風電功率預測問題 優(yōu)秀論文

1、風電功率預測問題摘 要隨著大規(guī)模的風電接入電網,風電功率的不確定性和波動性將會對電力系統(tǒng)調度和安全穩(wěn)定運行帶來很大影響。為了合理地利用風電，提高電力系統(tǒng)經濟性，需要對風電功率進行預測。對于問題一：為實時預測5月31日之后pa、pb、pc、pd、p4、p58的風電功率，我們利用各機組之前已知的風電功率序列，分別采用多元二項式回歸模型、反向傳播的bp神經網絡模型、時間序列中的自回歸移動平均模型（arma）對風電功率進行預測，并對各預測模型的誤差進行了分析。預測結果與真實值相比表明：多元二項式回歸預測的準確率最低，arma模型預測的準確率最高。以pa機組為例，用5月31至6月6日的平均準確率來衡量，

2、二項式回歸模型的準確率為67.8%，神經網絡模型的準確率為70.3%，arma模型的準確率為74.1%。所以，為對風電功率進行準確的預測，arma模型是最好的預測方法。對于問題二：我們利用了問題一中arma模型的風電功率預測結果， 計算得出pa、pb、pc、pd單機組以及p4和p58多機組5月31至6月6日功率的平均相對預測誤差，其分別為：23.72%、22.70%、20.37%、17.76%，p4為17.59%，p58為15.93%。對比結果表明：風電機組匯聚使得其風電功率相對預測誤差與單臺風電機組風電功率相對預測相比減小，風電機組的匯聚有利于風電功率的預測。對于問題三：為進一步提高風電功率

3、實時預測的精確性，考慮到機組的發(fā)電功率不僅與風速有關，還與空氣密度有關。由此，把各機組5月31之前的風電功率序列分成兩個時間序列，分別為鄰近時間段的發(fā)電功率和鄰近幾天中同一時刻的發(fā)電功率。分別利用arma模型進行風電功率預測，再把各自的預測結果作為bp神經網絡的輸入，得到最后的風電功率。仍以pa機組為例，5月31至6月6日的7日的平均準確率為：78.6%。結果表明，利用該方法可以進一步提高風電功率預測的精確性，與第一問中采用神經網絡模型相比提高了8.3%，與第一問中采用arma模型相比提高了4.5%。由于風電功率實時預測受所給歷史發(fā)電功率、風速、風向、氣溫、氣壓及機組自身特性等數據信息的準確性

4、及眾多隨機因素的影響，阻礙了風電功率實時預測精度，且預測精度不可能到達100%。關鍵詞：風電功率預測；匯聚；多元二項式回歸；bp神經網絡模型；arma1. 問題重述根據百度百科，“風”是“跟地面大致平行的空氣流動，是由于冷熱氣壓分布不均勻而產生的空氣流動現象”。風能是一種可再生、清潔的能源，風力發(fā)電是最具大規(guī)模開發(fā)技術經濟條件的非水電再生能源。現今風力發(fā)電主要利用的是近地風能。近地風具有波動性、間歇性、低能量密度等特點，因而風電功率也是波動的。大規(guī)模風電場接入電網運行時，大幅度地風電功率波動會對電網的功率平衡和頻率調節(jié)帶來不利影響。如果可以對風電場的發(fā)電功率進行預測，電力調度部門就能夠根據風電

5、功率變化預先安排調度計劃，保證電網的功率平衡和運行安全。因此，如何對風電場的發(fā)電功率進行盡可能準確地預測，是急需解決的問題。根據電力調度部門安排運行方式的不同需求，風電功率預測分為日前預測和實時預測。日前預測是預測明日24小時96個時點（每15分鐘一個時點）的風電功率數值。實時預測是滾動地預測每個時點未來4小時內的16個時點（每15分鐘一個時點）的風電功率數值。在附件1國家能源局頒布的風電場功率預測預報管理暫行辦法中給出了誤差統(tǒng)計的相應指標。某風電場由58臺風電機組構成，每臺機組的額定輸出功率為850kw。附件2中給出了2006年5月10日至2006年6月6日時間段內該風電場中指定的四臺風電機

