时,共
120 个数据。
分析了样本的最小值、最大值、均值、均方差,见表
1。
表
1 时风速统计特征表
最小值
m/s 最大值 m/s 均值 m/s 均方差
1.2 11.3 6.2 2.2240
为了研究风速序列内部线性相依程度,计算了该风速的自相关系数,见图
3。
图
3 自相关图
从图
3 可以看出,一阶自相关系数最大(0.5987),其他阶自相关系数相对较小,
即
时刻的风速对 时刻风速的影响最大。所以,文中的 BP 神经网络模型和小波-BP 神经
网络组合模型的输入项为
时刻风速,输出项为 时刻风速。
3.2BP 神经网络模型
根据对自相关系数的分析,以
时刻的风速作为 BP 神经网络的输入, 时刻原始风
速作为网络输出(预见期为
1 小时),建立三层 BP 神经网络模型。其中,训练样本为
1997 年 12 月 31 日 21 时至 1998 年 1 月 4 日 14 时,共 90 组数据;预测样本为 1998 年 1
月
4 日 15 时至 1998 年 1 月 5 日 20 时,共 30 组数据。
BP 神经网络模型的建立基于 MATLAB7 中的 NNTOOL 工具。采用的基本函数见表
2。
表
2 BP 神经网络模型函数表
训练函数
输入层传递函数 隐层传递函数
TRAINSCG TANSIG PURELIN
训练步数为
20000,误差满足要求。预测结果见图 4。
图
4 预测结果过程图
BP 神经网络模型的绝对误差平均值为 1.1m/s,相对误差平均值为 20.41%。
3.3 小波-BP 神经网络模型
小波
-BP 神经网络组合模型的思路:将原始时间序列进行小波分解,得到小波分解