För att mildra den globala uppvärmningen genom att minska utsläppen, vind förväntas allmänt bli en alternativ energikälla. Vindkraftproduktion använder ytatmosfären, där rörelse blåser vindkraftverket för att generera effekt. Dock, på grund av turbulensen i det nära ytskiktet, vindhastigheter visar stark variation och störningsegenskaper, vilket skapar instabilitet för vindkraftproduktion. Detta hotar i sin tur allvarligt elnätets säkerhet. Därför, för att säkerställa elnätets säkerhet och stabilitet, tillförlitliga förutsägelser om vindhastighet och kraftproduktion i lokal skala för vindkraftparker är avgörande.

I en tidning som nyligen publicerades i Atmosfäriska och oceaniska vetenskapliga brev , Ye Zhang från Hebei Normal University och hennes medförfattare från Institute of Atmospheric Physics och Lanzhou University, utvecklat tre hybridstegsprognosmodeller med flera steg och jämfört dem med varandra och med tidigare föreslagna modeller för vindhastighetsprognoser. De tre modellerna är baserade på wavelet decomposition (WD), optimeringsalgoritmen för Cuckoo search (CS), och ett wavelet neuralt nätverk (WNN). Respektive, de kallas CS-WD-ANN (där ANN betyder 'artificiellt neuralt nätverk'), CS-WNN, och CS-WD-WNN. Vindhastighetsdata från två vindkraftparker i Shandong, östra Kina, användes i studien.

Resultaten visade att CS-WD-WNN presterar bäst bland de tre utvecklade hybridmodellerna, med minimala statistiska fel, medan CS-WD-ANN presterar sämst. Från jämförelsen med tidigare föreslagna vindprognosmodeller, inklusive BPNN, Envisas, ARIMA, WNN, och PSO-WD-WNN, CS-WD-WNN befanns fortfarande vara den överlägsna modellen. Väsentligen, användningen av CS -algoritmen i de utvecklade hybridmodellerna visade mer fördel med avseende på prognosresultaten jämfört med andra modeller.

"Övergripande, vi fann att CS-WD-WNN-modellen fungerar bra i vindhastighetsprognoser, och noggrannheten är högre än den för tidigare föreslagna modeller, "avslutar Zhang.