神经网络预测方法
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇神经网络预测方法范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
神经网络预测方法范文第1篇
【Abstract】This paper proposes a short-term power load time series prediction method. The method using hybrid pi-sigma fuzzy neural network， using the periodic characteristics of the short-term power load， a Fuzzy neural network pi-sigma time-series forecast model is set up， building forecasting samples and test samples， research on short-term power load data to predict the future. The fuzzy forecast model of fuzzy subset membership can dynamically adjust online. Simulation examples show that the proposed power load forecasting method is superior to conventional temporal prediction method， has the advantages of high prediction accuracy and prediction stability， which can overcome the randomness of the neural network electricity load forecasting methods. The simulation experiment results demonstrate the effectiveness of the proposed method.
【Key words】Time-series； Fuzzy neural network； Power load； Prediction
0 引言
电力工业影响人们的生活水平和国民经济的发展，实时准确的电力负荷预测有助于电力部门经济、合理地制定各项计划，保证电网高效稳定运行，达到一定精度条件，确定将来特定时刻的负荷数据。电力负荷预测是利用电力负荷的实时信息和历史数据对未来的电力负荷进行预测，预测未来电力负荷的时空分布情况，以此来实现电力市场供求关系的均衡发展。其中负荷是指电力需求量（功率）或用电量。电力负荷预测是电力系统中一项十分重要的工作，是能量管理系统中的重要组成部分[1]。
电力负荷预测的核心工作是对大量历史数据的收集、对模型的科学建立以及对算法的合理有效采用。在以历史数据为基础的前提下进行大量的实验研究，对模型和算法加以修正，以此来反映电力负荷变化的真实规律。电力负荷一般分为城市、商业以及工业负荷等。不同负荷具有不同的特点和规律。
常用的电力负荷预测方法有：回归分析法、弹性系数法、神经网络法、专家系统法和模糊逻辑方法等。通常模糊逻辑和神经网络用于预测时会出现预测结果不确定，多次重复预测结果不同等情况。近年来，模糊逻辑和神经网络的混合得到了比较广泛的应用。
本文采用一种新型混合pi-sigma神经网络模型预测短期电力负荷。该模型有如下特点：利用新组建的时间序列样本预测电力负荷；该预测模型参数初始值是确定的；结论部分是输入变量线性组合而成；用代数计算方法取代模糊运算；并能在线调整模糊规则的隶属度函数，鲁棒性好，预测结果稳定等。
