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

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)計為3層。

ARIMA(2,1,1)模型對9月1日到9月30日內(nèi)的720個風(fēng)速數(shù)據(jù)進行預(yù)測得到預(yù)測誤差，以歸一化后誤差數(shù)據(jù)的前4個和實測風(fēng)速一階差分值的第3個作為網(wǎng)絡(luò)輸入，以誤差數(shù)據(jù)的第5個作為網(wǎng)絡(luò)輸出，依次傳遞，組成樣本數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練。

5.實例仿真

5.1 ARIMA模型初步預(yù)測

本文采用的是某風(fēng)電場的風(fēng)速歷史數(shù)據(jù)進行實際預(yù)測，采用9月1日到9月30日內(nèi)720個風(fēng)速值進行建模，10月1日到6日內(nèi)144個風(fēng)速值進行驗證。

利用ARIMA(2,1,1)模型對數(shù)據(jù)進行預(yù)測，提前1小時預(yù)測結(jié)果如圖3所示，預(yù)測效果評價如表1所示。

圖3中，實測風(fēng)速的劇烈波動性一定程度上影響了ARIMA模型預(yù)測精度，并且預(yù)測曲線滯后于實測風(fēng)速曲線。

5.2 改進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10月1日至10月6日144個測試樣本數(shù)據(jù)歸一化后進行預(yù)測，得到ARIMA預(yù)測誤差，并與ARIMA模型預(yù)測值相加，得到修正后的預(yù)測值，如圖4所示。誤差預(yù)測結(jié)果如表2所示。

5.3 結(jié)果分析

通過對以上結(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，由圖4、表1,以差分數(shù)據(jù)作為網(wǎng)絡(luò)輸入，利用改進Elman神經(jīng)網(wǎng)絡(luò)修正ARIMA模型預(yù)測誤差，能夠較好的減小預(yù)測滯后性，提高預(yù)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(yù)測效果見表1,表2.改進的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測精度要比ARIMA-BP模型高，且訓(xùn)練速度提高30%以上。

6.結(jié)束語

本文將改進的Elman神經(jīng)網(wǎng)絡(luò)應(yīng)用到風(fēng)速時間序列預(yù)測的研究中，建立ARIMA-ELMAN組合預(yù)測模型，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)測精度高、誤差小;與ARIMA-BP模型相比，訓(xùn)練時間短，效率高。該預(yù)測模型在風(fēng)速預(yù)測上具有良好的適用性，對進一步解決實際工程問題具有一定的參考價值。