基于Elman神经网络的风速时间序列预测实例

李超 姜明洋

摘  要：风速时间序列具有非线性和非平稳性的特点，传统的预测方法难以建立风速间的函数关系，因此风速时间序列的预测结果精度不高。人工神经网络所具有的强非线性拟合能力有效地解决了风速时间序列难以预测的痛点，文章选择Elman神经网络预测全国3个地区不同尺度的风速时间序列，初步探讨了神经网络风速预测的可行性。结果表明，Elman神经网络经过训练，具有时序非线性拟合的能力，但预测结果精度尚未提高。

关键词：时间序列；风速预测；Elman神经网络；预测精度

中图分类号：TP18；TK81  文献标识码：A  文章编号：2096-4706（2023）03-0066-05

An Example of Wind Speed Time Series Prediction Based on Elman Neural Network

LI Chao， JIANG Mingyang

（Xinjiang Goldwind Sci & Tech Co.， Ltd.， Hohhot  010010， China）

Abstract： The wind speed time series has the characteristics of nonlinear and non-stationary， and the traditional prediction method is difficult to establish the functional relationship between wind speeds， so the prediction accuracy of the wind speed time series is not high. The strong nonlinear fitting ability of the artificial neural network effectively solves the pain point of the difficult prediction of the wind speed time series. This paper selects the Elman neural network to predict the wind speed time series of different scales in three regions of the country， and preliminarily discusses the feasibility of the neural network wind speed prediction. The results show that Elman neural network has the ability of time series nonlinear fitting ability after training， but the accuracy of prediction results has not been improved.

Keywords： time series; wind speed prediction; Elman neural network; prediction accuracy

0  引  言

風力发电项目的总体容量在我国电力系统所占比例不断提升[1]。由于风速具有随机性、不稳定性以及季节性因素的影响大等特点，因此风力发电的实际功率也具有间歇性和波动性，由此给风力发电机组的输出功率带来较强的不确定性[2，3]。由于风电输出功率的强波动特性，在风电联网过程中节点电压急剧波动，发电机组投入频繁，进而严重影响电力系统的稳定运行[4]。准确、快速地预测风速模型以减少或避免风电场对电网的不良影响，提高风速和风电预测系统的预测精度，是风力发电系统安全稳定运行的必要前提和保证[5，6]。本文简要分析了几种预测模型的特点，根据风速时序特性，选择神经网络模型对全国三个地区不同的时间尺度进行了初步探索。

1  预测模型介绍

1.1  持久化方法

持久化方法公式如式（1）所示：

（1）

t为当前时刻，Δt为预测时间点距当前时刻t的步长，v为风速，其中基于一个共识：当前风速和近期未来风速之间存在高度相关性。即在这种方法中，当前t时风速可以认为是未来t+Δt时刻的风速。在处理非常短期的预测时，持久化方法可以显示出良好的准确性。

1.2  数值天气预报方法

数值天气预报方法数值天气预报（NWP）建立模型需要大量信息，除数值天气数据外，还涉及风电场的选址地形、周围障碍物或数字地面模拟等。这种方式在气象学中也得到了普遍应用，不需要大量的历史时间序列数据就可以得到比较准确的结论，但由于NWP采用了高维复杂的数理方程，通常必须在巨型计算机上进行，基本无法做到时间序列的超短时间和短期预测。

1.3  统计方法

统计方法需要使用历史时间序列风数据，在观察的数据量少的情况下会影响预测精度。不需要对风电场进行任何物理信息采集来建立预测模型，所需的计算资源和时间更少，主要关注风的持续特性来实现预测，但由于风所表现出的非平稳性导致统计方法的准确性不高，即统计模型不能准确地描述非线性数据统计模型。

1.4  神经网络方法

神经网络方法人工神经网络具有并行式数据处理、分布式存储和容错性强等特点，同时具备进行联想存储、非线性映射、分析与鉴别、优化设计、知识管理序列预测等的基本能力。神经网络不需要对风电场进行物理数据采集，只需通过训练找出准确的输入数据（风速及数值气象信息）与预测风速的相互作用，建立预测模型[7]。

2  人工神经网络

2.1  BP神经网络

BP（Back Propagation， BP）神经网络算法是一种非线性的数据挖掘方法。BP神经网络由信号的正向传播和误差的反向传播组成。首先是正向传播，如果输出层实际输出与期望的输出存在差，则进入误差的反向传播阶段，不断调整各层权值，在网络的正反训练学习过程中，使实际输出接近期望输出。

