风电功率预测模型

1、风电功率展望模型风电功率展望模型34/34风电功率展望模型第一页答卷编号：论文题目：A题风电功率展望问题指导教师：参赛学校：报名序号：证书邮寄地址：（学校一致组织的请填写负责人）第二页答卷编号：阅卷专家1阅卷专家2阅卷专家3论文等级2A题风电功率展望问题大纲风能是一种可再生、干净的能源，风力发电技术的进一步研究和开发对解决能源危机、缓解环境压力以及提升经济发展水平拥有重要的意义。据此，本文经过成立一系列数学模型来研究和研究风电功率的展望以及提升展望精度问题。针对第一问，本文提出指数圆滑法、小波神经网络以实时间序列ARMA三种展望模型对风电功率进行展望。指数圆滑法采用圆滑公式为：stxt1(1)

2、St1,01,t3，经过调整圆滑参数来优化展望精度；小波神经网络采用的小波基函数为Morlet母小波基函数，小波神经修正采用梯度修正法；ARMA模型经过确定自回归阶数和搬动平均阶数来构造展望表达式。结果为：指数圆滑法小波神经网络ARMR合格率0.9270.7190.947正确率0.7210.6880.876MSE0.0760.570.194针对第二问，本文在第一问所求结果的基础上，使用熵值赋权法对三种模型进行归一化办理，所得权值向量为w(0.3246,0.3344,0.341)，获得一组基于以上三种模型的展望数据。使用拟合与聚类解析得出单机系统对多机系统P4的相关性高于对总机系统的相关性，据此

3、，使用基于李雅普诺夫中心极限制理的经过假设相对误差小于题目要求的概率模型，求得单机组和多机组的经过检验概率为：机组ABCDP4P58属性经过概率77.64%62.17%78.23%77.94%77.94%80.0%最后得出宽泛性规律为：由于多机展望较精确，能够用多机系统的展望结果对单机进行展望。修正单机系统展望所带来的相对误差，提升精度。针对问题三，本文成立基于遗传算法的ARMA模型，对ARMA模型的阶数进行优化。定义平均相对变动值（ARTD），并令遗传算法的适应度函数为：1f(x)。最后获得拥有更高展望精度的模型。详尽指标值以下表：ARTD机组P4PABCD属性58正确率（单位：%）88.0

4、85.684.887.490.493.4合格率（单位：%）95.294.695.095.199.099.5本文提出的模型对风电功率的展望拥有重要的借鉴意义，并可将其模型推行应用至工程展望、股票解析、生产计划等问题上。1要点字：风电功率展望、时间序列、指数圆滑法、小波神经网络、遗传算法问题重述11问题背景依照百度百科，“风”是“跟地面大体平行的空气流动，是由于冷热气压分布不平均而产生的空气流动现象”。风能是一种可再生、干净的能源，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。现在风力发电主要利用的是近地风能。近地风拥有颠簸性、间歇性、低能量密度等特点，所以风电功率也是颠簸的。大规模风电场

5、接入电网运行时，大幅度地风电功率颠簸会对电网的功率平衡和频率调治带来不利影响。若是能够对风电场的发电功率进行展望，电力调换部门就能够依照风电功率变化起初安排调换计划，保证电网的功率平衡和运行安全。所以，如何对风电场的发电功率进行尽可能正确地展望，是急需解决的问题。依照电力调换部门安排运行方式的不同样需求，风电功率展望分为日前展望和实时展望。日前展望是展望明日24小时96个时点（每15分钟一个时点）的风电功率数值。实时展望是转动地展望每个时点未来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国家能源局宣布的风电场功率展望预告管理暂行方法中给出了误差统计的相应指标。并得知某风电

6、场由58台风电机组组成，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）。12需要解决的问题问题一：风电功率实时展望及误差解析请对给定数据进行风电功率实时展望并检验展望结果可否满足附件1中的关于展望精度的相关要求。详尽要求：1）采用很多于三种展望方法（最少选择一种时间序列解析类的展望方法）；2）展望量：aPA,PB,PC,PD；bP4；cP58。3）展望时间范围分别为（展望用的历

