答卷编号：论文题目：风电功率预测问题专业、班级有效联系电话参赛球员4参赛球员2参赛球员3指导班主任：**安参赛校区：**大学报考序号：616证书寄送地址：邮编四川省重庆市长安区西京路1号西京大学基础部李永新（收）答卷编号：阅卷专家1阅卷专家2阅卷专家3论文等级风电功率预测问题摘要本文针对风电功率的预测问题，分别采用时间序列法、人工神经网路、灰色预测法对未来机组输出的电功率构建了三种合理预测模型，并通过对各类模型的偏差剖析，进一步提出了改进的方案使其预测愈发的确切，在最后将模型推广到n台风马达组给出了合理的模型。对于问题一，我们构建了三种不同的预测模型对未来的电功率进行预测并做了各自模型的偏差剖析。模型一我们取5月30号的输出风电功率数据作为一组时间序列，通过对初始数据的零均值转换，致使数据趋向平稳。之后运用统计软件Eview对数据剖析估算得到相关系数，从而对模型进行确定与定阶，经过拟合最终得到合理的时间序列ARIMA模型.模型二我们首先构造了人工神经网路层结布光，依照时间序列得到的预测模型作为神经网路模型的输入层数据，隐层通过采用转移函数以及输出层运用转移函数，而后依据不同层的权重筛选及偏差反映，最终我们运用算法得到了数据的期望值曲线及均方偏差，因而得到了合理的预测模型。
模型三我们采用白色预测采集数据为个历史数据进行预测，先通过构造关联矩阵因而对其进行累计加权，最终得到了合理的白色预测模型。对于问题二，我们主要依据在问题中学的偏差剖析，取一项偏差剖析(相对偏差)指标因而对不同机组进行求解。依据不同模型不同机组的相对偏差的剖析，我们得到了马达组凝聚的偏差相对单机来说偏差较大，缘由是由于多台水泵同时运行时轴套端难以充分工作。对于问题三，为了进一步使偏差减少到最小电功率解题技巧总结，我们采用组合预测模型，通过对各模型的偏差剖析赋于不同的残差，因而使预测的期望结果愈发精确。通过上述三个问题的解答，我们剖析了制约风电功率实时预测精度进一步改善的主要诱因是由于实测数据本身就存在各类不可防止的偏差，因而风电功率的预测精度难以得到无限提升。关键词：风电功率时间序列人工神经网路红色预测组合预测问题叙说生物质能是一种可再生、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。现在风力发电主要借助的是近地生物质能，但近地风具有波动性、间歇性、低能量密度等特征，因此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度调节带来不利影响。因而，我们要实现对风电场发电功率的尽可能确切地预测，这样，电力调度部门就能否按照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。
实时预测是风电功率预测的一种，它要求滚动地预测每位时点未来小时内的16个时点（每15分钟一个时点）的风电功率数值。按照国家能源局出台的《风电场功率预测预报管理暂行办法》中的要求，实时预测的偏差不能小于15%。某风电场由58台风马达组构成，每台机组的额定输出功率为850kW。附件2中给出了2006月10日至2006日时间段内该风电场手指定的四台风马达组（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偏差剖析。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关于预测精度的相关要求。具体要求：预检测：a．PA,PB,PC,PD；b．P4；c．P58。预测时间范围分别为（预测用的历史数据范围可自行选取）：a.5月31分至5月31日23时45b.5月31日23时45试依据附件1中关于实时预测的考评要求剖析你所采用方式的确切性；你推荐哪种方式？问题2：试剖析风马达组的凝聚对于预测结果偏差的影响。问题3：进一步提升风电功率实时预测精度的探求。通过求解上述问题，剖析论证妨碍风电功率实时预测精度进一步改善的主要诱因。
