結合離散小波轉換與深度學習技術預測短期風速研究

江文山 ； 賴志峰 ； 黃國展 ； 蔡宜秦 ； 衛紀淮

《港灣季刊》 118期 (2021/02) Pp. 41-51

摘要

交通部運輸研究所港研中心將蒐集的風力資料經品管分析後，針對強風特性進行研究，並結合離散小波轉換與深度學習技術，以探討定點風力預報之基礎模型。本文藉由對風速資料的特性分析與掌握，進而嘗試建立風速短期預報的技術，並以臺中港測站6的過去資料為預測因子，進行臺中港測站6的短期風速預測。經由離散小波轉換所得到之各模態實測風速與所建構模型訓練得到之風速比較，經過訓練後的模型可以合理的反應實測風速的變動，越低頻率的模態，訓練的結果越好，根據不同月份的預測分析結果，顯示預測模型具有穩定特性。就預測未來某一個時間的風速而言，以高頻率取樣的資料所建置的模型，相較於以低頻率取樣，需要預測更多的步階，且結果未必更準確。然而高頻率取樣建置的模型，優點是可以預測時間領域更細緻的資料細節。

參考文獻

Huang, Shengzhi(2014).Monthly streamflow prediction using modified EMD-based support vector machine.Journal of Hydrology.511,764-775.

Morlet, Jean.(1983).Sampling theory and wave propagation.Issues in acoustic Signal—image processing and recognition.(Issues in acoustic Signal—image processing and recognition).

Huang, Norden E.(1998).The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis.Proc. R. Soc. Lond. A.903-995.

Wu, Zhaohua,Huang, Norden E.(2009).Ensemble Empirical Mode Decomposition:A Noise-Assisted Data Analysis Method.Advances in Adaptive Data Analysis.1,1-41.

Torres, ME.,Colominas, MA.,Schlotthauer, G.,Flandrin, P.(2011).A complete ensemble empirical mode decomposition with adaptive noise.International Conference on Acoustics, Speech and Signal Processing (ICASSP).(International Conference on Acoustics, Speech and Signal Processing (ICASSP)).