由于BP神经网络较强的非线性拟合能力，特别是天气预测中风速、温度等因素的处理，以及学习规则简单，便于计算机实现，因此目前大多利用BP学习算法进行神经网络训练。BP神经网络的一般网络结构如图1所示[8，9]。

BP神经网络计算主要分为两个阶段：

（1）正向过程。输入信息从输入层经隐藏层逐层计算各单元的输出值：

a1=ω11x1+ω12x2+b1                            （2）

a2=ω11x1+ω22x2+b2                            （3）

z1=φ（a1）                                   （4）

z2=φ（a2）                                   （5）

y=ω1z1+ω2z2+b                              （6）

其中，ω11…ω22為权值系数，b1，b2为偏置系数，φ（x）为激活函数。值得注意的是，激活函数通常采用非线性激活函数，而不是线性激活函数，在误差反向传播过程中，需对损失函数求偏导，调整各个权值，因此要求激活函数可导、连续。

（2）反向过程。反向处理误差使得输出层在每个层的输入层方向上传播以计算每个单元的误差，并使用该误差来校正输入层的权重和阈值，使得校正后的网络的最终输出接近期望值。由于初始权重都是随机分配的，所以如果首先计算预测结果，必然会产生预测误差，定义预测值和实际值的函数是损失函数：

（7）

其中，Y为实际值，y为预测值，现在我们的任务就是希望通过数据集，不断训练学习到一个函数使得这个损失函数最小。也就是要求minE时的ω，b参数。

神经网络根据输入x1，x2，得到输出y，可以列出下式：

（8）

（9）

欲使预测误差最小即要求得E（x）最小，使用f（x）对各个参数求偏导为0，再进行迭代，例如：

（10）

2.2  Elman神经网络

Elman神经网络算法是目前应用较多的动态型神经网络，在BP神经网络隐层和输出层之间增加了接收层结构的改进，用于隐层输出信息的存储作为隐式层的输入信号再次输入[10]。

如图2所示，Elman神经网络是由输入层、隐式层、接受层、输出层4层构成的动态反馈型神经网络。这样的网络结构能够提高对过去的数据的灵敏度[11，12]。与BP神经网络相比，Elman神经网络是经典的动态神经网络，因此用于进行风速时间序列和电力负荷预测，能够更准确地反映风速时间序列和电力负荷中的动态特性[13]。

3  案例计算与结果分析

为了验证Elman神经网络的时间序列预测性能，本文选取丰镇市、锡林郭勒盟与天津市三个地区，两种时间尺度的风速数据进行预测实验，并采用BP神经网络预测结果作为对照组。

3.1  数据归一化

由于不同量纲和单位的输入会影响到数据分析的结果，为了避免因维度的不同而导致数据的某些特征主导或消失，采用MATLAB的mapminmax归一化方法将风速数据归一化为[-1，1]区间，式（11）表示规范化的函数为：

（11）

其中，xnorm表示归一化后的数据，x表示原始数据，xmin表示数据集中最小值，xmax表示的是数据集中最大值。

3.2  预测模型构建

预测模型的建立需要前期数据处理完成后，建立神经网络的模型，网络的建立采用newff（BP神经网络）、newelm（Elman神经网络）命令，考虑到进行短期风速时间序列预测需要网络快速收敛，隐层只取一层，整个Elman神经网络由三层组成，这里输入和输出只有风速值，因此两层神经元的个数都是1，隐层神经元数N由经验公式和或组合方法确定。经验公式为：

（12）

式中：N为隐含层神经元数，m为输入层神经元数，为输出层神经元数，q为任意常数。

3.3  误差分析模型

本文的隐层神经元传递函数为tansig、purelin，对Elman神经网络进行了多次训练，风速预测结果如图3～图6所示。为了更准确地评价本次预测误差，本文引入误差平方和SSE、平均绝对误差MAE、均方误差RMSE和平均百分比误差MAPE。

（13）

（14）

（15）

（16）

3.4  算例验证

算例1：本算例选取内蒙古丰镇市Merra2中尺度再分析数据，训练集样本点时间间隔为1 h，训练样本为2018年5月份小时平均风速数据，共计744个样本点，本算例测试集为5月31日小时平均风速，共计24个预测点，预测结果如图3、4与表1所示。

