一种ARIMA与改进Elman神经网络组合的风电功率预测方法技术

本发明专利技术公开了一种ARIMA与改进Elman神经网络组合的风电功率预测方法，该组合模型将ARIMA模型和改进Elman神经网络模型相结合，进行短期风电功率的预测。其中，ARIMA模型考虑风电功率时序数据的线性行为，Elman神经网络模型考虑其非线性行为，借助遗传算（GA）来训练优化Elman网络的权值和阈值。首先将风电功率数据输入到ARIMA模型中进行初步预测，然后将ARIMA模型的预测结果输入到改进的Elman模型中再次进行预测，组合模型最终预测结果的误差小于ARIMA和Elman各自单一模型的预测误差。本发明专利技术所提出的方法建模过程简单，能快速有效地对风电功率进行预测，对风电并网情况下电力系统的安全和调度运行具有重要意义。统的安全和调度运行具有重要意义。统的安全和调度运行具有重要意义。

【技术实现步骤摘要】
一种ARIMA与改进Elman神经网络组合的风电功率预测方法


[0001]本专利技术属于风电功率预测
，特别是一种ARIMA与改进Elman神经网络组合的风电功率预测方法。

技术介绍

[0002]全球范围内煤、石油、天然气等化石燃料被大量使用且日益枯竭的同时，也给人类生活带来了雾霾、酸雨和温室效应等严重的环境污染问题。日益深入人心的可持续发展理念要求各国不遗余力地发展可再生能源发电技术，风力发电也成为可再生能源发电技术中发展最快和最为成熟的一种，风力发电装机容量快速增加，实现大规模并网。
[0003]但是，受自然风的影响，风电场输出功率是波动的、随机的、间歇的，并网后会降低电力系统的安全性和稳定性，这是制约风电场发展的关键原因。为实际解决上述存在的问题，需要对风电功率进行短期预测。很多国内外学者对风电功率短期预测进行了大量的研究，但是当下准确、快速、高效的风电功率短期预测仍是亟待解决的重点问题之一。
[0004]目前，风电功率短期预测的方法主要有物理法、统计法和人工智能法。物理法因依赖于精度较高的数值天气预报结果和复杂的建模计算，不太适用于风电功率短期预测。统计法和人工智能法均能进行预测，但是各自单独的预测精度不是很高，需要寻求更精确的风电功率预测方法来进一步提高风电功率的预测精度。

