【正文】 風(fēng)電功率相對預(yù)測相比減小，風(fēng)電機組的匯聚有利于風(fēng)電功率的預(yù)測。 風(fēng)能是一種可再生、清潔的能源，風(fēng)力發(fā)電是最具大規(guī)模開發(fā)技術(shù)經(jīng)濟條件的非水電再生能源。實時預(yù)測是滾動地預(yù)測每個時點未來 4小時內(nèi)的 16 個時點（每 15分鐘一個時點）的風(fēng)電功率數(shù)值。 3） 預(yù)測時間范圍分別為（預(yù)測用的歷史數(shù)據(jù)范圍可自行選定） ： a. 5 月 31日 0 時 0 分至 5 月 31日 23 時 45分； b. 5 月 31 日 0 時 0分至 6 月 6日 23 時 45 分。 假設(shè) 3：假設(shè)所有的風(fēng)電機組運行的外部條件相同。 針對問題一： 為實時預(yù)測 5 月 31 日 之后 PA、 PB、 PC、 PD、 P P58 的風(fēng)電功率， 4 我們根據(jù) 各機組 5 月 31 日 之前的風(fēng)電功率 數(shù)據(jù) 序列 的信息 ， 根據(jù)現(xiàn)有的預(yù)測方法和各預(yù)測方法的使用條件，最后選擇了多元二項式回歸模型， 反向傳播的 BP 神經(jīng)網(wǎng)絡(luò)模型和 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。 現(xiàn)得到 n 個獨立觀測數(shù)據(jù) ? ?1, , ,i i imy x x ， 1, , ,i n n m??，由 上 式得 ? ?0 1 12~ 0 , , 1 , ,i i m im iiy x xN i n? ? ? ???? ? ? ? ???? ??? ② 5 記 1 1 1111mn nmxxXxx??????? ， 1nyYy??????????? ③ ? ?1 Tn? ? ?? ， ? ?01 Tm? ? ? ?? 整理 為 ? ?2~ 0, nYXNE??????????? ④ 其中 nE 為 n 階單位矩陣。（預(yù)測結(jié)果見附近） 用 BP 神經(jīng)網(wǎng)絡(luò)模型對風(fēng)電功率的預(yù)測 模型的建立 1 3 1 2 1 2( , [ , , , ] )t t t tx sim n e t x x x? ? ? ?? ??? 其中， 為一個網(wǎng)絡(luò)結(jié)構(gòu)， 1 2 12[ , , , ]t t tx x x? ? ???? 為按照時間段先后順序的機組發(fā)電功率。 ⑵ 功率時間序列模型 的建立 ： 對風(fēng)電機組輸出功率數(shù)據(jù)建立自回歸滑動平均模型ARMA(n,m)如下： 11nmt i t i t j t jijxx? ? ? ?????? ? ??? ① 式中 i? （ i=1,2，?， n）為自回歸參數(shù)； j? （ j=1,2，?， n）為滑動平均參數(shù)； ??t? 是一零均值﹑方差為 2a? 的正態(tài)白噪聲過程。 。 本文采用的準則函數(shù)是 AIC 準則函數(shù)，其定義為 ? ? 2ln 2aAIC p N p??? ○13 式中， 2a? 是殘差的方差； p 是模 型的階數(shù)，對于 ARMA(n,m)模型， p m n??；對于 AR(n)模型， pn? 。 （ 2）模型的合格率 2 11100%(1 ) 100% 75% , 1(1 ) 100% 75% , 0NkkM k P kkM k P kkrBNPPBC apPPBC ap??????? ?? ? ? ???? ?? ? ? ???? 根據(jù) 模型的準確率和合格率公式，計算得出采用三種預(yù)測模型得到的 2020 年 5月 31 日各機組發(fā) 電功率的準確率及合格率， 準確率 如表 2 所示 ，合格率如表 3 所示 。 （ 2） 結(jié)果 計算及比較 在 MATLAB中 利用問題一中采用自回歸移動模型預(yù)測的結(jié)果進行相對誤差計算，分別計 算 5 月 31 至 6 月 6 日 單 臺風(fēng)電機組功率 （ PA， PB， PC， PD） 的 功率相對預(yù)測誤差 和多機總功率 的相對預(yù)測誤差， 并在 MATLAB 中作出 PA、 P4和 P58 的相對誤差圖，如圖 9所示。 