【正文】 xxxxxxNxNS W x? ? ? ???????????????? ? ???? ??????????? ?????????????? 模型的求解 模型參數(shù)估計和模型定階是應(yīng)用時間序列分析法進(jìn)行建模時很重要的過程，該過程的適當(dāng)與否直接影響到模型參數(shù)的計算精度和和預(yù)測的好壞。 式 ○12是關(guān)于 j? 和 2a? 的非線性方程組。 最后，通過在 MATLAB 中編程進(jìn)行計算， 確定了模型的階數(shù) 為 n=6 和 m=10，并估計出了時序模型的參數(shù)。若按風(fēng)電場群總裝機(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)電場群整體出力較大的部分時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)是實現(xiàn)風(fēng)能大規(guī)模開發(fā)利用的重要途徑。根據(jù)表 4 中數(shù)據(jù)， 風(fēng)電機(jī)組匯聚使得其風(fēng)電功率相對預(yù)測誤差與單臺風(fēng)電機(jī)組風(fēng)電功率相對預(yù)測相比減小， 可知 風(fēng)電機(jī)組的匯聚有利于風(fēng)電功率的預(yù)測。 表 5 對 P58 實時預(yù)測的值 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)測值與真實值比較 實時預(yù)測精度影響因素 本文主要利用已知數(shù)據(jù)進(jìn)行風(fēng)電功率實時預(yù)測，所以影響實時預(yù)測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)電場自身的運(yùn)行維護(hù)，運(yùn)行人員對機(jī)組的開停等隨機(jī)因素也會給風(fēng)電功率預(yù)測系統(tǒng)帶來問題。clc a=xlsread(39。temp=temp(:)。 x=[ones(long,1),x]。 % figure [b,bint,r,rint,stats1]=regress(y1,x1,)。 for i=1:54 if i==44 else j=j+1。 end 20 %多元二項式 clear。 temp=a(1:21,:)39。 y=y39。 x4x=x0(4)*x0(5:end)。clc a=xlsread(39。 k=5。 goal=shuju(k,:)。 = 10。 xx(ins)=xx(ins)*850。A1:CR2839。)。 a4=xlsread(39。 y=a(1:28,:)39。 %是否是穩(wěn)定序列 for i = 1:10 if H == 1 break。%將 DX 轉(zhuǎn)化為 matlab 接受的格式 test = []。 end end %擬合過程 m1 = armax(z(1:2020),[p_test q_test])。)。39。,39。機(jī)組 B風(fēng)功率實測數(shù)據(jù) 39。)。A22:CR2839。 relative_C=relative_C39。 pa3=xlsread(39。 pa3=xlsread(39。39。,39。,x,relative_4(:),39。 。 plot(x,relative_A(:),39。 pa3=xlsread(39。 relative_4=relative_439。 relative_D=relative_D39。A22:CR2839。)。機(jī)組 C風(fēng)功率實測數(shù)據(jù) 39。,39。39。 pa3=xlsread(39。 （ 4） 準(zhǔn)確率及合格率計算程序 clear。,pp,39。 q_test = test(k,2)。 22 subplot(2,1,2) parcorr(DX)。T39。)。A1:CR2839。,39。機(jī)組 A風(fēng)功率實測數(shù)據(jù) 39。 x0=x0/850。logsig39。 pr=[Xmin,Xmax]。)。 x0=[x0(2:end),yy(i)]。 x2x=x0(2)*x0(3:end)。 y(21*121)=temp(k*i)。A1:CR2839。 for i=1:96 xx(i)=[1,x0]*b。 % figure [b,bint,r,rint,stats2]=regress(y2,x2,)。 y1(j)=y(i)。 y(21*3)=temp(k*(i+1))。)。 模型的推廣 本文中應(yīng)用的三種預(yù)測模型，這些模型可以應(yīng)用到很多預(yù)測和控制領(lǐng)域，尤其是時 18 間序列和變化沒有較強(qiáng)的規(guī)律可循的數(shù)據(jù)， 時間序列中的自回歸移動平均模型 最為適合。 計算出 自回歸移動平均模型 和神經(jīng)網(wǎng)絡(luò)參數(shù)后，就可對各機(jī)組風(fēng)電功率進(jìn)行實時預(yù)測，該處僅對 全場 58 臺機(jī)組總輸出功率 做了預(yù)測，不結(jié)果見表 5。 表 4給出的是它們的平均相對誤差 。 