7、史数据范围可自行选定）：a.5月31日0时0分至5月31日23时45分；25月31日0时0分至6月6日23时45分。4）试依照附件1中关于实时展望的核查要求解析你所采用方法的正确性；5）你介绍哪一种方法？问题二：试解析风电机组的汇聚关于展望结果误差的影响在我国主要采用集中开发的方式开发风电，各风电机组功率汇聚经过风电场或风电场群（多个风电场汇聚而成）接入电网。众多风电机组的汇聚会改变风电功率颠簸的属性，进而可能影响展望的误差。在问题1的展望结果中，试比较单台风电机组功率（PA，PB，PC，PD）的相对展望误差与多机总功率（P4，P58）展望的相对误差，其中有什么带有宽泛性的规律吗？从中你能对风

8、电机组汇聚给风电功率展望误差带来的影响做出什么样的预期？问题3：进一步提升风电功率实时展望精度的研究提升风电功率实时展望的正确程度对改进风电联网运行性能有重要意义。请你在问题1的基础上，成立有更高展望精度的实时展望方法（方法种类不限），并用展望结果说明其有效性。经过求解上述问题，请解析论证阻拦风电功率实时展望精度进一步改进的主要因素。风电功率展望精度能无量提升吗？模型假设1、每台机组的额定输出功率为850kW。2、只依照历史数据进行展望，不考虑历史风速、详尽地址等客观因素的影响。3、初始数据本源真实、可靠。4、忽略储能设备和人为因素带来对数据真实性的影响。符号说明xi：风电功率实质点数据值si

9、：风电功率圆滑点数据值：任意时辰st：t时辰的风电功率圆滑点数据值3PMkPPk定义展望值PPk的相对误差er(PPk)PMk：uuuuur1NPMkPPk,(iA,B,C,D.,k1,2,.,96)定义单电机平均相对误差AVG(er(Pi)Nk1PMk：相关系数MSE：均方根误差问题解析问题一解析：本小问要求依照给定的风电机组功率的相关数据，运用很多于三种方法（最少一种时间序列解析类的展望方法）构造风电功率展望模型。由于近地风的颠簸性与间歇性等特点决定了风电功率的颠簸性与随机性，也使得风电功率展望不能够简单的利用回归模型进行拟合展望。模型一中风电功率的展望将基于指数圆滑法实现。依照近来的一个

10、历史数据来拟合下一时辰的展望值，是最为传统的方法也是最为简单实现的方法1。而指数圆滑法的基本思想是利用当前周期的指标和前面的指标来展望下一个周期的指标，其依照参数对每个数据赐予不同样的权重，进而获得更好的拟合曲线和展望结果2。它是一种基于搬动平均法基础上对权数加以改进，使其在办理时较为经济的展望方法，它能供应优异的短期展望，在经济学中宽泛应用于生产和股票的展望。观察到各机组的实质功率与时间的变化图形，我们能够观察到，风电发电机组该时辰的功率与前几个时间点的相关性很高，说了然在风电机组功率变化中，某时辰的实质功率与本机组前几个时间点的功率值有必然的关系，而且风电功率在24小时内有准周期的性质。依

11、照这一性质，模型二能够将基于小波神经网络对其进行展望。如若将展望指标随时间推移而形成的数据序列看作是一个随机序列，这组随机变量所拥有的依存关系表现着原始数据在时间上的连续性。一方面，外界因素的影响，另一方面，又有自己变动规律。所以，模型三引入ARMA模型对风电功率进行实时展望。问题二解析：本小问要求在第一问所得展望结果的基础上，解析风电机组的汇聚关于展望结果误差的规误差的影响以及研究单台风电机组功率的相对误差与多机总功率展望的相对误差的宽泛性规律。可分为两步进行。第一，研究单机组系统和多机组系统的相关性。依照一般规律，单台机组（A,B,C,D）与P4机组（由A,B,C,D机组组成的多机系统）的

12、相关性应高于与P584机组（即总机组）的相关性，可使用拟合的R值检验和聚类解析进行考据。在此基础上，并依照李雅普诺夫中心极限制理求解概率的思想，求解单台机组和多台机组经过国家能源局所规定要求的概率，经过比较单机组和多机组经过检验的概率，推测最后，给出详尽的宽泛性规律。问题三解析：由于ARMA(p,q)模型的定阶过程存在必然的随机性和不确定性，为此，综合考虑模型的各种限制因素，可试一试使用遗传算法对自回归阶数以及搬动平均阶数进行优化，成立基于遗传算法的ARMA(p,q)模型，使其拥有更高实时展望精度。模型成立与模型求解问题一求解：5.1模型一：指数圆滑法5.1.1模型一的成立：单指数圆滑拥有一个

