使用多个输入和未来预测的风速预测我的参数是： 压力、相对湿度和温度我的目标是风速预测我使用了 Narxnet 神经网络

提出一种风速预测偏差修正方法。建立基于非参数核密度估计的风速修正模型，利用预测点之前一段时间内风速的初始预测误差来估计预测时刻的预测误差，从而对初始风速预测结果进行修正；结合数值天气预报法建立风速相位误差修正模型，有效减小风速预测的相位误差，在一定程度上防止风速突变拐点处“误修正”的出现。某地区实际风速数据的预测仿真结果表明，所提方法可有效降低初始风速预测偏差。

预测风速，用于风力发电与新能源。风力预测

基于变量选择深度信念神经网络的风速预测.pdf

为提高天气研究和预报(Weather Research and Forecasting，WRF) 数值模式风速预报的准确度，引入深度置信网络 (Deep Belief Nets，DBN) ，构建了基于WRF数值模型的DBN风速预测模型。利用WRF数值模式进行风速预报，将预报结果与70m 高的测风塔实际数据作为网络的输入对深度信念网络进行逐层训练，在Matlab 平台上建立DBN风速预测模型并进行仿真。经验证:基于WRF数值模式的DBN风速预测模型的相对均方根误差为11.03%，比支持向量机(Support Vector Machine，SVM) 预测模型降低了4.41%。实验结果表明:该模型能很好地预测风速并且得到了较高的预测精度。

基于 LSTM 的短期风速预测研究

Abstract—Wind speed interval prediction plays an important role in wind power generation. In this article, a new interval construction model based on error prediction is proposed. The variational mode decomposition is used to decompose the complex wind speed time series into simplified modes. Two types of GRU models are built for wind speed prediction and error prediction. Prediction error for each mode is given a weight and accumulated to obtain the width of the prediction interval. The particle swarm optimization algorithm is applied to search for the optimal weights of the prediction errors. Experiments considering eight cases from two wind fields are conducted by using methods of interval construction in the literature for comparison with the proposed model. The result shows that the proposed model can obtain prediction intervals with higher quality.

emd的matlab代码 EMD-SA-DBN-for-Wind-speed-forecast （MATLAB CODE） Establishing a time series forecasting model for wind speed prediction based on DBN，Due to the autocorrelation of the wind speed sequence, the predicted value and the actual value lag, so EMD is used to decompose the wind speed sequence, and then the decomposed components are modeled in turn. To further mention accuracy, the simulated annealing algorithm is used to optimize the DBN。 (MATLAB代码)采用深度置信网络DBN建立风速预测的时间序列预测模型，由于数据本身的自相关性，导致得

提高超短期风速预测准确率和可靠性的途径之一，是从历史观测值中充分挖掘风速相关性的特征和规律。将本地最新的风速历史观测值结合按照最优延迟时间提前的上游风速观测值，形成空间相关性k近邻预测的参考矢量；以相关系数作为相关性的具体评价指标，从风速历史观测值中优选出该参考矢量的k个最相似的近邻；采用7种回归模型进行本地的未来风速预测。荷兰Huibertgat地区冬季风速预测的仿真结果表明：使用线性回归、偏最小二乘回归、最小二乘支持向量回归3个优化模型预测，优化的k近邻数量为100左右，优化的历史数据年数为10 a；空间相关性k近邻风速预测能够有效使用历史数据的相似性进行可靠的超短期风速预测。

风速预测对风电场和电力系统的运行都具有重要意义。对风速进行比较准确的预测，可以有效地减轻或避免风电场对电力系统的不利影响，同时提高风电场在电力市场中的竞争能力。基于时间序列法和神经网络法，该文对风速预测进行了研究，提出了预测风速的时序神经网络法。该方法用时间序列法建模，得到风速特性的基本参数，并用这些参数选择神经网络的输入变量；为了提高预测精度，提出了滚动式权值调整手段。该方法有效地提高了风速预测的精度。