风电功率预测模型介绍.docVIP

第一页 答卷编号： 论文题目：A题 风电功率预测问题 指导教师： 参赛学校： 报名序号： 证书邮寄地址： （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  A题 风电功率预测问题 摘要 风能是一种可再生、清洁的能源，风力发电技术的进一步研究和开发对解决能源危机、缓解环境压力以及提升经济发展水平具有重大的意义。据此，本文通过建立一系列数学模型来研究和探索风电功率的预测以及提高预测精度问题。 针对第一问，本文提出指数平滑法、小波神经网络以及时间序列ARMA三种预测模型对风电功率进行预测。指数平滑法采用平滑公式为：，通过调整平滑参数来优化预测精度；小波神经网络采用的小波基函数为Morlet母小波基函数，小波神经修正采用梯度修正法；ARMA模型通过确定自回归阶数和移动平均阶数来构造预测表达式。结果为： 指数平滑法 小波神经网络 ARMR 合格率 0.927 0.719 0.947 准确率 0.721 0.688 0.876 MSE 0.076 0.57 0.194 针对第二问，本文在第一问所求结果的基础上，使用熵值赋权法对三种模型进行归一化处理，所得权值向量为，得到一组基于以上三种模型的预测数据。使用拟合与聚类分析得出单机系统对多机系统P4的相关性高于对总机系统的相关性，据此，使用基于李雅普诺夫中心极限定理的通过假设相对误差小于题目要求的概率模型，求得单机组和多机组的通过检验概率为： 机组 属性 通过概率 77.64% 62.17% 78.23% 77.94% 77.94% 80.0% 最后得出普遍性规律为：由于多机预测较精确，可以用多机系统的预测结果对单机进行预测。修正单机系统预测所带来的相对误差，提高精度。 针对问题三，本文建立基于遗传算法的ARMA模型，对ARMA模型的阶数进行优化。定义平均相对变动值（ARTD），并令遗传算法的适应度函数为：。最后得到具有更高预测精度的模型。具体指标值如下表： 机组 属性 准确率（单位：%） 88.0 85.6 84.8 87.4 90.4 93.4 合格率（单位：%） 95.2 94.6 95.0 95.1 99.0 99.5 本文提出的模型对风电功率的预测具有重大的借鉴意义，并可将其模型推广应用至工程预测、股票分析、生产计划等问题上。 关键字：风电功率预测、时间序列、指数平滑法、小波神经网络、遗传算法 1 问题重述 1．1 问题背景 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 1、每台机组的额定输出功率为。 2、只根据历史数据进行预测，不考虑历史风速、具体位置等客观因素的影响。 3、初始数据来源真实、可靠。 4、忽略储能设备和人为因素带来对数据真实性的影响。 3 符号说明 ：风电功率实际点数据值 ：风电功率平滑点数据值 ：任意时刻 ：时刻的风电功率平滑点数据值 ：定义预测值的相对误差 ：定义单电机平均相对误差 ：相关系数 ：均方根误差 4 问题分析 问题一分析： 本小问要求根据给定的风电机组功率的相关数据，运用不少于三种方法（至少一种时间序列分析类的预测方法）构造风电功率预测模型。由于近地风的波动性与间歇性等特性决定了风电功率的波动性与随机性，也使得风电功率预测不能简单的利用回归模型进行拟合预测。 模型一中风电功率的预测将基于指数平滑法实现。根据最近的一个历史数据来拟合下一时刻的预测值，是最为传统的方法也是最为简单实现的方法[1]。而指数平滑法的基本思想是利用当前周期的指标和前面的指标来预测下一个周期的指标，其根据参数对每个数据赋予不同的权重，从而获得更好的拟合曲线和预测结果[2]。它是一种基于移动平均法基础上对权数加以改进，使其在处理时较为经济的预测方法，它能提供良好的短期预测，在经济学中广泛应用于生产和股票的预测。 观察到各机组的实际功率与时间的变化图形，我们可以观察到，风电发电机组该时刻的功率与前几个时间点的相关性很高，说明了在风电机组功率变化中，某时刻的实际功率与本机组前几个时间点的功率值有一定的关系，而且风电功率在24小时内有准周期的性质。根据这一性质，模型二可以将基于小波神经网络对其进行预测。 如若将预测指标随时间推移而形成的数据序列看作是一个随机序列，这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。一方面，外界因素的影响，另一方面，又有自身变动规律。因此，模型三引入ARMA模型对风电功率进行实时预测。 问题二分析： 本小问要求在第一问所得预测结果的基础上，分析风电机组的汇聚对于预测结果误差的规误差的影响以及探索单台风电机组功率的相