《数学建模优秀论文-风电功率预测问题》.docVIP

风电功率预测问题 风电功率预测问题 风电功率预测问题 摘 要 随着大规模的风电接入电网,风电功率的不确定性和波动性将会对电力系统调度和安全稳定运行带来很大影响。为了合理地利用风电，提高电力系统经济性，需要对风电功率进行预测。 对于问题一：为实时预测5月31日之后PA、PB、PC、PD、P4、P58的风电功率，我们利用各机组之前已知的风电功率序列，分别采用多元二项式回归模型、反向传播的BP神经网络模型、时间序列中的自回归移动平均模型（ARMA）对风电功率进行预测，并对各预测模型的误差进行了分析。预测结果与真实值相比表明：多元二项式回归预测的准确率最低，ARMA模型预测的准确率最高。以PA机组为例，用5月31至6月6日的平均准确率来衡量，二项式回归模型的准确率为67.8%，神经网络模型的准确率为70.3%，ARMA模型的准确率为74.1%。所以，为对风电功率进行准确的预测，ARMA模型是最好的预测方法。 对于问题二：我们利用了问题一中ARMA模型的风电功率预测结果， 计算得出PA、PB、PC、PD单机组以及P4和P58多机组5月31至6月6日功率的平均相对预测误差，其分别为：23.72%、22.70%、20.37%、17.76%，P4为17.59%，P58为15.93%。对比结果表明：风电机组汇聚使得其风电功率相对预测误差与单台风电机组风电功率相对预测相比减小，风电机组的汇聚有利于风电功率的预测。 对于问题三：为进一步提高风电功率实时预测的精确性，考虑到机组的发电功率不仅与风速有关，还与空气密度有关。由此，把各机组5月31之前的风电功率序列分成两个时间序列，分别为邻近时间段的发电功率和邻近几天中同一时刻的发电功率。分别利用ARMA模型进行风电功率预测，再把各自的预测结果作为BP神经网络的输入，得到最后的风电功率。仍以PA机组为例，5月31至6月6日的7日的平均准确率为：78.6%。结果表明，利用该方法可以进一步提高风电功率预测的精确性，与第一问中采用神经网络模型相比提高了8.3%，与第一问中采用ARMA模型相比提高了4.5%。 由于风电功率实时预测受所给历史发电功率、风速、风向、气温、气压及机组自身特性等数据信息的准确性及众多随机因素的影响，阻碍了风电功率实时预测精度，且预测精度不可能到达100%。 关键词：风电功率预测；汇聚；多元二项式回归；BP神经网络模型；ARMA 1. 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”。 风能是一种可再生、清洁的能源，风力发电是最具大规模开发技术经济条件的非水电再生能源。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。 大规模风电场接入电网运行时，大幅度地风电功率波动会对电网的功率平衡和频率调节带来不利影响。 如果可以对风电场的发电功率进行预测，电力调度部门就能够根据风电功率变化预先安排调度计划，保证电网的功率平衡和运行安全。 因此，如何对风电场的发电功率进行尽可能准确地预测，是急需解决的问题。 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。在附件1国家能源局颁布的风电场功率预测预报管理暂行办法中给出了误差统计的相应指标。 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。附件2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）。 问题1：风电功率实时预测及误差分析。 请对给定数据进行风电功率实时预测并检验预测结果是否满足附件1中的关于预测精度的相关要求。具体要求： 采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）； 预测量： a．PA, PB, PC, PD； b．P4； c．P58。 预测时间范围分别为（预测用的历史数据范围可自行选定）： a. 5月31日0时0分至5月31日23时45分； b. 5月31日0时0分至6月6日23时45分。 4）试根据附件1中关于实时预测的考核要求分析你所采用方法的准确性； 5）你推荐哪种方法？ 问题2：试分析风电机组的汇聚对于预测结果误差的影响。 在我国主要采用集中开发的方式开发风电，各风电机组功率汇聚通过风电场或风电场群（多个风电场汇聚而成）接入电网。众多风电机组的汇聚会改变风电功