6、組（a、b、c、d）輸出功率數據（分別記為pa，pb，pc，pd;另設該四臺機組總輸出功率為p4）及全場58臺機組總輸出功率數據（記為p58）。問題1：風電功率實時預測及誤差分析。請對給定數據進行風電功率實時預測并檢驗預測結果是否滿足附件1中的關于預測精度的相關要求。具體要求：1） 采用不少于三種預測方法（至少選擇一種時間序列分析類的預測方法）；2） 預測量：apa, pb, pc, pd； bp4； cp58。3） 預測時間范圍分別為（預測用的歷史數據范圍可自行選定）：a. 5月31日0時0分至5月31日23時45分；b. 5月31日0時0分至6月6日23時45分。 4）試根據附件1中關于實

7、時預測的考核要求分析你所采用方法的準確性； 5）你推薦哪種方法？問題2：試分析風電機組的匯聚對于預測結果誤差的影響。在我國主要采用集中開發(fā)的方式開發(fā)風電，各風電機組功率匯聚通過風電場或風電場群（多個風電場匯聚而成）接入電網。眾多風電機組的匯聚會改變風電功率波動的屬性，從而可能影響預測的誤差。在問題1的預測結果中，試比較單臺風電機組功率（pa，pb，pc，pd）的相對預測誤差與多機總功率（p4，p58）預測的相對誤差，其中有什么帶有普遍性的規(guī)律嗎？從中你能對風電機組匯聚給風電功率預測誤差帶來的影響做出什么樣的預期？問題3：進一步提高風電功率實時預測精度的探索。提高風電功率實時預測的準確程度對改善

8、風電聯網運行性能有重要意義。請你在問題1的基礎上，構建有更高預測精度的實時預測方法（方法類型不限），并用預測結果說明其有效性。2. 模型的假設與符號說明2.1模型的假設假設1：題目所給數據是合理、正確的假設2：假設所有的風電機組都在正常的運行，忽略其故障及修理時間。假設3：假設所有的風電機組運行的外部條件相同。假設4：假設風電場的開機容量為850。假設5：假設所做的預測具有普遍適用性。2.2符號說明符號符號說明pa、pb、pc、pd分別為四臺風電機組的輸出功率p4分別為pa、pb、pc、pd四臺風電機組輸出功率之和p58全場58臺機組總輸出功率、分別為機組真實功率和預測功率相對預測誤差回歸系數

9、自回歸參數滑動平均參數cap風電場的開機容量3. 問題分析現今風力發(fā)電主要利用的是近地風能，近地風具有波動性、間歇性、低能量密度等特點，因而風電功率也是波動的。當大規(guī)模的風電場接入電網運行時，大幅度地風電功率波動會對電網的功率平衡和頻率調節(jié)帶來不利影響。如果我們可以對風電場的發(fā)電功率進行實時預測，電力調度部門就能夠根據預測的風電發(fā)電功率預先安排調度計劃，保證電網的功率平衡和運行安全。為此，對風電場的發(fā)電功率進行盡可能準確地預測，是急需解決的問題。本文主要根據已有的各機組歷史發(fā)電功率數據，對各機組發(fā)電功率進行實時預測。針對問題一：為實時預測5月31日之后pa、pb、pc、pd、p4、p58的風電

10、功率，我們根據各機組5月31日之前的風電功率數據序列的信息，根據現有的預測方法和各預測方法的使用條件，最后選擇了多元二項式回歸模型，反向傳播的bp神經網絡模型和時間序列中的自回歸移動平均模型（arma）對風電功率進行預測。對于多元二項式回歸模型，利用預測時間段的前n各時間段的風電功率作為自變量，預測時間段的風電功率作為因變量，根據已知數據采用最小二乘法得到回歸系數，回歸方程求得后即可進行風電功率預測；對于反向傳播的bp神經網絡模型，首先建立一個神經網絡結構，同樣把預測時間段的前n各時間段的風電功率作為輸入量，預測時間段的風電功率作為輸出量，根據已知數據訓練神經網絡，該過程不斷調整網絡結構，直到