1 混合pi-sigma神经网络
混合pi-sigma神经网络预测模型是与高木-关野系统类似的一种新型模糊神经网络。可在线修正前提参数和结论参数，这项工作可以靠模糊模型辨识来完成。该模糊神经网络适用于复杂系统的模糊预测和控制[2]。各模糊子集的隶属函数均取高斯函数，以方便网络的学习。其中，模糊模型可以自动更新，能动态修正各模糊子集的隶属度函数，实现自适应模糊模型的建模，从而能比较容易地确定网络结构和相关参数，使模糊建模过程更具合理性。
1.1 网络结构
神经网络通常有三种结构，一种是只含有求和节点的前向型网络，另一种是可以实现联想记忆的反馈型网络，还有自组织网络。它们都很难处理一些复杂的问题。然而在混合pi-sigma神经网络中，在模糊推理过程中利用代数乘法取代取小运算，以一个多入/单出的混合型pi-sigma神经网络预测模型为例，结构如图1所示，其中，S、P和（・）分别表示相加、相乘和相乘的运算。
在图1中，每个输入变量的模糊子集均取为[PL、0、NL]，即正大、零、负大，这样可简化过程，又能加快计算速度。该预测模型的输入经模糊化、模糊推理、反模糊，其输出过程物理意义清楚，即知识处理过程是透明的。
1.2 模糊神经网络学习算法
设预测模型期望输出为yd，定义函数：
2 短期电力负荷的预测模型
数据来源：采用欧洲人工智能组织、国际电力负荷预测的竞赛数据进行预测研究[4]。对1998年1月1日开始的500个时序数据进行试验。即按照每天24小时每隔30min采集一个数据，产生48个数据，样本时序数据结如图2所示，该数据有一定的规律性。
混合pi-sigma模糊神经网络时序预测模型的建立：时序样本组成方法：在500个数据中，取其中第1～7个数据为该预测模型的输入，第8个数据为网络输出，使其产生133个样本，训练混合pi-sigma神经网络。因此，网络输入神经元个数为7个，即图1中的n=7，输出为一个变量。表1为数据集生成方法。
模糊神经网络隐层选取依据：每个变量有3个模糊子集，每两个变量之间的模糊取小运算有9个结果，因此，网络隐层神经元个数取9个，共计有37=2187个模糊规则。
隶属度中心c0=[c01 c02 c03]=[-15 0 15]，灵敏度参数：b0=[b01 b02 b03]=[5 5 5]，结论参数p（i）的初始值为p（i）=0.1*ones（9，1），i=0，1，2，…，7。
3 仿真实验及结果分析
在MATLAB环境中，利用上述网络预测模型进行仿真实验。参数设置：学习速率=0.005、动量因子=0.05，实验表明，学习速率对预测结果影响比动量因子大。训练误差精度0.001。用第1个～第133个样本训练模糊神经网络，预测第141个～第188个共48个数据。图3为混合pi-sigma模糊神经网络预测结果。
图3（c）中，用平均绝对百分比误差指标评价网络性能，48个数据的平均预测精度为2.0571%，最大预测精度为7.1459%。表2给出了前12个数据预测的详细记录。
采用BP神经网络工具箱预测结果：设置精度为0.001，隐层神经元数为15，即网络结构为7-15-1。平均预测精度为2. 5714%，最大预测精度为7.6062%；利用RBF神经网络工具箱预测结果：扩展因子经过调节取为26，平均预测精度为2.5193%，最大预测精度为7.2087%。比较发现，本文提出的方法均优于BP网络工具箱和RBF网络预测结果，而且本文方法的最大优势是预测结果是唯一的，即具有结果可重复性。
4 结论
本文对短期电力负荷时间序列采用混合pi-sigma神经网络进行预测，得到确定性的预测结果。该模型优点是可以在线调节模糊隶属度函数和结论参数，提高预测精度。与BP网络、RBF神经网络预测结果进行对比分析的仿真结果验证了所提出方法的有效性。
【参考文献】
