基于A(yíng)RIMA與Elman神經(jīng)網(wǎng)絡(luò )的風(fēng)速組合預測模型

已證明，若Elman神經(jīng)網(wǎng)絡(luò )隱含層數為1,且采用S型轉換函數，則該網(wǎng)絡(luò )能夠以任意精度逼近任意有理函數，故本文將網(wǎng)絡(luò )結構設計為3層。

ARIMA(2,1,1)模型對9月1日到9月30日內的720個(gè)風(fēng)速數據進(jìn)行預測得到預測誤差，以歸一化后誤差數據的前4個(gè)和實(shí)測風(fēng)速一階差分值的第3個(gè)作為網(wǎng)絡(luò )輸入，以誤差數據的第5個(gè)作為網(wǎng)絡(luò )輸出，依次傳遞，組成樣本數據對網(wǎng)絡(luò )進(jìn)行訓練。

5.實(shí)例仿真

5.1 ARIMA模型初步預測

本文采用的是某風(fēng)電場(chǎng)的風(fēng)速歷史數據進(jìn)行實(shí)際預測，采用9月1日到9月30日內720個(gè)風(fēng)速值進(jìn)行建模，10月1日到6日內144個(gè)風(fēng)速值進(jìn)行驗證。

利用ARIMA(2,1,1)模型對數據進(jìn)行預測，提前1小時(shí)預測結果如圖3所示，預測效果評價(jià)如表1所示。

圖3中，實(shí)測風(fēng)速的劇烈波動(dòng)性一定程度上影響了ARIMA模型預測精度，并且預測曲線(xiàn)滯后于實(shí)測風(fēng)速曲線(xiàn)。

5.2 改進(jìn)Elman神經(jīng)網(wǎng)絡(luò )修正誤差

訓練得到神經(jīng)網(wǎng)絡(luò )模型，對10月1日至10月6日144個(gè)測試樣本數據歸一化后進(jìn)行預測，得到ARIMA預測誤差，并與ARIMA模型預測值相加，得到修正后的預測值，如圖4所示。誤差預測結果如表2所示。

5.3 結果分析

通過(guò)對以上結果分析，可以得到以下結論：

(1)風(fēng)速的1階差分序列，代表風(fēng)速的變化趨勢，由圖4、表1,以差分數據作為網(wǎng)絡(luò )輸入，利用改進(jìn)Elman神經(jīng)網(wǎng)絡(luò )修正ARIMA模型預測誤差，能夠較好的減小預測滯后性，提高預測精度。

(2)用BP神經(jīng)網(wǎng)絡(luò )替代組合模型中Elman網(wǎng)絡(luò )的預測效果見(jiàn)表1,表2.改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò )預測精度要比ARIMA-BP模型高，且訓練速度提高30%以上。

6.結束語(yǔ)

本文將改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò )應用到風(fēng)速時(shí)間序列預測的研究中，建立ARIMA-ELMAN組合預測模型，既描述了風(fēng)速歷史數據的線(xiàn)性規律，又描述了風(fēng)速歷史數據中的非線(xiàn)性規律，結果表明比單一使用ARIMA模型預測精度高、誤差小;與ARIMA-BP模型相比，訓練時(shí)間短，效率高。該預測模型在風(fēng)速預測上具有良好的適用性，對進(jìn)一步解決實(shí)際工程問(wèn)題具有一定的參考價(jià)值。