【基于Elman神經網絡的風電功率預測算法實現分析案例2300字】

[26]指出，

Kolmogorov定理可以作為一個參考對象來了解，這個定理指出，如果存在一個連續函數f(x)，那么可以選用一個三層的神經網絡來精確逼近。如果網絡的輸入層神經元數目為n個，那么隱含層神經元數目m=2n+1。1.2.2仿真分析圖4-1為Elman訓練19900組數據的數據畫圖，圖4-2為網絡風功率測試數據預測畫圖。如圖4-3所示，預測數據雖然與真實數據有所偏差，但總體數據結果與真實數據偏差不大。圖4-119900組數據訓練數據圖圖4-219900組數據測試樣本預測圖誤差曲線圖如下：圖4-319900組數據誤差曲線圖如圖4-3所示，Elman神經網絡的預測相對誤差大約在-4000——2250之間，計算之后大約在-1.8%——2.5%之間。預測結果比較理想，但第三章提到，氣溫、濕度、壓強等因素也會對預測的結果造成影響。具體會有什么影響，不妨把某個因素去掉之后進行訓練，觀察預測結果會如何發生變化。首先把壓強這一列的數據刪除之后，再次進行仿真，觀測結果是否有變化。仿真結果如下圖所示：圖4-4去掉壓強列數據后訓練數據圖圖4-5去掉壓強列數據后測試樣本圖圖4-6去掉壓強列數據后誤差曲線分析圖4-4、圖4-5、圖4-6三張圖，可以得出初步結論。當去掉風電數據表中壓強這一列數據時，誤差幅度變為-5000——3400，誤差增長了大概2150左右。所以，壓強、風速、空氣濕度等因素也是風電功率預測中重要的不可或缺的環節。上述仿真是對二萬組數據中19900數據進行訓練仿真，第三章提到，歷史數據量的大小也會對預測結果造成一定影響。具體會有什么不同，下面對10000組、5000組數據分別進行訓練，觀測結果有何不同。對10000組風力發電數據進行仿真如下：圖4-710000組數據訓練數據圖圖4-810000數據測試樣本預測圖圖4-910000組數據誤差曲線圖如圖4-7、4-8、4-9所示，當訓練數據為10000組數據時，誤差范圍為-2100——2000左右。相較于19900組數時，盡管誤差范圍有所收斂，但預測的范圍也隨之縮小了很多，不具有權威性。為了驗證繼續減少訓練數據量后，是否會持續這種趨勢，下面對5000組風電數據進行仿真，結果如下：圖4-105000組數據訓練數據圖圖4-115000數據測試樣本預測圖圖4-125000組數據誤差曲線圖如圖4-10、4-11、4-12所示，當訓練數據來到5000組時，誤差范圍再次變為了-3400——6700。誤差明顯增大，所以只有訓練數據越多時，預測結果才會越接近理想值。1.3基于BP神經網絡的風電功率預測第三章時分析了BP神經網絡與Elman神經網絡的相同點與不同點，所以當風電數據同樣訓練19900組數據時，BP神經網絡訓練結果與Elman的差距，通過MATLAB仿真觀測結果。BP神經網絡訓練結果如下：圖4-13BP神經網絡訓練數據圖圖4-14BP神經網絡測試樣本圖圖4-15BP神經網絡誤差曲線圖如圖4-13、4-14、4-15所示，同樣的數據條件下，BP神經網絡的誤差幅度大概在-5100——2000左右。綜上，可以對兩種神經網絡的效果做一下對比。BP神經網絡相較于Elman神經