摘要: 为了降低风速具有的非线性和随机性带来的预测难度，提高预测准确性，提出一种融合完全自适应噪声集合经验模态分解(CEEMDAN)、样本熵(SE)、灰狼优化算法(GWO)和长短期记忆神经网络(LSTM)的组合预测模型来预测短期风速。首先利用CEEMDAN将风速数据分解为若干模态分量，再通过样本熵对各分量进行筛选，将样本熵值相近的模态分量进行叠加，形成新的若干个子序列，然后对各子序列采用GWO-LSTM模型进行训练与预测，最后叠加子序列的预测结果。实验结果表明，所提CEEMDAN-SE-GWO-LSTM模型相对于单一的LSTM模型在均方根误差、平均绝对误差和平均相对误差这3个误差指标上分别降低了21.7%、44.5%和40.9%，因此该模型具有较好的预测精度与稳定性，可有效预测短期风速。