VMD和混合深度学习框架融合的短期风速预测.pdf

VMD 和混合深度学习框架融合的短期风速预测李延满1,张军1,胡杨1,赵英男21(国电南瑞南京控制系统有限公司,南京210031)2(南京信息工程大学计算机与软件学院,南京210044)通信作者:赵英男,E-mail:摘要:风速预测是影响风电场效率和稳定性的重要因素.文中基于风速的时空特征,融合变分模态分解(VMD)和混合深度学习框架进行短期风速预测,即 VHSTN(VMD-basedhybridspatio-temporalnetwork).其中,混合深度学习框架由卷积神经网络(CNN)、长短时记忆网络(LSTM)以及自注意力机制(SAM)组成.该算法对原始数据清洗后,采用 VMD 将多站点风速的时空数据分解为固有模态函数(intrinsicmodefunctions,IMF)分量,去除风速数据的不稳定性;然后针对各 IMF 分量,应用底部的 CNN 抽取空域特征;再用顶层 LSTM 提取时域特征,之后用 SAM 通过自适应加权加强对隐藏特征的提取并得到各分量的预测结果;最后合并获得最终预测风速.在数据集 WIND 上进行实验,并和相关典型算法对比,实验结果表明了该算法的有效性和优越性.关键词:风速预测;时空特征;变分模态分解(VMD);卷积神经网络(CNN);长短时记忆网络(LSTM);自注意力机制(SAM)引用格式:李延满,张军,胡杨,赵英男.VMD 和混合深度学习框架融合的短期风速预测.计算机系统应用,2023,32(9):169176.http:/www.c-s- Wind Speed Prediction Based on VMD and Hybrid Deep Learning FrameworkLIYan-Man1,ZHANGJun1,HUYang1,ZHAOYing-Nan21(NARINanjingControlSystemCo.Ltd.,Nanjing210031,China)2(SchoolofComputer&Software,NanjingUniversityofInformationScience&Technology,Nanjing210044,China)Abstract:Windspeedpredictionisanimportantfactoraffectingtheefficiencyandstabilityofwindfarms.Basedonthespatio-temporalfeaturesofwindspeed,theVMD-basedhybridspatio-temporalnetwork(VHSTN)integratesvariationalmodaldecomposition(VMD)andhybriddeeplearningframeworktopredicttheshort-termwindspeed.Thehybriddeeplearningframeworkiscomposedofconvolutionalneuralnetwork(CNN),longandshort-termmemory(LSTM),andself-attentionmechanism(SAM).Afterthecleaningofrawdata,theVMDisemployedtodecomposethespatio-temporaldataofwindspeedformultiplesitesintointrinsicmodefunctions(IMF)components,eliminatingtheinstabilityofthewindspeeddata.ForeachIMFcomponent,thespatialfeaturesareextractedbytheCNNatthebottomofthemodel.Next,thetemporalfeaturesarecapturedbythetop-levelLSTM.Then,SAMisappliedtostrengthentheextractionofkeyhiddenfeaturesthroughadaptiveweightingandobtainthepredictionresultsofeachcomponent.Finally,theresultsareamalgamatedtodeterminethefinalpredictedwindspeed.ExperimentsareconductedonthecommonlyuseddatasetWINDinthisstudy.Theexperimentalresultsprovetheeffectivenessandsuperiorityoftheproposedalgorithmcomparedwithrelatedtypicalalgorithms.Key