11、到達滿意為止，而后利用該訓練好的網絡進行預測；對于自回歸移動平均模型（arma），主要問題是模型的定階和參數的確定，這個主要通過matlab實現，選擇對應fpe和aic最小時的各參數值，然后根據已確定的模型，滾動地預測未來16個時點的風電功率數值。針對問題二：題目要求分析風電機組的匯聚對于預測結果誤差的影響，我們可以根據問題一的自回歸移動平均模型（arma）預測結果，得知單臺風電機組功率的相對預測誤差和多機總功率預測的相對誤差，從結果中找出它們之間的關系，得到帶有普遍性的規(guī)律。針對問題三：為了進一步提高風電功率實時預測精度的探索，提高風電功率實時預測的準確程度。我們首先分析了影響風電功率的各影

12、響因素，主要有風速和風向，空氣密度等因素，再結合給出的數據信息，從數據中我們可以得到風速和風向信息，即鄰近時間段的發(fā)電功率序列，也可以挖掘到空氣密度信息，因為空氣密度與溫度和氣壓有關，而鄰近幾天中同一時刻的溫度和氣壓很接近，即鄰近幾天中同一時刻的發(fā)電功率序列。分別利用這兩個時間序列，采用自回歸移動平均模型（arma）進行預測，得到兩個預測結果，再把這兩個預測的風電功率作為bp神經網絡模型的輸入，神經網絡最后輸出的結果即為最后的預測值，這之前都是利用已給出的風電功率信息確定自回歸移動平均模型和神經網絡的參數和結構。4. 問題一的解答問題一主要是根據已有的各機組歷史發(fā)電功率數據，對各機組發(fā)電功率進

13、行實時預測，為此我們建立三種預測模型。4.1 用回歸分析法對風電功率的預測4.1.1 用多元線性回歸對風電功率的預測（1） 模型的建立多元線性回歸分析的模型為 式中都是與無關的未知參數，其中稱為回歸系數。現得到個獨立觀測數據，由上式得 記 ， ，整理為 其中為階單位矩陣。（2）模型的求解根據上述理論知識，結合2006年5月10日到2006年5月30日所給的風電功率數據，把這些數據按照時間段先后順序組成n個向量，取每個向量的列數都為33，以向量的前32列的數值作為自變量，第33列的數值作為因變量，在matlab中編程求得各個參數值。（由于公式太長，此處未列出，回歸系數有33個，見附件）其中，st

14、ats=0.9351 13.5071 9e-11 1006，即r2=0.9376，作殘插圖如下圖1所示：圖1 殘差圖圖2 修正后的殘差圖從圖中可以看出，除了幾個點數據點外，其余各數據點的殘差距離零點較近，且殘差置信區(qū)間均包含零點，這說明回歸模型與實際值數據吻合得較好?，F將這幾個數據點剔除掉，然后再在matlab中計算，最后得到修正后的回歸方程。利用修正后的回歸模型進行預測，此處僅預測了pa機組2006年5月31日的風電發(fā)電功率，如下表1所示：表 1時間段1239596預測值4382902821.1e121.4e12從預測數據可以看出，該模型預測準確性極差，繼而不選用多元線性回歸分析的模型。4.

