风电功率预测问题摘要风能是一种可再生、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。
现今风力发电主要利用的是近地风能。
近地风具有波动性、间歇性、低能量密度等特点，因而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率调节带来不利影响。
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。
因此，如何对风电场的发电功率进行尽可能准确地预测，是急需解决的问题。
根据电力调度部门安排运行方式的不同需求，风电功率预测分为日前预测和实时预测。
日前预测是预测明日24小时96个时点（每15分钟一个时点）的风电功率数值。
实时预测是滚动地预测每个时点未来4小时内的16个时点（每15分钟一个时点）的风电功率数值。
对于问题一我们建立了3个模型：1、时间序列模型即指数平滑模型2、拟合回归模型3、神经元预测模型即BP模型。
针对这3种模型，根据相对误差的大小和准确度的大小判断来确定优先选择哪个模型。
对于问题二，在第一问的基础上对相关模型进行了比较，分析，做出了预期。
对于问题三，在第一问的基础上，对相关的模型进行了改善，使其预测的更加准确。
关键词：风功率实时预测 BP网络神经 matlab 时间序列问题的重述一、背景知识1、风功率预测概况风功率预测是指风电场风力发电机发电功率预测。
风电场是利用在某个通过预测的坐标范围内，几座或者更换多的经过科学测算，按照合理距离安装的风力发电机，利用可控范围内的风能所产生的电力来实现运行供电。
由于风是大气压力差引起的空气流动所产生的，风向和风力的大小时刻时刻都在变化。
因而，风力发电具有波动性、间歇性和随机性的特点。
这些特点所导致的风电场功率波动，会对地区电网整体运行产生影响，进而会影响到整个地区总网内的电压稳定。
因此，当风力发电场，特别是大容量风力发电场接入电网时，就会给整个电力系统的安全、稳定运行带来一定的隐患。
同时，这些波动性、间歇性和随机性的特点，也会严重影响风机的发电效率和使用寿命。
2、风功率原理介绍风功率预测系统技术，是根据风电场气象信息有关数据，利用物理模拟计算和科学统计方法，对风电场的风力风速进行短期预报，而预测出风电场的功率，从而也可实现电力调度部门对风电调度的要求。
二、具体试验数据PA、PB、PC、PD、P4和P58数据附件1：风电场功率预测预报管理暂行办法附件2：风功率数据PA风功率数据PB风功率数据PC风功率数据PD58台机总风功率数据P58三、要解决的问题1、问题一：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 , 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）：a. 5月31日0时0分至5月31日23时45分；b. 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？2、问题二：试分析风电机组的汇聚对于预测结果误差的影响。
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通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波动的属性，从而可能影响预测的误差。
在问题1的预测结果中，试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，其中有什么带有普遍性的规律吗？从中你能对风电机组汇聚给风电功率预测误差带来的影响做出什么样的预期？3、问题三：进一步提高风电功率实时预测精度的探索。
提高风电功率实时预测的准确程度对改善风电联网运行性能有重要意义。
请你在问题1的基础上，构建有更高预测精度的实时预测方法（方法类型不限），并用预测结果说明其有效性。
通过求解上述问题，请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。
风电功率预测精度能无限提高吗？问题的分析一、相关知识的介绍：模型的介绍：1.指数平滑法：即根据历史资料的上期实际数和预测值，用指数加权的办法进行预测。
