已證明，若Elman神經網絡隱含層數為1,且采用S型轉換函數，則該網絡能夠以任意精度逼近任意有理函數，故本文將網絡結構設計為3層。

ARIMA(2,1,1)模型對9月1日到9月30日內的720個風速數據進行預測得到預測誤差，以歸一化后誤差數據的前4個和實測風速一階差分值的第3個作為網絡輸入，以誤差數據的第5個作為網絡輸出，依次傳遞，組成樣本數據對網絡進行訓練。

5.實例仿真

5.1 ARIMA模型初步預測

本文采用的是某風電場的風速歷史數據進行實際預測，采用9月1日到9月30日內720個風速值進行建模，10月1日到6日內144個風速值進行驗證。

利用ARIMA(2,1,1)模型對數據進行預測，提前1小時預測結果如圖3所示，預測效果評價如表1所示。

圖3中，實測風速的劇烈波動性一定程度上影響了ARIMA模型預測精度，并且預測曲線滯后于實測風速曲線。

5.2 改進Elman神經網絡修正誤差

訓練得到神經網絡模型，對10月1日至10月6日144個測試樣本數據歸一化后進行預測，得到ARIMA預測誤差，并與ARIMA模型預測值相加，得到修正后的預測值，如圖4所示。誤差預測結果如表2所示。

5.3 結果分析

通過對以上結果分析，可以得到以下結論：

(1)風速的1階差分序列，代表風速的變化趨勢，由圖4、表1,以差分數據作為網絡輸入，利用改進Elman神經網絡修正ARIMA模型預測誤差，能夠較好的減小預測滯后性，提高預測精度。

(2)用BP神經網絡替代組合模型中Elman網絡的預測效果見表1,表2.改進的Elman神經網絡預測精度要比ARIMA-BP模型高，且訓練速度提高30%以上。

6.結束語

本文將改進的Elman神經網絡應用到風速時間序列預測的研究中，建立ARIMA-ELMAN組合預測模型，既描述了風速歷史數據的線性規律，又描述了風速歷史數據中的非線性規律，結果表明比單一使用ARIMA模型預測精度高、誤差小;與ARIMA-BP模型相比，訓練時間短，效率高。該預測模型在風速預測上具有良好的適用性，對進一步解決實際工程問題具有一定的參考價值。