基于ARIMA與Elman神經網絡的短期風速組合預測方法

【摘要】近年來研究表明，組合預測方法比單一預測具有更高的預測精度。提出了一種利用改進的Elman神經網絡修正ARIMA模型預測結果的短期風速組合預測模型。先利用ARIMA模型對風速進行預測，其線性規(guī)律信息包含在時間序列預測結果中，非線性規(guī)律包含在預測誤差中。再將ARIMA模型的預測誤差及歷史風速一階差分序列作為改進的Elman神經網絡輸入變量，將ARIMA模型的風速預測誤差作為輸出變量。最后將ARIMA模型預測結果與Elman神經網絡的誤差預測結果疊加，得到最終修正后的預測風速。分析結果表明，該方法與單一ARIMA方法及其他組合方法相比，預測滯后性更小，預測精度更高，在風速預測領域具有較好的應用前景。

【關鍵詞】時間序列；ARIMA；Elman神經網絡；風速預測；預測模型

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。因此提高風速預測的準確性，對于增加電網的可靠性、提高經濟效益有很重要的意義[1-4]。

在現實中，大多數時間序列都是非平穩(wěn)的，因此仿真建模前需對實際數據進行差分處理，雖然差分后可將數據看作是是平穩(wěn)序列，然而經驗證可知，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。為提高風速數據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神經網絡[5]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據的線性關系，改進的神經網絡模擬數據的非線性規(guī)律。本文采用2009年9月的720個風速數據建立組合預測模型，并利用該模型預測10月1日到6日內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據而言，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據變化趨勢，具有一定的預知性。然后用改進Elman神經網絡，以ARIMA預測誤差和歷史風速1階差分序列作為網絡輸入，預測ARIMA模型的誤差，使非線性規(guī)律包含在改進Elman神經網絡的預測結果中。最后使用ARIMA的預測結果與改進Elman神經網絡的誤差預測結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[6]

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（Moving Average，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 Moving Average，ARIMA）模型。其中ARIMA（p，d，q）模型的表達式記為：

為時間序列，B為一步延遲算子，對于任意n，有，為白噪聲序列，、為模型待估參數。

3.2 模型建立

①數據的預處理

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據，首先對時間序列用自相關函數法檢驗平穩(wěn)性，經1階差分后，滿足時間序列平穩(wěn)性要求，即差分階數d=1。

②模型定階與參數估計

目前常使用最佳準則函數進行定階，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，利用似然函數估計值最大值原則來確定模型p、q階數分別為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值即為模型參數估計值[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）對預測結果進行評價，計算公式如下：

4.改進的Elman神經網絡[5]

4.1 改進Elman神經網絡原理

Elman神經網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絡。本文采用一種改進的Elman神經網絡，其非線性狀態(tài)空間表達式為：

式中，y——輸出向量；u——輸入向量；x——隱含層節(jié)點向量；——反饋狀態(tài)向量；——承接層到隱含層權值；——輸入層到隱含層權值；——隱含層到輸入層權值；——延遲算子增益；——隱含層神經元、輸出神經元傳遞函數。

如圖2所示，在承接層部分引入前一時刻值，B為一步延遲算子，其增益用表示，其大小反映承接層對過去時刻記憶的強弱。

4.2 網絡結構的設計

已證明，若Elman神經網絡隱含層數為1，且采用S型轉換函數，則該網絡能夠以任意精度逼近任意有理函數，故本文將網絡結構設計為3層。

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

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據進行實際預測，采用9月1日到9月30日內720個風速值進行建模，10月1日到6日內144個風速值進行驗證。

利用ARIMA（2，1，1）模型對數據進行預測，提前1小時預測結果如圖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[8]。

5.2 改進Elman神經網絡修正誤差

訓練得到神經網絡模型，對10月1日至10月6日144個測試樣本數據歸一化后進行預測，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。誤差預測結果如表2所示。

5.3 結果分析

通過對以上結果分析，可以得到以下結論：

（1）風速的1階差分序列，代表風速的變化趨勢，由圖4、表1，以差分數據作為網絡輸入，利用改進Elman神經網絡修正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神經網絡替代組合模型中Elman網絡的預測效果見表1，表2。改進的Elman神經網絡預測精度要比ARIMA-BP模型高，且訓練速度提高30%以上[9]。

6.結束語

本文將改進的Elman神經網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據的線性規(guī)律，又描述了風速歷史數據中的非線性規(guī)律，結果表明比單一使用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[10]。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。

參考文獻

[1]Bernhard L，Kurt R，Bernhard E，et al.Wind power prediction in Germany-recent advances and future challenges[C].European Wind Energy Conference，Athens，2006.

[2]楊秀媛，肖洋，陳樹勇.風電場風速和發(fā)電功率預測研究[J].中國電機工程學報，2005，5（11）：1-5.

[3]張新，徐大平，呂躍剛，等.風力發(fā)電技術的發(fā)展及若干問題[J].現代電力，2003，20（5）：33-38.

[4]常太華，王璐，馬巍.基于AR、ARIMA模型的風速預測[J].華東電力，2010（1）：66-69.

[5]張超，常太華，劉歡，等.基于改進Elman神經網絡的風速預測[J].華東電力，2012，40（8）：1412-1414.

[6]高鐵梅.計量經濟分析方法與建模EViews應用及實例[M].北京：清華大學出版社，2006.

[7]Torres J L，Garcia A，De Blas M，et al.Forecast of hourly average wind speed with ARMA models in Navarre（Spain）[J].Solar Energy，2005，79（1）：65-77.

[8]潘迪夫，劉輝，李燕飛.基于時間序列分析和卡爾曼濾波算法的風電場風速預測優(yōu)化模型[J].電網技術，2008（7）：86-90.

[9]張吉剛，梁娜.基于ARIMA-ANN的時間序列組合預測模型[J].三峽大學學報（自然科學版），2008（4）：90-92+113.

[10]Lei M，Shiyan L，Chuanwen J，et al.A review on the forecasting of wind speed and generated power[J].Renewable and Sustainable Energy Reviews，2009，13（4）：915-920.

基金項目：國家自然科學基金重點項目（項目編號：51036002）。

作者簡介：張江昆（1987—），男，碩士研究生，研究方向：風電場風速預測。