《风电场风电转换功率模拟与预测探究》20000字

风电场风电转换功率模拟与预测研究目录TOC\o"1-3"\h\u8600摘要 I15009第1章绪论 4246751.1研究背景及意义 4103971.1.1风力发电发展现状 4244201.1.2研究背景 563651.2国内外风电机组研究现状 6282731.3风电机组超短期功率预测研究现状 6218631.4研究内容 724676第2章风电机组的基本工作原理 10233022.1风电机组的基本组成结构 10181172.2风电机组空气动力学理论 1195422.2.1风能转换基本原理 12180362.2.2风能捕获原理 1318002.3风电机组基础运行 1526592.4本章小结 1523741第三章线性功率预测方法 1534233.1线性功率预测 1634803.2最小二乘法 16314903.2.1一元线性模型 17151563.2.2多元线性模型 18105563.3支持向量机法 18152313.4线性方法的特点 2030483第四章非线性功率预测方法 2058694.1粒子群优化算法 206584.1.1算法核心启示 22218144.2.1BP算法简述 23304624.2.2BP神经网络算法的原理与步骤 23300094.2.3激活函数的意义 2532192第五章风电短期功率预测及其仿真分析 2642765.1数据来源以及样本集分析 26285915.1.1相关数据来源 26294205.1.2训练样本集和测试样本集分析 2645085.2风电短期功率预测分析 28249645.3本章小结 3515953第6章总结展望 3843666.1总结 38126356.2展望 38摘要【风电机组功率预测】风能作为一种清洁能源，风能发电效率的提升在双碳目标的今天有着重大的研究意义，但是风能具有不确定性，因为风力发电会受到自然环境的约束，导致了这个过程中的转化效率无法达到百分之百，也就是会存在效率高低的问题，大自然界中的风具有随机性，波动性以及不确定性等特点。由于风力资源的不确定性以及随机性，因此加剧了电网发电调频等工作的困难，人们的生活也会受到大大的影响，对于整个的电力系统的运行和风电机组的运行都有着极大的影响。因此对于新一代能源的探索和开发研究显得特别重要，开展风电机组的功率预测，能够极度有效地提高电网运行的稳定性，大限度的保证电力系统的安全性。关于风电功率超短期预测的不确定性分析，本文选取来四种预测算法来进行预测，分为线性与非线性，线性使用最小二乘法与支持向量机；利用最小二乘法可以对未知的数据进行求解，支持向量机；非线性使用粒子群优化算法与BP神经网络算法，粒子群优化算法与传统算法最大的不同就是它具有记忆性，能够根据自身的速度来进行搜索，BP神经网络的优点是有多层结构，应用的最为广泛。选取了春夏两组具有明显区别的数据，具有很强的代表性。做好春夏这两个月，季节分明具有代表性挑选了4小时、一天、三天的测试集以及训练集，明确功率的输入和输出数据，分别制作好测试集和训练集，运行选取的四种算法程序。分别利用月的数据和季度的数据，来得出预测结论，总结出未来的预测趋势。对于某一大型风力发电厂近一年的风速、温度、风力、风电功率等这么多的数据进行筛选，通过集中研究几个月的数据来大概预测一年的数据，最后得出预测图，来比较四种方法的不同对于最终的预测结果的影响。关键词：风电机组；风电功率超短期预测；线性预测算法；非线性预测算法：Matlab仿真绪论1.1研究背景及意义如今这个高速发展的世界，电自从发明问世以来，就已经不可被取代了，成为人类生活必须用到的重要资源REF_Ref21409\r\h[1]。世界是在飞速发展的，因此人们对生活质量的要求也是更高。近些年来因为技术的提高以及对这个领域研究的进展顺利，所以使得我们对对于研究好风力发电有很大的意义。人类社会一直在进步，所以人们对于电的需求是越来越高的，更加依赖于电，基于此风电占有的比重越来越大，可是在整个风力发电的研究过程和实地考查中，存在风的不随机性和高间歇性（张明杰,李思远,2022)。预测风电场的结果来预测今后的趋势，目的主要就是为了提高我国风电的竞争力。现代社会对电力供应的安全可靠性性能的要求越来越高,电力安全作为工业的主导地位比以往任何一个时候都更加重要，因此首要考虑安全性问题，那么风力发电的重要性就不言而喻了。所以电力系统的规模不断壮大发展迅速。由于地球上的资源不是无穷无尽的，所以就存在资源不足的情况，导致了局部甚至全球的大面积停电事故(王晨曦,刘诗雨,2023)。传统的发电资源早已经是灯枯油尽，这样的后果就是带来了一系列的恶性连锁反应，影响范围会越来越大，1965年的加拿大与美国东北部停电事件、2006年欧洲大停电、2012年印度大停电事件这些都是我们人类为了发展经济工业的同时，使得传统的不可再生资源发电越来越少，所以才导致了很多影响巨大的停电事故，对我们日常的生活起居带来了很大的麻烦。因此对于电网和电力系统的安全运行成为了当前我国需要首先解决的问题，映射到风力发电这个层面，需要进行好对风电功率的超短期预测(刘浩然,张紫怡,2021)，能够保证人们用电的便捷性以及可清洁性，因为风能是非常清洁的一种可再生能源。风力发电发展现状我国主要的电力形式就是风力发电，对大自然中的风进行利用开发，使得风能能够用于工业发电。当然也有其他种的发电形式，可是由于安全性以及清洁性的考虑，我在这里还是介绍风力发电。我国国土辽阔，横跨多个季风区，我国位于大平洋的西岸，因此其特殊的地理位置使得我国会形成十分明显的“季风现象”，正是由于季风显著，我国是风能资源储备十分丰富的国家，查阅相关资料可知，风能资源总储量约为32.26亿千瓦，能够开发利用的风能储量为10亿千瓦(徐文博,邓小萌,2021)。以上可以看出，虽然平常生活中我们能够感受到风的存在，在这等条件下可是将其应用到工业发展生产中，就要有很严格的技术水平，为了提高我们的风能发电水平，刻苦钻研是迫在眉睫的(邹佳慧,孙立文,2022)。将风力的功率转变为风力发电最关键的是要进行风力的装机,这里就要介绍一下风电的装机容量这个基本概念。风电设备的装机容量指的是单一风电场正常运行的装机容量,包括正常工作的装机容量、事故准备容量以及检修后的装机容量。通过观察和查阅我国的地图，以及网上搜索可知"中国风能资源分布图"，由于我国东南沿海的海面上都拥有丰富的风能资源，上述研究为既有理论体系增添了关键证据，其深入的分析与成果不仅再次确认了理论的正确性，还借助不同条件下的实验数据对比，揭示了理论在不同场景下的适应范围与限制。这些实证发现不仅强化了理论结构的稳固性，也为理论在实际操作中的调整和完善提供了坚实的支撑，彰显了理论在指导实践中的广阔前景与重要性。