【正文】 模型的評(píng)價(jià) 優(yōu)點(diǎn) ： 提出了三種預(yù)測(cè)模型，神經(jīng)網(wǎng)絡(luò)和 自回歸移動(dòng)平均模型 都對(duì)風(fēng)電功率實(shí)時(shí)預(yù)測(cè)有較高的預(yù)測(cè)準(zhǔn)確性，尤其 自回歸移動(dòng)平均模型 很適合數(shù)據(jù)波動(dòng)性大及沒有規(guī)律的預(yù)測(cè)； ，本文首先把原始時(shí)間序列按照天數(shù)和時(shí)間段數(shù)分成 了兩個(gè)時(shí)間序列，利用兩個(gè) 自回歸移動(dòng)平均模型 分別進(jìn)行預(yù)測(cè)，由于不清楚兩個(gè)時(shí)間序列預(yù)測(cè)的值的權(quán)重，又充分利用了神經(jīng)網(wǎng)絡(luò)特點(diǎn)，把兩個(gè)預(yù)測(cè)值作為神經(jīng)網(wǎng)絡(luò)的輸入值，又神經(jīng)網(wǎng)絡(luò)通過歷史數(shù)據(jù)決定各個(gè)時(shí)間序列的權(quán)重，很好的提高了實(shí)時(shí)預(yù)測(cè)的準(zhǔn)確性。 模型的推廣 本文中應(yīng)用的三種預(yù)測(cè)模型，這些模型可以應(yīng)用到很多預(yù)測(cè)和控制領(lǐng)域，尤其是時(shí) 18 間序列和變化沒有較強(qiáng)的規(guī)律可循的數(shù)據(jù)， 時(shí)間序列中的自回歸移動(dòng)平均模型 最為適合。,39。)。 for i=1:21*31 x(i,:)=temp(k*(i1)+1:k*i)。 y(21*3)=temp(k*(i+1))。 [b,bint,r,rint,stats]=regress(y,x,)。 y1(j)=y(i)。 for i=1:58 if i==12 || i==20 || i==30|| i==44 else j=j+1。 % figure [b,bint,r,rint,stats2]=regress(y2,x2,)。 y3(j)=y2(i)。 for i=1:96 xx(i)=[1,x0]*b。39。A1:CR2839。 k=8。 y(21*121)=temp(k*i)。interaction39。 x2x=x0(2)*x0(3:end)。 x6x=x0(6)*x0(7:end)。 x0=[x0(2:end),yy(i)]。,39。)。 end shuju=x。 pr=[Xmin,Xmax]。logsig39。logsig39。 = 1e10。 x0=x0/850。clc。機(jī)組 A風(fēng)功率實(shí)測(cè)數(shù)據(jù) 39。 a2=xlsread(39。,39。39。A1:CR2839。,39。)。 subplot(2,1,1) autocorr(y(1:2020))。T39。 %進(jìn)行差分 [H,PValue,TestStat,CriticalValue] = dfARDTest(DX,[],39。 22 subplot(2,1,2) parcorr(DX)。 AIC = aic(m)。 q_test = test(k,2)。 %擬合做殘差分析 plot(e)。,pp,39。 %保存數(shù)據(jù) for i=1:7 A_data(i,:)=po(2017+96*(i1):2017+95+96*(i1))。 （ 4） 準(zhǔn)確率及合格率計(jì)算程序 clear。機(jī)組 A風(fēng)功率實(shí)測(cè)數(shù)據(jù) 39。 pa3=xlsread(39。)。39。A22:CR2839。,39。 relative_B=relative_B39。機(jī)組 C風(fēng)功率實(shí)測(cè)數(shù)據(jù) 39。 pa3=xlsread(39。)。39。A22:CR2839。,39。 relative_D=relative_D39。,39。 relative_4=relative_439。58 臺(tái)機(jī)組總風(fēng)功率數(shù)據(jù) 39。 pa3=xlsread(39。)。 plot(x,relative_A(:),39。,x,relative_58(:),39。 。) 24 說明：（ 1）對(duì)于 PA、 PB、 PC、 PD、 P P58 的風(fēng)電功率 的預(yù)測(cè)及準(zhǔn)確率與合格率計(jì)算，程序可能在運(yùn)行中需要小的調(diào)整。,x,relative_4(:),39。 relative_58=relative_5839。,39。A22:CR2839。39。)。 pa3=xlsread(39。)。 pa3=xlsread(39。機(jī)組 D風(fēng)功率實(shí)測(cè)數(shù)據(jù) 39。 relative_C=relative_C39。,39。A22:CR2839。39。)。 pa3=xlsread(39。機(jī)組 B風(fēng)功率實(shí)測(cè)數(shù)據(jù) 39。 relative_A=relative_A39。,39。A22:CR2839。39。39。)。 figure plot(z,39。 end end %擬合過程 m1 = armax(z(1:2020),[p_test q_test])。p q AIC]。%將 DX 轉(zhuǎn)化為 matlab 接受的格式 test = []。)。 %是否是穩(wěn)定序列 for i = 1:10 if H == 1 break。 %原序列的偏相關(guān)函數(shù)圖 AR(p)，觀察系數(shù)是否在區(qū)間(2T^(1/2),2T^(1/2))內(nèi) %如果該序列不是平穩(wěn)的做差分圖，否則跳過該步 DX=y。 y=a(1:28,:)39。,39。 a4=xlsread(39。機(jī)組 C風(fēng)功率實(shí)測(cè)數(shù)據(jù) 39。)。,39。A1:CR2839。39。 xx(ins)=xx(ins)*850。 = train(,p,goal)。 = 10。logsig39。 goal=shuju(k,:)。 Xmin=*ones(k1,1)。 k=5。,39。clc a=xlsread(39。 xx=[x0,x1x,x2x,x3x,x4x,x5x,x6x,x7x]。 x4x=x0(4)*x0(5:end)。 %quadratic purequadratic %預(yù)測(cè) x0=a(21,89:96)。 y=y39。 y(i)=temp(k*i+1)。 temp=a(1:21,:)39。機(jī)組 A 風(fēng)功率實(shí)測(cè)數(shù)據(jù) 39。 end 20 %多元二項(xiàng)式 clear。 figure [b,bint,r,rint,stats3]=regress(y3,x3,)。 for i=1:54 if i==44 else j=j+1。 y2(j)=y1(i)。 % figure [b,bint,r,rint,stats1]=regress(y1,x1,)。 for i=1:63 if i==17 || i==30 || i==35|| i==43|| i==48 else j=j+1。 x=[ones(long,1),x]。 end x(21*3,:)=temp(k*i:k*(i+1)1)。temp=temp(:)。,39。clc a=xlsread(39。 ，且文中認(rèn)為歷史數(shù)據(jù)都是絕對(duì)準(zhǔn)確的，這在實(shí)際中是不可能的。 表 5 對(duì) P58 實(shí)時(shí)預(yù)測(cè)的值 P58 1 2 3 4 ? 94 95 96 5 月 31 ? 6 月 1 ? 19880 6 月 2 ? 6 月 3 ? 6 月 4 ? 6 月 5 ? 6 月 6 ? 17 圖 11 模型預(yù)測(cè)值與真實(shí)值比較 實(shí)時(shí)預(yù)測(cè)精度影響因素 本文主要利用已知數(shù)據(jù)進(jìn)行風(fēng)電功率實(shí)時(shí)預(yù)測(cè)，所以影響實(shí)時(shí)預(yù)測(cè)精度的首要因素是已知數(shù)據(jù)的準(zhǔn)確性，然而已知數(shù)據(jù)都是通過傳感 器采集獲得，所以獲得數(shù)據(jù)不一定準(zhǔn)確和完整，這些數(shù)據(jù)包括歷史發(fā)電功率、風(fēng)速、風(fēng)向、氣溫、氣壓及機(jī)組自身特性等；其次，風(fēng)電場(chǎng)自身的運(yùn)行維護(hù)，運(yùn)行人員對(duì)機(jī)組的開停等隨機(jī)因素也會(huì)給風(fēng)電功率預(yù)測(cè)系統(tǒng)帶來問題。 由于不知道 ARMA 模型所 得到 的 兩個(gè)預(yù)測(cè)結(jié)果 所占的權(quán)重 ， 我們 再把這兩個(gè)預(yù)測(cè)的風(fēng)電功率作為 BP 神經(jīng)網(wǎng)絡(luò)模型的輸入，神經(jīng)網(wǎng)絡(luò)最后輸出的結(jié)果即為最后的預(yù)測(cè)值。根據(jù)表 4 中數(shù)據(jù)， 風(fēng)電機(jī)組匯聚使得其風(fēng)電功率相對(duì)預(yù)測(cè)誤差與單臺(tái)風(fēng)電機(jī)組風(fēng)電功率相對(duì)預(yù)測(cè)相比減小， 可知 風(fēng)電機(jī)組的匯聚有利于風(fēng)電功率的預(yù)測(cè)。 對(duì)單臺(tái)風(fēng)電機(jī)組功率的相對(duì)預(yù)測(cè)誤差與多機(jī)總功率預(yù)測(cè)的相對(duì)誤差的比較 （ 1） 相對(duì)預(yù)測(cè)誤差 100%rprPPR P??? 其中， rP 為機(jī)組的真實(shí)功率， pP 為預(yù)測(cè)的機(jī)組功率， R 為相對(duì)預(yù)測(cè)誤差。若按風(fēng)電場(chǎng)群總裝機(jī)容量來規(guī)劃風(fēng)電外送輸電容 量，很有可能造成輸電容量的過度配置，從而降低輸電系統(tǒng)的運(yùn)行效益， 若風(fēng)電外送輸電容量配置過低，雖可以降 低輸電投資成本，但可能在風(fēng)電場(chǎng)群整體出力較大的部分時(shí)段上因輸電阻塞而造成棄風(fēng)損失 ， 風(fēng)電大規(guī)模集中并網(wǎng)是實(shí)現(xiàn)風(fēng)能大規(guī)模開發(fā)利用的重要途徑。 圖 6 原功率序列自相關(guān)圖和偏相關(guān)圖 圖 7 殘差圖 13 圖 8 ARMA 模型預(yù)測(cè)值與真實(shí)值比較 三種預(yù)測(cè)模型的結(jié)果分析及比較 ⑴ 模型的準(zhǔn)確率 2111(1 ( ) ) 1 0 0 %N M k P kkPPr N C a p??? ? ?? 其中， 1r 為預(yù)測(cè)計(jì)劃