【正文】 合的交互式界面如圖 3 所示 。 BP 算法是基于信息正向傳播和誤差 BP 算法，對(duì)于輸入信號(hào)，先向前傳播到隱含層，經(jīng)作用函數(shù)后再把隱含層的輸出信息傳播到輸出層，如果在輸出層得不到期望的輸出，則轉(zhuǎn)入 BP 將誤差信號(hào)沿原來通路返回，通過修改各層神經(jīng)元的權(quán)值，使誤差信號(hào)最小。 自回歸滑動(dòng)平均模型對(duì)風(fēng)電功率的預(yù)測(cè) 模型的建立 ⑴ 模型說明 ： 由于時(shí)間序列同時(shí)蘊(yùn)含著數(shù)據(jù)順序和數(shù)據(jù)大小，表現(xiàn)出客觀世界的某一動(dòng)態(tài)過程，能反映出客觀世界及其變化的信息 ，又由于風(fēng)電場(chǎng)發(fā)電功率的 數(shù)據(jù)具有按時(shí)間排序和離 散性，因此可以采用時(shí)間序列分析方法對(duì)風(fēng)電場(chǎng) 的發(fā)電功率進(jìn)行預(yù)測(cè)。記 ??? ?0tx為原始輸出功率序列，對(duì) ??? ?0tx中各數(shù)據(jù)進(jìn)行如下標(biāo)準(zhǔn)化處理： ? ?0txt xxx ???? ③ 式中 x? 與 2x? 分別為 ??? ?0tx的均值與方差的估值，它們的算法如下 ： ? ?011 Nxtt xN? ?? ? ④ ? ?? ?20211 1 Nx t xt xN?????? ? ⑤ 以上兩式中， N 為功率序 列的個(gè)數(shù)。由下式估計(jì) i? ： ABRR?? ⑦ 12n?????????????????， 12mmAmnRRRR???????????????? 1 2 11 1 21 2 3m m m m nm m m m nBm n m n m n mR R R RR R R RRR R R R? ? ? ?? ? ? ?? ? ? ? ? ???? ???? 其中， kR 是功率時(shí)間序列的自協(xié)方差函數(shù)（當(dāng) 0k? 時(shí)，由于 kR 是偶函數(shù)的性質(zhì)，有 kkRR? ? ），可由下式算出： 11 Nk t t ktkR x xN ???? ? 0 ,1, 2 , , 1kN?? ⑧ 故有， 1BARR? ?? ⑨ 然后估計(jì) j? ，在 ARMA 模型式 ① 中，令 11 1nt t i t iiy x x? ????? ⑩ 則有： 1mt t j t jjy ? ? ? ????? ○11 由于前面已經(jīng)估計(jì)出了 i? ，則要按式 ⑩ 算出序列 ??ty ? ?1, 2, ,t n n N? ? ? 。但要注意，此時(shí)的 ,ykR 是序列 ??ty的分布特性，不是觀測(cè)時(shí)序 ??tx 的 kR ，即 ,ykR 要由 ??ty 算出。所謂準(zhǔn)則函數(shù)，就是它既考慮某一模型擬合時(shí)對(duì)原始數(shù)據(jù)的接近程度，同時(shí)也考慮模型中所包含待定參數(shù)的個(gè)數(shù)，建模時(shí)按照這種函數(shù)的取值判斷模型的優(yōu)劣，以決定取舍。 主要步驟如下： a. 給定階模型階數(shù)上限，令 2n? ，按模型參數(shù)的估計(jì)方法計(jì)算出 ARMA(n,m)的模型參數(shù)和殘差的方差 2a? 及準(zhǔn)則函數(shù)值 AIC； b. 當(dāng) n 由低到高增長(zhǎng)時(shí)，以與式 ①同樣方法算出 ARMA(n+1,m)的模型參數(shù)和 12 殘差的方差 2a? 及準(zhǔn)則函數(shù)值 AIC； c. 取最小 AIC 值相應(yīng)的階數(shù)和參數(shù)為最終確定的理想階數(shù)和參數(shù)。圖 8 為 PA 機(jī)組采用 ARMA 模型滾動(dòng)地預(yù)測(cè) 16 個(gè)時(shí)點(diǎn)的風(fēng)電功率數(shù)值。 5 問題二的解答 風(fēng)力發(fā)電的能量密度較低，風(fēng)電場(chǎng)等效滿發(fā)年利用小時(shí)數(shù)通常在 2020h 左右。 因此，研究 風(fēng)電機(jī)組匯聚給風(fēng)電功率預(yù)測(cè)誤差帶來的影響 ，便于我們 提出一種風(fēng)電場(chǎng)群外送輸電容量的配置優(yōu)化方法 。 15 圖 9 相對(duì)預(yù)測(cè)誤差 表 4 各機(jī)組的平均相對(duì)預(yù)測(cè)誤差 PA PB PC PD P4 P58 相對(duì)預(yù)測(cè)誤差 從圖 9 中可以看出， 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 變化趨勢(shì)是一樣的。分別利用這兩個(gè)時(shí)間序列，采用自回歸移動(dòng)平均模型（ ARMA）進(jìn)行預(yù)測(cè) 。并把預(yù)測(cè)值和題目給出值在 MATLAB 中畫出，如圖 11 所示。 