13、圆滑参数。解析本题所给数据无显然的变化趋势，适适用单指数圆滑方法进行展望。本模型将纵向进行拟合，利用每天同一时辰的数据拟合下一天的该时辰的展望值。圆滑公式，方法及展望公式介绍：（1）圆滑公式：t时辰的圆滑值st公式以下：stxt1(1)St1,01,t3（1）（2）初始化单指数的圆滑起点是s2，有两种方法初始化s2，一种是s2x1，另一种是取实质前4个或5个值的平均值。本模型采用第一种方法进行初始化。（3）展望公式：1时辰的圆滑指数公式为：st1xt(1)St,01,t3（2）i时辰的圆滑指数公式为：stixt(1)Sti1,01,t3（3）5其中i表示所进过的时辰点。结合（2）（3）式，能够

14、对圆滑公式进行扩展可得基本的圆滑公式为：stxt1(1)xt2(1)2St2（4）对（4）式进行递归直到s2，可得下面公式：t3i1st(1)xti(1)t2St2,t2i1（5）其中权重(1)i1呈几何递减，能够直到较早的数据权重相对较少，而较近的数据权重相对较大。（4）圆滑参数确定指数圆滑模型拟合程度和展望结果的利害取决于圆滑参数的采用。大多数情况下指数圆滑展望的参数主要依赖经验。平时，当时间序列颠簸很大，长远趋势变化幅度较大，呈显然迅速的上升或下降趋势时，宜选择较大的值，能够在0.60.8间选值，提升展望模型的矫捷程度，能迅速跟上数据的变化3。本模型将经验法和试算法两者相结合，并利用MS

15、E（MeanoftheSquaredErrors）均方误差指标进行参数的采用。定义以下：1nsixi2MSE()ni1xi（6）其中n为数据点得个数。MSE的值越小，说明模型拟合程度越好，所采用的圆滑参数越合适。5.1.2模型一的求解：本指数滑动模型在数据办理展望方面比较特别，将采用5月10日5月30日的数据进行纵向实时展望未来7天每个时辰的风电功率情况。（1）圆滑指数的确定利用经验法和试算法相结合，在0.60.08之间采用圆滑参数，确定比较各圆滑参数的MSE值，进而确定参数进行展望。第一采用机组A的数据进行指数滑动拟合，利用matlab能够获得各参数相对应风电功率展望的正确率，合格率及MSE

16、以下表一所示：表一指数滑动的风电功率展望的数据解析结果参数0.60.70.8一天一周一天一周一天一周属性(%)6正确率72.1068.4970.0167.2167.7365.82合格率92.7180.2193.7579.0293.7578.1237.6433.396.8935.1205.7837.23由表各项指标可知道：随着圆滑参数的增大，诚然其正确率和合格率有递减趋势，可是变化基实情差不大。而且正确率都在70%左右，合格率有70%以上均方误差都比较少。说明该指数圆滑展望模型基本合适作为风电功率的展望。表一中存在着个别均方误差较大的点，而且最后一天的合格率和正确率的值都比较小，说明该模型值合适

17、短期展望，不合适中长远展望。比较各圆滑参数的MSE值，有0.60.7=0.75sum=sum+1;endendp(i)=sum/96;end均方误差R=zeros(7,1);A1=A(22:28,:);B1=B(22:28,:);a=0;fori=1:7forj=1:96a=(A1(i,j)-B1(i,j)/A1(i,j)2)+a;endendR=sqrt(a/(96*7);画图与排序pailieA=zeros(1,96*7);fori=1:7n=96*(i-1)+1;m=96*i;pailieA(1,n:m)=A1(i,:);26endpailieB=zeros(1,96*7);fori=1