15、1.2 用多元二項式回歸對風電功率的預測（1） 模型的建立多元二項式回歸交叉式的模型為其中稱為回歸系數。（2）模型的求解同樣利用2006年5月10日到2006年5月30日所給的風電功率數據，把這些數據按照時間段先后順序組成n個向量，取每個向量的列數都為m，以向量的前m-1列的數值作為自變量，第m列的數值作為因變量，在matlab中編程求解，經過多次改變所取向量的列數m值，最后當m=9列時，剩余標準差最小，即為rmse=118.1081，擬合的交互式界面如圖3所示。（由于公式太長，此處未列出，回歸系數有37個，見附件）圖3 擬合的交互式界面利用擬合好后的交叉多元二項式回歸模型分別對pa、pb、p

16、c、pd、p4、p58機組5月30日之后的風電功率進行預測。（預測結果見附近）4.2 用bp神經網絡模型對風電功率的預測4.2.1 模型的建立其中，net為一個網絡結構，為按照時間段先后順序的機組發(fā)電功率。4.2.2 模型的求解（1） 神經網絡模型的簡單介紹 bp 神經網絡屬于多層 ann，可看做一個從輸入到輸出的高度非線性映射，由輸入層、輸出層和一個或若干個隱含層構成，每一層包含若干神經元，層與層之間的神經元通過連接權重及閾值相連、每層神經元的狀態(tài)只影響下一層的神經元狀態(tài)、同層的神經元之間沒有聯系。bp 算法是基于信息正向傳播和誤差 bp 算法，對于輸入信號，先向前傳播到隱含層，經作用函數后

17、再把隱含層的輸出信息傳播到輸出層，如果在輸出層得不到期望的輸出，則轉入 bp 將誤差信號沿原來通路返回，通過修改各層神經元的權值，使誤差信號最小。作用函數通常采用 s 型函數，常用的激活作用函數為可導的 sigmoid 函數：（2） bp神經網絡的實現 文中建立的結構圖如圖4所示： 圖4 bp神經網絡結構圖 利用2006年5月10日到2006年5月30日各機組所給的風電功率數據訓練該網絡。 bp網絡訓練效果檢驗為了驗證所建立的bp神經網絡模型的準確性，把已知所給出的風電功率和由神經網絡預測的值進行比較，并在matlab中作出圖5。圖5 神經網絡預測值與真實值比較由圖5可以發(fā)現，此時bp神經網絡

18、訓練效果已經很好，可以采用該訓練好的網絡對各機組風電功率進行實時預測（預測結果見附件）。4.3自回歸滑動平均模型對風電功率的預測4.3.1模型的建立 模型說明：由于時間序列同時蘊含著數據順序和數據大小，表現出客觀世界的某一動態(tài)過程，能反映出客觀世界及其變化的信息，又由于風電場發(fā)電功率的數據具有按時間排序和離散性，因此可以采用時間序列分析方法對風電場的發(fā)電功率進行預測。在選定模型后，進行模型參數估計和模型定階，確定適當階數模型并計算出該階模型的參數后應用該模型進行風電場的發(fā)電功率預測。 功率時間序列模型的建立：對風電機組輸出功率數據建立自回歸滑動平均模型arma(n,m)如下： 式中 （i=1,

19、2，n）為自回歸參數；（j=1,2，n）為滑動平均參數；是一零均值方差為的正態(tài)白噪聲過程。對風電機組原始輸出功率序列，當其值過大或過小時，為保證計算精度減小舍入誤差避免溢出，可以對原始功率序列進行標準化處理。記為原始輸出功率序列，對中各數據進行如下標準化處理： 式中 與分別為的均值與方差的估值，它們的算法如下： 以上兩式中，為功率序列的個數。對由式所得的時序按式或進行功率建模，將得到預測功率序列如下： 綜上所述，建立的自回歸滑動平均模型為：4.3.2模型的求解模型參數估計和模型定階是應用時間序列分析法進行建模時很重要的過程，該過程的適當與否直接影響到模型參數的計算精度和和預測的好壞。 模型參數

