【正文】 先我們選擇了對a時間范圍進行預(yù)測，由于這屬于短期預(yù)測，短時間內(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，分別是時間序列分析模型、灰色預(yù)測模型以及bp神經(jīng)網(wǎng)絡(luò)預(yù)測模型。 答卷編號：論文題目：風(fēng)功率預(yù)測問題姓 名專業(yè)、班級有效聯(lián)系電話參賽隊員1張畢心自動化218782996154參賽隊員2陳光磊自動化213568800366參賽隊員3占子赫自動化218782994352指導(dǎo)教師：參賽學(xué)校：西南交通大學(xué)報名序號：2476證書郵寄地址： （學(xué)校統(tǒng)一組織的請?zhí)顚懾撠?zé)人）答卷編號：閱卷專家1閱卷專家2閱卷專家3論文等級 摘要 本文對風(fēng)功率的預(yù)測問題作出了研究，并在題目提供的數(shù)據(jù)參考下給出了幾種預(yù)測方案，接著對，最后對最優(yōu)進行了優(yōu)化。本文對風(fēng)電場發(fā)電功率數(shù)據(jù)進行了研究，在此基礎(chǔ)上建立了預(yù)測模型，并且進行了誤差分析以及最優(yōu)模型的建立。時間序列指數(shù)平滑模型中，指數(shù)平滑法相當(dāng)于通過對過去觀測值的加權(quán)平均進行預(yù)測，第一次預(yù)測的16數(shù)據(jù)統(tǒng)一用一個數(shù)據(jù)，而后每過一個時段覆蓋一次。神經(jīng)網(wǎng)絡(luò)模型中，以前5個時間點的風(fēng)功率為輸入值、預(yù)測下一時間點的風(fēng)功率為輸出值，并建立單隱層bp神經(jīng)網(wǎng)絡(luò)。并且設(shè)定網(wǎng)絡(luò)最大迭代次數(shù)和學(xué)習(xí)精度。 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。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細節(jié)分量, 然后對各分量分別用BP網(wǎng)絡(luò)進行預(yù)測, 最后經(jīng)重構(gòu)得到原始風(fēng)速序列的預(yù)測值。 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。 關(guān)鍵字Bp神經(jīng)網(wǎng)絡(luò)分析、指數(shù)平滑法、灰色預(yù)測模型、小波bp神經(jīng)網(wǎng)絡(luò) 問題的重述 根據(jù)百度百科，“風(fēng)”是“跟地面大致平行的空氣流動，是由于冷熱氣壓分布不均勻而產(chǎn)生的空氣流動現(xiàn)象”?，F(xiàn)今風(fēng)力發(fā)電主要利用的是近地風(fēng)能。大規(guī)模風(fēng)電場接入電網(wǎng)運行時，大幅度地風(fēng)電功率波動會對電網(wǎng)的功率平衡和頻率調(diào)節(jié)帶來不利影響。因此，如何對風(fēng)電場的發(fā)電功率進行盡可能準確地預(yù)測，是急需解決的問題。日前預(yù)測是預(yù)測明日24小時96個時點（每15分鐘一個時點）的風(fēng)電功率數(shù)值。在附件1國家能源局頒布的風(fēng)電場功率預(yù)測預(yù)報管理暫行辦法中給出了誤差統(tǒng)計的相應(yīng)指標(biāo)。附件2中給出了2006年5月10日至2006年6月6日時間段內(nèi)該風(fēng)電場中指定的四臺風(fēng)電機組（A、B、C、D）輸出功率數(shù)據(jù)（分別記為PA，PB，PC，PD。問題1：風(fēng)電功率實時預(yù)測及誤差分析。具體要求：1） 采用不少于三種預(yù)測方法（至少選擇一種時間序列分析類的預(yù)測方法）；2） 預(yù)測量：a．PA, PB, PC, PD； b．P4； c．P58。 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(fēng)電機組的匯聚對于預(yù)測結(jié)果誤差的影響。眾多風(fēng)電機組的匯聚會改變風(fēng)電功率波動的屬性，從而可能影響預(yù)測的誤差。提高風(fēng)電功率實時預(yù)測的準確程度對改善風(fēng)電聯(lián)網(wǎng)運行性能有重要意義。