答卷編號：論文題目：風電功率預測問題專業、班級有效聯系電話參賽球員4參賽球員2參賽球員3指導班主任：**安參賽校區：**大學報考序號：616證書寄送地址：郵編四川省重慶市長安區西京路1號西京大學基礎部李永新（收）答卷編號：閱卷專家1閱卷專家2閱卷專家3論文等級風電功率預測問題摘要本文針對風電功率的預測問題，分別采用時間序列法、人工神經網路、灰色預測法對未來機組輸出的電功率構建了三種合理預測模型，并通過對各類模型的偏差剖析，進一步提出了改進的方案使其預測愈發的確切，在最后將模型推廣到n臺風馬達組給出了合理的模型。對于問題一，我們構建了三種不同的預測模型對未來的電功率進行預測并做了各自模型的偏差剖析。模型一我們取5月30號的輸出風電功率數據作為一組時間序列，通過對初始數據的零均值轉換，致使數據趨向平穩。之后運用統計軟件Eview對數據剖析估算得到相關系數，從而對模型進行確定與定階，經過擬合最終得到合理的時間序列ARIMA模型.模型二我們首先構造了人工神經網路層結布光，依照時間序列得到的預測模型作為神經網路模型的輸入層數據，隱層通過采用轉移函數以及輸出層運用轉移函數，而后依據不同層的權重篩選及偏差反映，最終我們運用算法得到了數據的期望值曲線及均方偏差，因而得到了合理的預測模型。
模型三我們采用白色預測采集數據為個歷史數據進行預測，先通過構造關聯矩陣因而對其進行累計加權，最終得到了合理的白色預測模型。對于問題二，我們主要依據在問題中學的偏差剖析，取一項偏差剖析(相對偏差)指標因而對不同機組進行求解。依據不同模型不同機組的相對偏差的剖析，我們得到了馬達組凝聚的偏差相對單機來說偏差較大，緣由是由于多臺水泵同時運行時軸套端難以充分工作。對于問題三，為了進一步使偏差減少到最小電功率解題技巧總結，我們采用組合預測模型，通過對各模型的偏差剖析賦于不同的殘差，因而使預測的期望結果愈發精確。通過上述三個問題的解答，我們剖析了制約風電功率實時預測精度進一步改善的主要誘因是由于實測數據本身就存在各類不可防止的偏差，因而風電功率的預測精度難以得到無限提升。關鍵詞：風電功率時間序列人工神經網路紅色預測組合預測問題敘說生物質能是一種可再生、清潔的能源，風力發電是最具大規模開發技術經濟條件的非水電再生能源?，F在風力發電主要借助的是近地生物質能，但近地風具有波動性、間歇性、低能量密度等特征，因此風電功率也是波動的。大規模風電場接入電網運行時，大幅度地風電功率波動會對電網的功率平衡和頻度調節帶來不利影響。因而，我們要實現對風電場發電功率的盡可能確切地預測，這樣，電力調度部門就能否按照風電功率變化預先安排調度計劃，保證電網的功率平衡和運行安全。
實時預測是風電功率預測的一種，它要求滾動地預測每位時點未來小時內的16個時點（每15分鐘一個時點）的風電功率數值。按照國家能源局出臺的《風電場功率預測預報管理暫行辦法》中的要求，實時預測的偏差不能小于15%。某風電場由58臺風馬達組構成，每臺機組的額定輸出功率為850kW。附件2中給出了2006月10日至2006日時間段內該風電場手指定的四臺風馬達組（A、B、C、D）輸出功率數據（分別記為PA，PB，PC，PD;另設該四臺機組總輸出功率為P4）及全場58臺機組總輸出功率數據（記為P58）。問題1：風電功率實時預測及偏差剖析。對給定數據進行風電功率實時預測并檢驗預測結果是否滿足關于預測精度的相關要求。具體要求：預檢測：a．PA,PB,PC,PD；b．P4；c．P58。預測時間范圍分別為（預測用的歷史數據范圍可自行選?。篴.5月31分至5月31日23時45b.5月31日23時45試依據附件1中關于實時預測的考評要求剖析你所采用方式的確切性；你推薦哪種方式？問題2：試剖析風馬達組的凝聚對于預測結果偏差的影響。問題3：進一步提升風電功率實時預測精度的探求。通過求解上述問題，剖析論證妨礙風電功率實時預測精度進一步改善的主要誘因。
