【正文】 fontsize39。fontsize39。fontsize39。實際值39。)。*39。endyc=yc*10。 for k=2:m theta5=theta5+w2(1,k)*y(i,k)/2。 %LC層輸出 for k=2:m LC_c(1,k)=y(i,k)*LB_b*w2(1,k)。,12)。ylabel(39。進化次數(shù)39。,39。 %修改權(quán)值 for k=2:m w2(1,k)=w2(1,k)u(k1)*errorr(1,k)*LB_b。 %誤差求和 %計算誤差 for k=1:m errorr(k)=error*(1+exp(w11*t))。 %網(wǎng)絡輸出值 ym=LD_dtheta4。 for k=1:m LD_d=LD_d+w3(1,k)*LC_c(1,k)。 %LB層輸出 LB_b=1/(1+exp(w11*t))。endtheta2=(1+exp(a*t))*(theta1y(1,1))。for k=2:mw2(k)=2*b(k1)/a。end%% 學習速率初始化for k=1:(m1) u(k)=。：clcclearload data%% 數(shù)據(jù)累加作為網(wǎng)絡輸入[n,m]=size(X)。])。%disp([39。)。plot(x+1960,y,39。for j=n+t_test:1:2ys(j)=yys(j)yys(j1)。)。u=A(2)。for j=1:n1YN(j)=y(j+1)。endB=ones(n1,2)。 參考文獻[ 1]吳國旸, 肖洋, 翁莎莎. 風電場短期風速預測探討[ J]. 吉林電力, 2005, [ 2]丁明, 張立軍, 吳義純. 基于時間序列分析的風電場風速預測模型[ J] . 電力自動化設備, 2005, .[ 3]蔣宗禮. 人工神經(jīng)網(wǎng)絡導論[M ]. 北京: 高等教育出版社, 2001[ 4]楊秀媛, 肖洋, 陳樹勇. 風電場風速和發(fā)電功率預測研究 . [ 5]潘迪夫, 劉輝, 李燕飛. 風電場風速短期多步預測改進算法[ J] . 中國電機工程學報, [ 6]張彥寧, 康龍云, 周世瓊, 等. 小波分析應用于風力發(fā)電預測控制系統(tǒng)中的風速預測[ J]. 太陽能學報, 附錄 ：function []=greymodel(y)n=length(y)。(3).4 網(wǎng)絡訓練及預測 對三個風速小波系數(shù)分別建立改進型BP網(wǎng)絡模型, 采用數(shù)據(jù)滾動方法對模型進行訓練和預測, 即將本點的預測數(shù)據(jù)視為已知數(shù)據(jù)滾入訓練樣本集, 同時將距離目前時間最遠點的數(shù)據(jù)刪除, 重新訓練網(wǎng)絡,以進行后1小時的風速預測, 依此類推完成全部的風速預測, 這樣使網(wǎng)絡能夠反應風速的最新變化規(guī)律。當自相關系數(shù)降至1 e 1時的延時步長確定為輸入樣本的維數(shù)m, 即輸入層節(jié)點數(shù)。(3).3 BP網(wǎng)絡構(gòu)造 神經(jīng)網(wǎng)絡模型結(jié)構(gòu)的確定目前尚缺乏嚴格的理論指導, 網(wǎng)絡輸入層節(jié)點數(shù)等于輸入樣本的維數(shù)m。利用分解后的小波系數(shù)可以重構(gòu)原始序列, 小波系數(shù)的重構(gòu)形式可表示為下式:（3）小波 BP神經(jīng)網(wǎng)絡(Wavelet BP)風速預測通過數(shù)據(jù)對上述方法進行驗證。算法為式中k, m 為平移系數(shù)。自適應學習速率法的準則是: 檢查權(quán)值的修正值是否真正降低了誤差函數(shù), 如果確實如此, 則說明所選取的學習速率值小了, 可以對其增加一個量。 m 為動量因子。 k為訓練次數(shù)。