基于ARIMA与Elman神经网络短期风速组合预测方法.docVIP

基于ARIMA与Elman神经网络短期风速组合预测方法 　　【摘要】近年来研究表明，组合预测方法比单一预测具有更高的预测精度。提出了一种利用改进的Elman神经网络修正ARIMA模型预测结果的短期风速组合预测模型。先利用ARIMA模型对风速进行预测，其线性规律信息包含在时间序列预测结果中，非线性规律包含在预测误差中。再将ARIMA模型的预测误差及历史风速一阶差分序列作为改进的Elman神经网络输入变量，将ARIMA模型的风速预测误差作为输出变量。最后将ARIMA模型预测结果与Elman神经网络的误差预测结果叠加，得到最终修正后的预测风速。分析结果表明，该方法与单一ARIMA方法及其他组合方法相比，预测滞后性更小，预测精度更高，在风速预测领域具有较好的应用前景。 　　【关键词】时间序列；ARIMA；Elman神经网络；风速预测；预测模型 　　1.引言 　　近年来，能源短缺和环境问题越来越受到人们关注，新能源的开发利用越来越受到人们重视。风力发电由于风速的可再生、清洁无污染等特点成为目前世界上增长最快的可再生能源。风速预测的准确性直接关系到风电场对电力系统的影响，同时也为风电机组的控制提供了重要依据。因此提高风速预测的准确性，对于增加电网的可靠性、提高经济效益有很重要的意义[1-4]。 　　在现实中，大多数时间序列都是非平稳的，因此仿真建模前需对实际数据进行差分处理，虽然差分后可将数据看作是是平稳序列，然而经验证可知，其中仍含有非平稳部分，这就造成了ARIMA预测非平稳时间序列的误差增大。为提高风速数据中非线性部分的预测精度，本文提出了一种基于ARIMA和改进Elman神经网络[5]组合模型对某地区风速进行预测的新方法。ARIMA模型用于描述历史数据的线性关系，改进的神经网络模拟数据的非线性规律。本文采用2009年9月的720个风速数据建立组合预测模型，并利用该模型预测10月1日到6日内144个风速，取得了比较满意的预测效果。 　　2.ARIMA-Elman模型原理 　　组合模型原理如图1所示。对于波动性较大的风速数据而言，单一的时间序列预测具有较大的滞后，而差分后的时间序列能够反映原始数据变化趋势，具有一定的预知性。然后用改进Elman神经网络，以ARIMA预测误差和历史风速1阶差分序列作为网络输入，预测ARIMA模型的误差，使非线性规律包含在改进Elman神经网络的预测结果中。最后使用ARIMA的预测结果与改进Elman神经网络的误差预测结果相叠加得到组合预测模型的预测值。 　　3.ARIMA模型 　　3.1 模型的概念[6] 　　时间序列模型分为平稳时序模型和非平稳时序模型。平稳时序模型包括自回归（Auto-Regressive，AR）模型、滑动平均（Moving Average，MA）模型和自回归移动平均（Auto-Regressive and Moving Average，ARMA）模型。工程上最常用的非平稳模型是差分自回归移动平均（Autoregressive Integrated Moving Average，ARIMA）模型。其中ARIMA（p，d，q）模型的表达式记为： 　　为时间序列，B为一步延迟算子，对于任意n，有，为白噪声序列，、为模型待估参数。 　　3.2 模型建立 　　①数据的预处理 　　采用时间序列进行仿真预测可以大大降低预测的工作量，论文使用某一台风机的风速数据，首先对时间序列用自相关函数法检验平稳性，经1阶差分后，满足时间序列平稳性要求，即差分阶数d=1。 　　②模型定阶与参数估计 　　目前常使用最佳准则函数进行定阶，其包括最小FPE、AIC和SBC准则。本文采用AIC准则，即最小信息量准则，利用似然函数估计值最???值原则来确定模型p、q阶数分别为2、1，即ARIMA（2，1，1）。模型定阶后，利用最小二乘法，使残差平方和达到最小的那组参数值即为模型参数估计值[7]。 　　3.3 评价标准 　　本文采用平均绝对百分比误差（MAPE）、平方和误差（SSE）以及均方根误差（RMSE）对预测结果进行评价，计算公式如下： 　　4.改进的Elman神经网络[5] 　　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： 　　式中，y——输出向量；u——输入向量；x——隐含层节点向量；——反馈状态向量；——承接层到隐含层权值；——输入层到隐含层权值；——隐含层到输入层权值；——延迟算子增益；——隐含层神经元、输出神经元传递函数。 　　如图2所示，在承接层部分引入前一时刻值，B为一步延迟算子，其增益用表示，其大小反映承接层对过去时刻记忆的强弱