[1]牛|晓，曹树华，卢建昌，赵磊.电力负荷预测技术及其应用[M].北京：中国电力出版社，2009：1-6.
神经网络预测方法范文第2篇
在现代交通控制中，交通流量预测是一个重要基本环节，本文对其设计了径向基网络结合PCA的方法来预测，PCA减小相关路口维数，而网络实现预测权值的计算，最终达到应用相关路口历史数据预测目标路口流量的目的。
【关键词】PCA方法 流量 预测 交通控制 系统工程
随着中国城市不断发展，包括电动车在内的各种车辆在不断增长。然而现有主城区内的道路空间却越来越有限，节假日及上下班高峰期，部分路段日渐拥堵。当机动车数量达到一定程度的时候，原有的道路交通道路、标志、设施等，不能满足现代交通的需要，就会出现堵车现象。堵车只是现象和结果，原因是由于机动车数量达到一定程度以后，原有的道路交通设计已经不适合新的发展要求。一般来说出现原因有一是机动车数量过多； 二是交通设计不合理； 三是城市的整体规划有问题；四是外来人口过多。解决的渠道是多方面的，从技术层面，交通流量预测可以通过交通控制发挥有力的作用，这里主要采用一种径向基网络的方法进行交通流的预测。
1 系统处理方案
将一组相关到路口的数据流量进行了错误剔除等预处理后，继而加载到所提出的模型中来实现预测计算。这个计算总的实现框架如下：根据每个路口所记录的历史数据，应用主成分分析方法，对路网中路口关联度进行分析，求解出跟目标路口之间的相关度函数和指数，然后利用主贡献成分来求解相关路口；根据径向基神经网络，由相关路口数据流来训练有关权值，得到下一时刻预测的目标路通流与相关路口历史数据流之间的关系；最后综合利用训练好的神经网络，以及采集到的数据，求解预测未来的交通流量。
2 PCA的路口数据相关性降维
单个路口的交通流信息往往是由大量的多源数据组成，并且城市路网中的交叉口路口也是非常之多，所有城市路网的交通流信息数据量是无法想象的。利用主成分分析法定量的分析路口间交通流量的相关性，可以用来降低数据维度和压缩数据量。具体的操作步骤为：
（1）克服原始数据单位的不统一等问题，对原始数据进行必要的规格化处理，使规格化后的数据样本成为标准的正态分布。
（2）所有路口都可是为一个独立的样本，如此建立路口间流量的相关系数矩阵，关系数矩阵表明了n个路口彼此之间的相关程度。
（3）通过矩阵运算求出相关系数矩阵 R 的所有特征值，进一步得到主成分，主成分基本上包含了所有成分的大部分信息。
通过主成分的计算和分析，就知道目标路通流主要相关的路口，就简化了模型，使得预测模型更加精简和实际。
3 径向基神经网络流量预测
3.1 径向基网络
神经网络的基本单元称为神经元，它是对生物神经元的简化与模拟。神经元的特性在某中程度上决定了神经网络的总体特性。大量简单神经元的相互连结皆构成了神经网络。一个典型的具有N维输入的神经元组成，神经元的作用可用下面的数学式表达。
uk=wkjxj-θk （1）
yk=f（uk） （2）
常用的激励函数有线形函数、分段线形函数、Sigmoid函数、双曲正切函数等。神经网络是由大量简单神经元相互连结构成复杂网络系统。单个神经元的功能是有限的，只有用许多神经元按一定的规则连接，构成神经网络才具有强大的功能。径向基函数（Radial Basic Function，RBF）神经网络由三层组成。输入层节点只传递输入信号到隐层，隐层节点由像高斯核函数那样的辐射状作用函数构成，而输出层节点通常是简单的线形函数。隐层节点中的作用函数（基函数）对输入信号将在局部产生响应。当输入信号靠近基函数的中央范围时，隐层节点将产生较大的输出，由此看出来这种网络具有局部逼近能力，所以径向基函数网络也称为局部感知场网络。基函数最常用的是高斯函数：
RI（x）=exp[] i=1，2，…，m （3）