20、估計當估計自回歸滑動平均模型arma(n,m)參數，和時，采用先后估計法。先估計，后估計。由下式估計： ， 其中，是功率時間序列的自協方差函數（當時，由于是偶函數的性質，有），可由下式算出： 故有， 然后估計，在arma模型式中，令 則有： 由于前面已經估計出了，則要按式算出序列。式表示，需要對序列擬合一個ma(m)模型，經過化簡得到如下方程組： 在此方程組中，是序列的自協方差函數，可由估計出；和為未知，因此，可由這m+1個方程解得和的m+1個參數。但要注意，此時的是序列的分布特性，不是觀測時序的，即要由算出。式是關于和的非線性方程組。為解該非線性方程組，本文采用gauss-seidel法，效

21、果良好。 模型定階arma(n,m)模型的階有多種方法確定，本文采用的是準則函數定階。所謂準則函數，就是它既考慮某一模型擬合時對原始數據的接近程度，同時也考慮模型中所包含待定參數的個數，建模時按照這種函數的取值判斷模型的優(yōu)劣，以決定取舍。使準則函數達到極小是最佳模型。本文采用的準則函數是aic準則函數，其定義為 式中，是殘差的方差；是模型的階數，對于arma(n,m)模型，；對于ar(n)模型，。建模時，從某一值開始逐次增加模型的階數，對數據進行模型擬合時，準則函數有下降的趨勢，當達到某一階數時，準則函數達到極小，此階數即為該準則函數決定的最佳模型階數。主要步驟如下：a. 給定階模型階數上限，

22、令，按模型參數的估計方法計算出arma(n,m)的模型參數和殘差的方差及準則函數值aic；b. 當由低到高增長時，以與式同樣方法算出arma(n+1,m)的模型參數和殘差的方差及準則函數值aic；c. 取最小aic值相應的階數和參數為最終確定的理想階數和參數。最后，通過在matlab中編程進行計算，確定了模型的階數為n=6和m=10，并估計出了時序模型的參數。在此基礎上就可以對各機組進行風電場功率實時預測。（各機組預測值見附近）圖6為pa機組功率序列自相關函數圖和偏相關函數圖，圖7為pa機組真實值與預測值之間的殘差圖。圖8為pa機組采用arma模型滾動地預測16個時點的風電功率數值。圖6 原功

23、率序列自相關圖和偏相關圖圖7 殘差圖圖8 arma模型預測值與真實值比較4.4 三種預測模型的結果分析及比較 模型的準確率其中，為預測計劃曲線準確率；為k時段的實際平均功率；為k時段的預測平均功率；為日考核總時段數；為風電場開機容量。（2）模型的合格率根據模型的準確率和合格率公式，計算得出采用三種預測模型得到的2006年5月31日各機組發(fā)電功率的準確率及合格率，準確率如表2所示，合格率如表3所示。表2 各模型預測的準確率papbpcpdp4p58多元二項回歸66.873.469.565.268.669.2神經網絡70.573.869.370.871.573.5arma76.178.676.97

24、8.779.880.8表3 各模型預測的合格率papbpcpdp4p58多元二項回歸73.97570.878.176.578.6神經網絡85.688.576.284.384.985.8arma87.581.382.385.485.887.6從表2和表3可知，時間序列中的自回歸移動平均模型（arma）對風電功率進行預測的準確率及合格率最高，所以推薦采用該模型對各機組風電功率進行預測。5 問題二的解答風力發(fā)電的能量密度較低，風電場等效滿發(fā)年利用小時數通常在 2000h 左右。若按風電場群總裝機容量來規(guī)劃風電外送輸電容量，很有可能造成輸電容量的過度配置，從而降低輸電系統(tǒng)的運行效益，若風電外送輸電容量

25、配置過低，雖可以降低輸電投資成本，但可能在風電場群整體出力較大的部分時段上因輸電阻塞而造成棄風損失，風電大規(guī)模集中并網是實現風能大規(guī)模開發(fā)利用的重要途徑。在我國主要采用集中開發(fā)的方式開發(fā)風電，各風電機組功率匯聚通過風電場或風電場群（多個風電場匯聚而成）接入電網。眾多風電機組的匯聚會改變風電功率波動的屬性，從而影響預測的誤差。因此，研究風電機組匯聚給風電功率預測誤差帶來的影響，便于我們提出一種風電場群外送輸電容量的配置優(yōu)化方法。5.1 對單臺風電機組功率的相對預測誤差與多機總功率預測的相對誤差的比較（1）相對預測誤差其中，為機組的真實功率，為預測的機組功率，為相對預測誤差。（2） 結果計算及比較

