数学建模优秀论文-风电功率预测问题汇.doc

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 假设2：假设所有的风电机组都在正常的运行，忽略其故障及修理时间。 假设3：假设所有的风电机组运行的外部条件相同。 假设4：假设风电场的开机容量为850。 假设5：假设所做的预测具有普遍适用性。 2.2符号说明 符号 符号说明 PA、PB、PC、PD 分别为四台风电机组的输出功率 P4 分别为PA、PB、PC、PD四台风电机组输出功率之和 P58 全场58台机组总输出功率 、 分别为机组真实功率和预测功率 相对预测误差 回归系数 自回归参数 滑动平均参数 Cap 风电场的开机容量 3. 问题分析 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。当大规模的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。如果我们可以对风电场的发电功率进行实时预测，电力调度部门就能够根据预测的风电发电功率预先安排调度计划，保证电网的功率平衡和运行安全。为此，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。本文主要根据已有的各机组历史发电功率数据，对各机组发电功率进行实时预测。 针对问题一：为实时预测5月31日之后PA、PB、PC、PD、P4、P58的风电功率，我们根据各机组5月31日之前的风电功率数据序列的信息，根据现有的预测方法和各预测方法的使用条件，最后选择了多元二项式回归模型，反向传播的BP神经网络模型和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。 对于多元二项式回归模型，利用预测时间段的前N各时间段的风电功率作为自变量，预测时间段的风电功率作为因变量，根据已知数据采用最小二乘法得到回归系数，回归方程求得后即可进行风电功率预测；对于反向传播的BP神经网络模型，首先建立一个神经网络结构，同样把预测时间段的前N各时间段的风电功率作为输入量，预测时间段的风电功率作为输出量，根据已知数据训练神经网络，该过程不断调整网络结构，直到到达满意为止，而后利用该训练好的网络进行预测；对于自回归移动平均模型（ARMA），主要问题是模型的定阶和参数的确定，这个主要通过MATLAB实现，选择对应FPE和AIC最小时的各参数值，然后根据已确定的模型，