КРАТКОСРОЧНЫЙ ПРОГНОЗ СКОРОСТИ ВЕТРА НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ С ПРИМЕНЕНИЕМ МЕТОДА ДЕКОМПОЗИЦИИ НА ВАРИАЦИОННЫЕ МОДЫ

EDX: VKPBAD

Прогнозирование скорости ветра с использованием нейронных сетей становится все более ак-туальным в условиях изменения климата и увеличения частоты экстремальных погодных яв-лений. Кроме того, краткосрочный прогноз локальной скорости ветра чрезвычайно важен для обеспечения безопасной и эффективной работы ветровых электрических станций и аэропортов. Современные методы машинного обучения, включая нейронные сети, способны обрабатывать большие объемы данных и выявлять сложные зависимости, что позволяет значительно повысить точность прогнозов. «Шум» во входных данных, обусловленный различными внешними факторами, часто снижает точность построенных по ним прогнозов, и, как следствие, влияет на производительность и качество математической модели.

Для повышения точности и заблаговременности краткосрочного прогнозирования скорости ветра по измеренным значениям метеорологических параметров за предыдущие часы предложен гибридный метод, который использует искусственные нейронные сети (ИНС) в сочетании с фильтрацией входного сигнала методом декомпозиции на вариационные моды (Variational Mode Decomposition — VMD). Применение разработанного гибридного метода краткосрочного прогноза позволило достичь значительного увеличения точности прогнозирования. В частности, средняя абсолютная ошибка (Mean Absolute Error, МАЕ) и средняя абсолютная процентная ошибка (Mean Absolute Percentage Error, MAPE) снизились не менее чем на 90 % (до 0.013-0.101 м/с и 0.9 %-6.1 %, соответственно) при рассмотренных вариантах заблаговременности. Полученные значения метрик МАЕ и МАРЕ подтверждают высокую точность разработанного метода, поскольку МАРЕ менее 10 % можно классифицировать как превосходное прогнозирование. Оценивая полученные результаты, можно сделать вывод о целесообразности дальнейшей работы по использованию предложенного гибридного метода для повышения качества краткосрочного прогнозирования скорости ветра и других метеопараметров, получаемых в результате наблюдений.

Ключевые слова: искусственные нейронные сети, временные ряды, вариационная модовая декомпозиция, краткосрочный локальный прогноз скорости ветра.

Список литературы

1.            Huang N. Е., Shen Z., Long S. R., et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis // Proceedings of the Royal Society of London A. 1998. V. 454. P. 903-995.

2.            Torres, M. E., Colominas M. A., Schlotthauer G., Flandrin P. A complete ensemble empirical mode decomposition with adaptive noise // 2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 2011. P. 4144-4147.

3.            Gilles J. Empirical Wavelet Transform // IEEE Transactions on Signal Processing. 2013. V. 61(16). P. 3999-4010.

4.            Singh P., Joshi S.D., Patney R. K., Saha K. The Fourier decomposition method for nonlinear and non-stationary time series analysis // Proc. R. Soc. A. 47320160871. 2017. V. 473.

5.            Zhou W., Feng Z., Xu Y. F., Wang X., Lv H. Empirical Fourier decomposition: an accurate signal decomposition method for nonlinear and non-stationary time series analysis // Meeh. Syst. Signal Process. 2022. V. 163.

6.            Dragomiretskiy K., Zosso D. Variational mode decomposition // IEEE Transactions on Signal Processing. 2013. V. 62(3). P. 531-544.

7.            Lv S, Wang L, Wang S. A Hybrid Neural Network Model for Short-Term Wind Speed Forecasting // Energies. 2023. V. 16(4).

8.            Zhang Y., Zhao Y., Gao S. A Novel Hybrid Model for Wind Speed Prediction Based on VMD and Neural Network Considering Atmospheric Uncertainties // IEEE Access. 2019. V. 7, P. 60322-60332.

9.            Гладких В. А., Макиенко В. Э. Цифровая ультразвуковая метеостанция // Приборы. 2009. № 7, (109). С. 21-25.

10.          Hestenes М. R. Multiplier and Gradient Methods // Journal of Optimization Theory and Applications. 1969. V. 4(5). P. 303-320.

11.          Rockafellar R. T. A dual approach to solving nonlinear programming problems by unconstrained optimization // Mathematical Programming. 1973. V. 5(1). P. 354-373.

12.          Bertsekas D. P. Constrained optimization and Lagrange Multiplier methods. Computer Science and Applied Mathematics, Boston: Academic Press. 1982.

13.          Wiener N. Extrapolation, Interpolation, and Smoothing of Stationary Time Series. The MIT Press. 1949.

14.          Goodfellow L, Bengio Y., Courville A. Deep Learning. MIT Press, 2016.

15.          Loshchilov L, Hutter F. Fixing weight decay regularization in adam // arXiv:1711.05101. 2017.

16.          Huber P. J. Robust Estimation of a Location Parameter // Ann. Math. Statist. 1964. V. 35(1). P. 73-101.