算例2：本算例选取锡林郭勒盟阿巴嘎旗实测风速数据作为进行风速预测样本数据，风速样本间隔15 min，训练样本范围为2021年1月11日—2021年1月20日，样本点数为1 440，测试集2021年1月20日20：40—23：50，共计20个样本点，预测结果如图5、图6与表2所示。

算例3：本算例选取天津市滨海新区测风塔实测风速数据作为进行预测样本数据，风速样本间隔15 min，训练样本范围为2017年5月1日—2016年5月10日，样本点数为1 440，测试集范围为2016年5月10日20：40—23：50，共计20个样本点，预测结果如图7、图8与表3所示。

4  结  论

针对风速与风功率时间序列预测方法很多，其中包括自回归移动平均法、支持向量机、机器学习法等。其中机器学习方法中的人工神经网络方法逐渐形成为热门方法。已有大量研究表明，神经网络方法更容易拟合非线性数据。

因Elman神经网络与常规误差反向传播神经网络模型相比在隐含层处多了状态承接层，使神经网络对历史状态的数据具有敏感性，相比BP神经网络Elman神经网络更适用于因此用它进行风速时间序列与电力负荷预测。本文选用Elman神经网络模型对丰镇市、锡林郭勒盟、天津市三个地区的中尺度在分析数据，实测数据进行风速数据的中期与超短期预测，并以BP神经网络模型作为对照。预测结果说明了两种神经网络模型尤其是Elman神经网络在风速时间序列预測的可行性。

Elman神经网络与BP神经网络预测结果精度明显更有优，曲线拟合相关性也更高，两种神经网络对预测曲线极值点的捕捉存在着不足，预测精度也有待提高，Elman与BP神经网络在风速时间序列预测方面表现欠佳主要有如下两方面原因：

（1）输入变量过于单一，有多重因素可以影响风速：风向、气压、温度等，这些因素对风速的影响是综合的，仅考虑单一变量输入势必会降低预测精度。

（2）BP、Elman等神经网络在各个连接权值调整步骤中都使用了梯度下降法，此方式会产生训练速度慢和易陷入局部极小点的缺陷，对神经网络的培训也较难实现全局最优化。

因此提高神经网络的预测精度与普适性仍有研究前景。今后可以从增加输入变量并研究各变量间相互影响以及输入变量的预处理方面着手，以提高神经网络模型在时间序列预测方面精度。

参考文献：

[1] 张群，唐振浩，王恭，等.基于长短时记忆网络的超短期风功率预测模型 [J].太阳能学报，2021，42（10）：275-281.

[2] 曲宗希.风速组合预测策略中若干难点问题研究 [D].兰州：兰州大学，2019.

[3] MISHRA S P，DASH P K. Short term wind speed prediction using multiple kernel pseudo inverse neural network [J].International Journal of Automation and Computing，2018，15（1）：66-83.

[4] 李岁寒.基于风电场历史数据的短期风速及风功率预测研究 [D].兰州：兰州理工大学，2020.

[5] 刘海南，蔺红.考虑风电波动性的源荷优化调度策略 [J].水电能源科学，2021，39（9）：210-214.

[6] 韩韫洲.风力发电功率预测的技术进展与展望 [J].电力设备管理，2021（9）：130-132.

[7] 张泰豪，殷锋，袁平.风速及风功率预测方法综述 [J].现代计算机，2021（8）：45-48.

[8] 袁曾任.人工神经元网络及其应用 [M].北京：清华大学出版社，1999.

[9] 李海玲.基于BP神经网络的风功率预测 [J].现代信息科技，2021，5（15）：119-121+124.

[10] 张淑清，杨振宁，张立国，等.基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测 [J].仪器仪表学报，2019，40（7）：47-54.

[11] 林春燕，朱东华.基于Elman神经网络的股票价格预测研究 [J].计算机应用，2006（2）：476-477+484.

[12] ZHANG Y，WANG X P，TANG H M. An improved elman neural network with piecewise weighted gradient for time series prediction [J].Neurocomputing，2019，359（C）：199-208.

[13] 李琛，郭文利，吴进，等.基于BP神经网络的北京夏季日最大电力负荷预测方法 [J].气候与环境研究，2019，24（1）：135-142.

作者简介：李超（1994—），男，汉族，内蒙古呼和浩特人，高级风资源工程师，学士学位，研究方向：新能源科学与工程。

收稿日期：2022-10-04