技术实现思路

[0005]本明发的主要目的在于针对上述风电预测领域的问题，提出一种ARIMA与改进Elman神经网络组合的风电功率预测方法。
[0006]实现本专利技术目的的技术解决方案为：一种ARIMA与改进Elman神经网络组合的风电功率预测方法，包括：
[0007]步骤1：获取的历史风电功率使用ARIMA模型进行短期预测，得到短期预测功率序列。
[0008]步骤2：获取的历史风电功率使用改进Elman神经网络模型进行短期预测，得到短期预测功率序列。
[0009]步骤3：将ARIMA模型的预测结果输入到改进Elman模型中再次进行预测，借助遗传算法(GA)来训练优化Elman网络的权值和阈值，输出最终的风功率预测值，完成风功率的组合预测。
[0010]步骤1所述ARIMA模型对风功率进行预测的步骤如下：
[0011]S1.1：选取和确定风功率样本数据，组成相应的历史功率时间序列，记作{P
t
}，对序列{P
t
}进行绘图，初步观测是否为平稳序列。
[0012]S1.2：计算{P
t
}的自相关和偏自相关函数值，并绘制相对应的自相关函数图(ACF)和偏自相关函数图(PACF)，然后依据ACF和PACF进一步判断序列{P
t
}的平稳性。
[0013]S1.3：若序列{P
t
}非平稳，需进行d阶差分运算，化为平稳时间序列{ΔP
t
}，对差分
序列{ΔP
t
}平稳性的判断参照步骤S2。
[0014]S1.4：分析平稳序列{ΔP
t
}的自相关和偏自相关函数图的显著性，结合贝叶斯信息准则(BIC)和赤池信息量准则(AIC)定阶准则，得到模型的自回归项系数p和移动平均项系数q。
[0015]S1.5：参数估计，利用最小二乘法对各模型的参数进行拟合，求得各个参数的估计值。
[0016]S1.6：模型检验，判断各拟合模型的残差序列是否为白噪声序列，若是，则模型检验有效，进入步骤S7；若不是，则转入步骤S4。
[0017]S1.7：参照所述步骤S1.1-S1.6的分析和计算，最终可以确定风功率序列ARIMA预测的数学模型为：
[0018][0019]其中，X
t
是样本值，B为滞后算子，是自回归系数，θ1,θ2,
···
θ
q
是移动平均系数，ε
t
是平稳白噪声，简记为ARIMA(p,d,q)。
[0020]S1.8：通过所述步骤S7中的ARIMA(p,d,q)模型对该风机的输出功率进行预测，计作功率预测序列{P
f
}。
[0021]步骤2所述改进Elman神经网络模型预测风功率的步骤如下：
[0022]S2.1：所述风电功率原始序列{P
t
}作为改进Elman神经网络预测模型的建模样本。
[0023]S2.2：所述E1man神经网络采用traingdx函数作为的训练算法，采用learngdm函数作为学习函数，采用purelin函数作为输出神经元的传递函数，采用常用的tansig函数为中间层神经元的传递函数。
[0024]S2.3：所述的改进Elman神经网络，包括采用遗传算法(GA)对Elman神经网络的连接权值和各层阈值进行优化选择。
[0025]S2.4：所述遗传算法用来优化Elman神经网络输入层到隐含层、隐含层到输出层和隐含层到承接层的连接权值，以及隐含层和输出层的阀值。
[0026]S2.5：所述遗传算法的主要参数设置如下：初始种群大小设置为80，选择概率为0.05，交叉概率设置为0.3，变异概率设置为0.06，遗传迭代次数设置为500代。
[0027]S2.6：所述改进Elman神经网络的主要初始参数设置如下：训练次数设置为3000次，动量系数设为0.6，学习率设置为0.1，训练误差设置为0.01。
[0028]S2.7：经过若干代遗传进化，获得优化后的Elman神经网络的权值和阈值；进一步经过若干次训练后达到训练目标，输出风电功率预测值。
[0029]步骤3所述组合模型预测风功率的步骤如下：
[0030]S3.1：将所述风电功率原始序列{P
t
}以及ARIMA模型预测功率序列{P
f
}，作为改进Elman神经网络预测模型的建模样本。
[0031]S3.2：按照权利要求3中的步骤S2.2-S2.7，对风电功率进行最终预测。
[0032]所述组合模型风功率预测中，预测结果的平均绝对百分比误差(MAPE)采用如下计算方法。
[0033][0034]其中，N为数据总数；P
f
为预测功率数据；P
a
为实际功率数据；i是序号。
[0035]本专利技术与现有方法相比，其显著优点为：
[0036](1)ARIMA法在处理时间序列数据方面应用较为广泛，建模简单，只需要内生变量而不需要借助其他外生变量，对稳定线性数据的预测有较大优势。
[0037](2)Elman神经网具有适应时变特性，能以任意精度逼近任意非线性映射，利用遗传算法(GA)对其进行改进，有利于网络对权值和阈值的优化选择。
[0038](3)本专利技术融合了ARIMA模型的线性预测能力和改进Elman神经网络的非线性预测能力，建模思路具有一定的优越性，可以取得较好的短期风电功率预测效果，预测精度有所提高。
附图说明
[0039本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种ARIMA与改进Elman神经网络组合的风电功率预测方法，其特征在于，包括以下步骤：步骤1：使用ARIMA模型对获取的历史风电功率进行短期预测，得到短期预测功率序列；步骤2：使用改进Elman神经网络模型对获取的历史风电功率进行短期预测，得到短期预测功率序列；步骤3：将ARIMA模型的预测结果输入到改进Elman模型中再次进行预测，利用遗传算法GA训练优化Elman网络的权值和阈值，输出最终的风功率预测值，完成风功率的组合预测。2.根据权利要求1所述的ARIMA与改进Elman神经网络组合的风电功率预测方法，其特征在于，所述步骤1使用ARIMA模型预测风功率的方法如下：S1.1：选取一定时间段内的风功率样本数据，组成相应的历史功率时间序列，记作{P
t
}，对序列{P
t
}进行绘图，初步确定是否为平稳序列；S1.2：计算{P
t
}的自相关和偏自相关函数值，并绘制相对应的自相关函数图(ACF)和偏自相关函数图(PACF)，然后依据ACF和PACF进一步判断序列{P
t
}的平稳性；S1.3：若序列{Pt}非平稳，需进行d阶差分运算，化为平稳时间序列{ΔP
t
}，对差分序列{ΔP
t
}平稳性的判断参照步骤S2。S1.4：分析平稳序列{ΔP
t
}的自相关和偏自相关函数图的显著性，结合贝叶斯信息准则BIC和赤池信息量准则AIC定阶准则，得到模型的自回归项系数p和移动平均项系数q；S1.5：参数估计，利用最小二乘法对各模型的参数进行拟合，求得各个参数的估计值；S1.6：模型检验，判断各拟合模型的残差序列是否为白噪声序列，若是，则模型检验有效，进入步骤S7；若不是，则转入步骤S4；S1.7：参照所述步骤S1.1-S1.6的分析和计算，最终确定风功率序列ARIMA预测的数学模型为：其中，X
t
是样本值，B为滞后算子，是自回归系数，θ1，θ2，
…
θ
q
是移动平均系数，ε
t
是平稳白噪声，简记为ARIMA(p，d，q)；S1.8：通过所述步骤S1.7中的ARIMA(p，...

【专利技术属性】
技术研发人员：曹权，李双明，李岩，刘辉，曹树新，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：