缺點(diǎn) ： ，如果數(shù)據(jù)測(cè)量的不夠準(zhǔn)確，則不可能有較高的預(yù)測(cè)精度。 [1] 范高峰，王偉勝，劉純 .基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)系統(tǒng) [J].電網(wǎng)技術(shù)，2020. [2] 丁明，張立軍，吳義純 .基于時(shí)間序列的風(fēng)電場(chǎng)風(fēng)俗預(yù)測(cè)模型 [J].電力自動(dòng)化設(shè)備，2020. [3] 廖明夫， ， [M].西北工業(yè)大學(xué)出版社 ,2020. [4] 倪瑋，許光（譯）， Manfred Stiebler（著） .風(fēng)力發(fā)電系統(tǒng) [M].機(jī)械工業(yè)出版社，2020. [5] 龐博 .大容量風(fēng)電機(jī)組并網(wǎng)運(yùn)行造成的影響 [J].科技情報(bào)開發(fā)與經(jīng)濟(jì)， 2020. [6] 谷興凱，范高峰，王曉蓉等 .風(fēng)電功率預(yù)測(cè)技術(shù)綜述 [J].電網(wǎng)技術(shù)， 2020. [7] 戚雙斌，王維慶，張新燕 .基于 SVM 的風(fēng)速風(fēng)功率預(yù)測(cè)模型 [J].可再生能源， 2020. [8] 王彩霞，魯宗相，喬穎等 .基于非參數(shù)回歸模型的短期風(fēng)電功 率預(yù)測(cè) [J].電力系統(tǒng)自動(dòng)化， 2020. [9] 韓爽，楊勇平，劉永前 .三種方法在風(fēng)速預(yù)測(cè)中的研究應(yīng)用 [J].華北電力學(xué)報(bào)， 2020. 主要 源程序： （ 1） 回歸預(yù)測(cè) clear。機(jī)組 A 風(fēng)功率實(shí)測(cè)數(shù)據(jù) 39。 temp=a(1:21,:)39。 y(i)=temp(k*i+1)。 long=size(x,1)。 rcoplot(r,rint) %剔除點(diǎn) j=0。 end end y1=y139。 x2(j,:)=x1(i,:)。 % rcoplot(r,rint) j=0。 end end y3=y339。 x0=[x0(2:end),xx(i)]。,39。)。 for i=1:21*121 x(i,:)=temp(k*(i1)+1:k*i)。 y(21*12)=temp(k*(i+1))。)。 x3x=x0(3)*x0(4:end)。 x7x=x0(7)*x0(8)。 end （ 2） 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) clear。機(jī)組 A 風(fēng)功率實(shí)測(cè)數(shù)據(jù) 39。 for ins=1:96 temp=a(1:21,ins)。 shuju=shuju/850。 p=shuju(1:k1,:)。,39。})。 = 50000。 xx(ins)=sim(,x0)。 a1=xlsread(39。,39。39。A1:CR2839。,39。)。機(jī)組 D風(fēng)功率實(shí)測(cè)數(shù)據(jù) 39。 a=a1+a2+a3+a4。 %原序列的自相關(guān)函數(shù)圖 MA(q),觀察系數(shù)是否在區(qū)間(2T^(1/2),2T^(1/2))內(nèi) subplot(2,1,2) parcorr(y(1:2020))。)。T39。 %對(duì) 差分后的序列做擬合和預(yù)測(cè)，求出最好的階數(shù) z=iddata(DX)。 %armax(p,q),選擇對(duì)應(yīng) FPE 最小， AIC 值最小的模型 test = [test。 break。 %檢驗(yàn)殘差的自相關(guān)和偏相關(guān)函數(shù) figure subplot(2,1,1) autocorr() %一階差分序列 z 自相關(guān)函數(shù)圖 MA(q)，置信水平 subplot(2,1,2) parcorr() %一階差分序列 z偏相關(guān)函數(shù)圖 AR(p)，置信 水平 %預(yù)測(cè)過程 pp=predict(m1,z,16)。b39。 23 end xlswrite(39。clc %準(zhǔn)確率 pa=xlsread(39。,39。39。 relative_A=abs((papa3)./pa)。,39。)。Sheet139。 % plot(relative_B(:)) pc=xlsread(39。,39。39。 relative_C=abs((pcpa3)./pc)。,39。)。Sheet139。 % plot(relative_D(:)) p4=pa+pb+pc+pd。Sheet139。 % plot(relative_4(:)) a58=xlsread(39。,39。39。 relative_58=abs((a58pa3)./a58)。b39。+3