基于ARIMA與Elman神經(jīng)網(wǎng)絡(luò)的風速組合預測模型
1.引言
本文引用地址:http://m.butianyuan.cn/article/227066.htm近年來,能源短缺和環(huán)境問題越來越受到人們關(guān)注,新能源的開發(fā)利用越來越受到人們重視。風力發(fā)電由于風速的可再生、清潔無污染等特點成為目前世界上增長最快的可再生能源。風速預測的準確性直接關(guān)系到風電場對電力系統(tǒng)的影響,同時也為風電機組的控制提供了重要依據(jù)。因此提高風速預測的準確性,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(xiàn)實中,大多數(shù)時間序列都是非平穩(wěn)的,因此仿真建模前需對實際數(shù)據(jù)進行差分處理,雖然差分后可將數(shù)據(jù)看作是是平穩(wěn)序列,然而經(jīng)驗證可知,其中仍含有非平穩(wěn)部分,這就造成了ARIMA預測非平穩(wěn)時間序列的誤差增大。為提高風速數(shù)據(jù)中非線性部分的預測精度,本文提出了一種基于ARIMA和改進Elman神經(jīng)網(wǎng)絡(luò)組合模型對某地區(qū)風速進行預測的新方法。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個風速數(shù)據(jù)建立組合預測模型,并利用該模型預測10月1日到6日內(nèi)144個風速,取得了比較滿意的預測效果。
2.ARIMA-Elman模型原理
組合模型原理如圖1所示。對于波動性較大的風速數(shù)據(jù)而言,單一的時間序列預測具有較大的滯后,而差分后的時間序列能夠反映原始數(shù)據(jù)變化趨勢,具有一定的預知性。然后用改進Elman神經(jīng)網(wǎng)絡(luò),以ARIMA預測誤差和歷史風速1階差分序列作為網(wǎng)絡(luò)輸入,預測ARIMA模型的誤差,使非線性規(guī)律包含在改進Elman神經(jīng)網(wǎng)絡(luò)的預測結(jié)果中。最后使用ARIMA的預測結(jié)果與改進Elman神經(jīng)網(wǎng)絡(luò)的誤差預測結(jié)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
時間序列模型分為平穩(wěn)時序模型和非平穩(wěn)時序模型。平穩(wěn)時序模型包括自回歸(Auto-Regressive,AR)模型、滑動平均(MovingAverage,MA)模型和自回歸移動平均(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(shù)據(jù)的預處理
采用時間序列進行仿真預測可以大大降低預測的工作量,論文使用某一臺風機的風速數(shù)據(jù),首先對時間序列用自相關(guān)函數(shù)法檢驗平穩(wěn)性,經(jīng)1階差分后,滿足時間序列平穩(wěn)性要求,即差分階數(shù)d=1.
②模型定階與參數(shù)估計
目前常使用最佳準則函數(shù)進行定階,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(shù)估計值最大值原則來確定模型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,使殘差平方和達到最小的那組參數(shù)值即為模型參數(shù)估計值[7].
3.3 評價標準
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(jié)果進行評價,計算公式如下:
4.改進的Elman神經(jīng)網(wǎng)絡(luò)
4.1 改進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)。本文采用一種改進的Elman神經(jīng)網(wǎng)絡(luò),其非線性狀態(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去時刻記憶的強弱。
評論