【正文】 +39。 relative_58=abs((a58pa3)./a58)。,39。Sheet139。Sheet139。,39。39。 % plot(relative_B(:)) pc=xlsread(39。)。 relative_A=abs((papa3)./pa)。,39。 23 end xlswrite(39。 %檢驗殘差的自相關(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)測過程 pp=predict(m1,z,16)。 %armax(p,q),選擇對應(yīng) FPE 最小， AIC 值最小的模型 test = [test。T39。 %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))。機組 D風(fēng)功率實測數(shù)據(jù) 39。,39。39。 a1=xlsread(39。 = 50000。,39。 shuju=shuju/850。機組 A 風(fēng)功率實測數(shù)據(jù) 39。 x7x=x0(7)*x0(8)。)。 for i=1:21*121 x(i,:)=temp(k*(i1)+1:k*i)。,39。 end end y3=y339。 x2(j,:)=x1(i,:)。 rcoplot(r,rint) %剔除點 j=0。 y(i)=temp(k*i+1)。機組 A 風(fēng)功率實測數(shù)據(jù) 39。 缺點 ： ，如果數(shù)據(jù)測量的不夠準(zhǔn)確，則不可能有較高的預(yù)測精度。分別利用這兩個時間序列，采用自回歸移動平均模型（ ARMA）進行預(yù)測 。 因此，研究 風(fēng)電機組匯聚給風(fēng)電功率預(yù)測誤差帶來的影響 ，便于我們 提出一種風(fēng)電場群外送輸電容量的配置優(yōu)化方法 。圖 8 為 PA 機組采用 ARMA 模型滾動地預(yù)測 16 個時點的風(fēng)電功率數(shù)值。所謂準(zhǔn)則函數(shù)，就是它既考慮某一模型擬合時對原始數(shù)據(jù)的接近程度，同時也考慮模型中所包含待定參數(shù)的個數(shù)，建模時按照這種函數(shù)的取值判斷模型的優(yōu)劣，以決定取舍。由下式估計 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 是功率時間序列的自協(xié)方差函數(shù)（當(dāng) 0k? 時，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 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)估計出了 i? ，則要按式 ⑩ 算出序列 ??ty ? ?1, 2, ,t n n N? ? ? 。 自回歸滑動平均模型對風(fēng)電功率的預(yù)測 模型的建立 ⑴ 模型說明 ： 由于時間序列同時蘊含著數(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)電場發(fā)電功率的 數(shù)據(jù)具有按時間排序和離 散性，因此可以采用時間序列分析方法對風(fēng)電場 的發(fā)電功率進行預(yù)測。 （ 2）模型的求解 同樣利用 2020 年 5 月 10 日到 2020 年 5 月 30 日所給的風(fēng)電功率數(shù)據(jù)，把這些數(shù)據(jù)按照時間段先后順序組成 N 個向量，取每個向量的列數(shù)都為 m，以向量的前m1 列的數(shù)值作為自變量，第 m 列的數(shù)值作為因變量，在 MATLAB 中編程求 解，經(jīng)過多次改變所取向量的列數(shù) m 值，最后當(dāng) m=9 列時，剩余標(biāo)準(zhǔn)差最小，即為rmse=，擬合的交互式界面如圖 3 所示 。 4. 問題一的解答 問題 一主要是根據(jù)已有的各機組歷史發(fā)電功率數(shù)據(jù)，對各機組發(fā)電功率進行實時預(yù)測，為此我們建立三種預(yù)測模型。為 此，對風(fēng)電場的發(fā)電功率進行盡可能準(zhǔn)確地預(yù)測，是急需解決的問題。 請你在問題 1 的基礎(chǔ)上，構(gòu)建有更高預(yù)測精度的實時預(yù)測方法 （方法類型不限），并用預(yù)測結(jié)果說明其有效性。 