, Восточный Китай. Результаты опубликованы в журнале Atmospheric and Oceanic Science Letters.

Точное прогнозирование скорости ветра критически важно для безопасной и стабильной работы энергосистем, учитывая сильную изменчивость ветра в приземном слое и растущую роль ветрогенерации как альтернативного источника энергии.

Сравнение показало, что модель CS-WD-WNN демонстрирует наилучшую производительность среди новых гибридных моделей с минимальными статистическими ошибками, превосходя и более ранние модели прогнозирования, такие как BPNN, Persist, ARIMA, WNN и PSO-WD-WNN. Ключевым преимуществом оказалось использование алгоритма оптимизации CS. «В целом, мы выяснили, что модель CS-WD-WNN хорошо справляется с прогнозированием скорости ветра, и её точность выше, чем у ранее предложенных моделей», — заключает ведущий автор исследования Е Чжан.