数学建模论文全文--编号3679..docVIP

第一页 答卷编号： 论文题目：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 周圣坤 计算机科学与技术 111班 参赛队员2 凌 丽 理科实验 112班 参赛队员3 陈 坚 数学与应用数学 111班 指导教师：无 参赛学校：浙江师范大学 报名序号：3679 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 风功率预测问题 摘要： 本文根据题中所给的有关信息和数据，对风力发电机的功率进行实时预测和研究，针对各个问题，经过建立模型和理论运算很好的预测了风力发电机的功率。 针对问题一，我们分别运用了运用时间序列分析法、时间序列神经网络法和最邻近点插值法，使用了matlab和excel等工具对所给出的数据进行分析，得出了各个时间段的发电机功率数据折线图，并以此为依据预测5月31日的发电场功率输出情况，得出第一种方法预测最为准确。 针对问题二，我们使用matlab和excel比较了单台风电机组和多机总功率预测的相对误差，发现单台风电机组的误差较大。 针对问题三，我们采用了基于ARMA和卡尔曼滤波的风电场风电功率预测模型，提高了对风电功率实时预测的精度。 关键词：时间序列分析法 时间序列神经网络法 最邻近点插值法 卡尔曼滤波 问题的重述 问题提出的背景 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) 式中（i=1,2,…n）为自回归参数；为滑动平均参数；{}是一零均值、方差为a0的正态白噪声。 特别的，当m=0时，ARMA(n,m)就成为自回归模型AR(n),即： （2） 对于原始风电功率序列，当其值过大或过小时，为保证计算精度、减小舍入误差、避免溢出，可对原始风速序列进行标准化处理。记{xt(0)}为原始序列，对{xt(0)}中各数据进行如下标准化处理： （3） 式中与 分别为{}的均值与方差的估计，计算方法如下： （4） （5） 以上两个公式中，N为风电数据个数。对于由（3）所得的时序{xt}按式（1）或（2）进行建模，将得到预测风速序列{swt}如下： （6） 我们利用已知的数据，对5月31号进行预测： 图1-1： 图1-2： 图1-3： 方法2——时间序列神经网络法 (1)时间序列神经网络法描述 时间序列神经网络法是一种基于神经网络时间序列来预测问题的一种优化算法，神经网络的并行处理强大的非线性映射能力就，即它可以吧许多非线性信号的处理方法及工具集成起来，改变了过去对非线性问题的单纯计算，减少迭代次数，提高运算效率，稳重通过建立对风力发电机一个月内功率数据的具体神经网络模型，利用BP神经网络具有隐层的多层神经网络，很好的解决了非线性问题，使用时间序列系统行文量化数据。然后，利用matlab神经网络工具箱，得出具体数值。最后利用误差修正规则，检验，修正模型。因而通过此算法可以使神经网络时间序列来预测在应用在更多的领域如证券市场，天气预测等。 （2）建立模型 风电功率具有随即时序性和高度非线性，对于抽取和逼近非线性函数，神经网络是一种合适的方法，它不依靠专家经验，只利用历史数据，可以从训练过程中通过学习来抽取和逼近隐含的输入和输出非线性关系。而风速又具有时序性，所以基于神经网络的时间序列分析法适合于风速的预测。 神经网络传统BP算法容易陷入局部极小，学习收敛速度慢，这里将BP算法的权值调整式替换为经L-M规则修正的形式： 式中的W为权值；μ为学习效率；ΔW为权值修正量；E为误差；J为误差对权值微分的雅克比矩阵；μ为标量，它确定了学习室根据牛顿法还是梯度法来完成。 在三层钱馈网络中，只要对隐层采用非线性递增映射函数，输入输出层采用线性映射函数就可以用三层网络对任意连续函数进行逼近，因此可以把风电功率预测网络模型设计为三层前馈网络。并将输入变量确定为原始风电功率序列的二阶差分序列。由于风速呈现很强的随机性，在此用滚动式权值调整的手段： ①假设第一组训练样本集所用的数据为Zt+1...Zt+2，at+1...at+2，利用这组数据训练好网络之后可以预测出Zt+N+1，进而求出。 ②随着预测过程的推移，在得到之后，训练样本集所用历史数据也随之不断推移，变成Zt+1...Zt+2，at+1...at+2，并在上一次的权值基础上再次训练网络