|
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。 |