风电功率预测精度是否能无限提升？问题一该问题是电功率的实时预测及偏差剖析，其主要研究目的是构建一定的物理模型来尽可能确切地作出风电功率的实时预测，并使的预测结果的偏差在满足国家相关规定的基础上尽可能小，便于提供给电力调度部门，便捷其优化调度安排。该问题属于预测类的物理问题，且是直接借助历史数据，使用一定的物理模型进行预测。常见的方式有人工神经网路法、时间序列法(AMAR)、遗传算法、灰色剖析预测法、卡尔曼检波法、及其它算法问题一要求起码用三种预测方式对这六个量在未来16个时点的风电功率数值进行预测，并对结果进行偏差剖析，确定实时预测的相对偏差不能小于15%。因为题中所要求的16个预测结果是滚动预测所得，通常来说，风电功率的预测值与实测值之间存在相对较大的偏差，这就须要我们对结果进行偏差剖析后再依照剖析结果对模型进行进一步优化。基于以上考虑，我们可以分别用时间序列法构建物理模型一，用白色剖析预测法构建物理模型二，用人工神经网路法构建物理模型三，对结果进行预测电功率解题技巧总结，并将预测结果进行比较，同时分别对各模型所的预测结果进行问题二本问题要求剖析风马达组的凝聚对与预测数据偏差的影响。
在我国主要采用集中开发的方法开发风电，各风马达组功率凝聚通过风电场或风电场群（多个风电场凝聚而成）接入电网。诸多风马达组的凝聚会改变风电功率波动的属性，因而可能影响预测的偏差。故而对风马达组的凝聚和其相应的预测数据偏差进行剖析，得出两者之间的关系，将对我们剖析预测大规模的风电场群的风电功率提供参考。即问题二实质上是研究风马达组的台数与对应的风电功率预测值的相对偏差之间的关系。因而，我们可以用问题中学预测结果的相对偏差，比较单台风马达组功率（PA，PB，PC，PD）预测的相对偏差与多机总功率（P4，P58）预测的相对偏差，再用时序剖析法构建模型四来拟合确定台数的风电功率预测值的相对偏差与对应风马达组的台数之间的函数关系，从而对风马达组凝聚给风电功率预测偏差带来的影响做预期。问题三从问题一和问题二的结果我们可以看出模型一、模型二、模型三所得出的预测结果都存在一定程度的偏差，而提升风电功率实时预测的确切程度对改善风电联网运行性能有重要意义。因此在模型一、模型二、模型三的基础上，建立有更高预测精度的实时预测方式是十分必要的。通过对问题一的求解，我们可以分别得到模型一、模型二、模型三的拟合优度，再借助三个拟合优度的比值来确定三个模型所得预测值的权重，因而用组合预测的方式得出模型五，致使预测精度进一步增强。
AC：自相关子数；PAC:偏自相关字数；：残差；10.：相对方差；11.NSE：均分根偏差；12.MAE：平均绝对偏差；13.个非线性变换单元“中心”向量；14.：隐单元的变换函数；15.：权重；16.问题一模型一(非平稳时间序列模型)1、数据预处理首先取58月30号的96个样本数据序列{序列曲线由图一表明：该样本构成的时间序列为非平稳时间序列。由此对该样本值进行有序差分变换差分算子对96个样本值进行一阶差分可得到如下{数据差分处理序列曲线有图二表明：该序列已平稳，则原时间序列可表示为2、平稳随机时间序列模型的辨识2.1估算偏自相关系数及自相关系数2.1.1自相关函数2.1.2偏自相关函数kk系数kk的偏自相关系数运用统计学软件我们得到该平稳序列{PACF、ACF如右图（3）差分处理数据的相关性剖析2.2模型辨识与模型参数恐怕2.2.1模型辨识我们运用精典的Box模型辨识方式对于AR模型，其偏自相关函数满足下式对于ARMA模型，同时具备AR和MA模型的特点。由此我们给出三种模型的基本特点如表一三种基本模型特点类别模型名称偏自相关函数截尾由前面kk2.2.2模型参数恐怕由2.2.1我们得到该模型属于模型，因而我们对该模型进行参数恐怕，由该模型可推得模型，我们依照的阶数较高，可运用线性跌代法求解。2.3模型定阶依照AIC最小信息准则法进行模型定阶，经过逐渐的模型拟合，矩恐怕模型参数恐怕，我们最终得到当模型的阶数为AR模型，拟合疗效达到最优。如右图（4）