26、在matlab中利用問題一中采用自回歸移動模型預測的結果進行相對誤差計算，分別計算5月31至6月6日單臺風電機組功率（pa，pb，pc，pd）的功率相對預測誤差和多機總功率的相對預測誤差，并在matlab中作出pa、p4和p58的相對誤差圖，如圖9所示。表4給出的是它們的平均相對誤差。圖9 相對預測誤差表4 各機組的平均相對預測誤差papbpcpdp4p58相對預測誤差23.7222.7020.3717.7617.5915.93從圖9中可以看出，單臺風電機組功率的相對預測誤差與多機總功率預測的相對誤差變化趨勢是一樣的。根據表4中數據，風電機組匯聚使得其風電功率相對預測誤差與單臺風電機組風電功率

27、相對預測相比減小，可知風電機組的匯聚有利于風電功率的預測。6 問題三的解答6.1模型的建立為了提高風電功率實時預測的準確程度，改善風電聯網運行的性能，問題3在問題1的基礎上，重新構建了實時預測模型。我們首先分析了影響風電功率的各影響因素，主要有風速和風向，空氣密度等因素，再結合給出的數據信息，從數據中我們可以得到風速和風向信息，即鄰近時間段的發(fā)電功率序列；也可以挖掘到空氣密度信息，因為空氣密度與溫度和氣壓有關，而鄰近幾天中同一時刻的溫度和氣壓很接近，即鄰近幾天中同一時刻的發(fā)電功率序列。分別利用這兩個時間序列，采用自回歸移動平均模型（arma）進行預測。由于不知道arma模型所得到的兩個預測結果

28、所占的權重，我們再把這兩個預測的風電功率作為bp神經網絡模型的輸入，神經網絡最后輸出的結果即為最后的預測值。原理示意圖如圖10所示. 圖10 原理示意圖所以最后所建立的預測模型為：6.2模型的求解對于兩個時間序列的自回歸移動平均模型（arma）參數的確定同4.3.2一樣的求解方法；對于神經網絡機構參數的確定同4.2.2一樣。計算出自回歸移動平均模型和神經網絡參數后，就可對各機組風電功率進行實時預測，該處僅對全場58臺機組總輸出功率做了預測，不結果見表5。并把預測值和題目給出值在matlab中畫出，如圖11所示。表5 對p58實時預測的值p5812349495965月3118756.091374

29、4.711941.214536.656400.4145930.7915028.6456月16057.5436170.2019870.10311207.0522476.5122112.02198806月220186.9617733.9619315.3118344.958671.5835074.951019.9856月31262.143779.7437441.1346129.39834093.0731885.228235.926月4待添加的隱藏文字內容325502.7121544.1921396.4622111.588981.037712.0937268.7216月55587.0814311.31

30、62812.0632561.5249092.8939947.78915465.86月616314.8716104.3216445.2316572.1514325.4211218.348552.65圖11 模型預測值與真實值比較6.3實時預測精度影響因素本文主要利用已知數據進行風電功率實時預測，所以影響實時預測精度的首要因素是已知數據的準確性，然而已知數據都是通過傳感器采集獲得，所以獲得數據不一定準確和完整，這些數據包括歷史發(fā)電功率、風速、風向、氣溫、氣壓及機組自身特性等；其次，風電場自身的運行維護，運行人員對機組的開停等隨機因素也會給風電功率預測系統(tǒng)帶來問題。所以，風電預測精度不可能到達100

