基于ARIMA與Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)速組合預(yù)測(cè)模型

已證明，若Elman神經(jīng)網(wǎng)絡(luò)隱含層數(shù)為1,且采用S型轉(zhuǎn)換函數(shù)，則該網(wǎng)絡(luò)能夠以任意精度逼近任意有理函數(shù)，故本文將網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)為3層。

ARIMA(2,1,1)模型對(duì)9月1日到9月30日內(nèi)的720個(gè)風(fēng)速數(shù)據(jù)進(jìn)行預(yù)測(cè)得到預(yù)測(cè)誤差，以歸一化后誤差數(shù)據(jù)的前4個(gè)和實(shí)測(cè)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(shù)據(jù)的第5個(gè)作為網(wǎng)絡(luò)輸出，依次傳遞，組成樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

5.實(shí)例仿真

5.1 ARIMA模型初步預(yù)測(cè)

本文采用的是某風(fēng)電場(chǎng)的風(fēng)速歷史數(shù)據(jù)進(jìn)行實(shí)際預(yù)測(cè)，采用9月1日到9月30日內(nèi)720個(gè)風(fēng)速值進(jìn)行建模，10月1日到6日內(nèi)144個(gè)風(fēng)速值進(jìn)行驗(yàn)證。

利用ARIMA(2,1,1)模型對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)，提前1小時(shí)預(yù)測(cè)結(jié)果如圖3所示，預(yù)測(cè)效果評(píng)價(jià)如表1所示。

圖3中，實(shí)測(cè)風(fēng)速的劇烈波動(dòng)性一定程度上影響了ARIMA模型預(yù)測(cè)精度，并且預(yù)測(cè)曲線滯后于實(shí)測(cè)風(fēng)速曲線。

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

訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型，對(duì)10月1日至10月6日144個(gè)測(cè)試樣本數(shù)據(jù)歸一化后進(jìn)行預(yù)測(cè)，得到ARIMA預(yù)測(cè)誤差，并與ARIMA模型預(yù)測(cè)值相加，得到修正后的預(yù)測(cè)值，如圖4所示。誤差預(yù)測(cè)結(jié)果如表2所示。

5.3 結(jié)果分析

通過對(duì)以上結(jié)果分析，可以得到以下結(jié)論：

(1)風(fēng)速的1階差分序列，代表風(fēng)速的變化趨勢(shì)，由圖4、表1,以差分?jǐn)?shù)據(jù)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(yù)測(cè)誤差，能夠較好的減小預(yù)測(cè)滯后性，提高預(yù)測(cè)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(yù)測(cè)效果見表1,表2.改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度要比ARIMA-BP模型高，且訓(xùn)練速度提高30%以上。

6.結(jié)束語

本文將改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)應(yīng)用到風(fēng)速時(shí)間序列預(yù)測(cè)的研究中，建立ARIMA-ELMAN組合預(yù)測(cè)模型，既描述了風(fēng)速歷史數(shù)據(jù)的線性規(guī)律，又描述了風(fēng)速歷史數(shù)據(jù)中的非線性規(guī)律，結(jié)果表明比單一使用ARIMA模型預(yù)測(cè)精度高、誤差小;與ARIMA-BP模型相比，訓(xùn)練時(shí)間短，效率高。該預(yù)測(cè)模型在風(fēng)速預(yù)測(cè)上具有良好的適用性，對(duì)進(jìn)一步解決實(shí)際工程問題具有一定的參考價(jià)值。