其中x是n维输入向量；ci是第i个基函数的中心，与x具有相同维数的向量，σi是第i个感知的变量（可以自由选择的参数），它决定了该基函数围绕中心点的宽度；m是感知单元的个数。||x?ci||是向量x?ci的范数，它通常表示x和ci之间的距离，Ri（x）在ci处有一个唯一的最大值，随着||x?ci||的增大，Ri（x）迅速衰减到零。对于给定的输入x∈Rn，只有一小部分靠近x的中心被激活。输入层实现从xRi（x）的非线形映射，输出层实现从Ri（x）到 yk的线形映射，p是输出节点数。即
yi=wikRi（x） k=1，2，…，p （4）
3.2 预测方法研究
本文以径向基神经网络作为基础的预测模型，将相关路口历史交通流量数据作为神经网络的输入，对目标路通流量进行短时预测。利用了相关路口的大量数据信息，又充分发挥了径向基神经网络特各种优点，使得更加预测更加高效，预测结果更加精确。针对待预测路口，将历史数据第t时刻，第t1时刻，第t2时刻，第t3时刻的交通流量f （t），f（t1），f（t2），f（t3），等等共四个数据作为神经网络的输入，将 t4时刻的交通流量数据作为网络的输出结果。神经网络模型为四个输入，一个输出。径向基神经网络模型通过计算软件进行交通流预测计算。采用数据是部分历史数据，过训练调整网络参数模型的权值。在权值得到以后，就可以利用相关路口对目标路口的交通流进行实时预测了。
神经网络预测方法范文第3篇
建筑工程的系统性和复杂性提升了工程造价估算的难度，基于神经网络的工程造价估算方法能够提升工程造价估算的准确性。本文从传统的工程造价估算方法入手，对基于神经网络的工程造价估算方法及其Excel实现进行研究。
【关键词】神经网络 工程造价 估算方法 Excel实现
在建筑行业不断发展的背景中，建筑企业面临的竞争压力越来越大。对于建筑企业而言，通过建筑工程成本的有效控制，实现所获经济效益的提升能够对自身市场竞争力的提升产生相应的促进作用。选择合理的工程造价估算方法具有一定的必要性。
1 传统的工程造价估算方法
应用传统工程造价估算方法进行估算，要求建筑工程的成本函数是一个具有确定性特点的数学形式，并且这个成本函数应该是对可利用历史数据的最佳拟合。这些要求对传统工程造价估算方法的精确度产生了不良影响，进而对该方法的实际应用产生相应的限制。
2 基于神经网络的工程造价控制估算方法及其Excel实现
2.1 神经网络的优点和应用
神经网络是由一定数量的并行处理单元组成的系统，不同处理单元的实际处理方式和连接强度是影响神经网络功能的主要因素。在神经网络中，不同神元之间的相互作用可以实现处理信息的目的。神经网络具有时间连续性、高度非线性以及规模大的特点，神经网络包含优化计算、处理知识以及联想记忆等多种功能。神经网络在电子科技领域中的应用主要集中在图像和信号处理以及模式识别中。以某个500字符的代码段为例，该代码段可能是Python、Java或者C++。当需要通过程序的构造对该代码段进行识别编写时，构造神经网络的方法更加有效。
2.2 基于神经网络工程造价控制估算方法的合理性
神经网络的优势在于，它可以近似实现任意空间的数学映射。神经网络的这种特点使得它在需要辨识数据模式的困难任务中得到了广泛应用。神经网络可以分别对实时数据和历史资料进行训练，这种特点为神经网络在工程造价估算中的应用提供了可能。
2.3 神经网络电子表格模拟程序
神经网络电子表格模拟程序主要包括以下几个步骤：
2.3.1 输入输出信息模块
在该模型中，主要包含基础基础类型、结构类型、建造年份、工期、建址、层高、层数、内、外装修门窗共9个输入单元，还包含每平方米造价这一输出单元，以及4个测试样本和6个训练样本。为了将输入单元、输出单元的数据更好地展示出来，可以在Excel中建立一个表格。
2.3.2 输入数据初始化
当表格构建完成之后，可以将相关数据输入进行，为了便于神经网络对数据进行合理处理，需要将表格中第一个模块中的输入数据调整至[-1，1]范围中。当第一个模块构造完成之后，为了简化第二个模块的构造时间和步骤，可以利用线性公式对第一个模块的参数值进行合理调整，这个过程中使用的线性公式如下所示。