于是就开始有了海上风力发电场这个设想，海上风力发电场本身就是一个理想的风力发电地区，因为当时我国东南沿海地区的经济发达，能源需求量也很大，环境条件较为便利，相对于内地来说，在东南沿海地区建立大型风电场的可行性是很高的。可是在内地，风力资源没有东南沿海的得天独厚，在建立风电场的同时，还需要解决持续风力发电的问题，所以可想而知在内陆地区的风力发电工作要面临很多的艰难险阻(林紫薇,赵彭丽,2020)。研究背景能源是这个世界发展和发展经济增长的最根本的驱动力，没有能源就没有着发展的动力，能源是我们人类赖以生存的基础。世界的发展由最开始的木柴柴薪，到之后的钻木取火获取了火的使用，又经历了以煤和石油为主的时代，现在向可再生能源转变，以天然气为主，同时水能、光能、电能、风能等可再生能源正在得到了广泛的利用。水能的利用需要考虑更多的因素，比如对当地的影响，对江河湖海的利用会对生态系统产生的影响等等，而对于风的利用，更多的是在技术上的完善(杨浩然,郑瑞雪,2019)。随着技术水平的提高和市场的不断扩大，近些年来光伏发电快速发展，到了20世纪90年代后期，发展更为迅速。从这些态度可以明白对于风电功率预测，现今有很多方法能够很有效的对风电功率进行研究与预测，其中基于主成分分析与人工神经网络应用是一种统计方法，通过正交变换将可能线性的变量转换成非线性的变量REF_Ref11760\r\h[4]。但是对于本课题来说，选取的方法线性分为最小二乘以及支持向量机REF_Ref12064\r\h[8]，非线性为粒子群优化以及BP神经网络。国内外风电机组研究现状在国外这个大国际环境下，世界上各个国家对风力发电的要求也都在急剧上升，而发达国家则更加注意对风力发电进行开发利用,因为它们能够使我们国家在工业上的发展更加有利，因为它们的可再生性质才会受到这么多地区和国际社会的青睐和关注。通过查阅相关资料可以得知我国在风电领域如今的强大(何子涵,薛诗琪,2023)。查阅中国财新网的一篇文章名为2020年中国风电装机量增178%超过去三年之和可以看出我国2020年风电新增装机量飙升，达到7167万千瓦，同比大增178%(吕建华,王海涛,2020)。这一数字已超过此前三年装机量之和，同时创下历年新增装机的纪录。1月20日，国家能源局开放透露了上述装机数字。2020年前11个月中国风电装机为2462万千瓦，这意味着12月单月装机量高达4705万千瓦，是1-11月新增装机量的近两倍。2020年初，新冠疫情普遍影响工期约3个月，特别是风电、光伏等新能源项目如不能按期投产，将影响电价补贴，赶不上政策限制并网时间节点，项目收益率也将降低。据统计，截止到了2020年底，我国的总发电装机容量为22亿千瓦，累计装机占比达到了新的12.8%。我国由之前的世界中游水平如今跃升到了世界前列，在风力发电这个领域，我国的发展越来越好，从这些报告中推断出风电装机容量更是连年快步提升(许莹媛,何若琪,2020)。基于这些初始研究成果，本文能够构思出更多富有预见性的设想与研究路径，促进该学科领域的知识边界持续扩展。这些设想与研究路径不仅立足于对当前状况的深刻剖析，还融合了领域内的最新进展与未来走向，意在探索未知地带、应对现实挑战并引领学术发展潮流。借助后续的研究与验证，本文有望发掘该领域更深层次的规律与机制，为理论架构的丰富和实践应用的革新提供强大助力。此外，这些前瞻性的探索也将吸引更多学者与研究机构的目光与投入。这都是我国技术水平的提升和无数愿意奉献的科研人员共同努力所带来的优异成果。从全球的角度来说，近几年间的发展突飞猛进，当前我国的发展现状很好。国内外都有很不错的研究环境，因此在风力发电这个领域，也是大增长的趋势。世界的风力装机容量较之前的年份是大大增加的(冯建国,贾腾飞,2020)。由此可见整体发展的大趋势是单体的容量大大提高了，技术水平有了显著地提升，将会有更多的专业技术人才对风力发电这个领域进行更深层次的研究，会带来更多的新方案和新技术，研究风力发电的团队将会越来越大，这对我国大力发展风力发电行业是挑战也是动力，更是机遇。1.3风电机组超短期功率预测研究现状风电机组工作的一年中有十二个月份，四个季度的这些功率数据。从提供的我国某大型风电场中选取适当的月份，对其进行超短期预测，对预测之后的结果进行分析，使用包括线性以及非线性在内的多种算法模型，在当前这个大环境下，节能环保是发展的同时也要保证的，因为地球的资源有限，我国的资源更是有限的，这就要求对现有的生产工作方式进行分析和对将来发展方向的预测，但是长期预测明显会比短期预测效率低下，因此如何进行好超短期预测就显得尤为炼集中，选取最具特点性的季节和月份，这些月份的功率数据是一个小样本，在这种设定下将一整年的十二月数据拆分成多个小集合的数据，比如一三五、二四六为一个组合，先训练前一组，之后训练下一组别，这样两组的训练结果和数据会有个明显的对比，再通过对下一组进行对比分析，就可以达到超短期预测的目的(蔡宗杰,吴心怡,2020)。1.4研究内容本课题主要研究线性和非线性回归的风电机组超短期功率预测并进行对比分析。主要内容有主要对线性算法以及非线性算法进行了解和学习。本文需要用到四种不同的算法，分别包含了线性算法以及非线性算法，线性预测算法主要选取了最小二乘法和支持向量机算法，非线性预测算法选取了BP神经网络算法和优化粒子群算法REF_Ref22232\r\h[4]。确定常见的线性功率预测方法和非线性功率预测算法利用Matlab电脑编程软件实现线性功率预测方法和非线性功率预测模型利用季节数据训练线性和非线性功率预测模型，并利用训练后的数据对风电场功率进行超短期预测，对比分析线性功率预测和非线性功率预测各自特点。利用月数据训练线性和非线性功率预测模型，并利用训练后的数据对风电场功率进行超短期预测，对比分析线性功率预测和非线性功率预测模型。本文题目为对比分析线性与非线性的风电机组超短期功率预测，本文大致的章节安排如下：第一章为绪论部分，主要讲述了本文研究的课题方向以及风电功率的研究发展现状，为开篇部分。第二章讲述了风电机组的相关知识，诸如基础组成、空气动力学理论、机组功率特性。第三章介绍了重头戏，即介绍了线性概念，提出了两种线性预测方法最小二乘法和支持向量机。第四章介绍了非线性的概念，提出了非线性的两种方法粒子群优化和BP神经网络。第五章为仿真部分，为代码运行结果。第六章为总结和展望。下图为本论文的总体章节流程图。图1总体流程图第2章风电机组的基本工作原理风力发电机组主要为风轮和发电。机风轮依靠叶片承受风力而旋转运行,发电机机头运行。风力发电电源主要由风力发电机构、支持着发电机构运行的塔架、蓄电池充放大器、和蓄电池这些单元组成。风电机组在运行过程中，是能够将自然界中的风能吸收，然后通过自身的转化，最后通过通电设备转化为能够使用的电能，这是一整个工作过程。那么在机组的正常工作当中，都需要保证此风电机组的频率是恒定的，这样可以提高工作效率减少误差(韩冰雪,唐嘉琪,2020)。