基于EMD-SA-DBN的风速预测模型

                                 

                                                                         图1   原始风速时间序列

       风速预测主要是时间序列预测，通常采用滚动序列建模，即采用1-n时刻风速作为输入，第n+1时刻风速作为输出，然后采用第2到n+1时刻风速作为输入，第n+2时刻风速作为输出，这样进行滚动建模。一般情况下，使用这种方法得到的效果都还不错，但是会有一个很严重的问题，就是“滞后“现象，以图2为例，该图为基于DBN的风速预测，n为24。

                                        

                                                       

                                                                         图2  基于DBN的风速预测

      DBN的结果分析：1、根均方差(RMSE)：1.7303；2、平均绝对误差（MAE）：1.3405；3、平均相对百分误差（MAPE）：14.53%

       由图2可知，这个预测得到的值滞后于真实值，相当于当前时刻预测的是上一时刻的值。因此，即使精度较高，这个模型依旧是无法使用的。主要原因是：https://zhuanlan.zhihu.com/p/54413813?utm_source=qq&utm_medium=social&utm_oi=676541090052575232，是因为序列存在自相关，实际上DBN并没有学习到风速预测模型，而是学习到了这种自相关性，而这个在时间序列预测上是及其常见的。

        那么为了解决这个，本文采用EMD经验模态分解先对序列进行分解得到IMF本征模态分量，然后对每个imf建立DBN预测模型，最后将各IMF对应的DBN的预测值相加，得到最终的预测结果，结果如图3所示：

                                       

                                                                     图3 基于EMD-DBN的风速预测

          EMD-DBN的结果分析：1、根均方差(RMSE)：1.2416；2、平均绝对误差（MAE）：0.89967；3、平均相对百分误差（MAPE）：9.6004%

         由图3可以看出，图2中的滞后性已经没有，说明EMD能够消除原始序列的自相关性。

         最后，为再一次提升精度，本文采用SA模拟退火算法对DBN的各隐含层进行寻优，得到一个较优的网络结构，得到的结果如图4:所示。

                                   

                                                           图4 基于EMD-SA-DBN的风速预测

        SA-EMD-DBN的结果分析:1、根均方差(RMSE)：1.2328；2、平均绝对误差（MAE）：0.88833；3、平均相对百分误差（MAPE）：9.578%

         结果显示经SA优化后的DBN，精度得到了再一次提升。

        需要的可以加我qq2919218574，此为MATLAB代码，可以改成python代码，EMD也可以换成EEMD、CEEMD、VMD等，模拟退火改成粒子群、遗传、蝙蝠均可