Краткосрочный прогноз скорости ветра на основе искусственных нейронных сетей с применением метода декомпозиции на вариационные моды

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.