本研究着重强调跨领域融合，采纳了来自经济学、社会学等多个学科的理论框架与分析工具，旨在构建一个全面且多维的研究体系。借助跨领域的视角和策略，本文能更透彻地洞察研究对象的本质与复杂性，揭示各领域间潜在的内在联系与相互作用。这种跨领域的融合不仅助力本文打破传统学科壁垒，还能启迪新的研究视角与方法，为解决问题提供更为宽广的视野与更多元的资源。通过整合不同领域的理论与手段，本文能更全面地剖析和阐述研究现象，为相关领域的研究与实践带来更为深刻和详尽的见解。要想确保风电发生的频率是恒定的,一种做法就是确保风力驱动器的转速恒定，这在一定角度上表达了即是发电机转速恒频运行，另一种做法则是确保风力驱动器的转速会随着发生风速的变化，通过它们作为其他方法的手段，来确保发电机在转子上的输出功率恒定，即是发生了变速恒频的运行(龚雨晨,曾子萱,2019)。风力发电机组的工作原理简单来说就是：风的动能转化成发电机转子的动能，转子的动能随即又转化为电能。当前我国这些建造完工的发电场中，有许许多多的工业风车，风车们会依赖于吹过来的风，让风叶开始转动，从而能够带动风车内部的系统和机械，再连接到工业设备上，当流经的风速足够大时，就能带动发电机进行运作发电，把自然界中的风转变成可供社会使用的电能，而且此方法行之有效。依靠现有的风车发电技术，从这些发现中可以看出大约是每秒三公尺的微风速度，这里的微风速度是指微风的程度，便可以开始发电。大型常见的结构是横轴式三叶片风轮，较为新颖的设计通常都是可以进行变速运转,利用这种可以进行变速的操作，风轮在空气动力效果上可以有明显的改进和优化，从而获得了更多的能源(俞子和,杨俊杰,2019)。2.1风电机组的基本组成结构风电机组的基本组成结构较为复杂，因为机组通常都承担了许多的工作任务与研究任务。它的主要组成部分有发电机、台架、塔架、传动链、高速轴、低速轴、轮毂、调速机构等，主要靠的是外界的风被吸收进风电机组，从而带动内部的发电机运作，使得整个机器开始工作。2.2风电机组空气动力学理论风能曾经是蒸汽机发明之前最重要的动力来源，几千年之前，世界上远远没有飞机的时候，人们都是通过使用帆船运输物资，通过风力来推动帆船前进(刘佳怡,何婷琳,2019)。几千年之后，也就是如今的世界，世界各国为了各自的发展大肆使用能源，近年来，传统能源逐枯竭，石油煤矿等资源被大加开采，在这等条件下对环境产生了不可逆转的污染，控制质量下降，绿色植被更多的被黄沙覆盖，南北极的冰山融化等等，使得人类开始将目光看向新能源，对新能源的利用刻不容缓。风能作为自古以来就非常清洁的能源得到人们更多的重视。本文介绍对比分析超短期的风电功率预测，就要用到风电机组，风电机组空气动力的相关问题其实就是风轮叶片的空气动力问题。此发现与预设的理论架构相吻合，在研究过程中严格遵循了科学探索的准则和方法论体系。本文运用了精密的设计来保障研究的精确性和可信度，同时进行了深度剖析以确认理论架构的有效性。在研究期间，本文不断调控外部因素，以排除潜在的扰乱元素，保证研究结果的客观性和可验证性。这一连串的严谨举措不仅深化了本文对研究对象的认知，也为理论架构的验证提供了坚实的实证根基。包括了四个基本的理论，这里介绍其中两种理论分别为动量理论与叶素理论(李昊天,高志强,2019)。(1)动量理论主要从对于风轮的尾流进行两种研究。不旋转的时候,风能利用系数可以推导得到其中为轴向诱导系数，也称速度减少率。当时，风轮功率系数最大约为0.593，表明在无误差的理想条件下，风轮至少可吸收59.3%的风力，并且可以将风轮作为风能。风轮发生尾流而旋转时，这一瞬间的风轮功率系数可以被定义成如下的数学表达式(崔浩宇,张雯萱,2022)：(2.1)叶尖速度比为，(2.2)典型风电机组的风轮功率系数可用如下数学表达式：=(2.3)(2.4)叶素理论所谓叶素理论是一种数学模型，在工业和研究科学领域中很常用的一种数学模型。叶素理论可以对风电机组的叶片进行设计，也可以对其整个的表现进行评价分析，整个的表现是指在设计的整个过程中。该理论是较为完善的数学理论模型，对风轮的叶片设计，能够对风轮的各种部件参数进行确定工作，几何参数包括风轮直径，气动翼型，扭转角等等参数，从这些态度可以明白使用叶素数学模型能够大约估算出每个叶片的受力，这样是对测量主轴的输出功率和转矩是很有帮助的，能够减少很多无用功时间，提高运算速度和效率(郝瑞林,曾晗光,2023)。上述成果在完备性和逻辑性上均符合要求，彰显了本研究团队的审慎态度与科学精神。经由深度剖析，不仅证实了已构建的理论基石，还揭示了一些新颖的现象与趋向，这些新发现为相关领域的研究开辟了新视野和新路径。在研究进程中，本文细致入微，对每个核心点都实施了严格的审核与验证，以保障研究结论的精确性和可信度。此外，本文还主动与同行沟通，吸纳他们的真知灼见，持续优化研究方法。这种审慎的科学态度与方法，不仅确保了本研究的高品质与高价值，也为后续研究树立了可效仿的标杆。2.2.1风能转换基本原理这里引入气流的概念进行介绍，所谓气流是在气象天气领域常见的一个学术语言，通俗一点说气流就是一直流动着的空气。风其实就是来源于空气的动能，由于太阳辐射而产生，所以下式提出即为气流的动能表达式(段瑞琪,胡俊杰,2022)： （2.5）引入了气流动能之后，根据物理定律，需要求出气流所具有的质量。按照气体的质量公式，能够推导出体积为的气流的质量： （2.6）再根据物理常识，质量能够由体积与密度的数学乘积表示，因此这里用体积与密度替代式（2.6）中的质量，将空气气流的表达如下所示： （2.7）风力发电的原理相对来说比较复杂。对风能转换原理公式化表述之后，也要从实际部分出发去理解。风力发电的原理实际上就是风带动了风车叶片进行旋转，旋转之后会带动其中的发电机，发电机启动发电(陈嘉俊,陈一鸣,2022)。更加严谨的来说，由于每个风轮叶片的不对称性，叶片的横截面的前后左右不是完全对称，因此当自然风流经每个叶片时，流速都是不一样的，就会使得叶片周围各个方向的压强都是不一样的，上方压强会小于下方压强，故而会使得叶片形成较大的压力差，在这种设定下这个压力之间的差值足以令风轮进行旋转，而且旋转的强度会是很大的，旋转的强度越大，压力值越大，从而叶片就会连带着风轮旋转的角度会越来越大(朱雨彤,冯语蓉,2021)。2.2.2风能捕获原理如果按照风电机组的气动理论中的贝兹定理，风轮的工作状态是理想状态，需要对风能的捕获进行讨论，自然界中风是取之不尽的，但是如何将这些风的能量转换成电能，就需要研究风电机组的风能捕获原理，要求所选取的风电场中的风电机组能够最大限度的吸收风并且转换成电能。对于这里本小结要讨论的风能捕获原理，其实有三种常见的控制算法，诸如最佳叶尖速比、爬山以及功率反馈法，但是这里这三种方法在这里不做过多介绍，了解即可(薛宇航,林子和,2022)。