[基础科学]风功率预测论文.docVIP

答卷编号： 论文题目：风功率预测问题 姓 名 专业、班级 有效联系电话 参赛队员1 张毕心 自动化2 参赛队员2 陈光磊 自动化2 参赛队员3 占子赫 自动化2 指导教师： 参赛学校：西南交通大学 报名序号：2476 证书邮寄地址： （学校统一组织的请填写负责人） 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 本文对风功率的预测问题作出了研究，并在题目提供的数据参考下给出了几种预测方案，接着对，最后对最优进行了优化。本文对风电场发电功率数据进行了研究，在此基础上建立了预测模型，并且进行了误差分析以及最优模型的建立。 针对问题一，首先我们选择了对a时间范围进行预测，由于这属于短期预测，短时间内风功率收外因影响较小，所以经分析，我们采用了三种模型，分别是时间序列分析模型、灰色预测模型以及bp神经网络预测模型。时间序列指数平滑模型中，指数平滑法相当于通过对过去观测值的加权平均进行预测，第一次预测的16数据统一用一个数据，而后每过一个时段覆盖一次。灰色预测模型中，考虑到短期预测所用数据较少，灰色模型中，将所要用到的历史数据组成时间序列，建立灰色预测模型GM（1,1）模型，通过matlab 软件编程，从而求解到需要预测的数据。神经网络模型中，以前5个时间点的风功率为输入值、预测下一时间点的风功率为输出值，并建立单隐层bp神经网络。并且为了缩短训练时间同时更加精确的预测，首先根据经验公式初步确定隐含层神经元个数，然后通过对不同神经元数的网络进行训练对比，再最终确定神经元数。并且设定网络最大迭代次数和学习精度。 最后通过matlab编写程序，得出预测波形，与真实波形进行对比。 针对问题二，我们通过对问题一中数据的图像的分析和综合，我们根据他们之间的均方误差得出结论。 针对问题三，我们采用了基于小波理论的神经网络模型。将小波多分辨率分析技术和BP神经网络相结合,提出一种新的预测方法, 即用小波分解技术将风速序列分解成概貌分量和各个细节分量, 然后对各分量分别用BP网络进行预测, 最后经重构得到原始风速序列的预测值。在网络训练中采用自动调整学习速率的方法, 即自适应学习速率法，检查权值的修正值是否真正降低了误差函数, 如果确实如此, 则说明所选取的学习速率值小了, 可以对其增加一个量; 若不是这样, 而产生了过调, 那么就应该减小学习速率的值。然后选取数据进行训练和验证，本文采用平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差( RMSE )来对预测效果进行评价，最后得出结论：该模型降低了随机成分对确定性成分的干扰, 提高了数据变化的稳定程度, 从而提高了预测精度。 关键字 Bp神经网络分析、指数平滑法、灰色预测模型、小波-bp神经网络 问题的重述 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