2.3.3 构建权重模块I
就输出节点、输入节点以及隐层节点之间的数目关系而言，输出节点与输入节点数量之和的一般是隐层节点的实际设置数目。在权重模块中，需要将所有的数值初始化为1.0。
2.3.4 当权重模块I构建完成之后
需要考虑隐层节点的输出模块。这个步骤主要需要根据神经网络的操作模型进行。
2.3.5 构建权重模块II
该模块的构建步骤与第三步中的做法相同，但在这个模块中，需要在单一的输出节点和隐层节点之间建立连接。
2.3.6 神经网络的最终输出
这个步骤与第四步类似。
2.3.7 对神经网络的输出值进行反调整，并对误差进行有效计算
神经网络输出值的反调整范围集中在初始赋值范围中。
2.4 神经网络的训练过程
当神经网络电子表格模拟完成之后，需要对神经网络进行训练，也可以将这个过程看成是权值的优化过程。由于权值优化过程具有一定的复杂性特点，因此可以将Excel中的Solver程序应用到这种预测方法中，与其他算法相比，这种算法的优势表现为可以直接在表格中运行，简化了操作步骤，实现该预测方法掌握难度的有效降低。运用这种预测方法进行操作可以发现，网络运行结果满意，应用这种预测方法的预测误差小于0.4%。
2.5 分析参数变化对模型预测结果的敏感性
用户通常无法确定能够对特定工程进行精确描述的特征因素是什么，因此，为了保证模型的实用性，需要对参数变化对模型预测结果的敏感性进行有效测定。测定参数变化对模型预测结果敏感性的较为复杂，首先，用户需要将工程中无法肯定的某一特征因素或几个特征因素的组合选择出来，然后使用户选取的参数在初始值周围逐渐变动，并将参数变动范围控制在25%之内，为了更好地对参数对模型预测结果的敏感性进行分析，需要对样本资料的数量进行合理控制。分析参数对模型预测结果名感性的界面如图1所示。在实际分析过程中，需要将第一个模块公式变为分别对多个分析资料进行计算，结合计算结果得出计算结果的标准差和平均值，并将估计成本与标准差和平均值进行比较。就平均值而言，在选定参数发生变化的情况下，可以通过敏感性分析对模块中输入参数的实际重要性进行有效判断，通过不同参数的分别变化，分别对其进行敏感性分析，将所得标准差和平均值与最初估计进行比较，进而得出模块中输入参数的实际重要性判断结果。
3 结论
随着建筑企业面临竞争压力的不断增大，建筑企业对建筑工程成本控制越来越重视。有效工程造价估算方法的使用可以帮助建筑企业获得更多的经济效益，传统的工程造价估算方法精确度较低，基于神经网络的工程造价估算方法可以保证工程造价估算结果的准确性。
参考文献
[1]孙金丽，郑立群，张世英.基于神经网络的工程造价估算方法及其Excel实现[J].基建优化，2003（01）：38-40.
[2]吴子燕.基于人工神经网络的高校建筑工程造价预测系统的研究与应用[D].西安：西北工业大学，2006.
[3]赵欣.基于BP神经网络的地铁土建工程造价估算方法研究[D].北京：北京交通大学，2008.
神经网络预测方法范文第4篇
为保证基础设施即服务（IaaS）模式云环境中资源的有效分配与高效调度，提出了一种基于集成模型－优化神经网络的资源需求预测方法（EMONN）．分析了用户偏好以及资源配置需求，根据需求变化采用阈值法确定波动期与平缓期，通过基本预测器集成模型实现不同时期、不同需求的预处理．预处理结果经过加权，与历史数据共同作为神经网络（NN）的训练数据，保证预测结果精度．为改善神经网络的学习率与稳定性，采用自适应学习率以及动量方法对神经网络进行优化．采用统计指标对系统有效性进行验证，结果表明所提方法可以精确有效实现用户需求预测．
关键词
基础设施即服务（IaaS）；资源需求预测；集成模型；神经网络；自适应学习率；统计验证