根据能量守恒定律可知，风轮产生机械能往往只有在空气动能减少时才能发生，则有小于，。状态连续条件可知(梁晨阳,李俊彬,2021)： (2.8)风在风轮上面所产生的作用力为： (2.9)吸收功率为： (2.10)整个过程中的能量变化为： (2.11)，则有： (2.12)功率可以改写成： (2.13) (2.14)微分处理，即得到如下(2.15)： (2.15)假设这个表达式的结果为0，这是推导求出可吸收最大功率的数学前提，所以可以得到，则通过式(2.6)最大功率为((雷欣雅，程梓和,2021),2022)： (2.16)可以计算出最大风能利用系数，物理意义实际上是将风能转换成电能的转换效率，可由(2.17)式求出： (2.17)由式(2.17)可以知道贝兹理论的极限值为0.593。它是风电机组的最大风能利用率，同时它也说明了一个情况，在这般的框架下即风电机组捕获的风能的能力并不是没有限度的，而是有限的，这是因为在能量转换的过程往往会伴随着能量损耗的现象，这就导致了风电机组吸收的功率会降低(邵文博,陈曦晨,2022)。每个理论模型均是对现实世界的简化描绘，故难免会包含某些近似处理。这可能会使得模型在特定情境或极端环境下难以精确反映真实状况。为弥补这一缺陷，本文在构建与验证模型时，尤其重视模型的适用领域与限制条件，并在研究中进行了详尽的探讨与阐述。同时，本文通过与其他研究途径及实证数据的比对，来评估模型的精确度和可信度。这种综合性的评价方式，有助于本文更深入地理解模型的局限与潜在风险，为后续的研究与应用提供有价值的参考与启示。这个功率损失值有很强的差异性，会因为风电机组的不同而有着不同的值，所以风电机组的一定是小于0.593这个极限值的。就现在的风电机组来说，所能达到的风能利用系数大约在之间,也就是说吸收功率的高低最能直观体现出风电机的好坏，比较高性能的风力机的机能实际上能达到0.45-0.47。风电机组中还有两个特别重要的参数：叶尖速比和风轮桨距角，它们组成了功率因数的函数，按照贝兹理论，得出风轮从风能中捕获的机械功率为(邹子涵,王海涛,2020)： (2.18)2.3风电机组基础运行要引入风电功率预测，首要的就需要介绍风电机组，由于风能转化成电能要经历风电机组进行转化，因此本章对风电机组的基础运行做一个基础的介绍，从而对风电机组在整个功率预测的工作原理有基本的认识。根据风速范围进行划分，能够简要的分为三个基础阶段(张梓琪,李璐瑶,2020)：第一阶段：启动区，在该区域内的风速是小于切入风速的，风电机组逐渐进入到运行阶段。第二阶段：最大风能捕获区，也是风电机组主要的工作区，在该区域内的风速大于切入风速且小于额定风速。使风电机组能够尽可能多的捕获更多的风能，为了捕获的风能够保证全数被吸收进风电机组内，所以对风速是有要求的。第三阶段：额定功率区，这个区域的风速应当是额定的风速,而且切出的风速应当是。在该范围内,要求风电机组输出功率始终保持在额定容量。2.4本章小结本章的主要内容介绍了了风电机组的空气动力学理论并进行了较为详细的分析，在掌握风电机组的基本组成结构的基础上又学习了风能捕获原理，基于此提出了风速变化会给整个风能发电过程带来的影响，这在一定角度上表达了在此基础上分析了能对风电机组的输出功率产生影响的几个重要参数，分析了风电机组的功率特性(高文杰,方思琪,2022)。最后通过对风速的划分的风电机组的三个运行阶段的分析，重点介绍了第二阶段最大风能捕获区的相关知识。介绍了风电机组相关概念以及基本组成结构，并且还全面的分析了风速的变化对预测过程的影响，能够基本了解工作任务，能够为接下来选取方法并对其进行详细介绍打下基础。第三章线性功率预测方法本章的主要内容为介绍线性功率预测方法的相关概念以及列举了两种常见的线性预测方法REF_Ref22686\r\h[7]，最小二乘法以及支持向量机法，并分别对这两种方法单独做了介绍，介绍这两种方法的基本原理。并且为了突出两种方法之间的特点和区别，引用相关实例，由于二者的运行代码并不相同，因此最终得出的结果也大不相同，所以使用两种不同的代码对一个问题进行代入运算，得出的结果加以分析和对比，能够更加直观的发现这二者的区别。3.1线性功率预测线性预测法是指依据已经有的取样点,按照线性函数进行计算出某个离散取值的数学方法。在工业生产过程中,会碰到很多数字信号,在对于数字信号的处理中,线性预测一般也叫做线性预测编码(刘雅慧,杨昊宇,2022)。线性回归预测法在统计学领域中属于一个常见的名词,一元线性回归分析预测方法,就是根据风电场的自变量x与因变量y之间的相互关系,由于这篇论文所要研究的就是对风电场的功率作出预测,因而并非只能被一个可以接近的因素所影响,必须要针对如何影响风电场功率的多种可接近因素作出全面的分析。3.2最小二乘法最小二乘法是一种数学优化技术，也是一种很常见的线性预测算法，其带有的代码能够对很多的线性问题和数据进行分析运行，从而得出最终的结果。它的名字又可以叫做最小平方法，最小二个乘法能够通过寻找一个最小化错误的平方与寻找一个数据的最优函数相互匹配，采用这种最小二个乘法的计算方式就能够很容易求得一个未知的数据，且能够把这些被求得的数据与实际相关的数据进行对比，误差的平方值是最低的(赵灵萱，李晨曦,2022)。本文借助多学科的专业视角、探索手段与技术架构，使研究者能够更有效地面对科学挑战，挖掘出更具创新性和应用价值的解决方案。通过跨领域的协同与合作，本文成功整合了不同学科的专业知识和技术资源，携手解决科学难题，促进相关领域的成长与进步。这种多元化的研究方法，不仅深化了本文对研究对象本质与规律的理解，还催生了新的研究思维与方法，为科学研究的创新提供了持续不断的推动力。通过本文的探索，本文彰显了跨学科合作在科学研究中的巨大潜力和重要价值，为未来的研究开辟了新途径。在这种设定里最小二进位相加式还可以应用到曲线的模仿。另外一些被优化的问题还是通过将能量进行最小化，或者将熵用到最小二进位的方式表示。简单来说，最小二乘法跟梯度下降法是类似的，都是一种求解无约束最优化问题的常用方法，并且可以使用曲线拟合，来解决回归问题。最优化问题是能够解决这个问题而能得出的最优的解，即最少误差最少时间等等，相对来说，跟其他解相比，最优解则是很符合要求的那个唯一解。图3.1最小二乘法原理图3.2.1一元线性模型处在多元化情况下，回归分析大致由两个或两个以上的自变量组成。对于线性回归模型,假设我们通过计算n组的观测值(x1，y1)，(x2，y2)，...,(xn,，yn)。在选出的最佳拟合曲线，它们都是具备标准值的，从这些态度可以明白就可以通过这些因素来作出决策；如何使整体拟合的误差达到最低，如何通过选择使其达到最高(孙雨泽，周浩然,2023)。