2014年电工杯数学建模全国二等奖论文 吴育文,廖军荣,贺.docVIP

答卷编号： 论文题目：风电功率预测问题吴育文 信息与计算科学 70901班 廖军 数学与应用数学 70903班 贺长波 机械工程及自动化 5091601 姜玉山风电功率预测问题 摘　要 本文分别运用数据迭代、GM(1,1)灰色理论、ARMA和BP神经网络模型对该风电场2006年5月31日至6月6日各个时点的风电功率PA，PB，PC，PD，P4，P58进行预测，通过对预测误差的综合分析发现BP神经网络的精确度最高；研究第一问所得误差数据发现：机组数的增加会影响模型预测的精度，且众多风电机的汇聚会使得总体的预测误差减小．将ARMA模型与BP神经网络相结合可以有效高精度，但由于ARMA模型自身所存在的误差以及外界条件的影响，故风电功率预测精度不可能无限提高． 对问题一，分别建立数据迭代模型、BP神经网络模型、GM(1,1)模型和ARMA模型，对5月31日至6月6日各个时点进行风电功率预测．迭代模型的误差范围是14.5%—22.7%，GM(1,1)的预测误差集中在45%左右，ARMA模型的预测误差范围约为16.3%—25%，BP神经网络的预测误差范围约为5.7%—20.4%，故BP神经网络模型预测效果最好． 对问题二，通过计算问题一中四个模型的相对误差,并比较各组风电功率，四组总的风电功率值和58台机组的风电功率值得出随着机组数的增加会影响模型的预测精度这一结论．并通过相应的电工方面的知识对这一结论就行合理性解释． 对问题三，我们对问题中的BP神经网络模型进行优化处理得到基于ARMA的神经网络模型，并且重新对问题一的要求进行求解，得到了更加精确的预测结果．通过MATLAB进行仿真画出相应的实际曲线和预测曲线的对比图，直观的反映了模型的正确性．并通过分析得出由于ARMA自身存在的误差以及机组发电功率受外部条件的风速，异常性气候等因素的影响造成不能无限提高风电功率的预测精度这一结论． 关键词：风电功率预测　ARMA　GM(1,1)　BP神经网络　ARMA神经网络　  目　录 风电功率预测问题 1 摘　要 1 1 问题重述 4 2 问题分析 4 2.1 问题一的分析 4 2.2 问题二的分析 5 2.3 问题三的分析 5 3 模型假设 5 4 符号说明 5 5 问题一模型的建立与求解 6 5.1 模型一：基于数据迭代的风电功率预测模型 6 5.1.1 数据分析 6 5.1.2 模型建立 6 5.1.3 模型求解 7 5.2 模型二：基于灰色理论的风电功率预测模型 10 5.2.1 灰色模型预测风电功率的基本原理与模型建立 10 5.2.2 模型二求解 11 5.2.3 模型二评价 14 5.3 模型三：基于时间序列（ARMA）的风电功率预测模型 15 5.3.1 平稳性检验 15 5.3.2 ARMA模型的建立 15 5.3.3 ARMA模型的求解 21 5.4 模型四：基于BP神经网络的风电功率预测模型 28 5.4.1 BP网络结构 28 5.4.2 BP神经网络学习算法 28 5.4.3 神经网络输入、输出变量的选取 30 5.4.4 BP神经的隐层数及隐层节点数 30 5.4.5 BP神经网络的训练 31 5.4.6 模型四求解 32 5.5 预测模型的对比分析 38 6 问题二模型的建立与求解 39 6.1 平均相对误差的计算 39 6.2 平均相对误差的进一步分析 40 7 问题三模型的建立与求解 40 7.1 模型五：基于ARMA的改进神经网络模型 40 7.1.1 模型建立 40 7.1.2 模型求解 41 7.2 阻碍精度进一步改善的原因分析 43 7.3 精度值提高的极限 43 8 模型评价 43 8.1 GM(1,1)灰色预测模型优缺点 43 8.2 ARMA时间序列预测模型优缺点 44 8.3 BP神经网络模型优缺点 44 9 模型的改进方向 44 参考文献 44 附　录 45 1 问题重述 随着科学技术的发展，风力发电技术得到了快速发展，风力发电对电网的影响也越来越明显．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，因而电功率也是波动的，大规模风电场接入电网运行时会对电网的功率平衡和频率调节带来不利影响．为能优先安排调度计划，保证电网平衡和运行安全，需要建立模型解决以下问题，以达到对风电功率的准确预测． 问题一：参照附件二的数据，利用某风电场58台风电机组中给定的四台风电机组研究未来四小时内的16个时点（每十五分钟一个时点）的风电功率数值，构建至少三种模型（必须包含时间序列分析类方法）解决风电功率的实时预测并作误差