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