可以利用"残差和最小"来判断一条垂直线上的所在位置，然而这种判断方法会出现一条线与"残差和"的关系，并且是一条线与"最小距离"之间不可分割的问题；其他的方法就是采取最小二进制，为了计算，的值，我们需要采取如下规则：即为Cost函数，可以用如下的数学公式来进行描述(张瑾瑜，陈思琪,2023)：(3.1)其中，是表示根据y=x这条函数估算出的值，是通过观察得到的真实值。3.2.2多元线性模型上文提到了一元线性模型，可是实际在生活中，多元的情况是很多的。在实际经济问题中，一个变量往往会受到很多个复杂的变量影响，那么这种情况就是多元线性模型，最明显的特征就是这个变量会有许多个解释变量。本文借助融合多学科的专业见解、探究途径和技术工具，研究者能更透彻地把握研究对象的本质及其复杂性，进而提出更加精确且高效的解决方案。这种跨领域的融合不仅拓宽了研究的范畴，还促进了各领域间知识的互通与融合，为科学研究的创新提供了丰富的素材与启迪。通过整合不同学科的理论与手段，研究者能更深入地揭示研究对象的潜在法则与机理。多元线性回归模型的一般数学表达式为如下(高梓和，何睿哲,2022)：=(3.2)多元线性模型在本质上是不同于一元模型，但却是一元模型的延伸扩展。多元的变量是一元所不可比拟的，因此在解决问题的能力和效率方面也要强于一元线性模型。多元线性模型是数理统计学中的一个很重要的分支，从这些态度可以明白相比于一元线性模型，多元的指标Y是多元随机变量，所以影响指标Y的因素有很多，这些因素中不只有定性的，也有定量因子。这里对多元线性模型进行一下简单的公式说明，我们假设对应于影响指标的因素的指标向量Y的观测值，由(3.3)可见(郭婧雅，林逸飞,2022)：，(3.3)3.3支持向量机法在机器学习中，支持向量机(SVM)支持的是向量计时机模型把样品表示成在空间内映射的点REF_Ref22744\r\h[8]，这样那些只有具备单个类别的样品就会尽量清晰地从间隙中划分。所有的这些新样物都是从空间中映射出来的，在这种设定下它们是一个同一集。那么我们就可以从这个空间中掉落到什么一侧去预测它们是否属于什么样的类别(曹煜城，许梓萱,2022)。除了针对向量计算机的线性化分类，而且支持向量计算机还可以通过利用传统的核心技术方法，对向量计算机进行高效的非线性化分类，把输入的内容从隐式映射出来，放置在高维度上的特征空间里REF_Ref22869\r\h[9]。当数据中没有类别标签，是不可以采取一种监控式学习模型。这时候我们需要在模型中采取一种非监督学习模型，它会尝试对这些数据进行自然的聚类和分组，并且把新的数据反馈到这些已经形成的分组中(马天俊，吴梦琪,2019)。在工业领域，应用的最为广泛的一种聚类算法是向量聚类算法，于1999年被提出。该算法能够在支撑向量机算法的研究开发中，利用支撑向量的统计学,将没有类型标签的数据进行归集分析REF_Ref23015\r\h[10]。3.3.1支持向量机法的概念以及原理支持向量机法是一种二分类的模型，它的基本模型是定义在所需要的特征空间上的间隔最大的线性分类器，是典型的线性分析算法之一(朱梓和，黄俊贤,2020)。用比较容易懂的解释就是在特征空间里面利用某一条线路或者是某块平面把完整的训练数据集划分为两种类型,这个划分的原理就是间隙最大化。在这般的框架下这里我们所谓的区间最大化是指从一个特征空间中距离分开的线或者是分开的面最近点来到它所取得的那一条线或面之间的区域距离最远REF_Ref7242\r\h[11]。通过这一流程，本文不仅确认了研究结果与现有理论的契合度，还在一些方面贡献了新见解或补充，进一步丰富了相关领域的理论体系和实践探索。这些新见解或补充不仅提升了本文对研究对象本质和规律的认识，也为后续的研究和应用提供了新的方向和启示。本文的研究不仅验证了现有理论的准确性和实用性，还推动了相关领域的知识创新与发展，为未来的研究和实践提供了有益的借鉴。正式一点来说，支持向量机就是构造一个或者一组超平面，这个超平面在高纬度或无限维度空间中。这些超平面可以用于分类、回归或者其他的孤立点检测(王梓萱，冯浩然,2022)。3.3.2线性支持向量机线性支持向量机是一种常用的线性方法，对于本课题主要研究线性支持，而不过多介绍非线性支持。一个n个点的训练数据集可以描述成如下的数学表达式：(3.4)图3.2支持向量机原理示意图3.4线性方法的特点对于选取的两种线性预测算法，每种算法都有其独有的特点，可是单独进行运行分析时却不太明显，说明二者的相关性和不同性。这对于研究算法对结果的影响是很重要的，因为大的样本是不变的，电脑仿真软件也是不变的，那么变的就是选取的算法代码(谢雨馨，郑煜祺,2022)。风力风电发电涉及到了工业生产领域，因此对效率的高低有着很严格的要求，较少时间内完成相同的工作量，在这样的背景下并能够很好地对未来的数据进行短期预测，何为线性，我对线性的理解就是，对于要研究的事情是有因变量和自变量的，因为因变量的存在，才会使得自变量产生变化。上述研究为既有理论体系增添了关键证据，其深入的分析与成果不仅再次确认了理论的正确性，还借助不同条件下的实验数据对比，揭示了理论在不同场景下的适应范围与限制。这些实证发现不仅强化了理论结构的稳固性，也为理论在实际操作中的调整和完善提供了坚实的支撑，彰显了理论在指导实践中的广阔前景与重要性。在变化的过程中，如果两种变量之间是一对一的关系，那么就能理解是一种映射关系，从输入自变量到输出因变量的映射，二者通过简单的关系联系起来，这种关系处理起来简单轻松，但是对于更为复杂的多变量问题，简单的线性方法就不能处理了，因为除去二者之间的映射关系，还有其他影响因素，是能影响到最终结果的，所以线性方法优缺点明显，在如今快速发展的信息化时代，单纯的线性已经逐渐退出了世界的眼光范围内，引入非线性的重要性不言而喻(罗欣怡，钱梓和,2021)。第四章非线性功率预测方法在第三章中，介绍了线性的概念以及线性功率预测的相关方法。通过逻辑对比就可以发现这章要讨论研究的重点，即有线性的存在，那么就有非线性的存在，因为不只是只有简单的线条，还有弯曲非线性的线条。非线性调制主要由调频、调相两部分组成。非线性界定是指，在一个系统中，所有的输出与所有的输入均不是等于成正比例，或者说它们都是等于相反的。在这等条件下犹如最初的宇宙混乱。在数学上直观来讲，就是在自然变量与改动过程中并没有形成为一个线性的关系，组成了诸如曲线或抛物线的关系，而这些都称为非线性。非线性主要的特征是横断每一个专门，渗透到各个方面。4.1粒子群优化算法粒子群优化算法(ParticleSwarmoptimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法REF_Ref5090\r\h[12]。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能(Swarmintelligence,SI)的一种。