色偷偷偷久久伊人大杳蕉,色爽交视频免费观看,欧美扒开腿做爽爽爽a片,欧美孕交alscan巨交xxx,日日碰狠狠躁久久躁蜜桃

x
x

基于ARIMA與Elman神經(jīng)網(wǎng)絡的風速組合預測模型

發(fā)布時間:2015-7-10 12:12    發(fā)布者:designapp
1.引言

近年來,能源短缺和環(huán)境問題越來越受到人們關注,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)的線性關系,改進的神經(jīng)網(wǎng)絡模擬數(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,以ARIMA預測誤差和歷史風速1階差分序列作為網(wǎng)絡輸入,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

4.1 改進Elman神經(jīng)網(wǎng)絡原理

Elman神經(jīng)網(wǎng)絡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。本文采用一種改進的Elman神經(jīng)網(wǎng)絡,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。



4.2 網(wǎng)絡結(jié)構的設計

已證明,若Elman神經(jīng)網(wǎng)絡隱含層數(shù)為1,且采用S型轉(zhuǎn)換函數(shù),則該網(wǎng)絡能夠以任意精度逼近任意有理函數(shù),故本文將網(wǎng)絡結(jié)構設計為3層。

ARIMA(2,1,1)模型對9月1日到9月30日內(nèi)的720個風速數(shù)據(jù)進行預測得到預測誤差,以歸一化后誤差數(shù)據(jù)的前4個和實測風速一階差分值的第3個作為網(wǎng)絡輸入,以誤差數(shù)據(jù)的第5個作為網(wǎng)絡輸出,依次傳遞,組成樣本數(shù)據(jù)對網(wǎng)絡進行訓練。
        
5.實例仿真

5.1 ARIMA模型初步預測

本文采用的是某風電場的風速歷史數(shù)據(jù)進行實際預測,采用9月1日到9月30日內(nèi)720個風速值進行建模,10月1日到6日內(nèi)144個風速值進行驗證。

利用ARIMA(2,1,1)模型對數(shù)據(jù)進行預測,提前1小時預測結(jié)果如圖3所示,預測效果評價如表1所示。



圖3中,實測風速的劇烈波動性一定程度上影響了ARIMA模型預測精度,并且預測曲線滯后于實測風速曲線。



5.2 改進Elman神經(jīng)網(wǎng)絡修正誤差

訓練得到神經(jīng)網(wǎng)絡模型,對10月1日至10月6日144個測試樣本數(shù)據(jù)歸一化后進行預測,得到ARIMA預測誤差,并與ARIMA模型預測值相加,得到修正后的預測值,如圖4所示。誤差預測結(jié)果如表2所示。





5.3 結(jié)果分析

通過對以上結(jié)果分析,可以得到以下結(jié)論:

(1)風速的1階差分序列,代表風速的變化趨勢,由圖4、表1,以差分數(shù)據(jù)作為網(wǎng)絡輸入,利用改進Elman神經(jīng)網(wǎng)絡修正ARIMA模型預測誤差,能夠較好的減小預測滯后性,提高預測精度。

(2)用BP神經(jīng)網(wǎng)絡替代組合模型中Elman網(wǎng)絡的預測效果見表1,表2.改進的Elman神經(jīng)網(wǎng)絡預測精度要比ARIMA-BP模型高,且訓練速度提高30%以上。

6.結(jié)束語

本文將改進的Elman神經(jīng)網(wǎng)絡應用到風速時間序列預測的研究中,建立ARIMA-ELMAN組合預測模型,既描述了風速歷史數(shù)據(jù)的線性規(guī)律,又描述了風速歷史數(shù)據(jù)中的非線性規(guī)律,結(jié)果表明比單一使用ARIMA模型預測精度高、誤差小;與ARIMA-BP模型相比,訓練時間短,效率高。該預測模型在風速預測上具有良好的適用性,對進一步解決實際工程問題具有一定的參考價值。
本文地址:http://www.54549.cn/thread-151314-1-1.html     【打印本頁】

本站部分文章為轉(zhuǎn)載或網(wǎng)友發(fā)布,目的在于傳遞和分享信息,并不代表本網(wǎng)贊同其觀點和對其真實性負責;文章版權歸原作者及原出處所有,如涉及作品內(nèi)容、版權和其它問題,我們將根據(jù)著作權人的要求,第一時間更正或刪除。
您需要登錄后才可以發(fā)表評論 登錄 | 立即注冊

關于我們  -  服務條款  -  使用指南  -  站點地圖  -  友情鏈接  -  聯(lián)系我們
電子工程網(wǎng) © 版權所有   京ICP備16069177號 | 京公網(wǎng)安備11010502021702
快速回復 返回頂部 返回列表