words:windspeedprediction;spatio-temporalfeatures;variationalmodaldecomposition(VMD);convolutionalneuralnetwork(CNN);longandshort-termmemory(LSTM);self-attentionmechanism(SAM)计算机系统应用ISSN1003-3254,CODENCSAOBNE-mail:ComputerSystems&Applications,2023,32(9):169176doi:10.15888/ki.csa.008810http:/www.c-s-中国科学院软件研究所版权所有.Tel:[phone]基金项目:国家自然科学基金青年项目(61601235);国电南瑞项目(524608190024)收稿时间:2022-03-10;修改时间:2022-04-07,2022-04-12;采用时间:2022-04-21;csa 在线出版时间:2023-06-09CNKI 网络首发时间:2023-06-09SoftwareTechniqueAlgorithm软件技术算法1691引言与煤炭、石油、天然气等传统能源相比,风能具有污染低、成本少、可持续的特点,目前已经成为新能源的主流,并在世界范围内广泛应用.根据全球风能理事会(GWEC)发布的最新报告1,2020 年全球风电装机容量达到 743GW,新增装机同比增长 53%.然而,对于包含风电场的电力系统来说,风电场的随机性、波动性和间歇性,对整个电力系统的运行控制提出了重大挑战2.风速的准确预测是电力系统运行控制的基础3.按照时间间隔,风速预测可分为超短期(分钟)、短期(小时、天)、中期(周、月)和长期(年).其中,短期风速预测是制定日常调度计划必不可少的因素,对电力系统的经济、可靠运行具有重要的影响4.目前,风速预测技术可分为 3 类:物理模型、统计模型和人工智能模型.物理模型5主要通过建立风速与气压、空气密度、空气湿度的关系完成风速预测.该建模过程需要大量的计算,通常用于特定区域的长期风速预测.与物理模型相比,统计模型简单易行,在短期风速预测中广泛采用.它利用历史风速数据,建立系统输入和输出之间的线性映射关系,进而预测风速,如 Kriging插值法6和 VonMises 分布7等.一些常用的统计模型方法有 AR(自回归)8、ARMA(自回归移动平均)9等.人工智能模型的基础是机器学习技术.它基于大量风速时间数据,描述系统输入和输出之间复杂的非线性关系.例如,文献 10 使用最小二乘支持向量机来预测风速.最近,随着深度学习技术的蓬勃发展,它们也迅速应用于短期风速预测,如 CNN、循环神经网络(RNN)、门控循环单元(GRU)、LSTM 等.该类方法结合现有的风速预测技术以及混合神经网络模型取得了良好的预测结果1113.由于风速的波动性和随机性特征,在实际应用中通常结合一定的处理方法,获得相对平稳的子序列,例如经验模态分解(empiricalmodedecomposition,EMD)14,15方法.集合经验模态分解(ensembleempiricalmodedecomposition,EEMD)是在 EMD 方法上进行改进,有效解决了 EMD 的混频现象16.VMD 方法于 2014年提出17,具有更好的噪声鲁棒性,且通过收敛条件的合理控制,其分量个数远小于 EMD 和 EEMD,在风速预测中取得了较好的结果18.因此,本文采用 VMD 进行风速序列的分解.目前的短期风速预测算法大多只关注时域数据,但是目标风电场附近站点的风速数据也包含着丰富的信息,即风速的空域数据.基于时空相关性的数据分析已成为研究热点13,19,这些算法同时考虑数据的时空特征来提高预测精度.因此,针对风速的时空特征,文中提出一种基于 VMD 和混合时空深度学习模型的短期风速预测算法,并取得了较好的实验结果.本文的主要贡献如下.1)将 VMD 技术与混合时空深度学习模型 CNN-LSTM-SAM 相结合,针对得到的相对稳定的子序列进行处理,提高风速预测精度.2)提出的算法针对风速的时空特征进行处理,有效利用风速的空域特征,提高了预测精度.本文第 1 节给出 VMD 的基本原理.第2节从风速时空数据模型和 CNN-LSTM-SAM 混合深度学习框架两个方面叙述了文中提出的VHSTN 算法.第 3 节是实验部分,与相关算法进行比较并分析.第 4 节对全文进行总结,指出进一步的研究方向.2VMD 原理Dragomirestskiy 等人提出的 VMD 是一种信号分解方法17,整体框架是一个变分问题.即假设每个“模态”是具有不同中心频率的有限带宽,如何使每个模态的估计带宽之和最小.为解决这一变分问题,该方法采用了交替方向乘子法,不断更新各模态及其中心频率,逐步将各模态解调到相应的基频带,最终将各个模态即相应的中心频率提取出来.x(i,j)tk利用 VMD,可以把具有非线性和随机性的原始风速序列分解为一系列的稳定模态分量.设预处理后的风速时空数据为,这里 t 代表某个时刻,(i,j)代表某个站点.具体过程如下.1)假定每个模式具有一个中心频率的有限带宽,现在寻找模式,使每个模式的估计带宽之和最小.