它可以被纳入多主体化系统(MultiagentOptimization郝瑞林,曾晗光tem,MAOS)(李梓萱，周俊豪,2022)。粒子群优化算法是由Eberhart博士和Kennedy博士发明。这里要引入一个概念就是模拟捕食，模拟捕食顾名思义，就是利用这个算法的代码，用粒子群算法来模拟鸟群的捕食行为(陆欣悦，沈煜宸,2021)。一群鸟类在觅食时，每一种鸟的起点和地理位置是被随机地分配出来的,因此就不会发生由于谁距离食物较近或由于距离较远导致其飞行方向被随机地改变。首先群鸟不能够知道他们所处的准确位置，也并没有很明白他们的这些相似类型的食物，更甚或是群鸟不能够知道他们将来会吃得到嘴里的准确位置，在这种设定里所以一时间是没有办法得出精确结果的(陈天，汪思睿,2022)。基于这些初始研究成果，本文能够构思出更多富有预见性的设想与研究路径，促进该学科领域的知识边界持续扩展。这些设想与研究路径不仅立足于对当前状况的深刻剖析，还融合了领域内的最新进展与未来走向，意在探索未知地带、应对现实挑战并引领学术发展潮流。借助后续的研究与验证，本文有望发掘该领域更深层次的规律与机制，为理论架构的丰富和实践应用的革新提供强大助力。此外，这些前瞻性的探索也将吸引更多学者与研究机构的目光与投入。但随后伴随着时空的推移，这些最初处于随机地点的鸟类们通过与鸟群中的同类相互学习、资料共享以及个体的不断地积累来寻觅猎物，这是粒子群优化算法的基本思想REF_Ref23714\r\h[13]。在群鸟觅食模型中，每个个体都可以被看成一个粒子，那么鸟群可以被看成一个粒子群。假设在一个D维的目标搜索空间中，有n个粒子，这些粒子组成了一个群体，其中第i个粒子(i=1,2,...,n)的位置可以表示为如下的表达式：=(,)(4.1)即其中i个粒子处于d维搜寻空间的位置。也就是说，每一个粒子的位移都是某一个潜在位置的求解，我们需要将x这些数值完全地代入到一个目标函数中，那么我们便可以使用它们进行计算，从这些态度可以明白然后再使用它们对于目标函数的适应值，因为它们对于目标函数的适应值及其大小可以被用来判断一个粒子的特征性和优劣。各一组颗粒的个体都处于整个过程中所需要到达的最佳位置，我均将这些位置的数据信息统一地记录下来，记成为(魏梦琪，蒋煜鑫,2020)(4.2)整个集团中所有的粒子都要经历的位置中最优位置可以被统一地依据这样的形式进行记录，即：=()(4.3)经历过程中粒子是有运动速度的。粒子i的速度可以记为：(4.4)4.1.1算法核心启示粒子群优化算法（PSO）从这种模型中得到了相关启示。这里研究的粒子群算法中最优解就是粒子，粒子群有许许多多的粒子，实际化就是具体到每一只鸟，这些粒子都是具有自己的运动速度和方向的，只不过是随机分配的速度数值(窦梓萱，薛俊宇,2022)。核心的启示就是这些粒子内部消化，每个粒子都有一个适应值被函数所决定。4.1.2PSO初始化PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值，另一个极值是整个种群找到的最优解，从这些报告中推断出这个极值是全局极值。再次,我们可以考虑不用全个种群的方式使用其中的一部分做为最优粒子的邻居,那么这个极值当中的唯一一个就是全局性的极值。粒子群优化算法的根据设计原则,是通过群体内各粒子的相互协调、彼此之间的竞争,进行寻优空间的搜索过程,从而找出问题的最优点(雷欣雅，程梓和,2021)。4.1.3PSO算法的优化上文综述，可以看出粒子群算法是有很多优点的，尤其是能够使用粒子这一概念来模拟真实情况中发生的情况，最后通过一系列的计算和演练，能够得出最优解。PSO算法的搜素性是取决于其对全局探索和局部细节化的平衡，能够做到这些得益于PSO算法的优点：算法采用实数进行求解，通用性强。调整的参数较少，原理简单，容易实现。协同搜索，同时利用个体和全部的信息。收敛速度快，算法对于计算机内存和CPU要求不高。可是近些年来，很多学者将粒子群算法推广延伸到了约束优化问题，在这种设定下研究某个物种的作息生活规律，使用的粒子群算法，是不能够扑捉到所有个体的数据的，成千上百，研究的时间也是遥遥无期的，因为，体现出了约束优化问题的重要性REF_Ref23786\r\h[14]，用部分反应整体，用约束来预测整体。如何处理好约束的关键，也就是所得解的可行性，如果约束处理得效果不好，则会出现结果空集或者不能收敛的情况(黎煜祺，洪梓萱,2022)。4.2BP神经网络算法功率BP神经网络算法是一种非线性的功率预测算法，是1986年由Rumelhart和McCelland为首的科学家小组提出，这是一种按照误差逆传播算法训练的多层前馈网络，BP神经网络算法是应用最为广泛的神经网络模型之一，有着极为重要的使用范围REF_Ref5472\r\h[15]。BP神经网络可以学习以及存储大量的输入输出关系，不需要事先揭示描述这种映射关系的数学方程(胡梦琪，殷俊贤,2022)。在这般的框架下这个神经网络算法的学习规则是使用最速下降法通过反向传播来不断调整神经网络的权值和阈值，使得网络的误差平方和最小。BP神经网络算法是在现有的算法基础上提出的，关键的是通过任意选定的一组权值，将给定的目标输出直接作为线性方程的代数和来建立的一系列的线性方程组。4.2.1BP算法简述凡事均有两面性，这句老话应用到BP算法上也是完全适用的。BP神经网络算法有优点也有缺点。优点是理论知识的基础相当牢固可靠REF_Ref24064\r\h[16]，并且在整个的推导过程中严谨注重细节，通用性能较好，可是缺点也比较多，例如整个的训练时间较长，这样对于追求的好的效率值是有着很大影响的，另外该算法不能达到百分之百的训练要求，因为权值的调整是非常关键的，在这样的背景下因此权值调整的过大从而导致了激活函数达到了饱和值，就没有办法去继续训练，这样的后果就是训练的环节陷入停滞状态无法前进(尹高，贾煜锋,2023)REF_Ref24171\r\h[17]。4.2.2BP神经网络算法的原理与步骤这是BP神经网络算法的结构图，最基本由三层组成，分别是输入层、隐层、输出层。节点之间存在权重，权重的含义指某个体在全部选取的变量中的重要程度。具体一点的解释为：当我们使用某一算法对很多样本数据进行计算时，不要平等地去看待每组组中值，而是应该根据每组的频数去权衡各个组组中值在总平均数中的作用(邵雨萱，宋俊豪,2022)。本研究着重强调跨领域融合，采纳了来自经济学、社会学等多个学科的理论框架与分析工具，旨在构建一个全面且多维的研究体系。借助跨领域的视角和策略，本文能更透彻地洞察研究对象的本质与复杂性，揭示各领域间潜在的内在联系与相互作用。这种跨领域的融合不仅助力本文打破传统学科壁垒，还能启迪新的研究视角与方法，为解决问题提供更为宽广的视野与更多元的资源。