31、%。7. 模型的評價、改進及推廣7.1模型的評價優(yōu)點：1.本文提出了三種預測模型，神經網絡和自回歸移動平均模型都對風電功率實時預測有較高的預測準確性，尤其自回歸移動平均模型很適合數據波動性大及沒有規(guī)律的預測；2.在問題三中，本文首先把原始時間序列按照天數和時間段數分成了兩個時間序列，利用兩個自回歸移動平均模型分別進行預測，由于不清楚兩個時間序列預測的值的權重，又充分利用了神經網絡特點，把兩個預測值作為神經網絡的輸入值，又神經網絡通過歷史數據決定各個時間序列的權重，很好的提高了實時預測的準確性。缺點：1.對于所給數據準確性依耐太大，如果數據測量的不夠準確，則不可能有較高的預測精度。2.本文僅僅利

32、用了歷史各發(fā)電機組的輸出功率進行預測，且文中認為歷史數據都是絕對準確的，這在實際中是不可能的。7.2模型的改進1對于在應用多元二項式回歸模型、反向傳播的bp神經網絡模型、時間序列中的自回歸移動平均模型（arma）對風電功率進行預測之前，對部分不合理數據進行必要的處理。7.3模型的推廣本文中應用的三種預測模型，這些模型可以應用到很多預測和控制領域，尤其是時間序列和變化沒有較強的規(guī)律可循的數據，時間序列中的自回歸移動平均模型最為適合。8.參考文獻1 范高峰，王偉勝，劉純.基于人工神經網絡的風電功率短期預測系統(tǒng)j.電網技術，2008. 2 丁明，張立軍，吳義純.基于時間序列的風電場風俗預測模型j.電

33、力自動化設備，2005.3 廖明夫，r.gasch，j.twele.風力發(fā)電技術m.西北工業(yè)大學出版社,2009.4 倪瑋，許光（譯），manfred stiebler（著）.風力發(fā)電系統(tǒng)m.機械工業(yè)出版社，2011.5 龐博.大容量風電機組并網運行造成的影響j.科技情報開發(fā)與經濟，2011.6 谷興凱，范高峰，王曉蓉等.風電功率預測技術綜述j.電網技術，2007.7 戚雙斌，王維慶，張新燕.基于svm的風速風功率預測模型j.可再生能源，2010.8 王彩霞，魯宗相，喬穎等.基于非參數回歸模型的短期風電功率預測j.電力系統(tǒng)自動化，2010.9 韓爽，楊勇平，劉永前.三種方法在風速預測中的研究應

34、用j.華北電力學報，2008.9.附錄主要源程序：（1） 回歸預測clear;clca=xlsread(pa.xls,機組a風功率實測數據,a1:cr28);temp=a(1:21,:);temp=temp(:);k=32;for i=1:21*3-1 x(i,:)=temp(k*(i-1)+1:k*i); y(i)=temp(k*i+1);endx(21*3,:)=temp(k*i:k*(i+1)-1);y(21*3-1)=temp(k*i);y(21*3)=temp(k*(i+1);long=size(x,1);x=ones(long,1),x;y=y;b,bint,r,rint,stat

35、s=regress(y,x,0.05); rcoplot(r,rint)%剔除點j=0;for i=1:63 if i=17 | i=30 | i=35| i=43| i=48 else j=j+1; x1(j,:)=x(i,:); y1(j)=y(i); endendy1=y1;% figureb,bint,r,rint,stats1=regress(y1,x1,0.05); % rcoplot(r,rint)j=0;for i=1:58 if i=12 | i=20 | i=30| i=44 else j=j+1; x2(j,:)=x1(i,:); y2(j)=y1(i); endendy

36、2=y2;% figureb,bint,r,rint,stats2=regress(y2,x2,0.05); % rcoplot(r,rint)j=0;for i=1:54 if i=44 else j=j+1; x3(j,:)=x2(i,:); y3(j)=y2(i); endendy3=y3;figureb,bint,r,rint,stats3=regress(y3,x3,0.05); rcoplot(r,rint)clear i j k stats1 stats2 temp x1 x2 y1 y2 long%預測x0=a(21,65:96);for i=1:96 xx(i)=1,x0*b