在IaaS模式云计算［1］中，高效精确地为用户分配资源是效益最大化的重要保证．云中心根据请求以虚拟机（VM）形式为其分配资源，为保证服务质量，有必要根据虚拟机运行状态实现资源动态调整．然而，准备和初始化实例需要一定时间，使得资源无法根据用户需求动态调度，导致无法有效地为用户提供弹性的资源管理［2］，降低了云计算的服务质量，因而需求预测为资源动态管理与供给提供了重要参考［3］．对资源需求和工作负载的预测已有许多研究工作，为了优化资源管理和任务调度，部分学者采用常规预测方法，例如基于移动平均线的长期趋势预测算法［4］、基于FUSD的指数加权移动平均算法［5］等实现云计算环境下的负载预测，有学者将模糊系统引入虚拟机负载和资源预测中［6－7］，提升了系统鲁棒性，但是预测精度不够高．针对云环境工作负载的非线性特性，有学者引入神经网络并结合典型预测方法［8－10］．上述预测方法难以对不断变化的情况进行自适应预测，其精确性和实时性有待提升．本研究提出一种基于集成模型－优化神经网络的预测方法，采用基本预测器集成模型对需求情况进行预处理，并分别从以下三个方面对神经网络进行了优化：利用集成模型的输出数据优化训练数据结构；通过优化神经网络传递函数改善网络权重更新过程；通过自适应学习率优化学习过程．
1预测系统结构与资源需求情况
1．1预测系统云计算资源预测系统结构如图1所示，图中VM为虚拟机．资源需求预测之前，首先分析历史数据库中的用户请求，包括数据结构、内容和数量，得到用户偏好性选择、需求描述等．为了实现精确有效的预测，对不同的资源需求情况进行分析，包括长期需求、短期需求和需求抖动情况，并给出了区分不同情况的方法准则．对资源需求采用基本预测器集成模型进行预处理，对集成模型预测结果进行加权后，输入至神经网络预测器中．神经网络同时采用历史数据序列和集成模型预测结果作为训练数据，以提升结果的精确性．引入自适应学习率以及动量法改善神经网络的收敛速度和稳定性．预测输出值用来指导IaaS云计算数据中心的资源分配．采用不同统计指标对预测效果进行评估，并将结果反馈至历史数据库中，为后续资源预测调度提供参考．
1．2需求平缓期基于平缓期的特点，采用二次移动平均法（SMA）［11］进行资源需求的预测，提高预测精度．图2所示为长度为L的滑动窗模型。
1．3需求波动期指数移动平均法（EMA）［12］是一种短期预测的有效方法，由于其响应的快速性，因此适用于非周期性的快速变化时间序列预测．EMA对当前测量值给予较大权重，而对于较早时刻的测量值给予较小权重，可以对短期资源需求以及需求抖动作出快速反应．
1．4波动期和平缓期确定进行需求预测时，须明确当前需求所处时期，定义波动阈值（hu）和平缓阈值（ha）界定平缓期与波动期．
2集成模型－优化神经网络资源需求预测
2．1总体结构通过集成预测模型可以对不同的需求情况进行预处理，而神经网络良好的非线性逼近能力和自组织特性可以提升预测结果的精度．将集成模型结果输入至神经网络，实现二者有效结合，是提升系统预测性能的有效方法．集成模型－优化神经网络资源需求预测方法核心是采用两层结构，如图3所示．第一层为基本预测器集成模型，第一层的输出值与历史数据共同作为第二层神经网络训练值，以优化预测结果．
2．2基本预测器集成模型在预测器基础上，集成模型引入自动回归模型（AR）和移动平均法（MA）．设在时刻t预测器i的预测值为x（i）t，其对应权重为w（i）t，通过对上述预测结果进行加权，则集成模型输出值。
3实验与结果分析
3．1统计指标为了评估预测系统的性能，采用系列指标［13］包括平均绝对误差（MAE）和均方误差（MSE），误差区间数量统计值（PRED（x））对系统进行分析．MAE是测量预测值和真实值之间误差均值的指标。