通过整合不同领域的理论与手段，本文能更全面地剖析和阐述研究现象，为相关领域的研究与实践带来更为深刻和详尽的见解。言归正传，在选取的一个样本中，从这些发现中可以看出规定有m个输入特征，包括连续特征和ID特征。确定了输入层之后，还需要对隐含层进行确定，在多级前馈网络中，对于隐含层的定义就是，除了输入层和输出层之外的各层均可成为隐含层。最简单的BP神经网络就是三层，能够完成任意的从m维到n维的映射过程。主要分为两个过程：工作信号的正向传递误差信号的反向传递工作信号正向传递子过程的计算过程：设出节点的权重,节点j偏置设为，每一个节点的输出值具体计算公式如下：(4.5)=f()(4.6)其中f为激活函数，这在一定角度上表达了一般可选取S型函数，由于进行的是正向传递过程，正向过程较为简单，故从前往后正常计算即可。工作信号反向传递子过程的计算过程：在BP神经网络的学习中，误差信号的反向传递子过程是要复杂很多的，是基于完全不同的学习规则的，此规则名为Widrow-HoffREF_Ref24224\r\h[18]。假设输出层的所有结果均为，回归模型的误差函数如下：(4.7)Widrow-Hoff学习规则的通过沿着相对误差平方和的最快的下降方向，连续的调整网络权值，根据梯度下降法，对于第j个输出节点有如下数学表达式(4.8)假设这种情况下的选择激活函数可为如下表达式(4.9)4.2.3激活函数的意义从机器学习的角度来对什么是激活函数进行讨论研究。对于激活函数而言，其在神经元中起到了至关重要的作用，通过漫长的时间演变以及无数科学家的不断探索发现，激活函数也发生了翻天覆地的变化。激活函数的表现形式也从很久之前的阶跃函数演变形成了现今的具有多种优点数学性质的函数。在这等条件下激活函数能够将不可分的二维空间进行空间扭曲，从而得到能够线性可分的结果（张明杰,李思远,2022)。最根本的作用就是实现从输入到输出的映射，能够引入非线性的很多因素能够丰富神经网络，让神经网络不只是简单的线性，而是能够进行线性与非线性同时进行表达。第五章风电短期功率预测及其仿真分析5.1数据来源以及样本集分析5.1.1相关数据来源风电相关数据来源于中国北方的某个大型风电场。风电场的平均高度为1600m，有90台风力涡轮机；单台风力发电机的输出功率为1.5MW；风轮直径为70.5m；风轮塔高为67m。本文风电功率预测数据包括实际输出功率数据和风电场的NWP数据以及气压、温度、湿度数据。实际输出功率数据是从风电场的监控和数据采集（SCADA）系统中获得的。5.1.2训练样本集和测试样本集分析本文针对风电功率预测使用的数据时段跨度是2010年1月1日-2011年12月31日，数据再进一步划分成训练样本集和测试样本集两套，预测模型中的训练样本集由数值天气预警数据和空气温度湿度等多种数据组成，另外也包含2010年1月1日-2010年12月31日的风电场实际输入的功率计算。在这种设定里当排除由于风力涡轮机停止运行或SCADA系统故障导致的异常值时，剩余25,384个数据点。测试样本集的数据为2010年1月1日至2011年12月31日。为了验证该算法在不同时间尺度和季节的预测性能及有效性，分别选取春季2011年3月13日至15日，夏季2011年6月1日至3日的4小时，24小时和72小时数据样本及并对预测结果进行了详细讨论和对比。图5.12010年风电场全年数据图5.23月风速图5.36月风速 5.2风电短期功率预测分析代码运行得出的结果图如下图所示，本部分进行对风电机组的超短期功率预测分析。图5.4(a)、图5.4(b)、图5.4(c)分别对应了一月份的4小时、1天、3天预测曲线。为了方便对比，这里将真实的测量值与预测值曲线放在同一张图片内，包括线性与非线性在内的三种方法。此发现与预设的理论架构相吻合，在研究过程中严格遵循了科学探索的准则和方法论体系。本文运用了精密的设计来保障研究的精确性和可信度，同时进行了深度剖析以确认理论架构的有效性。在研究期间，本文不断调控外部因素，以排除潜在的扰乱元素，保证研究结果的客观性和可验证性。这一连串的严谨举措不仅深化了本文对研究对象的认知，也为理论架构的验证提供了坚实的实证根基。通过观察一张图片内不同颜色的曲线，大致得出LSSVM模型的效果较好(王晨曦,刘诗雨,2023)。图5.4(a)、5.4(b)为冬季1月1日4小时以及春季3月10日4小时的风电功率短期预测结果图，图中黑色实线是实际功率，红色实线为PSOBP模型；绿色实线为BP模型；蓝色实线为LSSVM模型。从这些态度可以明白通过观察图像可知，虽然中间有一部分图像误差较大，但是总体而言，LSSVM的预测结果与实际的风电功率测量值更为接近。3种模型3种方法，其中将线性最小二乘法以及支持向量机归为一种即为LSSVM模型。3种模型预测结果的RMSE值分别为如下：1月1日这一天的预测结果PSOBP为14.9704，BP为23.7741，LSSVM为10.4514。3种模型预测结果的MAE值分别如下：PSOBP为14.7015，BP为23.4881，LSSVM为9.5433。春季3月10日这一天的预测结果的RMSE值分别为如下：PSO-BP为15.7304，BP为15.0787，LSSVM为13.2640。MAE值分别如下：PSO-BP为14.9347，BP为14.2799，LSSVM为12.1257。通过比较三种模型在这一天的MAE与RMSE值，可以发现PSO-BP的数值均是3种预测模型中最小的(刘浩然,张紫怡,2021)。(a)1月(b)3月图5.44小时风电功率预测结果图5.5(a)和图5.5(b)为冬季1月1日24小时和春季3月10日24小时的风电功率预测结果。通过图片观察的值，在24小时的一天时间的风电功率预测过程中，1月1日的3种模型的RMSE值分别如下：PSO-BP为11.8461，BP为11.4873，LSSVM为13.6615。MAE的值分别为：PSO-BP为10.3648，BP为9.7678，LSSVM为11.7457。春季3月10日的预测过程，RMSE值分别如下：PSO-BP为9.9172，BP为10.9202，LSSVM为24.0728，MAE值分别为：PSO-BP为7.5598，BP为8.7718，LSSVM为18.2142。通过比较可知，当预测的时间增加到24小时即为一天时，预测的结果会发生变化，最为明显的就是PSO-BP模型的预测结果是3种模型中相对来说误差最小，最能接近真实功率值。1月3月图5.524小时风电功率预测结果图5.6(a)和图5.6(b)分别为冬季春季选取的三天预测时间结果，冬季选取1月5-8日72小时和春季的3月12-15日72小时。