【正文】 x39。%計(jì)算預(yù)測(cè)for j=n:1:2 ys(j)=(yc(j)yc(j1))/10。,39。 for k=1:m thetaE0=thetaE0+w2(1,k)*errorr(1,k)。%% 循環(huán)迭代for j=1:10%循環(huán)迭代E(j)=0。預(yù)測(cè)值為： 39。xs=2:n+t_test。B(i,2)=1。風(fēng)速時(shí)間序列能夠預(yù)測(cè)的原因在于其相鄰數(shù)值間的自相關(guān)性。并且, 對(duì)訓(xùn)練初期功效較好的學(xué)習(xí)速率, 不見得對(duì)后來的訓(xùn)練合適。：（1）隱含層內(nèi)有S1 個(gè)神經(jīng)元, 激活函數(shù)F1 采用Sigmoid 型傳遞函數(shù)。按照此方法，沒過15分鐘，我們便可以通過這種方法預(yù)測(cè)一次，這里我們只給出第一次預(yù)測(cè)值與實(shí)際值的比較。過程中主要用到了時(shí)間序列分析法、小波分析法、bp神經(jīng)網(wǎng)絡(luò)法、灰色預(yù)測(cè)等方法。附件2中給出了2006年5月10日至2006年6月6日時(shí)間段內(nèi)該風(fēng)電場(chǎng)中指定的四臺(tái)風(fēng)電機(jī)組（A、B、C、D）輸出功率數(shù)據(jù)（分別記為PA，PB，PC，PD。將小波多分辨率分析技術(shù)和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合,提出一種新的預(yù)測(cè)方法, 即用小波分解技術(shù)將風(fēng)速序列分解成概貌分量和各個(gè)細(xì)節(jié)分量, 然后對(duì)各分量分別用BP網(wǎng)絡(luò)進(jìn)行預(yù)測(cè), 最后經(jīng)重構(gòu)得到原始風(fēng)速序列的預(yù)測(cè)值?；疑A(yù)測(cè)模型中，考慮到短期預(yù)測(cè)所用數(shù)據(jù)較少，灰色模型中，將所要用到的歷史數(shù)據(jù)組成時(shí)間序列，建立灰色預(yù)測(cè)模型GM（1,1）模型，通過matlab 軟件編程，從而求解到需要預(yù)測(cè)的數(shù)據(jù)。如果可以對(duì)風(fēng)電場(chǎng)的發(fā)電功率進(jìn)行預(yù)測(cè)，電力調(diào)度部門就能夠根據(jù)風(fēng)電功率變化預(yù)先安排調(diào)度計(jì)劃，保證電網(wǎng)的功率平衡和運(yùn)行安全。在問題1的預(yù)測(cè)結(jié)果中，試比較單臺(tái)風(fēng)電機(jī)組功率（PA，PB，PC，PD）的相對(duì)預(yù)測(cè)誤差與多機(jī)總功率（P4，P58）預(yù)測(cè)的相對(duì)誤差，其中有什么帶有普遍性的規(guī)律嗎？從中你能對(duì)風(fēng)電機(jī)組匯聚給風(fēng)電功率預(yù)測(cè)誤差帶來的影響做出什么樣的預(yù)期？問題3：進(jìn)一步提高風(fēng)電功率實(shí)時(shí)預(yù)測(cè)精度的探索。公式(11)稍作變換得： 　 (13) 可見，是期的預(yù)測(cè)值加上用調(diào)整的期的預(yù)測(cè)誤差。（2） .模型的求解 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的MATLAB實(shí)現(xiàn)(一)數(shù)據(jù)樣本的預(yù)處理 將樣本分為訓(xùn)練集和測(cè)試集，(二)確定激活函數(shù) 根據(jù)處理后的數(shù)據(jù)范圍，本文選取tansig和purelin作為激活函數(shù)。 j為隱含層節(jié)點(diǎn)數(shù)。 h(m 2k), g( m 2k)分別為低通濾波器和高通濾波器。 Wave let BP方法比單純的BP網(wǎng)絡(luò)預(yù)測(cè)精度要高, 這是因?yàn)樾〔ǚ纸忸A(yù)測(cè)模型提取了反映風(fēng)速變化的規(guī)律, 將非平穩(wěn)時(shí)間序列分解成多個(gè)比原序列平穩(wěn)得多的序列, 充分展示了風(fēng)功率序列的精細(xì)結(jié)構(gòu), 降低了隨機(jī)成分對(duì)確定性成分的干擾, 提高了數(shù)據(jù)變化的穩(wěn)定程度, 從而提高了預(yù)測(cè)精度。請(qǐng)輸入需要預(yù)測(cè)個(gè)數(shù)：39。enddet=det/(n1)。w2(1,1)=y(1,1)。 end theta4=(1+exp(w11*t))*(theta3y(1,1))。xlabel(39。 %LD層輸出 end theta5=0。,39。,12) 23 。legend(39。 %LC層輸出 end LD_d=0。fontsize39。 