數(shù)學(xué)建模優(yōu)秀論文-風(fēng)電功率預(yù)測(cè)問(wèn)題-閱讀頁(yè)
2024-11-23 00:52本頁(yè)面
【正文】 ....預(yù) 測(cè) 值預(yù) 測(cè) 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(cè)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(duì)于兩個(gè) 時(shí)間序列的 自回歸移動(dòng)平均模型（ ARMA） 參數(shù)的確定同 一樣的求解方法；對(duì)于神經(jīng)網(wǎng)絡(luò)機(jī)構(gòu)參數(shù)的確定同 一樣。并把預(yù)測(cè)值和題目給出值在 MATLAB 中畫(huà)出，如圖 11 所示。所以，風(fēng)電預(yù)測(cè)精度不可能到達(dá) 100%。 缺點(diǎn) ： ，如果數(shù)據(jù)測(cè)量的不夠準(zhǔn)確，則不可能有較高的預(yù)測(cè)精度。 模型的改進(jìn) 1． 對(duì)于在應(yīng)用 多元二項(xiàng)式回歸模型、反向傳播的 BP 神經(jīng)網(wǎng)絡(luò)模型 、時(shí)間序列中的自回歸移動(dòng)平均模型（ ARMA）對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè) 之前，對(duì)部分不合理數(shù)據(jù)進(jìn)行必要的處理。 [1] 范高峰，王偉勝，劉純 .基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)系統(tǒng) [J].電網(wǎng)技術(shù)，2020. [2] 丁明，張立軍，吳義純 .基于時(shí)間序列的風(fēng)電場(chǎng)風(fēng)俗預(yù)測(cè)模型 [J].電力自動(dòng)化設(shè)備，2020. [3] 廖明夫， ， [M].西北工業(yè)大學(xué)出版社 ,2020. [4] 倪瑋，許光（譯）， Manfred Stiebler（著） .風(fēng)力發(fā)電系統(tǒng) [M].機(jī)械工業(yè)出版社，2020. [5] 龐博 .大容量風(fēng)電機(jī)組并網(wǎng)運(yùn)行造成的影響 [J].科技情報(bào)開(kāi)發(fā)與經(jīng)濟(jì)， 2020. [6] 谷興凱，范高峰，王曉蓉等 .風(fēng)電功率預(yù)測(cè)技術(shù)綜述 [J].電網(wǎng)技術(shù)， 2020. [7] 戚雙斌，王維慶，張新燕 .基于 SVM 的風(fēng)速風(fēng)功率預(yù)測(cè)模型 [J].可再生能源， 2020. [8] 王彩霞，魯宗相，喬穎等 .基于非參數(shù)回歸模型的短期風(fēng)電功 率預(yù)測(cè) [J].電力系統(tǒng)自動(dòng)化， 2020. [9] 韓爽，楊勇平，劉永前 .三種方法在風(fēng)速預(yù)測(cè)中的研究應(yīng)用 [J].華北電力學(xué)報(bào)， 2020. 主要 源程序： （ 1） 回歸預(yù)測(cè) clear。39。機(jī)組 A 風(fēng)功率實(shí)測(cè)數(shù)據(jù) 39。A1:CR2839。 temp=a(1:21,:)39。 k=32。 y(i)=temp(k*i+1)。 y(21*31)=temp(k*i)。 long=size(x,1)。 y=y39。 rcoplot(r,rint) %剔除點(diǎn) j=0。 19 x1(j,:)=x(i,:)。 end end y1=y139。 % rcoplot(r,rint) j=0。 x2(j,:)=x1(i,:)。 end end y2=y239。 % rcoplot(r,rint) j=0。 x3(j,:)=x2(i,:)。 end end y3=y339。 rcoplot(r,rint) clear i j k stats1 stats2 temp x1 x2 y1 y2 long %預(yù)測(cè) x0=a(21,65:96)。 x0=[x0(2:end),xx(i)]。clc a=xlsread(39。,39。,39。)。temp=temp(:)。 for i=1:21*121 x(i,:)=temp(k*(i1)+1:k*i)。 end x(21*12,:)=temp(k*i:k*(i+1)1)。 y(21*12)=temp(k*(i+1))。 rstool(x,y,39。)。 for i=1:96 x1x=x0(1)*x0(2:end)。 x3x=x0(3)*x0(4:end)。 x5x=x0(5)*x0(6:end)。 x7x=x0(7)*x0(8)。 