具体模型如下:min|uk|,|k|Kk=1?t(t)+jt)ukejkt?22s.t.Kk=1uk=X(t)l(1)Kukkk(t)其中,为需要分解的模式个数(正整数),、分别对应分解后第 个模式分量和中心频率,为狄拉克函数,为卷积运算.计 算 机 系 统 应 用http:/www.c-s-2023年第32卷第9期170软件技术算法SoftwareTechniqueAlgorithm2)为求解上述模型,引入惩罚因子(降低高斯噪声的影响)和拉格朗日乘法算子,将约束问题转化为非约束问题,得到增广拉格朗日表达式:L(uk,k,)=K?t(t)+jt)uk(t)ejkt?22+?f(t)Kuk(t)?22+(t)f(t)Kuk(t)(2)ukk3)通过乘法器交替方向法迭代更新参数,和.公式如下:un+1k=f()i,k ui()+()21+2(k)2(3)n+1k=0?un+1k()?2d0?un+1k()?2d(4)n+1()=n()+(f()k un+1k()(5)f()ui()()un+1k()f()ui()()un+1k()其中,、和表示、和的傅立叶变换;n 是迭代次数;为噪声容忍度,满足信号分解的保真度要求.e 0i?un+1k unk?22/?unk?22 eKIMFt,lk4)对于给定的精度,如果,则停止迭代,否则返回 3).最后,可以得到个分解的 IMF 分量,记为.图 1 显示了不同频率的风速子序列IMF 分量.主要参数设置如下:K=8,=2000,=0,e=1E7.图 1(a)是原始风速,图 1(b)图 1(i)依次为 IMF0到 IMF7,共8 个分量.3VHSTN 算法描述VHSTN 算法首先对原始数据进行数据清洗的预处理,即获取目标站点的原始时空风速序列.对于缺失数据、重复数据和跳跃数据,替换为值附近的平均风速.然后应用 VMD对数据进行分解并得到各 IMF 分量;针对 IMF 分量,应用混合深度学习模型 CNN-LSTM-SAM 进行风速预测,最后将各预测值叠加并得到最终值.这里,混合深度学习模型 CNN-LSTM-SAM 由两层构成,下层为 CNN 模型,处理风速的空域特征,上层为LSTM 和 SAM 的多级模型,处理风速的时域特征.算法的流程图可用图 2 表示.02200.20.40.60.81.002200.20.40.60.81.00242400.20.40.60.81.00224400.20.40.60.81.002.52.55.05.000.20.40.60.81.005500.20.40.60.81.01005500.20.40.60.81.0201000.20.40.60.81.0302010000.20.40.60.81.0(a)原始风速采样点采样点采样点采样点采样点采样点采样点采样点采样点幅值(m/s2)幅值(m/s2)幅值(m/s2)幅值(m/s2)幅值(m/s2)幅值(m/s2)幅值(m/s2)幅值(m/s2)幅值(m/s2)(b)IMF0(c)IMF1(d)IMF2(e)IMF3(f)IMF4(g)IMF5(i)IMF7(h)IMF6图 1VMD 分解风速数据后的 IMF 分量2023年第32卷第9期http:/www.c-s-计 算 机 系 统 应 用SoftwareTechniqueAlgorithm软件技术算法171 3.1 风速时空数据模型x(i,j)t RMNMN在 VHSTN 算法中,处理的是时空数据.风速数据除了一般的时序序列特征外,空间数据存在大量有助于风速预测的信息.对于风速的时空特征进行处理,成为近年来的一个热点研究方向,并取得了较好的预测成果.文献 13 提出了一种深度架构 PSTN,联合学习时间和空间相关性进行短期风速预测.该文献将风速的时空数据放到一个名为 SWSM 的二维矩阵中.SWSM中的项由定义,其中是目标站点的邻接空间.MN=LKFT=(IMF1,lk,IMF2,lk,IMFT,lk)RTFL=(IMFt,1k,IMFt,2k,IMFt,Lk)RLtIMFk(i,j)x(i,j)tkx(i,j)tk RMNIMFt这里,我们借鉴了该方法.假设时间窗长度为 T,相邻站点数为,IMF 分量数为,我们用来表示风速的时域数据,描述风速的空域数据.若假设在某个时刻,对于某个分量在站点的值记为,那么该分量在时刻 的所有邻接站点的值可以表示如下:xtk=x(1,1)tkx(1,2)tkx(1,N)tkx(2,1)tkx(2,2)tkx(2,N)tk.x(M,1)tkx(M,2)tkx(M,N)tk(6)KIMF如图 3所示,我们将原始风速分解为个分IMFt,lkLxIMFt,lkFLyKIMFzFTyKzLT量,用表示.图 3 的左侧是站点 经过预处理后的风速数据.右侧沿 轴方向的数据是的空域数据;轴方向代表个分量;方向表示风速的时域数据.左侧图中的一个数据点可以分解为右图中 轴方向的个分量,如灰色部分.