【基于Elman神经网络的风电功率预测算法实现分析案例2300字】

[26]指出，

Kolmogorov定理可以作为一个参考对象来了解，这个定理指出，如果存在一个连续函数f(x)，那么可以选用一个三层的神经网络来精确逼近。如果网络的输入层神经元数目为n个，那么隐含层神经元数目m=2n+1。1.2.2仿真分析图4-1为Elman训练19900组数据的数据画图，图4-2为网络风功率测试数据预测画图。如图4-3所示，预测数据虽然与真实数据有所偏差，但总体数据结果与真实数据偏差不大。图4-119900组数据训练数据图图4-219900组数据测试样本预测图误差曲线图如下：图4-319900组数据误差曲线图如图4-3所示，Elman神经网络的预测相对误差大约在-4000——2250之间，计算之后大约在-1.8%——2.5%之间。预测结果比较理想，但第三章提到，气温、湿度、压强等因素也会对预测的结果造成影响。具体会有什么影响，不妨把某个因素去掉之后进行训练，观察预测结果会如何发生变化。首先把压强这一列的数据删除之后，再次进行仿真，观测结果是否有变化。仿真结果如下图所示：图4-4去掉压强列数据后训练数据图图4-5去掉压强列数据后测试样本图图4-6去掉压强列数据后误差曲线分析图4-4、图4-5、图4-6三张图，可以得出初步结论。当去掉风电数据表中压强这一列数据时，误差幅度变为-5000——3400，误差增长了大概2150左右。所以，压强、风速、空气湿度等因素也是风电功率预测中重要的不可或缺的环节。上述仿真是对二万组数据中19900数据进行训练仿真，第三章提到，历史数据量的大小也会对预测结果造成一定影响。具体会有什么不同，下面对10000组、5000组数据分别进行训练，观测结果有何不同。对10000组风力发电数据进行仿真如下：图4-710000组数据训练数据图图4-810000数据测试样本预测图图4-910000组数据误差曲线图如图4-7、4-8、4-9所示，当训练数据为10000组数据时，误差范围为-2100——2000左右。相较于19900组数时，尽管误差范围有所收敛，但预测的范围也随之缩小了很多，不具有权威性。为了验证继续减少训练数据量后，是否会持续这种趋势，下面对5000组风电数据进行仿真，结果如下：图4-105000组数据训练数据图图4-115000数据测试样本预测图图4-125000组数据误差曲线图如图4-10、4-11、4-12所示，当训练数据来到5000组时，误差范围再次变为了-3400——6700。误差明显增大，所以只有训练数据越多时，预测结果才会越接近理想值。1.3基于BP神经网络的风电功率预测第三章时分析了BP神经网络与Elman神经网络的相同点与不同点，所以当风电数据同样训练19900组数据时，BP神经网络训练结果与Elman的差距，通过MATLAB仿真观测结果。BP神经网络训练结果如下：图4-13BP神经网络训练数据图图4-14BP神经网络测试样本图图4-15BP神经网络误差曲线图如图4-13、4-14、4-15所示，同样的数据条件下，BP神经网络的误差幅度大概在-5100——2000左右。综上，可以对两种神经网络的效果做一下对比。BP神经网络相较于Elman神经