yy(i)=[1,xx]*beta。 end （ 2） 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) clear。39。機(jī)組 A 風(fēng)功率實(shí)測(cè)數(shù)據(jù) 39。A1:CR2839。 for ins=1:96 temp=a(1:21,ins)。 for i=1:21k+1 x(1:k,i)=temp(i:k+i1)。 shuju=shuju/850。Xmax=*ones(k1,1)。 p=shuju(1:k1,:)。 21 = newff(pr,[8,5,1],{39。,39。,39。})。 = 。 = 50000。 %預(yù)測(cè) x0=x(2:k,21k+1)。 xx(ins)=sim(,x0)。 end （ 3） 自回歸移動(dòng)模型預(yù)測(cè) clear。 a1=xlsread(39。,39。,39。)。39。機(jī)組 B風(fēng)功率實(shí)測(cè)數(shù)據(jù) 39。A1:CR2839。 a3=xlsread(39。,39。,39。)。39。機(jī)組 D風(fēng)功率實(shí)測(cè)數(shù)據(jù) 39。A1:CR2839。 a=a1+a2+a3+a4。y=y(:)。 %原序列的自相關(guān)函數(shù)圖 MA(q),觀察系數(shù)是否在區(qū)間(2T^(1/2),2T^(1/2))內(nèi) subplot(2,1,2) parcorr(y(1:2020))。 [H,PValue,TestStat,CriticalValue] = dfARDTest(y,[],39。)。 else DX=diff(y,i)。T39。 end end figure subplot(2,1,1) autocorr(DX)。 %對(duì) 差分后的序列做擬合和預(yù)測(cè)，求出最好的階數(shù) z=iddata(DX)。 for p = 1:10 %自回歸對(duì)應(yīng) PACF,給定滯后長(zhǎng)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(dòng)平均對(duì)應(yīng) ACF m = armax(z(1:2020),[p q])。 %armax(p,q),選擇對(duì)應(yīng) FPE 最小， AIC 值最小的模型 test = [test。 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)。 break。 %armax(p,q),[p_test q_test]對(duì)應(yīng) AIC 值最小 figure e = resid(m1,z(1:2020))。 %檢驗(yàn)殘差的自相關(guān)和偏相關(guān)函數(shù) figure subplot(2,1,1) autocorr() %一階差分序列 z 自相關(guān)函數(shù)圖 MA(q)，置信水平 subplot(2,1,2) parcorr() %一階差分序列 z偏相關(guān)函數(shù)圖 AR(p)，置信 水平 %預(yù)測(cè)過(guò)程 pp=predict(m1,z,16)。r39。b39。 po = 。 23 end xlswrite(39。,A_data)。clc %準(zhǔn)確率 pa=xlsread(39。,39。,39。)。39。Sheet139。 relative_A=abs((papa3)./pa)。 % plot(relative_A(:)) pb=xlsread(39。,39。,39。)。39。Sheet139。 relative_B=abs((pbpa3)./pb)。 % plot(relative_B(:)) pc=xlsread(39。,39。,39。)。39。Sheet139。 relative_C=abs((pcpa3)./pc)。 % plot(relative_C(:)) pd=xlsread(39。,39。,39。)。39。Sheet139。 relative_D=abs((pdpa3)./pd)。 % plot(relative_D(:)) p4=pa+pb+pc+pd。39。Sheet139。 relative_4=abs((p4pa3)./p4)。 % plot(relative_4(:)) a58=xlsread(39。,39。,39。)。39。Sheet139。 relative_58=abs((a58pa3)./a58)。 % plot(relative_58(:)) x=1:672。b39。r39。+39。 （ 2）運(yùn)行程序時(shí)，請(qǐng)把附件中所 給的數(shù)據(jù)一同放在 MATLAB 工作目錄
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1