沿着 方向的灰色部分数据代表站点 在 时间窗内的所有第 1 个 IMF 分量.Self-attentionIMF1IMF2IMFk1IMFkCNNCNNCNNCNNLSTMLSTMLSTMLSTM预测值 1预测值 2预测值 k1合并数据预处理VMD 风速分解开始风速预测值结束预测值 kSelf-attentionSelf-attentionSelf-attention图 2VHSTN 算法流程图201816141210010203040时间(h)空域序列时域序列风速(m/s)50607080l=1t=1t=2t=Tl=2l=LIMF11,1IMF21,1IMFK1,1IMF11,2IMF21,2IMFK1,2IMF11,LIMF12,LIMF1T,LIMF21,LIMFK1,L86图 3风速的时空数据模型 3.2 CNN-LSTM-SAM 混合深度学习框架为了得到更好的预测结果,我们采用了 CNN-LSTM-SAM 混合深度学习框架.CNN 作为底层结构,接收 VMD 分解得到的 IMF 分量的空间数据.选用CNN 模型的原因在于该模型可以很好地保留数据的原始拓扑结构20,直接接收 IMF 的 2D 张量,而没有进行元素的重新排列,因此能够充分利用 IMF 分量的空间特性.另外,利用 CNN 特有的卷积层、池化层和全计 算 机 系 统 应 用http:/www.c-s-2023年第32卷第9期172软件技术算法SoftwareTechniqueAlgorithm连接层,可以分层提取空间特征.因此,该过程的特征学习可以合并较大的空间区域21.在 VHSTN 算法中,我们采用LSTM 和 SAM 作为混合深度学习框架的上层结构,接收来自 CNN 提取的空间特征.在 LSTM 层,将对时域数据进行处理,并最终得到各 IMF 分量的风速预测值.LSTM 在时序数据的预测方面应用较广22,23.LSTM 模型实质是一种时间循环神经网络,主要用来解决循环神经网络(RNN)中存在的长期依赖问题,具有捕捉长期和短期序列内的时间依赖性,可以满足不同预测范围的需求.同时,LSTM可以将误差差异反向传播到其输入,这使我们能够将空间模型和时间模型整合为一个统一的框架.另外,LSTM 还可以通过时间共享参数,无论输入序列的长度如何,都能保持恒定数量的参数,方便模型的训练.在 SAM 层,通过对隐藏特征的自适应加权来加强关键信息并削弱无用信息的影响24.由于隐藏特征之间存在的内在相关性,不同时间步长的隐藏特征对预测结果也有不同的影响25,这是 LSTM 网络无法识别的,因此在本文中引用 SAM 来协助 LSTM 层取关键特征.Sk,k=1,2,K K在混合深度学习模型中,CNN采用 5 层结构,即卷积层、最大池化层、两层卷积层和全连接层,具体如图 4 所示.图 4 的左半部分是混合模型的整体架构,垂直方向处理空域数据,由 CNN 完成.CNN 的 5 层结构及主要配置在图 4 的右半部分给出,详细数据可参见表 1.水平方向处理时域数据,由 LSTM 和 SAM 联合完成.这里,假设 CNN 模型输入的变量为,为 VMD 分解的个数.时域数据IMF2CNNIMFkIMFk卷积层20(33)最大池化层22卷积层 50(33)卷积层 200(22)全连接层 2001CNN1088104422IMF1CNNLSTMS1S2SkSkLSTMLSTM空域Self-attentionSelf-attentionSelf-attention图 4CNN-LSTM-SAM 混合深度学习框架表 1CNN-LSTM 混合深度学习框架配置索引类型配置1卷积层滤波器:20;核尺寸:33;步长:112最大池化层池尺寸:22;步长:223卷积层滤波器:50;核尺寸:33;步长:114卷积层滤波器:200;核尺寸:22;步长:115全连接层单元数量:206LSTM层隐藏单元数量:2004实验 4.1 设置文中算法所用的实验数据选自美国国家可再生能源实验室(NationalRenewableEnergyLaboratory)提供的风电一体化国家数据集(windintegrationnationaldataset,WIND),这是一个比较通用的风速数据集.WIND 数据集包含 20072013 年美国大陆 126000 多个站点的风速数据,时间间隔为 5min.这里选用怀俄明州风电场内的 1010 风力机阵列进行短期预测.具体选取 2012 年的年度数据集,将时间间隔设置为 10min,数据集共有数据 52560 个,其中最高风速 35.48m/s,最低风速 0.01m/s.实验中的 GPU 服务器配置为 NVIDIAGeForceRTX3070,显存 8GB,CPU 为 E5-268916 核16GB,200GBSSD 及 2TB 硬盘.开发环境为多框架组合环境,即 TensorFlow2.4,Keras2.4.2 以及 Python3.7.训练集共有31536 个风速,5256 和15768 分别是验证集和测试集的风速个数,这里根据时间间隔的不同,各个集合会有个位数的差异.VMD的参数设置同2023年第32卷第9期http:/www.c-s-计 算 机 系 统 应 用SoftwareTechniqueAlgorithm软件技术算法173第 1 节中的相关叙述.