通過求解上述問題，請分析論證阻礙風(fēng)電功率實時預(yù)測精度進一步改善的主要因素。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。過程中主要用到了時間序列分析法、小波分析法、bp神經(jīng)網(wǎng)絡(luò)法、灰色預(yù)測等方法。 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。由于風(fēng)功率時間序列既表現(xiàn)出一定周期性, 又表現(xiàn)出很強的隨機性, 特別是中、長期( 如日, 月,年) , 單獨采用BP網(wǎng)絡(luò)模型難以達到很好的效果。 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(yù)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(fēng)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(dāng)于通過對過去觀測值的加權(quán)平均進行預(yù)測。所以，可以說是期以及以前各期觀察值的指數(shù)加權(quán)平均值，觀察值的權(quán)數(shù)按遞推周期以幾何級數(shù)遞減，各期的數(shù)據(jù)離第期越遠，它的系數(shù)愈小，因此它對預(yù)測值的影響也越小。因此，簡單指數(shù)平滑法用于預(yù)測實際上是根據(jù)本期預(yù)測誤差對本期預(yù)測值作出一定的調(diào)整后得到的下一個預(yù)測值，即:新的預(yù)測值=老的預(yù)測值+老預(yù)測值的誤差（2）模型的處理由于用此方法每次只能預(yù)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(yù)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。本文用傳統(tǒng)灰色模型G（1，1），預(yù)測超短期風(fēng)速，具體方法：（1）模型建立 考慮到的變化規(guī)律是一個高度復(fù)雜的不確定系統(tǒng)，對風(fēng)功率非常精確的預(yù)測是不可能做到的，考慮到短期之內(nèi)風(fēng)功率不會因為天氣等因素有較大的變化，所以我們采用30日前一天的16個時間點的數(shù)據(jù)，記成，將這些風(fēng)功率點看作一個時間序列x，為了和后面的累加數(shù)列區(qū)分，將每次上報的風(fēng)功率數(shù)的序列改寫成以下形式：，那么這個時間序列就有16個測量值，對其進行一次累加生成數(shù)列：，其中 。設(shè)為待估參數(shù)向量，可利用最小二乘法求解。按照此方法，沒過15分鐘，我們便可以通過這種方法預(yù)測一次，這里我們只給出第一次預(yù)測值與實際值的比較。(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算來完成的。(二)網(wǎng)絡(luò)各層中神經(jīng)元的個數(shù) 輸入、輸出節(jié)點是與樣本緊密相關(guān)的，與其應(yīng)用的領(lǐng)域有關(guān)。如果隱含層神經(jīng)元數(shù)目過少，網(wǎng)絡(luò)很難識別樣本，難以完成訓(xùn)練，并且網(wǎng)絡(luò)的容錯性也會降低；如果數(shù)目過多，則會增加網(wǎng)絡(luò)的迭代次數(shù)，從而延長網(wǎng)絡(luò)的訓(xùn)練時間，同時也會降低網(wǎng)絡(luò)的泛化能力，導(dǎo)致預(yù)測能力下降。通用的隱含層神經(jīng)元數(shù)的確定經(jīng)驗公式有： i= +a其中i為隱含層神經(jīng)元的個數(shù)，n為輸入層神經(jīng)元的個數(shù)，m為輸出層神經(jīng)元的個數(shù)，可以設(shè)定隱含層的神經(jīng)元數(shù)為l2。(三)設(shè)定網(wǎng)絡(luò)的最大學(xué)習(xí)迭代次數(shù)為6 000次。同時我們根據(jù)附件一給出的準確率的計算公式，我們通過EXCEL編程算出了第一種方案所測的各風(fēng)功率的準確率：項目準確率P48P4PaPbPcPd可以看得到，準確率在在%85以上， 很顯然比后兩種方案精確