基于ARIMA与Elman神经网络的风速组合预测模型
已证明,若Elman神经网络隐含层数为1,且采用S型转换函数,则该网络能够以任意精度逼近任意有理函数,故本文将网络结构设计为3层。
本文引用地址: //m.amcfsurvey.com/article/227066.htmARIMA(2,1,1)模型对9月1日到9月30日内的720个风速数据进行预测得到预测误差,以归一化后误差数据的前4个和实测风速一阶差分值的第3个作为网络输入,以误差数据的第5个作为网络输出,依次传递,组成样本数据对网络进行训练。
5.实例仿真
5.1ARIMA模型初步预测
本文采用的是某风电场的风速历史数据进行实际预测,采用9月1日到9月30日内720个风速值进行建模,10月1日到6日内144个风速值进行验证。
利用ARIMA(2,1,1)模型对数据进行预测,提前1小时预测结果如图3所示,预测效果评价如表1所示。
![基于ARIMA与Elman神经网络的风速组合预测模型](http://m.amcfsurvey.com/editerupload/fetch/20140213/227066_2_0.jpg)
图3中,实测风速的剧烈波动性一定程度上影响了ARIMA模型预测精度,并且预测曲线滞后于实测风速曲线。
![基于ARIMA与Elman神经网络的风速组合预测模型](http://m.amcfsurvey.com/editerupload/fetch/20140213/227066_2_1.jpg)
5.2 改进Elman神经网络修正误差
训练得到神经网络模型,对10月1日至10月6日144个测试样本数据归一化后进行预测,得到ARIMA预测误差,并与ARIMA模型预测值相加,得到修正后的预测值,如图4所示。误差预测结果如表2所示。
![基于ARIMA与Elman神经网络的风速组合预测模型](http://m.amcfsurvey.com/editerupload/fetch/20140213/227066_2_2.jpg)
![基于ARIMA与Elman神经网络的风速组合预测模型](http://m.amcfsurvey.com/editerupload/fetch/20140213/227066_2_3.jpg)
5.3 结果分析
通过对以上结果分析,可以得到以下结论:
(1)风速的1阶差分序列,代表风速的变化趋势,由图4、表1,以差分数据作为网络输入,利用改进Elman神经网络修正ARIMA模型预测误差,能够较好的减小预测滞后性,提高预测精度。
(2)用BP神经网络替代组合模型中Elman网络的预测效果见表1,表2.改进的Elman神经网络预测精度要比ARIMA-BP模型高,且训练速度提高30%以上。
6.结束语
本文将改进的Elman神经网络应用到风速时间序列预测的研究中,建立ARIMA-ELMAN组合预测模型,既描述了风速历史数据的线性规律,又描述了风速历史数据中的非线性规律,结果表明比单一使用ARIMA模型预测精度高、误差小;与ARIMA-BP模型相比,训练时间短,效率高。该预测模型在风速预测上具有良好的适用性,对进一步解决实际工程问题具有一定的参考价值。
评论