混合深度学习框架的配置如图 1所示.这里,风速预测的评估指标我们选用常用的均方根误差(RMSE)和平均绝对百分比误差(MAPE),具体由下列公式定义:ERMSE=vut1NNi=1(YiYi)2(7)EMAPE=1NNi=1?YiYiYi?100%(8)NYiYi其中,是样本个数,为预测值,为真实值.针对时空数据,我们可以很方便地将上述公式扩展成矩阵形式.4.2 对比算法我们将文中提出的 VHSTN 算法与类似处理时空数据的同类算法进行对比,即上文提到的 PSTN 算法13和 PDCNN 算法26,以及 VHSTN 中去除 VMD 分解的算法,记为 CNN+LSTM+Attention.同时进行时域数据和时空数据实验结果的对比.在时域数据中,我们选用常用的 LSTM、MLP 以及 RNN 算法.为了进一步比较 VMD 分解的有效性,我们在时域数据实验中增加VMD+LSTM 算法以及 VMD+CNN+LSTM 算法.这里,MLP 和 LSTM 的激活函数为 ReLU 函数,RNN 的激活函数为 tanh;时间间隔分别为 20min、30min、60min、120min.所有算法均运行于相同的实验环境.对于每种算法,实验测试不同的超参数,以便找到每个超参数的最佳设置.表 2 和表 3 显示不同算法预测误差的 RMSE 和MAPE 对比.从表 2 可以看出,针对时空数据,PSTN 的性能优于 PDCNN,文中提出的 VHSTN 算法优于PSTN.对于 20min、30min、60min 和 120min 时间间隔,VHSTN 的 RMSE 分别低于 PDCNN 为 12%、12%、20%和 9%,平均降低 13%;VHSTN 分别低于PSTN 为 12%、11%、20%和 9%,平均降低 13%.同时,文中所提算法 VHSTN 也比 VMD+CNN+LSTM 算法平均降低 7.4%,这部分性能的提升归功于 ASM 机制的引入,比 CNN+LSTM+Attention 平均降低 10%,可见 VMD 分解有助于性能的提升;相应在表 3 中,对于预测误差 MAPE,VHSTN 在 30min 间隔时与 VMD+LSTM 算法处理时域数据的性能相近,同时优于其他算法.在其他时间间隔,VHSTN 依然是最优的,例如,20min、60min、120min 的时间间隔内,比 PDCNN平均降低 21%,比 PSTN 平均降低 19%,比 VMD+CNN+LSTM 平均降低 16%,CNN+LSTM+Attention算法平均降低 15%.可以看出,文中提出的 VHSTN 算法在总体性能上比较优异,性能得到了很大提升,从而得到较好的预测结果.表 2不同模型预测误差 RMSE 对比(m/s)数据类型预测模型20min 30min 60min 120min时域数据LSTM0.981.321.932.63MLP0.981.331.982.74RNN1.001.331.942.65VMD+LSTM0.911.221.722.25时空数据PSTN130.941.201.912.30PDCNN240.951.241.922.33CNN+LSTM+Attention0.921.201.792.26VMD+CNN+LSTM0.891.191.702.20VHSTN0.831.091.532.10表 3不同模型预测误差 MAPE 对比(%)数据类型预测模型20min 30min 60min 120min时域数据LSTM11.6315.6224.9834.48MLP11.6515.7825.5238.98RNN11.6816.3226.4438.66VMD+LSTM10.5012.5123.8335.65时空数据PSTN1311.3414.6824.8437.22PDCNN2411.5215.4224.9538.04CNN+LSTM+Attention11.2113.4223.9736.48VMD+CNN+LSTM11.8414.1123.6234.32VHSTN9.2612.8918.1730.73从表 2 和表 3 还可以看出,时空数据比单纯的时域数据携带更多的预测信息,除了表 3 中的 30min 时间间隔,VMD+LSTM 处理时域数据的性能与 VHSTN处理时空数据的性能相近外,其他是时空数据的预测性能占优.对于处理时域数据的各个算法 VMD+LSTM的性能较好,预测结果都有很大提升.这也说明,VMD分解对于短期风速预测具有良好的效果.表 4 给出了不同模型训练和测试的时间对比,可以看出时空数据的处理算法普遍时间较长,特别增加了 VMD 分解之后,训练时间和测试时间都大幅增长,因此性能的提升是以时间开销增长为代价的.图 5 给出文中提出的 VHSTN 模型 20min 间隔的预测结果.可以看出,VHSTN 模型的预测值与实际值吻合程度较高.残差分析结果显示该模型的预测残差均匀且随机分布于零基准线的两侧,说明建模过程中没有产生系统误差.