基于ARIMA与Elman神经网络的风速组合预测模型_Elmanneuralnetwork - CSDN文库

60 浏览量更新于2023-05-04 评论 5 收藏 263KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

基于基于ARIMA与与Elman神经网络的风速组合预测模型神经网络的风速组合预测模型

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。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

　　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神经网络修正神经网络修正

ARIMA模型预测结果的短期风速组合预测模型。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。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。

　　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。

　　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。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

　　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

（MovingAverage,MA）模型和自回归移动平均（Auto-Regressive and Moving Average,ARMA）模型。工程上常用的非平稳

模型是差分自回归移动平均（Autoregressive Integrated MovingAverage,ARIMA）模型。其中ARIMA（p,d,q）模型的表达式

记为：

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余3页未读，立即下载

评论0

weixin_38651273

粉丝: 0
资源: 969

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