表 2 各模型預(yù)測的準(zhǔn)確率 PA PB PC PD P4 P58 多元二項回歸 神經(jīng)網(wǎng)絡(luò) ARMA 14 表 3 各模型預(yù)測的合格 率 PA PB PC PD P4 P58 多元二項回歸 75 神經(jīng)網(wǎng)絡(luò) ARMA 從表 2 和表 3 可知， 時間序列中的自回歸移動平均模型（ ARMA）對風(fēng)電功率進(jìn)行預(yù)測 的準(zhǔn)確率及合格率最高，所以推薦采用該模型對各機(jī)組風(fēng)電功率進(jìn)行預(yù)測。 建模時， p 從某一值開始逐次增加模型的階數(shù)，對數(shù)據(jù)進(jìn)行模型擬合時，準(zhǔn)則函數(shù)有下降的趨勢，當(dāng)達(dá)到某一階數(shù) 0n 時，準(zhǔn)則函數(shù)達(dá)到極小，此階數(shù)即為該準(zhǔn)則函數(shù)決定的最佳模型階數(shù)。 0 , 1 , 2 , ,my k a j j kjRj k m k m? ? ?????? ? ? ? ?? ○12 在此方程組中， ,ykR 是序列 ??ty 的自協(xié)方差函數(shù)，可由 ??ty 估計出； j? 和 2a? 為未知，因此，可由這 m+1 個方程解得 j? 和 2a? 的 m+1 個參數(shù)。 對風(fēng)電機(jī)組 原始輸出功率序列，當(dāng)其值過大或過小時，為保證計算精度 ﹑ 減小舍入誤差 ﹑ 避免溢出，可以對原始功率序列進(jìn)行標(biāo)準(zhǔn)化處理。 模型的求解 （ 1） 神經(jīng)網(wǎng)絡(luò)模型的簡單介紹 BP 神經(jīng)網(wǎng)絡(luò)屬于多層 ANN，可看做一個從輸入到輸出的高度非線性映射，由輸入層、輸出層和一個或若干個隱 含層構(gòu)成，每一層包含若干神經(jīng)元，層與層之間的神經(jīng)元通過連接權(quán)重及閾值相連、每層神經(jīng)元的狀態(tài)只影響下一層的神經(jīng)元狀態(tài)、同層的神經(jīng)元之間沒有聯(lián)系。 （ 2）模型的求解 根據(jù)上述理論知識，結(jié)合 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33，以向量的前 32 列的數(shù)值作為自變量，第 33 列的數(shù)值作為因變量，在 MATLAB中編程求得各個參數(shù)值。 對于多元二項式回歸模型，利用預(yù)測時間段 的前 N各時間段的風(fēng)電功率作為自變量，預(yù)測時間段的風(fēng)電功率作為因變量，根據(jù)已知數(shù)據(jù)采用最小二乘法得到回歸系數(shù)，回歸方程求得后即可進(jìn)行風(fēng)電功率預(yù)測；對于反向傳播的 BP 神經(jīng)網(wǎng)絡(luò)模型，首先建立一個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，同樣把預(yù)測時間段的前 N 各時間段的風(fēng)電功率作為輸入量，預(yù)測時間段的風(fēng)電功率作為輸出量，根據(jù)已知數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，該過程不斷調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，直到到達(dá)滿意為止，而后利用該訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測 ；對于自回歸移動平均模型（ ARMA），主要問題是模型的定 階和參數(shù)的確定，這個主要通過 MATLAB 實現(xiàn)，選擇對應(yīng) FPE 和 AIC最小時的各參數(shù)值，然后根據(jù)已確定的模型，滾動地預(yù)測未來 16 個時點的風(fēng)電功率數(shù)值。 假設(shè) 4：假設(shè)風(fēng)電場的開機(jī)容量為 850。 4）試根據(jù)附件 1 中關(guān)于實時預(yù)測的考核要求分析你所采用方法的準(zhǔn)確性； 5）你推薦哪種方法？ 問題 2：試分析風(fēng)電機(jī)組的匯聚對于預(yù)測結(jié)果誤差的影響。在附件 1 國家能源局頒布的風(fēng)電場功率預(yù)測預(yù)報管理暫行辦法中給出了誤差統(tǒng)計的相應(yīng)指標(biāo)?，F(xiàn)今風(fēng)力發(fā)電主要利用的是近地風(fēng)能。 對于問題三： 為進(jìn)一步提高風(fēng)電 功率實時 預(yù)測的 精確 性， 考慮到機(jī)組的發(fā)電功率不僅與風(fēng)速有關(guān)，還與空氣密度有關(guān) 。 1 風(fēng)電功率預(yù)測 問題 風(fēng)電功率預(yù)測 問題 風(fēng)電功率預(yù)測 問題 摘 要 隨著大規(guī)模的風(fēng)電接入電網(wǎng) ,風(fēng) 電功率 的不確定性和波動性將會對電力系統(tǒng)調(diào)度和安全穩(wěn)定運(yùn)行帶來很大影響。 對比結(jié)果 表明： 風(fēng)電機(jī)組匯聚使得其 風(fēng)電功率 相對預(yù)測誤差與單臺風(fēng)電機(jī)組