所以,该模型用于短期风速预测是计 算 机 系 统 应 用http:/www.c-s-2023年第32卷第9期174软件技术算法SoftwareTechniqueAlgorithm可行的.不同模型的 20min 风速预测结果如图 6 显示.这些算法包括 VMD+CNN+LSTM、CNN+LSTM、VMD+LSTM、LSTM、PSTN、MLP、CNN+LSTM+Attention 和 VHSTN.图 6 同样显示了 VHSTN 模型的良好预测性能.表 4不同模型训练、测试时间对比(s)数据类型预测模型训练时长测试时长时域数据LSTM346.00.38MLP80.190.51RNN135.120.75VMD+LSTM2613.93.84时空数据PSTN131178.51.97PDCNN24430.91.87CNN+LSTM+Attention755.30.9VMD+CNN+LSTM11120.915.76VHSTN9205.610.5110252015105002 0004 0006 000时间(min)预测值实际值残差风速(m/s)8 00010 00012 000508 000 8 500 9 000 9 500 10 000图 5VHSTN 模型 20min 间隔的预测结果25实际值VMD+CNN+LSTMCNN+LSTMVMD+LSTMLSTMRNNMLPCNN+LSTM+attentionVHSTN2015105002 0004 0006 000时间(min)风速(m/s)8 00010 00012 000101281462408 000 8 500 9 000 9 500 10 000图 6不同模型 20min 间隔的风速预测结果5结束语本文提出了一种用于短期风速预测的 VHSTN 算法,它将时空特征集成到一个统一深度学习框架 CNN-LSTM-SAM 中.在 CNN 层,对经过 VMD 分解的 IMF分量提取空间特征;在 LSTM-SAM 层提取时域特征,经过合并之后得到最终的风速预测值.在 WIND 数据上的实验结果说明:相对常用的风速时域数据,时空数据携带更多的预测信息;VMD 分解之后,风速相对平稳,预测精度提升;VHSTN 算法总体优于同类算法,但是会带来一些时间开销.进一步地,我们将考虑采用多层 Attention 机制,提高算法的预测性能.参考文献Global Wind Energy Council.Global wind report 2021.https:/ information.IEEE Transactions on EnergyConversion,2009,24(2):474482.doi:10.1109/TEC.2008.20014572Skittides C,Frh WG.Wind forecasting using principalcomponentanalysis.RenewableEnergy,2014,69:365374.doi:10.1016/j.renene.2014.03.0683李蓉蓉,戴永.基于 LSTM 和时间序列分析法的短期风速预测.计算机仿真,2020,37(3):393398.4CelluraM,CirrincioneG,MarvugliaA,etal.WindspeedspatialestimationforenergyplanninginSicily:Introductionand statistical analysis.Renewable energy,2008,33(6):12371250.doi:10.1016/j.renene.2007.08.0125Carta JA,Bueno C,Ramrez P.Statistical modelling ofdirectional wind speeds using mixtures of von Misesdistributions:Casestudy.EnergyConversionandManagement,2008,49(5):897907.doi:10.1016/j.enconman.2007.10.0176HuangZF,GuM.Characterizingnonstationarywindspeedusing the ARMA-GARCH model.Journal of StructuralEngineering,2019,145(1):04018226.doi:10.1061/(ASCE)ST.1943-541X.00022117Aasim,SinghSN,MohapatraA.Repeatedwavelettransformbased ARIMA model for very short-term wind speedforecasting.RenewableEnergy,2019,136:758768.doi:10.1016/j.renene.2019.01.0318ZhouJY,ShiJ,LiG.Finetuningsupportvectormachinesfor short-term wind speed forecasting.Energy ConversionandManagement,2011,52(4):19901998.doi:10.1016/j.enconman.2010.11.0079范曼萍,周冬.