37、; x0=x0(2:end),xx(i);end%多元二項式clear;clca=xlsread(pa.xls,機組a風功率實測數據,a1:cr28);temp=a(1:21,:);temp=temp(:);k=8;for i=1:21*12-1 x(i,:)=temp(k*(i-1)+1:k*i); y(i)=temp(k*i+1);endx(21*12,:)=temp(k*i:k*(i+1)-1);y(21*12-1)=temp(k*i);y(21*12)=temp(k*(i+1);y=y;rstool(x,y,interaction); %quadratic purequadratic%

38、預測x0=a(21,89:96);for i=1:96 x1x=x0(1)*x0(2:end); x2x=x0(2)*x0(3:end); x3x=x0(3)*x0(4:end); x4x=x0(4)*x0(5:end); x5x=x0(5)*x0(6:end); x6x=x0(6)*x0(7:end); x7x=x0(7)*x0(8); xx=x0,x1x,x2x,x3x,x4x,x5x,x6x,x7x; yy(i)=1,xx*beta; x0=x0(2:end),yy(i);end（2） 神經網絡預測clear;clca=xlsread(pa.xls,機組a風功率實測數據,a1:cr28)

39、;for ins=1:96temp=a(1:21,ins);k=5;for i=1:21-k+1 x(1:k,i)=temp(i:k+i-1);endshuju=x;shuju=shuju/850;xmin=-0.03*ones(k-1,1);xmax=3.3*ones(k-1,1);pr=xmin,xmax;p=shuju(1:k-1,:);goal=shuju(k,:);net = newff(pr,8,5,1,logsig,logsig,logsig);net.trainparam.show = 10;net.trainparam.lr = 0.01;net.trainparam.goa

40、l = 1e-10;net.trainparam.epochs = 50000;net = train(net,p,goal);%預測x0=x(2:k,21-k+1);x0=x0/850;xx(ins)=sim(net,x0);xx(ins)=xx(ins)*850;end（3） 自回歸移動模型預測clear;clc;a1=xlsread(pa.xls,機組a風功率實測數據,a1:cr28); a2=xlsread(pb.xls,機組b風功率實測數據,a1:cr28); a3=xlsread(pc.xls,機組c風功率實測數據,a1:cr28); a4=xlsread(pd.xls,機組d風功

41、率實測數據,a1:cr28); a=a1+a2+a3+a4;y=a(1:28,:);y=y(:);subplot(2,1,1)autocorr(y(1:2016); %原序列的自相關函數圖ma(q),觀察系數是否在區(qū)間(-2t(1/2),-2t(1/2)內subplot(2,1,2)parcorr(y(1:2016); %原序列的偏相關函數圖ar(p)，觀察系數是否在區(qū)間(-2t(1/2),-2t(1/2)內%如果該序列不是平穩(wěn)的做差分圖，否則跳過該步dx=y;h,pvalue,teststat,criticalvalue = dfardtest(y,0.05,t); %是否是穩(wěn)定序列for

42、i = 1:10 if h = 1 break; else dx=diff(y,i); %進行差分 h,pvalue,teststat,criticalvalue = dfardtest(dx,0.05,t); endendfiguresubplot(2,1,1)autocorr(dx); subplot(2,1,2)parcorr(dx); %對差分后的序列做擬合和預測，求出最好的階數z=iddata(dx);%將dx轉化為matlab接受的格式test = ;for p = 1:10 %自回歸對應pacf,給定滯后長度上限p和q，一般取為t/10、ln(t)或t(1/2),這里取t/10=12 for q = 1:10 %移動平均對應acf m = armax(z(1:2016),p q); aic = aic(m); %armax(p,q),選擇對應fpe最小，aic值最小的模型 test = test;p q aic; endendfor k = 1:size(test,1) if test(k,3) = min(test(:,3) %選擇aic值最小的模型 p_test = test(k,1); q_test = test(k,2); break; endend