原理示意圖如圖 10 所示 . 16 數(shù)據(jù)序列時 間 序 列 xi時 間 序 列 yiA R M A 1A R M A 2......預(yù) 測 值預(yù) 測 值神 經(jīng) 網(wǎng) 絡(luò) 組合 器神 經(jīng) 網(wǎng) 絡(luò) 組合 器 圖 10 原理示意圖 所以最后所建立的預(yù)測模型為： 111 1 1 1 ( )1122 2 1 1 ( )11( , [ , ] )nmt i t i t j t jijnmt i t i t j t jijttxxyyP sim n e t x y? ? ? ?? ? ? ??????????? ? ????? ? ???? ??????? 模型的求解 對于兩個 時間序列的 自回歸移動平均模型（ ARMA） 參數(shù)的確定同 一樣的求解方法；對于神經(jīng)網(wǎng)絡(luò)機構(gòu)參數(shù)的確定同 一樣。 模型的改進 1． 對于在應(yīng)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 之前，對部分不合理數(shù)據(jù)進行必要的處理。A1:CR2839。 y(21*31)=temp(k*i)。 19 x1(j,:)=x(i,:)。 end end y2=y239。 rcoplot(r,rint) clear i j k stats1 stats2 temp x1 x2 y1 y2 long %預(yù)測 x0=a(21,65:96)。,39。 end x(21*12,:)=temp(k*i:k*(i+1)1)。 for i=1:96 x1x=x0(1)*x0(2:end)。 yy(i)=[1,xx]*beta。A1:CR2839。Xmax=*ones(k1,1)。,39。 %預(yù)測 x0=x(2:k,21k+1)。,39。機組 B風(fēng)功率實測數(shù)據(jù) 39。,39。A1:CR2839。 [H,PValue,TestStat,CriticalValue] = dfARDTest(y,[],39。 end end figure subplot(2,1,1) autocorr(DX)。 end end for k = 1:size(test,1) if test(k,3) == min(test(:,3)) %選擇 AIC 值最小的模型 p_test = test(k,1)。r39。,A_data)。)。 % plot(relative_A(:)) pb=xlsread(39。39。,39。Sheet139。,39。 relative_D=abs((pdpa3)./pd)。 relative_4=abs((p4pa3)./p4)。)。 % plot(relative_58(:)) x=1:672。 （ 2）運行程序時，請把附件中所 給的數(shù)據(jù)一同放在 MATLAB 工作目錄下。r39。Sheet139。,39。39。39。 % plot(relative_C(:)) pd=xlsread(39。)。 relative_B=abs((pbpa3)./pb)。,39。Sheet139。,39。 po = 。 %armax(p,q),[p_test q_test]對應(yīng) AIC 值最小 figure e = resid(m1,z(1:2020))。 for p = 1:10 %自回歸對應(yīng) PACF,給定滯后長度上限 p和 q，一般取為 T/ ln(T)或 T^(1/2),這里取 T/10=12 for q = 1:10 %移動平均對應(yīng) ACF m = armax(z(1:2020),[p q])。 else DX=diff(y,i)。y=y(:)。39。 a3=xlsread(39。)。 end （ 3） 自回歸移動模型預(yù)測 clear。 = 。 21 = newff(pr,[8,5,1],{39。 for i=1:21k+1 x(1:k,i)=temp(i:k+i1)。39。 x5x=x0(5)*x0(6:end)。 rstool(x,y,39。temp=temp(:)。clc a=xlsread(39。 x3(j,:)=x2(i,:)。 % rcoplot(r,rint) j=0。 y=y39。 k=32。39。所以，風(fēng)電