2014电工杯 a题获奖作品.docVIP

第一页 答卷编号： 论文题目：A题 风电功率预测问题 姓 名 专业、班级 有效联系电话 参赛队员1 印海洋 实验电09 参赛队员2 殷毓灿 实验电09 参赛队员3 罗潇 实验电09 指导教师：雍雪林 参赛学校：华北电力大学 报名序号：832 证书邮寄地址：北京市昌平区回龙观镇北农路2号华北电力大学 09实验电 印海洋 收 （学校统一组织的请填写负责人） 第二页 答卷编号： 阅卷专家1 阅卷专家2 阅卷专家3 论文等级 摘要 本文针对题目中所给数据建立风电功率实时预测的模型，前后共采用五种以上模型进行仿真计算以及误差分析，在此基础上对模型进行利弊分析，对比得出最佳模型并加以改进。 对于问题一，我们首先对数据进行初步处理，通过相关度分析发现横向相关度（相邻时刻的风电功率）较高，而纵向相关性（即每天相同时刻的风电功率）不甚明显，进一步，我们画图可看出数据没有明显的单调性及周期性。基于风电功率的以上特点，我们建立了以下四种模型来进行预测。首先，我们利用多项式拟合来进行风电功率预测，结果不甚理想。其次，我们采取了时间序列方法。此方法中建立人工神经网络和LS-SVM两种预测模型，发现在实时预测的前12个数据误差很小，但随后预测并不准确。再次，我们利用了灰色预测模型GM（2,1）及verhulst模型来预测风电功率，此种方法短期预测效果较好，但预测长期则偏差较大。最后使用了ARMA模型,既考虑变量自身因素，又考虑历史扰动的影响，准确率可达97.10%，预测结果精度非常高。 对于问题二，小组基于问题一中计算得到的数据，单个机组选择PA为典型，P4、P58机组预测得到的数据进行误差分析比较。采用两种对比方式：第一种选定了数量相近的典型值进行了统计，分别从采样数、优/劣质点平均误差、优/劣质点最小误差、优/劣质点最大误差、优/劣质点个数以及优质点百分比这几个方面进行比较。第二种是参考风电场功率预测预报考核指标中的合格率以及准确率的计算方法，用这两个指标对比预测结果的误差大小。最终综合两种参数，得出风电机组的汇聚（“以量代大”）可减小预测误差的结论。 对于问题三，小组将问题一中各个模型的预测结果以及误差进行比较，在此基础上参考问题二的分析结果对出影响预测精度的因素进行分析讨论。同时查阅相关资料，对问题一中的LS-SVM模型进行了改善，主要是将输入变量由列向量改为矩阵形式。并给出了物理-统计组合模型，使预测数据的精确度得到有效提高。 关键词：时间序列预测 人工神经网络 LS-SVM 灰色预测 ARMA系统模型 一.问题重述 风能是现今可再生能源中最具发展潜质的能源，但风力的波动性、间歇性、低能量密度性也是风能发电不可回避的问题。当风电接入电网时，必须对风能发电功率进行有效的预测，这样才能根据风力功率变化预先安排调度计划，减小风能发电波动对电网的不利影响，从而保证电网的功率平衡和运行安全。 根据电力调度部门安排运行方式的不同需求，风电功率预测分为日前预测和实时预测。日前预测是预测明日24小时96个时点（每15分钟一个时点）的风电功率数值。实时预测是滚动地预测每个时点未来4小时内的16个时点（每15分钟一个时点）的风电功率数值。而《国家能源局颁布的风电场功率预测预报管理暂行办法》也给出了误差统计的相应指标。 现有某风电场由58台风电机组构成，每台机组的额定输出功率为850kW。题目中给出了2006年5月10日至2006年6月6日时间段内该风电场中指定的四台风电机组（A、B、C、D）输出功率数据（分别记为PA，PB，PC，PD;另设该四台机组总输出功率为P4）及全场58台机组总输出功率数据（记为P58）。 根据题设，我们需要讨论以下三个问题： 1：风电功率实时预测及误差分析 用不少于三种预测方法（至少选择一种时间序列分析类的预测方法）来对PA, PB, PC, PD，P4及P58进行功率实时预测（预测范围为5月31日0时0分至5月31日23时45分和 5月31日0时0分至6月6日23时45分），分析准确行并比较 2：试分析风电机组的汇聚对于预测结果误差的影响 利用1的预测结果，试比较单台风电机组功率（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，其中有什么带有普遍性的规律吗？从中你能对风电机组汇聚给风电功率预测误差带来的影响做出什么样的预期？ 3：进一步提高风电功率实时预测精度的探索 在问题1的基础上，构建有更高预测精度的实时预测方法（方法类型不限），并用预测结果说明其有效性。 最后请结合以上问题结论分析论证阻碍风电功率实时预测精度进一步改善的主要因素。风电功率预测精度能无限提高吗