附加動量法使網(wǎng)絡在修正其權(quán)值時, 不僅考慮誤差在梯度上的作用, 而且考慮在誤差曲面上變化趨勢的影響。輸入為p, 輸入神經(jīng)元有R1 個。預期：增加電機組，可以減小總功率的誤差。(三)設定網(wǎng)絡的最大學習迭代次數(shù)為6 000次。如果隱含層神經(jīng)元數(shù)目過少，網(wǎng)絡很難識別樣本，難以完成訓練，并且網(wǎng)絡的容錯性也會降低；如果數(shù)目過多，則會增加網(wǎng)絡的迭代次數(shù)，從而延長網(wǎng)絡的訓練時間，同時也會降低網(wǎng)絡的泛化能力，導致預測能力下降。(一)網(wǎng)絡層數(shù) BP網(wǎng)絡是通過輸入層到輸出層的計算來完成的。設為待估參數(shù)向量，可利用最小二乘法求解。因此，簡單指數(shù)平滑法用于預測實際上是根據(jù)本期預測誤差對本期預測值作出一定的調(diào)整后得到的下一個預測值，即:新的預測值=老的預測值+老預測值的誤差（2）模型的處理由于用此方法每次只能預測一個數(shù)據(jù)，而要求是每隔一個時段(15分鐘)上報下面的16個數(shù)據(jù)，所以我們第一次預測的16數(shù)據(jù)統(tǒng)一用一個數(shù)據(jù)，而后沒過一個時段覆蓋一次。 定義符號與說明（均已在公式后面給出） 模型的建立與求解（1）.模型建立 首先我們采用的預測數(shù)據(jù)是a. 5月31日0時0分至5月31日23時45分；因為在短期內(nèi)，風功率值受其他因素的影響較小，我們通過指數(shù)平滑法相當于通過對過去觀測值的加權(quán)平均進行預測。 對于問題二的分析，可以通過對問題一中數(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。觀察數(shù)據(jù)可以發(fā)現(xiàn)數(shù)據(jù)變化沒有明顯規(guī)律，并且存在負值。提高風電功率實時預測的準確程度對改善風電聯(lián)網(wǎng)運行性能有重要意義。 4）試根據(jù)附件1中關于實時預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測結(jié)果誤差的影響。問題1：風電功率實時預測及誤差分析。在附件1國家能源局頒布的風電場功率預測預報管理暫行辦法中給出了誤差統(tǒng)計的相應指標。因此，如何對風電場的發(fā)電功率進行盡可能準確地預測，是急需解決的問題。現(xiàn)今風力發(fā)電主要利用的是近地風能。 若不是這樣, 而產(chǎn)生了過調(diào), 那么就應該減小學習速率的值。 針對問題二，我們通過對問題一中數(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。神經(jīng)網(wǎng)絡模型中，以前5個時間點的風功率為輸入值、預測下一時間點的風功率為輸出值，并建立單隱層bp神經(jīng)網(wǎng)絡。本文對風電場發(fā)電功率數(shù)據(jù)進行了研究，在此基礎上建立了預測模型，并且進行了誤差分析以及最優(yōu)模型的建立。 針對問題一，首先我們選擇了對a時間范圍進行預測，由于這屬于短期預測，短時間內(nèi)風功率收外因影響較小，所以經(jīng)分析，我們采用了三種模型，分別是時間序列分析模型、灰色預測模型以及bp神經(jīng)網(wǎng)絡預測模型。并且為了縮短訓練時間同時更加精確的預測，首先根據(jù)經(jīng)驗公式初步確定隱含層神經(jīng)元個數(shù)，然后通過對不同神經(jīng)元數(shù)的網(wǎng)絡進行訓練對比，再最終確定神經(jīng)元數(shù)。 針對問題三，我們采用了基于小波理論的神經(jīng)網(wǎng)絡模型。然后選取數(shù)據(jù)進行訓練和驗證，本文采用平均絕對誤差(