基于ARIMA与Elman神经网络的风速组合预测模型（2） 表达式, 模型, 网络, 空间

yuyang911220

4.改进的Elman神经网络

4.1 改进Elman神经网络原理

Elman神经网络是一种具有局部记忆单元和局部反馈连接的前向反馈网络。本文采用一种改进的Elman神经网络，其非线性状态空间表达式为：


如图2所示，在承接层部分引入前一时刻c x值，B为一步延迟算子，其增益用λ表示，其大小反映承接层对过去时刻记忆的强弱。


4.2 网络结构的设计

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。

ARIMA(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

5.1 ARIMA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。


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。


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。



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。