18、:7n=96*(i-1)+1;m=96*i;pailieB(1,n:m)=B1(i,:);endj=1:672;plot(j,pailieA,-b,j,pailieB,-r);title(机组A实质功率与展望功率比较图);xlabel(时间点);ylabel(功率（kw）);%A的遗传算法适应度函数functiony=fitfun(p,q)loadAA.txt;loadA.txt;x=randint(1,6);p=x(1)2+x(2)+x(3)0;q=x(4)2+x(5)+x(6)0;AAA(1:2016)=AA;AAA(2017:2016+96)=A;n,m=size(AAA);se=AAA

19、;zeros(n*m,1);data=iddata(se);m=armax(data,na,p,nc,q);pa=predict(m,data);y=0;sa=get(pa,outputdata);fori=1:96y=y+(AAA(2016+i)-sa(2016+i)2/(AAA(2016+i)2);endy=1/(y/100);%ARMA模型求解程序functionp,q,err=pingjiaa,t,d,n1,m1%p为合格率,q为正确率，t为机组个数%d为展望天数，a为实质序列%n1为自回归阶数，m1搬动平均阶数a=AAA;t=1;d=1;n=length(a);se=a;zeros(

20、n,1);data=iddata(se);m=armax(data,na,n1,nc,m1);pa=predict(m,data);27yc=get(pa,outputdata);sum=0;fori=1:96*dif(1-(a(i+2016)-yc(i+2016)/(t*850)=0.75sum=sum+1;endendp=sum/(96*d);%合格率sum1=0;fori=1:96*dsum1=sum1+(a(i+2016)-yc(i+2016)/(t*850)2;endq=1-(sum1/(96*d)(1/2);%正确率%相对误差err=0;fori=1:96*difa(i)0&yc(

21、i)0err=err+(abs(a(i)-yc(i)/max(a(i),yc(i)2;endenderr=sqrt(err/(96*d);小波神经网络程序主程序：M=4;%输入节点个数N=1;%输出节点个数n=6;%隐形节点个数lr1=0.01;%学习概率lr2=0.001;%学习概率%权值初始化Wjk=randn(n,M);Wij=randn(N,n);a=randn(1,n);b=randn(1,n);%节点初始化y=zeros(1,N);net=zeros(1,n);net_ab=zeros(1,n);%权值学习增量初始化d_Wjk=zeros(n,M);d_Wij=zeros(N,n)

22、;28d_a=zeros(1,n);d_b=zeros(1,n);输入输出数据归一化inputn,inputps=mapminmax(input);outputn,outputps=mapminmax(output);inputn=inputn;outputn=outputn;网络训练foriii=1:100error(iii)=0;循环训练forkk=1:2016x=inputn(kk,:);d=outputn(kk,:);y=0;forj=1:1:nfork=1:1:Mnet(j)=net(j)+Wjk(j,k)*x(k);net_ab(j)=(net(j)-b(j)/a(j);endfo

23、ri=1:Ny=y+Wij(i,j)*mymorlet(net_ab(j);%小波函数endendfori=1:Nerror(iii)=error(iii)+abs(d(i)-y(i);end权值调整forj=1:n计算d_Wijfori=1:Nd_Wij(i,j)=d_Wij(i,j)-(d(i)-y(i)*mymorlet(net_ab(j);end计算d_Wjkfork=1:1:Mfori=1:Nd_Wjk(j,k)=d_Wjk(j,k)+(d(i)-y(i)*Wij(i,j);endd_Wjk(j,k)=-d_Wjk(j,k)*d_mymorlet(net_ab(j)*x(k)/a(j

24、);29end计算d_bfori=1:Nd_b(j)=d_b(j)+(d(i)-y(i)*Wij(i,j);endd_b(j)=d_b(j)*d_mymorlet(net_ab(j)/a(j);计算d_afori=1:Nd_a(j)=d_a(j)+(d(i)-y(i)*Wij(i,j);endd_a(j)=d_a(j)*d_mymorlet(net_ab(j)*(net(j)-b(j)/b(j)/a(j);end权值参数更新Wij=Wij-lr1*d_Wij;Wjk=Wjk-lr1*d_Wjk;b=b-lr2*d_b;a=a-lr2*d_a;d_Wjk=zeros(n,M);d_Wij=zeros(N,n);d_a=zeros(1,n);d_b=zeros(1,n);y=zeros(1,N);net=zeros(1,n);net_ab=zeros(1,n);