选取的时间增加到了三天，也增加了许多的不确定性因素，这里依旧先读出3种模型的RMSE值分别如下(徐文博,邓小萌,2021)：首先冬季1月5-8日72小时预测的PSO-BP为17.1730，BP为12.2616，LSSVM为12.7238。MAE分别为：PSO-BP为16.0292，BP为11.1578，LSSVM为10.7839。春季3月12-15日的72小时预测的结果，3种模型的RMSE值分别为：PSO-BP为16.7269，BP为16.6149，LSSVM为26.4746。MAE值分别为：PSO-BP为13.4538，BP为13.3491，LSSVM为20.1852。因为增加到了三天72时间，所以季节的不同所带来的影响就会更加明显，冬季春季的风流动是完全不同的，整个预测过程中很多影响因素(邹佳慧,孙立文,2022)。通过观察两个月份72小时的预测结果图，从这些报告中推断出能够看出PSO-BP与BP之间存在的误差间隔较小，但是与真实值的差距较大，LSSVM大限度的契合真实功率值，但是受限于天气风速等影响因，LSSVM的模型的波动较大，RMSE和MAE值也是72小时预测的3种模型中最大的。上述成果在完备性和逻辑性上均符合要求，彰显了本研究团队的审慎态度与科学精神。经由深度剖析，不仅证实了已构建的理论基石，还揭示了一些新颖的现象与趋向，这些新发现为相关领域的研究开辟了新视野和新路径。在研究进程中，本文细致入微，对每个核心点都实施了严格的审核与验证，以保障研究结论的精确性和可信度。此外，本文还主动与同行沟通，吸纳他们的真知灼见，持续优化研究方法。这种审慎的科学态度与方法，不仅确保了本研究的高品质与高价值，也为后续研究树立了可效仿的标杆。(a)1月(b)3月图5.672小时风电功率预测结果冬季1月份与春季3月份的数据不够全面，因为考虑到这两个季节的原因，1月份已经是冬季的末尾阶段，在这种设定下那么接下来的春季气候相差不打，因此为了更加全面的讨论风电功率的预测，又选取了夏季来进行对比分析(林紫薇,赵彭丽,2020)。选取了6月份6月8日的4小时、6月8-9日的24小时、6月7-10日零点的72小时分别单独进行结果的预测。3种模型3种方法单独放在一张图片上，其中颜色的分类与上文无异。通过对4小时、24小时、72小时的预测，观察图像中的曲线变化趋势，还是能够发现PSO-BP与BP这两种模型相差不大，但是与真实功率值之间的间隔较大，LSSVM与真实功率值的间隔不大，但是波动较大，读取3种模型的RMSE值和MAE值，夏季6月8日4小时的风电功率预测的RMSE值分别如下：PSO-BP为2.7932，BP为5.3276，LSSVM为2.4650，MAE值分别如下：PSO-BP为2.7932，BP为4.6950，LSSVM为2.0473。通过严格的数据证明，当季节处于夏季初的平常运行条件下，LSSVM的RMSE和MAE值是3种模型当中最小的，也是最接近4小时风电功率预测真实值的。图5.7(a)六月4小时图5.7(b)六月1天图5.7(c)六月3天5.3本章小结此部分将以上预测过程中3种模型3种方法的全部数值特征进行列表并进行总结，这样能够更加直接的读取出来。其中RMSE和MAE分别代表的是均方根误差和平均绝对误差。在进行非线性的拟合时，RMSE的值越小越好，越能代表拟合的程度越好。通过观察1月、3月、6月的4小时、24小时、72小时的预测结果，对于PSO-BP模型，1月份4小时的RMSE值最大，6月份最小(杨浩然,郑瑞雪,2019)；1月份24小时的RMSE值最大，6月份最小；1月份72小时的RMSE值最大，6月份最小，同样，MAE值也是相同的变化趋势。对于BP模型，1月份4小时的RMSE和MAE最大，3月份最小，24小时和72小时同样遵循这个规律。而对于LSSVM模型，则相反，随着月份的增长，4小时、24小时、72小时的RMSE和MAE值越来越大。通过对以上月份的风电功率的短期预测，得出相关结论，通过对比相关月份，可知随着月份的增长，非线性的预测相比与线性的预测效果要好，因为季节会变化，最明显带来的是天气温度，在这般的框架下随之而来能够直接影响风速，所以作为非线性的模型，PSO-BP和BP能够很好的接近真实功率值，可是在冬季，却是LSSVM的拟合程度要更好，说明线性预测方法被影响到的因素很多，在冬季天气较为寒冷，可控因素较少，因此预测效果要好一些(何子涵,薛诗琪,2023)。由此可见，随着月份的增长，非线性对于风电功率的预测是越来越接近真实值的，并且对于真实值的曲线契合度也是越来越高的。TableRMSEandMAEforJanuarymonthtimemodelRMSEMAEPSO-BP14.970414.70154hoursBP23.771423.4881LSSVM10.45149.5433PSO-BP11.846110.3648January24hoursBP11.48739.7678LSSVM13.6615

11.7457PSO-BP17.173016.029272hoursBP12.261611.1578LSSVM12.723810.7839表1一月仿真结果TableRMSEandMAEforMarchmonthtimemodelRMSEMAEPSO-BP15.730414.93474hoursBP15.078714.2799LSSVM13.264012.1257PSO-BP9.91727.5598March24hoursBP10.92028.7718LSSVM24.0728

18.2142PSO-BP16.726913.453872hoursBP16.614913.3491LSSVM26.474620.1852表2三月仿真结果TableRMSEandMAEforJunemonthtimemodelRMSEMAEPSO-BP3.45022.79324hoursBP5.32764.6950LSSVM2.46502.0473PSO-BP6.12704.6874June24hoursBP6.65415.1511LSSVM12.7817

9.4037PSO-BP8.27046.714472hoursBP8.57246.9114LSSVM16.376712.0061表3六月仿真结果第6章总结展望6.1总结经过大四下学期期末的准备工作，寒假的资料采集阶段以及大四下学期的正式设计阶段，本课题有了基本的结果。本课题研究的是能够有效的使用所选取的四种数理统计预测算法完成对风电功率的超短期预测。在整个毕业设计及论文的编写过程中，出现了许多难以下手的难题。在这样的背景下发现问题之后，对已经出现的问题做总结。网上查找的代码只是有一个整体的框架，但是有的核心的部分却需要自己去不断的尝试，将代码反复的修正保证能够运行，对于提供给我的我国某大型发电厂的一年的功率数据表，对这些数据进行分类。表格中的数据有数值天气预报，有温度，湿度，气压，这些是作为输入inp