【正文】 xxxxxxNxNS W x? ? ? ???????????????? ? ???? ??????????? ?????????????? 模型的求解 模型參數(shù)估計(jì)和模型定階是應(yīng)用時(shí)間序列分析法進(jìn)行建模時(shí)很重要的過(guò)程，該過(guò)程的適當(dāng)與否直接影響到模型參數(shù)的計(jì)算精度和和預(yù)測(cè)的好壞。 式 ○12是關(guān)于 j? 和 2a? 的非線性方程組。 最后，通過(guò)在 MATLAB 中編程進(jìn)行計(jì)算， 確定了模型的階數(shù) 為 n=6 和 m=10，并估計(jì)出了時(shí)序模型的參數(shù)。若按風(fēng)電場(chǎng)群總裝機(jī)容量來(lái)規(guī)劃風(fēng)電外送輸電容 量，很有可能造成輸電容量的過(guò)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(guò)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(kāi)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(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)。 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(guò)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(kāi)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(lái)問(wèn)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(xiàng)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(guò)程 m1 = armax(z(1:2020),[p_test q_test])。)。39。,39。機(jī)組 B風(fēng)功率實(shí)測(cè)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(shí)測(cè)數(shù)據(jù) 39。,39。39。 pa3=xlsread(39。 （ 4） 準(zhǔn)確率及合格率計(jì)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(shí)測(cè)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(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(méi)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。 計(jì)算出 自回歸移動(dòng)平均模型 和神經(jīng)網(wǎng)絡(luò)參數(shù)后，就可對(duì)各機(jī)組風(fēng)電功率進(jìn)行實(shí)時(shí)預(yù)測(cè)，該處僅對(duì) 全場(chǎng) 58 臺(tái)機(jī)組總輸出功率 做了預(yù)測(cè)，不結(jié)果見(jiàn)表 5。 表 4給出的是它們的平均相對(duì)誤差 。 表 2 各模型預(yù)測(cè)的準(zhǔn)確率 PA PB PC PD P4 P58 多元二項(xiàng)回歸 神經(jīng)網(wǎng)絡(luò) ARMA 14 表 3 各模型預(yù)測(cè)的合格 率 PA PB PC PD P4 P58 多元二項(xiàng)回歸 75 神經(jīng)網(wǎng)絡(luò) ARMA 從表 2 和表 3 可知， 時(shí)間序列中的自回歸移動(dòng)平均模型（ ARMA）對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè) 的準(zhǔn)確率及合格率最高，所以推薦采用該模型對(duì)各機(jī)組風(fēng)電功率進(jìn)行預(yù)測(cè)。 建模時(shí)， p 從某一值開(kāi)始逐次增加模型的階數(shù)，對(duì)數(shù)據(jù)進(jìn)行模型擬合時(shí)，準(zhǔn)則函數(shù)有下降的趨勢(shì)，當(dāng)達(dá)到某一階數(shù) 0n 時(shí)，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(jì)出； j? 和 2a? 為未知，因此，可由這 m+1 個(gè)方程解得 j? 和 2a? 的 m+1 個(gè)參數(shù)。 對(duì)風(fēng)電機(jī)組 原始輸出功率序列，當(dāng)其值過(guò)大或過(guò)小時(shí)，為保證計(jì)算精度 ﹑ 減小舍入誤差 ﹑ 避免溢出，可以對(duì)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(jiǎn)單介紹 BP 神經(jīng)網(wǎng)絡(luò)屬于多層 ANN，可看做一個(gè)從輸入到輸出的高度非線性映射，由輸入層、輸出層和一個(gè)或若干個(gè)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(guò)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(méi)有聯(lián)系。 （ 2）模型的求解 根據(jù)上述理論知識(shí)，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(shí)間段先后順序組成 N 個(gè) 向量 ， 取 每個(gè)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(gè)參數(shù)值。 對(duì)于多元二項(xiàng)式回歸模型，利用預(yù)測(cè)時(shí)間段 的前 N各時(shí)間段的風(fēng)電功率作為自變量，預(yù)測(cè)時(shí)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(cè)；對(duì)于反向傳播的 BP 神經(jīng)網(wǎng)絡(luò)模型，首先建立一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，同樣把預(yù)測(cè)時(shí)間段的前 N 各時(shí)間段的風(fēng)電功率作為輸入量，預(yù)測(cè)時(shí)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(guò)程不斷調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，直到到達(dá)滿(mǎn)意為止，而后利用該訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測(cè) ；對(duì)于自回歸移動(dòng)平均模型（ ARMA），主要問(wèn)題是模型的定 階和參數(shù)的確定，這個(gè)主要通過(guò) MATLAB 實(shí)現(xiàn)，選擇對(duì)應(yīng) FPE 和 AIC最小時(shí)的各參數(shù)值，然后根據(jù)已確定的模型，滾動(dòng)地預(yù)測(cè)未來(lái) 16 個(gè)時(shí)點(diǎn)的風(fēng)電功率數(shù)值。 假設(shè) 4：假設(shè)風(fēng)電場(chǎng)的開(kāi)機(jī)容量為 850。 4）試根據(jù)附件 1 中關(guān)于實(shí)時(shí)預(yù)測(cè)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(wèn)題 2：試分析風(fēng)電機(jī)組的匯聚對(duì)于預(yù)測(cè)結(jié)果誤差的影響。在附件 1 國(guó)家能源局頒布的風(fēng)電場(chǎng)功率預(yù)測(cè)預(yù)報(bào)管理暫行辦法中給出了誤差統(tǒng)計(jì)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(duì)于問(wèn)題三： 為進(jìn)一步提高風(fēng)電 功率實(shí)時(shí) 預(yù)測(cè)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(cè) 問(wèn)題 風(fēng)電功率預(yù)測(cè) 問(wèn)題 風(fēng)電功率預(yù)測(cè) 問(wèn)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(dòng)性將會(huì)對(duì)電力系統(tǒng)調(diào)度和安全穩(wěn)定運(yùn)行帶來(lái)很大影響。 對(duì)比結(jié)果 表明： 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