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

發(fā)布時(shí)間:2015-7-10 12:12    發(fā)布者:designapp
1.引言

近年來(lái),能源短缺和環(huán)境問(wèn)題越來(lái)越受到人們關(guān)注,新能源的開(kāi)發(fā)利用越來(lái)越受到人們重視。風(fēng)力發(fā)電由于風(fēng)速的可再生、清潔無(wú)污染等特點(diǎn)成為目前世界上增長(cháng)最快的可再生能源。風(fēng)速預測的準確性直接關(guān)系到風(fēng)電場(chǎng)對電力系統的影響,同時(shí)也為風(fēng)電機組的控制提供了重要依據。因此提高風(fēng)速預測的準確性,對于增加電網(wǎng)的可靠性、提高經(jīng)濟效益有很重要的意義。

在現實(shí)中,大多數時(shí)間序列都是非平穩的,因此仿真建模前需對實(shí)際數據進(jìn)行差分處理,雖然差分后可將數據看作是是平穩序列,然而經(jīng)驗證可知,其中仍含有非平穩部分,這就造成了ARIMA預測非平穩時(shí)間序列的誤差增大。為提高風(fēng)速數據中非線(xiàn)性部分的預測精度,本文提出了一種基于A(yíng)RIMA和改進(jìn)Elman神經(jīng)網(wǎng)絡(luò )組合模型對某地區風(fēng)速進(jìn)行預測的新方法。ARIMA模型用于描述歷史數據的線(xiàn)性關(guān)系,改進(jìn)的神經(jīng)網(wǎng)絡(luò )模擬數據的非線(xiàn)性規律。

本文采用2009年9月的720個(gè)風(fēng)速數據建立組合預測模型,并利用該模型預測10月1日到6日內144個(gè)風(fēng)速,取得了比較滿(mǎn)意的預測效果。

2.ARIMA-Elman模型原理

組合模型原理如圖1所示。對于波動(dòng)性較大的風(fēng)速數據而言,單一的時(shí)間序列預測具有較大的滯后,而差分后的時(shí)間序列能夠反映原始數據變化趨勢,具有一定的預知性。然后用改進(jìn)Elman神經(jīng)網(wǎng)絡(luò ),以ARIMA預測誤差和歷史風(fēng)速1階差分序列作為網(wǎng)絡(luò )輸入,預測ARIMA模型的誤差,使非線(xiàn)性規律包含在改進(jìn)Elman神經(jīng)網(wǎng)絡(luò )的預測結果中。最后使用ARIMA的預測結果與改進(jìn)Elman神經(jīng)網(wǎng)絡(luò )的誤差預測結果相疊加得到組合預測模型的預測值。


        
3.ARIMA模型

3.1 模型的概念

時(shí)間序列模型分為平穩時(shí)序模型和非平穩時(shí)序模型。平穩時(shí)序模型包括自回歸(Auto-Regressive,AR)模型、滑動(dòng)平均(MovingAverage,MA)模型和自回歸移動(dòng)平均(Auto-Regressive and Moving Average,ARMA)模型。工程上最常用的非平穩模型是差分自回歸移動(dòng)平均(Autoregressive Integrated MovingAverage,ARIMA)模型。其中ARIMA(p,d,q)模型的表達式記為:



3.2 模型建立

①數據的預處理

采用時(shí)間序列進(jìn)行仿真預測可以大大降低預測的工作量,論文使用某一臺風(fēng)機的風(fēng)速數據,首先對時(shí)間序列用自相關(guān)函數法檢驗平穩性,經(jīng)1階差分后,滿(mǎn)足時(shí)間序列平穩性要求,即差分階數d=1.

②模型定階與參數估計

目前常使用最佳準則函數進(jìn)行定階,其包括最小FPE、AIC和SBC準則。本文采用AIC準則,即最小信息量準則,利用似然函數估計值最大值原則來(lái)確定模型p、q階數分別為2、1,即ARIMA(2,1,1)。模型定階后,利用最小二乘法,使殘差平方和達到最小的那組參數值即為模型參數估計值[7].

3.3 評價(jià)標準

本文采用平均絕對百分比誤差(MAPE)、平方和誤差(SSE)以及均方根誤差(RMSE)對預測結果進(jìn)行評價(jià),計算公式如下:



4.改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò )

4.1 改進(jìn)Elman神經(jīng)網(wǎng)絡(luò )原理

Elman神經(jīng)網(wǎng)絡(luò )是一種具有局部記憶單元和局部反饋連接的前向反饋網(wǎng)絡(luò )。本文采用一種改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò ),其非線(xiàn)性狀態(tài)空間表達式為:



如圖2所示,在承接層部分引入前一時(shí)刻c x值,B為一步延遲算子,其增益用λ表示,其大小反映承接層對過(guò)去時(shí)刻記憶的強弱。



4.2 網(wǎng)絡(luò )結構的設計

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。
本文地址:http://selenalain.com/thread-151314-1-1.html     【打印本頁(yè)】

本站部分文章為轉載或網(wǎng)友發(fā)布,目的在于傳遞和分享信息,并不代表本網(wǎng)贊同其觀(guān)點(diǎn)和對其真實(shí)性負責;文章版權歸原作者及原出處所有,如涉及作品內容、版權和其它問(wèn)題,我們將根據著(zhù)作權人的要求,第一時(shí)間更正或刪除。
您需要登錄后才可以發(fā)表評論 登錄 | 立即注冊

關(guān)于我們  -  服務(wù)條款  -  使用指南  -  站點(diǎn)地圖  -  友情鏈接  -  聯(lián)系我們
電子工程網(wǎng) © 版權所有   京ICP備16069177號 | 京公網(wǎng)安備11010502021702
快速回復 返回頂部 返回列表
午夜高清国产拍精品福利|亚洲色精品88色婷婷七月丁香|91久久精品无码一区|99久久国语露脸精品|动漫卡通亚洲综合专区48页