風電功率預測精度是否能無限提升？問題一該問題是電功率的實時預測及偏差剖析，其主要研究目的是構建一定的物理模型來盡可能確切地作出風電功率的實時預測，并使的預測結果的偏差在滿足國家相關規定的基礎上盡可能小，便于提供給電力調度部門，便捷其優化調度安排。該問題屬于預測類的物理問題，且是直接借助歷史數據，使用一定的物理模型進行預測。常見的方式有人工神經網路法、時間序列法(AMAR)、遺傳算法、灰色剖析預測法、卡爾曼檢波法、及其它算法問題一要求起碼用三種預測方式對這六個量在未來16個時點的風電功率數值進行預測，并對結果進行偏差剖析，確定實時預測的相對偏差不能小于15%。因為題中所要求的16個預測結果是滾動預測所得，通常來說，風電功率的預測值與實測值之間存在相對較大的偏差，這就須要我們對結果進行偏差剖析后再依照剖析結果對模型進行進一步優化?；谝陨峡紤]，我們可以分別用時間序列法構建物理模型一，用白色剖析預測法構建物理模型二，用人工神經網路法構建物理模型三，對結果進行預測電功率解題技巧總結，并將預測結果進行比較，同時分別對各模型所的預測結果進行問題二本問題要求剖析風馬達組的凝聚對與預測數據偏差的影響。
在我國主要采用集中開發的方法開發風電，各風馬達組功率凝聚通過風電場或風電場群（多個風電場凝聚而成）接入電網。諸多風馬達組的凝聚會改變風電功率波動的屬性，因而可能影響預測的偏差。故而對風馬達組的凝聚和其相應的預測數據偏差進行剖析，得出兩者之間的關系，將對我們剖析預測大規模的風電場群的風電功率提供參考。即問題二實質上是研究風馬達組的臺數與對應的風電功率預測值的相對偏差之間的關系。因而，我們可以用問題中學預測結果的相對偏差，比較單臺風馬達組功率（PA，PB，PC，PD）預測的相對偏差與多機總功率（P4，P58）預測的相對偏差，再用時序剖析法構建模型四來擬合確定臺數的風電功率預測值的相對偏差與對應風馬達組的臺數之間的函數關系，從而對風馬達組凝聚給風電功率預測偏差帶來的影響做預期。問題三從問題一和問題二的結果我們可以看出模型一、模型二、模型三所得出的預測結果都存在一定程度的偏差，而提升風電功率實時預測的確切程度對改善風電聯網運行性能有重要意義。因此在模型一、模型二、模型三的基礎上，建立有更高預測精度的實時預測方式是十分必要的。通過對問題一的求解，我們可以分別得到模型一、模型二、模型三的擬合優度，再借助三個擬合優度的比值來確定三個模型所得預測值的權重，因而用組合預測的方式得出模型五，致使預測精度進一步增強。
AC：自相關子數；PAC:偏自相關字數；：殘差；10.：相對方差；11.NSE：均分根偏差；12.MAE：平均絕對偏差；13.個非線性變換單元“中心”向量；14.：隱單元的變換函數；15.：權重；16.問題一模型一(非平穩時間序列模型)1、數據預處理首先取58月30號的96個樣本數據序列{序列曲線由圖一表明：該樣本構成的時間序列為非平穩時間序列。由此對該樣本值進行有序差分變換差分算子對96個樣本值進行一階差分可得到如下{數據差分處理序列曲線有圖二表明：該序列已平穩，則原時間序列可表示為2、平穩隨機時間序列模型的辨識2.1估算偏自相關系數及自相關系數2.1.1自相關函數2.1.2偏自相關函數kk系數kk的偏自相關系數運用統計學軟件我們得到該平穩序列{PACF、ACF如右圖（3）差分處理數據的相關性剖析2.2模型辨識與模型參數恐怕2.2.1模型辨識我們運用精典的Box模型辨識方式對于AR模型，其偏自相關函數滿足下式對于ARMA模型，同時具備AR和MA模型的特點。由此我們給出三種模型的基本特點如表一三種基本模型特點類別模型名稱偏自相關函數截尾由前面kk2.2.2模型參數恐怕由2.2.1我們得到該模型屬于模型，因而我們對該模型進行參數恐怕，由該模型可推得模型，我們依照的階數較高，可運用線性跌代法求解。2.3模型定階依照AIC最小信息準則法進行模型定階，經過逐漸的模型擬合，矩恐怕模型參數恐怕，我們最終得到當模型的階數為AR模型，擬合療效達到最優。如右圖（4）