Short-term Wind Speed Prediction Model Based on Secondary Decomposition and SE-SSA-TCN

Abstract

为了提高风速预测的准确性，提出了一种混合框架（二次分解-样本熵-麻雀搜索算法-时间卷积网络）。该框架集成了 SD 和 SE -SSA 来优化 TCN 模型。此外，开发了一种具有自适应噪声变分模态分解机制的完整集成经验模态分解，以解决信号分解挑战。采用样本熵策略来降低模型复杂性，同时保持预测性能。Sparrow Search 算法被用来克服传统优化方法的局限性。基于美国电站数据的实验结果表明，与单个 TCN 和 SD-SE-TCN 模型相比，所提模型显著降低了 RMSE、MAE 和 MAPE，从而验证了其高精度和出色的泛化能力。