3．2预测效果对比与分析基于集成模型－优化神经网络的资源需求预测方法EMONN的预测结果如图4所示，图中Q为访问流量．由图可见预测值与实际值符合较好，误差较小.根据指标（11）～（13），对多种预测方法进行对比实验，结果如表1所示．可知：对于平均归一化误差值和最大误差，EMONN均达到最小，EMA和SMA的预测结果与EMONN较接近，而仅采用神经网络时，预测效果较差；EMONN在误差能量方面低于其他方法，约为AR模型的1／4；EMONN方法处于±5％的误差点数最多，预测误差较小，预测性能优于其他预测方法．
3．3预测方法学习过程优化仅采用神经网络时预测性能不理想，原因主要是学习率不够优化，本节讨论自适应学习率对神经网络的影响．图5为不同学习策略下的神经网络性能对比，m为迭代次数．不采用自适应学习率的神经网络经过2000个学习周期，均方误差（Pa）接近8．66×10－3，采用自适应学习率后，经过相同训练周期后，误差为3．1×10－3，二者比率达到2．8．因此，采用自适应学习率后，神经网络的收敛速度有大幅提升，预测结果更加精确．
3．4集成模型对预测效果的影响图6所示为将集成模型预处理结果引入训练数据进行优化后的学习过程曲线．与图5相比，学习速度得到进一步提升，经过1600个训练周期即达到训练目标值0．001，远小于仅采用历史数据作为训练数据的预测方法，网络收敛速度得到有效提升，而且其训练误差值达到了0．001，性能得到进一步提升．采用不同训练数据结构的性能对比如表2所示．引入集成模型后，预测性能得到有效提升，尽管绝对误差仅仅降低了0．0031，但是提升了13．9％；优化前后的eMSE值分别为0．0012和0．0010，PPRED（5）值分别为302∶320，预测误差较表1有进一步降低．
4结论
神经网络预测方法范文第5篇
对于风电功率的预估，本文提出了一种短期的用于一至十五分钟内的预测方法。其中输入数据来自风力发电机的历史寄存器，数据种类有电压、电流、有功功率等。并且对两种预测方法进行了比较。预测出的风力数据作为风力涡轮机预测模型的输入值。风力发电机模型是参考了空气力学、传动系统、感应发电机等参数，并通过唯像模型建立的。风力涡轮模型则建立于一种现象学模型，这种模型将风的空气动力学、传动系统和感应发电机的参数都考虑了进来。另一种预测风电功率方法是使用数据挖掘技术来进行预测。风电发电系统中的数据库就应用到了这些技术。为了提高算法的效率，使用了风速估计器，以估计空气分子的布朗运动。并与没有用风速估计器时平均发电功率进行比较。
二、风功率预测模型和现象学模型
(一)人工神经网络
每一个人工神经网络模型都有架构、处理单元和训练方面的特性。在时间序列预测的人工神经网络模型中，其中很重要的一种是集中延时神经网络。它属于动态神经网络的一般类型，在这种神经网络中，动态只出现于静态的、有多个层级的前馈神经网络的输入层中。集中延时神经网络的一个显著特征是它不要求有动态反向传播来计算神经网络的梯度，原因是抽头延迟线只在神经网络输入数据时才出现。由于这个原因，这种神经网络比其他动态网络的训练进行得更快。
(二)随机时序
风功率模型和现象模型是使用最多的预测方法。如果假设预测变量Xt是已知值的线性组合，那么自回归模型则能用于预测未知值。通过查看自相关函数和偏自相关函数，用于找到模型的顺序和结构，从而确定模型适当的结构和式子顺序。根据赤池信息准则，施瓦茨准则或贝叶斯信息标准以及校正后的决定系数，我们就能选出最好的模型。
三、算例分析
(一)提出的预处理方法
在考虑风速的复杂动态的情况下，为了更好地描述ARMA模型，本文提出了一种新的数据预处理方法。这种方法是以模型的形式呈现的，我们将这种模型称之为函数的ARMA。
(二)实例仿真
利用SVM工具箱在matlab7．1平台上完成回归模型建立的工作，利用我国某风电场连续100个数据(每10s取一个数值)的实测风能功率输出值，建立训练和预测样本。尽管神经网络在预测风速时误差已经很小，但由风力涡轮机模型和函数的ARMA模型组成的复合模型在各方面性能更好。导致这一结果的原因是焦点延时神经网络(以下简称FTDNN)预测曲线的高度非线性。
四、结论