此法实质是由内加权移动平均法演变而来的一种方法2.bp神经网络：BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。
3.Gaussian拟合函数模型推求一个解析函数y=f(x)使其通过或近似通过有限序列的资料点(xi，yi)，通常用多项式函数通过最小二乘法求得此拟合函数。
本文中而此多项式为gaussian函数。
二、对问题的具体分析：1、问题一的具体分析：利用历史数据进行研究，利用相关的模型进行模拟，找到合适的规律，再利用相应的模型进行对未来的预测。
2、问题二的具体分析：单个的风电机和整体的风电机有不同，单个的波动大，整体波动相对较小，但是同时影响整体的因素更加多，相对比起单个更加复杂，同时单个的不稳定，分析他们之间的差距，找到其中的规律，进行分析。
3、问题三的具体分析：在问题一的基础上，想要构建准确率更加高的模型，便可以采取3个模型的组合模型，而对于不同的模型有不同的准确率，于是分配不同的比重，使预测的结果更加接近真实值。
模型的假设1，根据实时预测要求，真实值出现后，便能运用其对将来进行相应的预测；2，所有数据都是真实可靠的；3，预测的几天内，没有出现异常天气；4 名词解释和符号说明一、名词解释1、风力发电：将风所蕴含的动能转换成电能的工程技术由于风是大气压力差引起的空气流动所产生的，风向和风力的大小时刻时刻都在变化。
因而，风力发电具有波动性、间歇性和随机性的特点。
2、风功率预测：风功率预测是指风电场风力发电机发电功率预测。
3、日前预测：预测明日24小时96个时点（每15分钟一个时点）的风电功率数值。
4、实时预测：是滚动地预测每个时点未来4小时内的16个时点（每15分钟一个时点）的风电功率数值。
二、符号说明模型1：模型2：模型3：13 p 输入的时刻14 t 输出的风功率模型的建立与求解从所要解决的问题和对问题所做的假设出发，我们对问题一建立了模型1、2和3.1、模型1 指数平滑模型(时间序列方法的一种)对于单个风电机的预测功率和P4，采用二阶指数平滑方法；而对于58台总得风功率预测，我们采用三阶指数平滑方法。
在EXCEL中，分别对预测变量的实际数值进行指数平滑计算，最后得出预测值，对其进行误差分析和准确度的计算。
2、模型2 BP神经网络模型利用一定量的历史数据作为输入，选择适当的传递函数，用matlab进行仿真，得到相应的关系，再运用其对未来的风功率进行相关的预测。
3、模型3 guassion函数拟合回归模型对于30号的数据进行分析，用matlab的工具箱“cftool”选择高斯函数进行拟合，找到适应的函数，求出参数，再根据得到的函数，进行预测风功率。
一、问题一的分析与求解对问题的分析风电功率实时预测及误差分析，利用附件中的历史数据进行预测分析，根据题目要求，需要采用3个模型分析，并进行比较得出预测最精确的模型。
准确度：4合格率：模型1 指数平滑方法1）对于a. 5月31日0时0分至5月31日23时45分预测的16个点；（1）模型的准备1历史数据的取样现在对30号的最后23组数据进行分析，举58台机器总功率的例子，数据如下：图1-12三次指数平滑计算公式三次指数平滑预测是二次平滑基础上的再平滑。
其预测公式是：S=(3*S1-3*S2+S3)+[(6-5a)*S1-(10-8a)*S2+(4-3a)*S3]*a/2(1-a)2*T+(S1-2*S2+S3)*a2/2(1-a)2 *T2令A=3*S1-3*S2+S3,B=[(6-5a)*S1-(10-8a)*S2+(4-3a)*S3]*a/2(1-a)2C=(S1-2S2+S3)*a2/2(1-a)2.式中，S1是对实际数值的一次指数平滑值S2是对实际数值的二次指数平滑值S3是对实际数值的三次指数平滑值a是阻尼系数它们的基本思想都是：预测值是以前观测值的加权和，且对不同的数据给予不同的权，新数据给较大的权，旧数据给较小的权。
(2)模型的建立与求解1对实际数据的分析并确定阻尼系数a如下图，数据的波动不大不小，选择阻尼系数为0.5图1-22对实际数据进行1、2、3次的指数平滑计算。
图1-33确定A、B、C三个未知中间量A=3*S1-3*S2+S3,B=[(6-5a)*S1-(10-8a)*S2+(4-3a)*S3]*a/2(1-a)2 C=(S1-2S2+S3)*a2/2(1-a)2.4得出预测值并和实际值进行误差分析图1-45准确度的计算图1-5上边5个步骤在EXCEL附件中有体现。
