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:
评论0