[发明专利]一种ARIMA与改进Elman神经网络组合的风电功率预测方法

权利要求书

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，d，q)模型对该风机的输出功率进行预测，记作功率预测序列{P_f}。

3.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2使用改进Elman神经网络模型预测风功率的方法如下：

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；

S2.2：所述Elman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；

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。

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；

S2.5：所述遗传算法的参数设置如下：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；

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；

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。