分别得到31号的前4个小时的16个点得实时预测值、相对误差和准确度。
但由于预测不可能太准确，所以相对误差有时很大也难免，属于正常情况。
（3）其他机组情况的预测1PA、PB、PC、PD和P4总预测分析图1-6 PA预测值、误差及准确度图1-7 PB预测值、误差及准确度图1-8 PC预测值、误差及准确度图1-9 PD预测值、误差及准确度图1-10 P4总预测值、误差及准确度2）对于b. 5月31日0时0分至6月6日23时45分的预测。
采用相同的方法，取相关的历史数据，进行滚动预测，便可以得到每个时刻的风功率预测值。
具体不在进行说明。
模型2：Gaussian拟合函数模型1）对a. 5月31日0时0分至5月31日23时45分的预测。
模型的准备：选取的历史数据为之前5月30号整天的数据。
1.（1）对于P模型的建立A在matlab中输入=96:1[[30号全天的数据] ，利用matlab中的cftool 工具箱，=yx];把x作为横轴坐标，y为纵轴坐标，得到其散点图，然后选择相应的gaussian 函数，使复合率最高。
对于P如图2-1所示：A图2-1P的30号A函数为：f(x) =a1*exp(-((x-b1)/c1)^2) + a2*exp(-((x-b2)/c2)^2) +a3*exp(-((x-b3)/c3)^2) + a4*exp(-((x-b4)/c4)^2) +a5*exp(-((x-b5)/c5)^2) + a6*exp(-((x-b6)/c6)^2) +a7*exp(-((x-b7)/c7)^2) + a8*exp(-((x-b8)/c8)^2) Coefficients (with 95% confidence bounds):a1 = 465.4 (262.3, 668.5)b1 = 43.08 (42.51, 43.65)c1 = 1.469 (0.6424, 2.295)a2 = 540 (373.4, 706.5)b2 = 21.18 (20.56, 21.8)c2 = 2.364 (1.413, 3.316)a3 = 488.8 (345.6, 632.1)b3 = 11.19 (9.72, 12.65)c3 = 5.879 (2.855, 8.902)a4 = 348.1 (140.8, 555.3)b4 = 47.77 (47.17, 48.37)c4 = 1.256 (0.3722, 2.14)a5 = 507.3 (322.1, 692.4)b5 = 2.567 (1.656, 3.478)c5 = 2.746 (0.9547, 4.537)a6 = 367.4 (318.7, 416.1)b6 = 64.72 (57.7, 71.74)c6 = 48.5 (30.88, 66.11)a7 = 5220 (-2.111e+019, 2.111e+019)b7 = 53.02 (-3.76e+013, 3.76e+013)c7 = 0.01028 (-1.507e+013, 1.507e+013)a8 = 326.5 (188.9, 464.1)b8 = 37.72 (36.39, 39.04)c8 = 3.431 (1.175, 5.687)相关的数据：Goodness of fit:SSE: 7.874e+005R-square: 0.6757Adjusted R-square: 0.572RMSE: 104.6（2）模型的求解：图2-2 31号预测接下来的几个时刻2.（1）对P模型的建立：4方法如上，得到：图2-3 30号的风功率拟合图函数为：附录一Goodness of fit:SSE: 6.691e+006R-square: 0.744Adjusted R-square: 0.6622RMSE: 304.8（2）模型的求解：图2-4 31号预测接下来的几个时刻P模型的建立：3.（1）对58方法如上得到：图2-5 30号风功率拟合图Goodness of fit:SSE: 6.271e+008R-square: 0.8352Adjusted R-square: 0.7825RMSE: 2951模型求解：图2-6 31号预测的接下来的几个时刻误差分析：·图2-7P的误差分析表格A图2-8P的误差分析表格4P的误差分析表格图2-9582）对于5月31日0时0分至6月6日23时45分的预测：采用上述模型，依次预测便可，具体细节，不在陈述。