2011年电工杯全国大学生数学建模 全国三等奖论文.docVIP

风电功率预测问题 摘要： 现今风力发电主要利用的是近地风能。近地风具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的。为减少大幅度地风电功率波动对电网的功率平衡和频率调节带来的不利影响，本文讨论多种预测模型在所给数据的基础上对风电场的发电功率进行尽可能准确地预测。 本文采用了“基于小波变换和神经网络的风电功率预测方法”、“灰色预测模型”、“基于ARMA的卡尔曼预测模型”三种方法对风电功率进行预测。根据从一风电场获知的58台风电机28天内的相关运行数据，针对风电功率的随机时间序列特性，初步建立时间序列模型预测风电功率，同时基于相同的数据建立BP模型和小波分析，运用MATLAB软件编程预测输出，进行误差分析。在满足预测精度要求的基础上对比三种模型的结果，选出最优的模型。 为实现风电功率的进一步提高精度预测，提出一种基于小波分析法与滚动式时间序列法组合建模的优化算法。 关键词：小波神经网络预测 灰色预测模型 卡尔曼预测模型 优化算法 一、问题重述 根据百度百科，“风”是“跟地面大致平行的空气流动，是由于冷热气压分布不均匀而产生的空气流动现象为测量附加噪声； 为第i+1 个时刻的预测风速； 为第i+1个时刻的实际风速。 三、问题分析 风电装机容量的逐年快速增长，使得风电在电网中所占的比例也逐年增大。由于风能的随机性，风力发电使电力系统中不确定因素增加，对电力系统的安全运行提出了新的挑战。因而限制风电的发展规模。预测风电场的出力成为解决此问题的有效途径。如果能对风电场风速和发电功率进行比较准确的预测，则有利于电力系统调度部门必要时提前调整调度计划，有效的降低风电对电网安全的影响。 3.1问题1的分析： 本文采用了“基于小波变换和神经网络的风电功率预测方法”、“灰色预测模型”、“基于ARMA的卡尔曼预测模型”三种方法对风电功率进行预测。根据从一风电场获知的58台风电机28天内的相关运行数据，针对风电功率的随机时间序列特性，初步建立时间序列模型预测风电功率，同时基于相同的数据建立BP模型和小波分析，运用MATLAB软件编程预测输出，进行误差分析。在满足预测精度要求的基础上对比三种模型的结果，选出最优的模型。 3.2问题2的分析: 根据第一问建立的预测模型进行分析对电机组功率（PA，PB，PC，PD）的相对预测误差与多机总功率（P4，P58）预测的相对误差之间的规律，我们发现多机总功率（P4，P58）数据相对很平稳，所以用上面三个模型预测可以判断出多机总功率（P4，P58）预测的相对误差要比电机组功率（PA，PB，PC，PD）相对预测误差小。因此，通过风电机组汇聚可以较好的降低对风电功率预测的相对误差。 3.3问题3的分析： 为实现风电功率的进一步提高精度预测，提出一种基于小波分析法与滚动式时间序列法组合建模的优化算法。 思路流程图如图所示： 图 3.1 思路流程图 四、模型的建立与求解 4.1问题1的求解： 4.1.1基于小波变换和神经网络的风电功率预测方法 影响风电功率的主要因素是风速，因此根据风电功率的历史数据直接建立风电功率预测模型是不准确的。而在风速预测的基础上建立风速和风电功率的关系模型进而预测风电场的输出功率，事实上没有真正实现风电场的输出功率预测。本文采用基于小波变换和神经网络的风电功率预测方法。 主题思路是将风电功率和风速分别进行小波分解，得到风电功率和风速的细节部分和概貌部分。由于分解后的风速序列能很好地反映与之相对应的风电功率序列[1]，所以将风电功率和风速的概貌序列输入神经网络，建立风电功率概貌序列的预测模型，将风电功率和风速的细节序列输入神经网络，建立风电功率细节序列的预测模型，再将两模型的预测结果重构，得到风电功率的预测结果。 （1）、小波变换对数据的预处理 对风电功率P进行单尺度小波分解，得到风电功率的细节部分Pd和概貌部分Pa。概貌部分反映风电功率波动的周期性规律，细节部分反映风电功率波动的细节规律。用db3小波对历史风电功率序列和历史风速序列进行单尺度分解并重构。 （2）建立BP神经网络模型 1）、神经网络概述 在数据分析时常常要用到预测，但传统的预测方法如回归分析和时问序列分析在涉及研究变量繁且数据又非线性时，有非常大的局限性。神经网络的出现为处理非线性问题提供了一条新途径。因为神经网络具有大规模的并行、分布式存储和处理、自组织、自适应和自学习能力，特别适合处理同时考虑许多因素和条件不精确，模糊的信息处理问题。 BP网络一般具有三层或三层以上，包括输入层、中间层(即隐含层，可为一层或多层)和输出层，其结构形式如下图所示： 图4.1 BP网络结构形式图 BP神经网络学习过程分正向传播和反向传播，即信息的正向传播和误差的反向传播两个过程组成。在正向传播过程中，输入层各神