.png){kind=icon}
.png){kind=icon}
返回
Using hybrid machine learning model with an improved driving training-based optimization algorithm for wind power forecasting
.png){kind=icon}
OA
AI
DOI：10.1007/s00521-026-12401-8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着清洁能源的扩展和向联合国2030年可持续发展目标的推进，风能已成为向可再生能源过渡的关键要素。然而，受天气条件波动影响，风能的不确定特性使得准确预测变得困难。长短期记忆（LSTM）模型等方法已被证明在时序依赖任务中有效，而嵌套LSTM（NLSTM）等新变体则提供了建模复杂时间关系的增强能力。基于卷积神经网络（CNN）架构的时序卷积网络（TCN）也作为序列建模的有前景替代方案受到关注。因此，本研究提出了一种结合TCN和NLSTM的混合模型，以利用两种架构的优势。它进一步整合变分模态分解（VMD）来处理非平稳数据，使用功率和气象数据以提高预测性能。此外，一种受变异启发的驱动力训练优化（DTBO）算法的改进版本动态调整模型的超参数。结果表明，改进的DTBO辅助TCN-NLSTM优于单网络架构，使均方根误差（RMSE）降低高达12.7%。
Keyword:
Wind power forecasting
Temporal convolutional network
Nested long-short term memory
Driving training-based optimization algorithm
Variational mode decomposition
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。