风速预测：混合模型VMD-EFD-DE-BP

Posted 2022-12-15 书院门登山的青果

混合模型VMD-EFD-DE-BP由二次分解模型VMD-EFD和优化神经网络模型DE-BP两部分组成。二次分解模型VMD-EFD利用VMD得到低频和中频信号，利用经验傅里叶分解EFD进一步分解VMD得到的高频信号，EFD弥补了VMD在高频分解上的能力缺陷。优化神经网络模型利用优化模型DE改进BP神经网络的参数，以提高模型的预测精度。

组合模型VMD-EFD-DE-BP新颖的点主要有：（1）首次利用EFD提高VMD的分解性能，从而得到相比于单分解模型（EMD,CEEMDAN,VMD）具有更好分解效果的二次分解模型VMD-EFD；（2）利用DE对BP模型进行优化，得到的DE-BP相比于BP模型在预测性能上表现更佳。

对于一个风速数据序列data，对其进行VMD分解效果如下，

 原始数据data被分解为八个分量V1-V8和残差Res，然后对残差进行EFD分解，得到的分解结果如下，

 可以看出，EFD将剩余高频分量分解为简单的低频分量从而提高VMD的分解性能，分解结果为10个分量E1-E10。

DE-BP通过优化模型DE改进BP神经网络的参数，得到了具有更高预测精度的混合预测模型。

对data以8：2划分训练集和测试集，建立10个对比模型，得到的误差指标MAE,RMSE,MAPE为，

 

可以看到，混合模型VMD-EFD-DE-BP的预测精度在风速预测中表现最好，二次分解模型VMD-EFD和优化神经网络模型DE-BP都在整体模型的性能提升中起到了积极作用。

具体代码-闲yu搜索书院门登山的青果。