基于ARIMA與Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)速組合預(yù)測(cè)模型
1.引言
本文引用地址:http://m.butianyuan.cn/article/227066.htm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(zhǎng)最快的可再生能源。風(fēng)速預(yù)測(cè)的準(zhǔn)確性直接關(guān)系到風(fēng)電場(chǎng)對(duì)電力系統(tǒng)的影響,同時(shí)也為風(fēng)電機(jī)組的控制提供了重要依據(jù)。因此提高風(fēng)速預(yù)測(cè)的準(zhǔn)確性,對(duì)于增加電網(wǎng)的可靠性、提高經(jīng)濟(jì)效益有很重要的意義。
在現(xiàn)實(shí)中,大多數(shù)時(shí)間序列都是非平穩(wěn)的,因此仿真建模前需對(duì)實(shí)際數(shù)據(jù)進(jìn)行差分處理,雖然差分后可將數(shù)據(jù)看作是是平穩(wěn)序列,然而經(jīng)驗(yàn)證可知,其中仍含有非平穩(wěn)部分,這就造成了ARIMA預(yù)測(cè)非平穩(wěn)時(shí)間序列的誤差增大。為提高風(fēng)速數(shù)據(jù)中非線性部分的預(yù)測(cè)精度,本文提出了一種基于ARIMA和改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)組合模型對(duì)某地區(qū)風(fēng)速進(jìn)行預(yù)測(cè)的新方法。ARIMA模型用于描述歷史數(shù)據(jù)的線性關(guān)系,改進(jìn)的神經(jīng)網(wǎng)絡(luò)模擬數(shù)據(jù)的非線性規(guī)律。
本文采用2009年9月的720個(gè)風(fēng)速數(shù)據(jù)建立組合預(yù)測(cè)模型,并利用該模型預(yù)測(cè)10月1日到6日內(nèi)144個(gè)風(fēng)速,取得了比較滿意的預(yù)測(cè)效果。
2.ARIMA-Elman模型原理
組合模型原理如圖1所示。對(duì)于波動(dòng)性較大的風(fēng)速數(shù)據(jù)而言,單一的時(shí)間序列預(yù)測(cè)具有較大的滯后,而差分后的時(shí)間序列能夠反映原始數(shù)據(jù)變化趨勢(shì),具有一定的預(yù)知性。然后用改進(jìn)Elman神經(jīng)網(wǎng)絡(luò),以ARIMA預(yù)測(cè)誤差和歷史風(fēng)速1階差分序列作為網(wǎng)絡(luò)輸入,預(yù)測(cè)ARIMA模型的誤差,使非線性規(guī)律包含在改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果中。最后使用ARIMA的預(yù)測(cè)結(jié)果與改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的誤差預(yù)測(cè)結(jié)果相疊加得到組合預(yù)測(cè)模型的預(yù)測(cè)值。
3.ARIMA模型
3.1 模型的概念
時(shí)間序列模型分為平穩(wěn)時(shí)序模型和非平穩(wěn)時(shí)序模型。平穩(wěn)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(wěn)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(dá)式記為:
3.2 模型建立
①數(shù)據(jù)的預(yù)處理
采用時(shí)間序列進(jìn)行仿真預(yù)測(cè)可以大大降低預(yù)測(cè)的工作量,論文使用某一臺(tái)風(fēng)機(jī)的風(fēng)速數(shù)據(jù),首先對(duì)時(shí)間序列用自相關(guān)函數(shù)法檢驗(yàn)平穩(wěn)性,經(jīng)1階差分后,滿足時(shí)間序列平穩(wěn)性要求,即差分階數(shù)d=1.
②模型定階與參數(shù)估計(jì)
目前常使用最佳準(zhǔn)則函數(shù)進(jìn)行定階,其包括最小FPE、AIC和SBC準(zhǔn)則。本文采用AIC準(zhǔn)則,即最小信息量準(zhǔn)則,利用似然函數(shù)估計(jì)值最大值原則來(lái)確定模型p、q階數(shù)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(dá)到最小的那組參數(shù)值即為模型參數(shù)估計(jì)值[7].
3.3 評(píng)價(jià)標(biāo)準(zhǔn)
本文采用平均絕對(duì)百分比誤差(MAPE)、平方和誤差(SSE)以及均方根誤差(RMSE)對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià),計(jì)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),其非線性狀態(tài)空間表達(dá)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(duì)過(guò)去時(shí)刻記憶的強(qiáng)弱。
評(píng)論