end %閥值 theta3=0。end%% 權(quán)值閥值初始化t=1。det=0。t=u/a。本文采用平均絕對(duì)誤差(MAE)、平均絕對(duì)百分比誤差(MAPE)和均方根誤差( RMSE )來對(duì)預(yù)測(cè)效果進(jìn)行評(píng)價(jià)。 Cj k為低頻系數(shù)。該方法是在反向傳播法的基礎(chǔ)上在每一個(gè)權(quán)值的變化上加上一項(xiàng)正比于前次權(quán)值變化量的值, 并根據(jù)反向傳播法來產(chǎn)生新的權(quán)值變化。在具體設(shè)計(jì)時(shí)，首先根據(jù)經(jīng)驗(yàn)公式初步確定隱含層神經(jīng)元個(gè)數(shù)，然后通過對(duì)不同神經(jīng)元數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練對(duì)比，再最終確定神經(jīng)元數(shù)。于是運(yùn)用指數(shù)平滑法，我們建立了一次指數(shù)平滑模型： 其中：——第次預(yù)測(cè)值；——第次的實(shí)際觀測(cè)值； ——平滑系數(shù)，且將 代入(11)式中,可得: (12)公式(12)中各項(xiàng)系數(shù)和為: 當(dāng)時(shí), , 系數(shù)和。在我國(guó)主要采用集中開發(fā)的方式開發(fā)風(fēng)電，各風(fēng)電機(jī)組功率匯聚通過風(fēng)電場(chǎng)或風(fēng)電場(chǎng)群（多個(gè)風(fēng)電場(chǎng)匯聚而成）接入電網(wǎng)。近地風(fēng)具有波動(dòng)性、間歇性、低能量密度等特點(diǎn)，因而風(fēng)電功率也是波動(dòng)的。 針對(duì)問題一，首先我們選擇了對(duì)a時(shí)間范圍進(jìn)行預(yù)測(cè)，由于這屬于短期預(yù)測(cè)，短時(shí)間內(nèi)風(fēng)功率收外因影響較小，所以經(jīng)分析，我們采用了三種模型，分別是時(shí)間序列分析模型、灰色預(yù)測(cè)模型以及bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。 若不是這樣, 而產(chǎn)生了過調(diào), 那么就應(yīng)該減小學(xué)習(xí)速率的值。問題1：風(fēng)電功率實(shí)時(shí)預(yù)測(cè)及誤差分析。 對(duì)于問題二的分析，可以通過對(duì)問題一中數(shù)據(jù)的圖像的分析和綜合，我們根據(jù)他們之間的均方誤差得出結(jié)論。(一)網(wǎng)絡(luò)層數(shù) BP網(wǎng)絡(luò)是通過輸入層到輸出層的計(jì)算來完成的。輸入為p, 輸入神經(jīng)元有R1 個(gè)。自適應(yīng)學(xué)習(xí)速率法的準(zhǔn)則是: 檢查權(quán)值的修正值是否真正降低了誤差函數(shù), 如果確實(shí)如此, 則說明所選取的學(xué)習(xí)速率值小了, 可以對(duì)其增加一個(gè)量。當(dāng)自相關(guān)系數(shù)降至1 e 1時(shí)的延時(shí)步長(zhǎng)確定為輸入樣本的維數(shù)m, 即輸入層節(jié)點(diǎn)數(shù)。for j=1:n1YN(j)=y(j+1)。plot(x+1960,y,39。：clcclearload data%% 數(shù)據(jù)累加作為網(wǎng)絡(luò)輸入[n,m]=size(X)。 %LB層輸出 LB_b=1/(1+exp(w11*t))。 %修改權(quán)值 for k=2:m w2(1,k)=w2(1,k)u(k1)*errorr(1,k)*LB_b。,12)。*39。fontsize39。fontsize39。endyc=yc*10。ylabel(39。 %誤差求和 %計(jì)算誤差 for k=1:m errorr(k)=error*(1+exp(w11*t))。endtheta2=(1+exp(a*t))*(theta1y(1,1))。])。for j=n+t_test:1:2ys(j)=yys(j)yys(j1)。endB=ones(n1,2)。(3).3 BP網(wǎng)絡(luò)構(gòu)造 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的確定目前尚缺乏嚴(yán)格的理論指導(dǎo), 網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)等于輸入樣本的維數(shù)m。 m 為動(dòng)量因子。預(yù)期：增加電機(jī)組，可以減小總功率的誤差。設(shè)為待估參數(shù)向量，可利用最小二乘法求解。觀察數(shù)據(jù)可以發(fā)現(xiàn)數(shù)據(jù)變化