基于改进粒子群优化 LS-SVM 的短期风速预测.电力学报,2020,35(2):123128,142.10KhodayarM,KaynakO,KhodayarME.Roughdeepneuralarchitecture for short-term wind speed forecasting.IEEETransactions on Industrial Informatics,2017,13(6):112023年第32卷第9期http:/www.c-s-计 算 机 系 统 应 用SoftwareTechniqueAlgorithm软件技术算法17527702779.doi:10.1109/TII.2017.2730846薛阳,王琳,王舒,等.一种结合 CNN 和 GRU 网络的超短期风电预测模型.可再生能源,2019,37(3):456462.12Zhu QM,Chen JF,Shi DY,et al.Learning temporal andspatial correlations jointly:A unified framework for windspeedprediction.IEEETransactionsonSustainableEnergy,2020,11(1):509523.doi:10.1109/TSTE.2019.289713613WuZH,HuangNE.Ensembleempiricalmodedecomposition:A noise-assisted data analysis method.AdvancesinAdaptiveDataAnalysis,2009,1(1):141.doi:10.1142/S179353690900004714栗然,王粤,肖进永.基于经验模式分解的风电场短期风速预测模型.中国电力,2009,42(9):7781.15陆冰鉴,周鹏,王兴,等.基于 EEMD 和 LSTM 的短期风速预测模型研究.软件工程,2020,23(3):4348.16DragomiretskiyK,ZossoD.Variationalmodedecomposition.IEEE Transactions on Signal Processing,2014,62(3):531544.doi:10.1109/TSP.2013.228867517王俊,李霞,周昔东,等.基于 VMD 和 LSTM 的超短期风速预测.电力系统保护与控制,2020,48(11):4552.18LiangYX,KeSY,ZhangJB,etal.GeoMAN:Multi-levelattention networks for geo-sensory time series prediction.Proceedings of the 27th International Joint Conference onArtificial Intelligence.Stockholm:AAAI Press,2018.34283434.19LiRY,WangS,ZhuFY,etal.Adaptivegraphconvolutionalneuralnetworks.Proceedingsofthe32ndAAAIConferenceonArtificialIntelligence,the30thInnovativeApplicationsofArtificial Intelligence Conference and the 8th AAAI20SymposiumonEducationalAdvancesinArtificialIntelligence.NewOrleans:AAAIPress,2018.434.ShinHC,OrtonMR,CollinsDJ,etal.Stackedautoencodersfor unsupervised feature learning and multiple organdetection in a pilot study using 4D patient data.IEEETransactionsonPatternAnalysisandMachineIntelligence,2013,35(8):19301943.doi:10.1109/TPAMI.2012.27721HeTX,DroppoJ.ExploitingLSTMstructureindeepneuralnetworks for speech recognition.Proceedings of the 2016IEEE International Conference on Acoustics,Speech andSignalProcessing.Shanghai:IEEE,2016.54455449.22AltchF,deLaFortelleA.AnLST