风电功率预测问题摘要众所周知，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率调节带来不利影响。但是，如果可以对风电场的发电功率进行预测，电力调度部门就能够根据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。针对以上问题，本文从建立数学模型入手来解决关于风电功率预测问题。首先对于问题一，我们分别采用基于动态神经网络的时间序列预测模型、基于BP神经网络的时间序列预测模型、ARMA时间序列预测模型以及统计模型三种数学方法来对PA,PB,PC,PD,P4,P58在5月31日0时0分至5月31日23时45分和5月31日0时0分至6月6日23时45分时间段内进行预测。根据附件1中关于实时预测的考核要求，利用Matlab编程，得出拟合曲线时点的预测值。由平均相对误差公式?P?P?∑?MKPK?)对所用预测方法进Cap?k=1?行评估，进行误差分析比较几种模型的精确度。最终发现基于BP神经网络的数学模型精确度高。其次关于问题二，通过对总风电功率实测值与预测值比较计算求解，计算单台风电机组功率的相对预测误差与多机总功率预测的相对误差，发现风电机组的汇聚对于预测结果误差的影响较大，进行有效的模型建立，得出其普遍规律，并对风电机组汇聚给风电功率预测误差带来的影响做出预期。最后就问题三，我们通过使用基于增加输入相关量（0,1）的BP神经网络的混合预测模型来进一步提高风电功率实时预测精度。通过数据检验发现此种方法可将预测精度提高。有利于减小由于电机功率不稳定造成的谐波危害。通过求解上述问题，基于实际背景及合理的情景分析，论证阻碍风电功率实时预测精度进一步改善的主要因素为天气因素和风电机组汇聚因素以及各种偶然因素。通过分析可以得出，风电功率预测精度不可能无限提高。N1TY?Y^1s=∑tt×100%，准确率公式r1=(1?Tt=1YtN22关键词：风电功率预测时间序列预测BP神经网络ARMA时间序列预测法一、问题重述1某风电场由58台风电机组构成，每台机组的额定输出功率为850kW。附件2中给出?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）。问题1：风电功率实时预测及误差分析。请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附件1中的关于预测精度的相关要求。具体要求：1）采用不少于三种预测方法（至少选择一种时间序列分析类的预测方法）；2）预测量：a．PA,a.b.PB,PC,PD；b．P4；c．P58。3）预测时间范围分别为（预测用的历史数据范围可自行选定）：5月31日0时0分至5月31日23时45分；5月31日0时0分至6月6日23时45分。4）试根据附件1中关于实时预测的考核要求分析你所采用方法的准确性；5）你推荐哪种方法？问题2：试分析风电机组的汇聚对于预测结果误差的影响。问题3：进一步提高风电功率实时预测精度的探索。二、问题分析对于问题一，风力发电中对于风电机功率的预测需要从影响预测的因素入手，通过采用数学模型进行求解。对于模型选择上，由于所给数据全部为风电机组实测数据局限了模型的选择，我们从整理汇集的资料以及模型的优缺点考虑选择了四种模型：神经网络预测模型，BP动态神经网络预测模型，统计模型，ARMA时间序列预测法。其中根据数据的研究发现数据间有着相互间的关联性，每一时点的测试数据与前一时刻的数据相关性很大；一天的数据具有明显的波动性。所以设计BP网络以及动态网络时输入为预测时间的前8个时间点的数据，输出为预测时点的预测数据。根据数据的分析发现总体的数值具有一定的波动而且符合一定的数学关系因此考虑了拟合插值法来进行预测。根据数据选择主流的ARMA时间序列预测法。对于问题二，要分析风电机组的汇聚对于预测结果误差的影响，我们要从风电机组的汇聚可改变风电功率波动的属性来考虑。通过对汇聚后4台风力电机以及58台风力电机的功率情况分析得到了汇聚后功率的波动性明显减小。我们通过对单台风电的功率情况与汇聚后的风电功率来比较误差情况。比较单台风电机组功率（PA，PB，PC，PD）的相对预测误差与多机总功率（P4，P58）预测的相对误差情况。对于问题三，我们考虑到问题一中对四种模型的比较发现BP神经网络准确率较高能够很好的预测功率值，并且在与对BP神经网络的研究中发现可以很好的结合拟合函数的图像来增加输入量的个数不单单是x_t，也可以是数值0,1（代表拟合曲线的趋势）。通过重新训练网络我们来进行对数据的重新预测。2三、基本假设1.题目所给的数据真实可靠；2.无突变因素影响结果；3.相邻时