請對給定數(shù)據(jù)進行風(fēng)電功率實時預(yù)測并檢驗預(yù)測結(jié)果是否滿足附件 1中的關(guān)于預(yù)測精度的相關(guān)要求。 根據(jù)電力調(diào)度部門安排運行方式的不同需求，風(fēng)電功率預(yù)測分為日前預(yù)測和實時預(yù)測。 由于 風(fēng)電功率實時預(yù)測 受所給歷史發(fā)電功率 、 風(fēng)速、風(fēng)向、氣溫、氣壓及機組自身特性等 數(shù)據(jù)信息的準(zhǔn)確性及眾多隨機因素的影響，阻礙了風(fēng)電功率實時預(yù)測精度，且預(yù)測精度不可能到達 100%。 所以，為對風(fēng)電功率進行準(zhǔn)確的預(yù)測， ARMA 模型是最好的預(yù)測方法。 對于問題一：為 實時 預(yù)測 5 月 31 日 之后 PA、 PB、 PC、 PD、 P P58 的 風(fēng)電 功率，我們 利用 各機組之前已知的風(fēng)電功率序列，分別采用 多元二項式回歸 模型 、反向傳播的BP神經(jīng)網(wǎng)絡(luò) 模型 、時間序列中的自回歸移動平均模型（ ARMA）對風(fēng)電功率進行預(yù)測 ，并對各預(yù)測模型的誤差進行了分析 。 分別利用 ARMA 模型進行 風(fēng)電功率預(yù)測，再 把各自的預(yù)測結(jié)果作為 BP 神經(jīng)網(wǎng)絡(luò)的輸入 ，得到最后的風(fēng)電功率 。 大規(guī)模風(fēng)電場接入電網(wǎng)運行時，大幅度地風(fēng)電功率波動會對電網(wǎng)的功率平衡和頻率調(diào)節(jié)帶來不利影響。附件 2中給出了 2020 年 5月 10 日至 2020 年 6 月 6 日時間段內(nèi)該風(fēng)電場中指定的四臺風(fēng) 電機組（ A、B、 C、 D）輸出功率數(shù)據(jù)（分別記為 PA， PB， PC， PD。眾多風(fēng)電機組的匯聚會改變風(fēng)電功率波動的屬 3 性，從而可能影響預(yù)測的誤差。 符號說明 符號 符號說明 PA、 PB、 PC、 PD 分別為四臺風(fēng)電機組的輸出功率 P4 分別 為 PA、 PB、 PC、 PD四臺風(fēng)電機組輸出功率之和 P58 全場 58 臺機組總輸出功率 rP 、 pP 分別為機組真實功率和預(yù)測功率 R 相對預(yù)測誤差 01, , , m? ? ? 回歸系數(shù) i? 自回歸參數(shù) j? 滑動平均參數(shù) Cap 風(fēng)電場的開機容量 3. 問題分析 現(xiàn)今風(fēng)力發(fā)電主要利用的是近地風(fēng)能， 近地 風(fēng)具有波動性、間歇性、低能量密度等特點，因而風(fēng)電功率也是波動的。 針對問題三：為了進一步提高風(fēng)電功率實時預(yù)測精度的探索，提高風(fēng)電功率實時預(yù)測的準(zhǔn)確程度。現(xiàn)將這幾個數(shù)據(jù)點剔除掉，然后再在 MATLAB 中計算，最 后得到修正后的回歸方程 。作用函數(shù)通常采用 S 型函數(shù)，常用的激活作用函數(shù) ??xf為可導(dǎo)的 sigmoid 函數(shù)： ? ? 11x xf e?? ? （ 2） BP 神經(jīng)網(wǎng)絡(luò)的實現(xiàn) ① 文中建立的結(jié)構(gòu)圖如圖 4 所示： 8 ...輸 入 層隱 含 層隱 含 層輸 出 層Xt + 1時 的 功 率Xt + 2時 的 功 率Xt + 1 1時 的 功 率Xt + 1 2時 的 功 率Xt + 1 3時 的功 率 圖 4 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖 ② 利用 2020 年 5 月 10 日到 2020 年 5 月 30 日各機組所給的風(fēng)電功率數(shù)據(jù)訓(xùn)練該網(wǎng)絡(luò)。對由式③所得的時序 ??tx 按式①或②進行功率建模，將得到預(yù)測功率序列 ? ?tSW 如下： t x t xSW x???? ⑥ 綜上所述，建立的 自回歸滑動平均模型 為： 10 ? ?? ?? ?? ?110012021111nmt i t i t j t jijtxtxNxttNx t xtt x t