风电功率预测问题精选.docVIP

风电功率预测问题 摘 要 本文研究了风电功率预测的问题。 问题1中，首先通过聚类分析选出与预测日相似度最大的历史日数据，将它们作为建模预测用的新训练样本，然后分别建立基于ARMA的卡尔曼滤波模型、GARCH模型、固定权系数组合模型对风电功率进行预测，检验均通过。与单一预测模型相比，固定权系数组合模型实现了前两种模型的优缺点互补，并降低了预测后滞效应，功率预测曲线平均准确率为90.75%，平均合格率为98.09%，均高于前两种模型，预测效果比较理想。 问题2中，通过比较单台与多机风电机组功率预测的相对误差，除PA误差偏大之外，其它多机风电功率预测误差均稍大于单台功率预测误差，单台风电机组功率预测的相对误差之间相差不大。分析得出，风电机组汇聚会改变电功率波动的属性，使预测误平均误差 模型一 模型二 模型三 PA 20.24% 15.62% 11.78% PB 13.17% 14.77% 10.06% PC 13.08% 14.08% 10.66% PD 15.25% 16.13% 9.35% P4 15.97% 16.57% 11.57% P58 17.63% 19.07% 13.07% 问题3中，为了进一步提高风电功率实时预测精度，以前三种模型的预测值作为输入层，以当前预测点功率实际值作为输出层，建立了基于神经网络的变权组合预测模型。预测曲线平均准确率达到93.26%，平均合格率达到100%，平均相对误差率为9.26%，从预测曲线看出，变权组合模型基本消除了预测滞后效应，预测效果更为理想。 1 通过风电机组输出功率与各物理量关系：P?Cp??D2v3?g?，推导分析得到影响风 8电功率实时预测精度的主要因素为气温、气压、湿度、风速。鉴于风能发电本身的复杂性和不确定性，无限提高风电功率预测精度将受到一定限制。 关键词： 卡尔曼滤波 ARMA GARCH 固定权系数组合 变权系数组合 BP神经网络 1 1问题重述 1.1背景资料与条件 风能是一种清洁的可再生能源，与传统能源相比，风力发电不依赖矿物能源，没有燃料价格风险，也没有碳排放等环境成本。此外，可利用的风能在全球范围内分布都很广泛。正是因为有这些独特的优势，风力发电逐渐成为许多国家可持续发展战略的重要组成部分。 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。而目前我国对风电功率预测的研究尚处于初步探索和研发阶段，因此，很有必要对风电功率预测的统计、学习方法进行进一步的深入研究。 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。 1.2需要解决的问题 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。 问题2：试分析风电机组的汇聚对于预测结果误差的影响。 在问题1的预测结果中，试比较单台风电机组功率的相对预测误差与多机总功率预测的相对误差，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？ 问题3：进一步提高风电功率实时预测精度的探索。 提高风电功率实时预测的准确程度对改善风电联网运行性能有重要意义。请在问题1的基础上，构建有更高预测精度的实时预测方法，并用预测结果说明其有效性。通过求解上述问题，请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否无限提高？ 2.问题的假设 1、风电功率为负值时，风电机组输出功率为零。 2、多机组容量为单机组容量之和。 3、所有机组在同一地区，即所处环境条件相同。 2 3.主要符号说明 主要符号 D 符号意义 欧氏距离 扰动项 单一预测模型的权重 第i个单一模型对第t期的预测值 组合的预测值。 ?t ?i ?it y?t y 4.问题的分析及建模流程图 4.1初步分析 4.2具体分析 问题一：历史数据的选取对模型预测精度的影响