【正文】 向，空氣密度等因素，再結(jié)合給出的數(shù)據(jù)信息，從數(shù)據(jù)中我們可以得到風速和風向信息，即鄰近時間段的發(fā)電功率序列，也可以挖掘到空氣密度信息，因為空氣密度與溫度和氣壓有關(guān)，而鄰近幾天中同一時刻的溫度和氣壓 很接近，即鄰近幾天中同一時刻的發(fā)電功率序列。 ③ BP 網(wǎng)絡(luò)訓練效果檢驗 為了驗證所建立的 BP 神經(jīng)網(wǎng)絡(luò)模型的準確性， 把 已知所給出的風電功率和由神經(jīng)網(wǎng)絡(luò)預(yù)測的值進行比較，并在 MATLAB 中作出圖 5。為解該非線性方程組，本文采用 GaussSeidel法，效果良好。在我國主要采用集中開發(fā)的方式開發(fā)風電，各風電機組功率匯聚通過風電場或風電場群（多個風電場匯聚而成）接入電網(wǎng)。所以，風電預(yù)測精度不可能到達 100%。 k=32。 % rcoplot(r,rint) j=0。clc a=xlsread(39。 rstool(x,y,39。39。 21 = newff(pr,[8,5,1],{39。 end （ 3） 自回歸移動模型預(yù)測 clear。 a3=xlsread(39。y=y(:)。 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])。 po = 。Sheet139。 relative_B=abs((pbpa3)./pb)。 % plot(relative_C(:)) pd=xlsread(39。39。Sheet139。 （ 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。)。 relative_D=abs((pdpa3)./pd)。Sheet139。39。)。r39。 end end figure subplot(2,1,1) autocorr(DX)。A1:CR2839。機組 B風功率實測數(shù)據(jù) 39。 %預(yù)測 x0=x(2:k,21k+1)。Xmax=*ones(k1,1)。 yy(i)=[1,xx]*beta。 end x(21*12,:)=temp(k*i:k*(i+1)1)。 rcoplot(r,rint) clear i j k stats1 stats2 temp x1 x2 y1 y2 long %預(yù)測 x0=a(21,65:96)。 19 x1(j,:)=x(i,:)。A1:CR2839。 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。 （ 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 。 。（預(yù)測結(jié)果見附近） 用 BP 神經(jīng)網(wǎng)絡(luò)模型對風電功率的預(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。 針對問題一： 為實時預(yù)測 5 月 31 日 之后 PA、 PB、 PC、 PD、 P P58 的風電功率， 4 我們根據(jù) 各機組 5 月 31 日 之前的風電功率 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）對風電功率進 行預(yù)測。 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。 風能是一種可再生、清潔的能源，風力發(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。 1 風電功率預(yù)測 問題 風電功率預(yù)測 問題 風電功率預(yù)測 問題 摘 要 隨著大規(guī)模的風電接入電網(wǎng) ,風 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)定運行帶來很大影響?，F(xiàn)今風力發(fā)電主要利用的是近地風能。 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確性； 5）你推薦哪種方法？ 問題 2：試分析風電機組的匯聚對于預(yù)測結(jié)果誤差的影響。 對于多元二項式回歸模型，利用預(yù)測時間段 的前 N各時間段的風電功率作為自變量，預(yù)測時間段的風電功率作為因變量，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行風電功率預(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 各時間段的風電功率作為輸入量，預(yù)測時間段的風電功率作為輸出量，根據(jù)已知數(shù)據(jù)訓練神經(jīng)網(wǎng)絡(luò)，該過程不斷調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，直到到達滿意為止，而后利用該訓練好的網(wǎng)絡(luò)進行預(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 個時點的風電功率數(shù)值。 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。 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)。 表 2 各模型預(yù)測的準確率 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）對風電功率進行預(yù)測 的準確率及合格率最高，所以推薦采用該模型對各機組風電功率進行預(yù)測。 計算出 自回歸移動平均模型 和神經(jīng)網(wǎng)絡(luò)參數(shù)后，就可對各機組風電功率進行實時預(yù)測，該處僅對 全場 58 臺機組總輸出功率 做了預(yù)測，不結(jié)果見表 5。)。 y1(j)=y(i)。 for i=1:96 xx(i)=[1,x0]*b。 y(21*121)=temp(k*i)。 x0=[x0(2:end),yy(i)]。 pr=[Xmin,Xmax]。 x0=x0/850。,39。)。 22 subplot(2,1,2) parcorr(DX)。,pp,39。 pa3=xlsread(39。,39。)。 relative_D=relative_D39。 pa3=xlsread(39。 。,39。 pa3=xlsre