文档介绍：答卷编号:论文题目:风电功率预测问题指导教师:金海参赛学校:北京理工大学报名序号:1550证书邮寄地址:北京理工大学中关村校区徐厚宝(学校统一组织的请填写负责人)风电功率预测问题摘要:本文着力研究了风电功率的预测问题。根据相关要求,本文中我们分别利用ARMA模型、卡尔曼滤波预测模型和小波神经网络预测模型对该风电场的风电功率进行预测。通过对预测结果各项评价指标的综合分析,发现:小波神经网络预测模型的精确度最高;单台风电机组预测误差与总机组预测误差成正相关性;多个风电机组的汇聚会使得总体的预测误差减小。另外,从神经网络的训练过程中,我们发现突加扰动是阻碍风电功率实时预测精度进一步改善的主要因素,风电功率的预测精度不可能无限提高。对于问题一,我们分别建立了ARMA、卡尔曼滤波、小波神经网络三种预测模型对指定的发电机组的输出功率进行了预测,取得了较为理想的结果。%—%,%-95%,%—%,故小波神经网络的预测效果最好。对于问题二,我们分析比较了三种模型下单台机组和多机组5月21日至6月6日的平均相对预测误差,得知风电机组的汇聚会使得总体的预测误差减小。针对问题三,我们在问题一小波神经网络模型的基础上建立了遗传神经网络模型。经过仿真,我们发现该模型能显著减小峰值误差,有力地抑制时间延迟现象,有效地提高了预测的精确度。对仿真误差进行分析,我们指出突加的扰动是阻碍风电功率实时预测精度进一步改善的主要因素,预测的精度不可能无限提高。关键词:ARMA,卡尔曼滤波,小波神经网络,遗传神经网络一、问题重述随着科学技术的发展,风力发电技术也得到快速发展。因为风力具有波动性、间歇性、能量密度低等特点,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。因此,如何对风电场的发电功率进行尽可能准确的预测是急需解决的问题。本文在某风电场58台风电机组输出功率数据的基础上,需解决以下问题:至少采用三种预测方法对给定的数据进行风电功率实时预测并检验预测结果是否满足预测精度的相关要求。比较单台风电机组功率的相对预测误差与多机总功率的相对预测误差,分析风电机组的汇聚对于预测结果误差的影响,并做出预期。在问题(1)的基础上,构建有更高预测精度的实时预测方法,并用预测结果说明其有效性。在以上问题的基础上,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。判断风电预测精度能否无限提高。二、问题分析本题是一个预测类问题,它以风力发电为背景,主要考察对于风电发电功率进行预测的能力。首先,被预测量是随时间变化的序列,被预测量随时间的变化规律具有很强的非线性,因此我们采用的算法不仅要能够对时间序列进行预测,还必须具备一定的非线性处理能力。针对问题一,我们建立三种模型,可以得到模型的预测结果。我们根据所给定的考核要求,能够计算得到模型的准确性。我们以准确性作为主要的评判标准,给出我们推荐的模型。在问题一中,我们已经得到了单台风电机组与多台发电机组功率的预测误差。进一步处理,我们可以给出单台发电机组与多台发电机组的相对误差。我们对所得相对误差数据进行统计分析,可以得到三、模型假设(1)观测数据真实可靠(2)短期内不存在大的自然灾害,例如地震、海啸以及台风等等(3)预测期间风电机组分布不变,发电机组性能不随时间发生变化四、参数说明——滞后延迟算子——风电功率的时间序列——自回归的阶数——零均值的系统白噪声——移动平均的阶数——均方百分比误差——风电场的开机容量——平均百分比误差——精确度——合格率——时段的实际平均功率——时段的预测平均功率N——日考核总时段数——状态空间模型的自回归系数——小波神经网络的输入参数——小波神经网络的预测输出、——小波神经网络权值——隐含层第个节点输出值——输入层和隐含层的连续权值——小波基函数的平移因子——小波基函数的伸缩因子——小波基函数——第个隐含层节点的输出——隐含层节点数——输出层节点数——期望输出——小波神经网络预测输出——学****效率——BP神经网络第个节点的期望输出——BP神经网络第个节点的预测输出——基因的上界——基因的下界——当前迭代次数——最大进化次数五、,风电功率预测的方法主要有持续预测法、时间序列法(包括AR、MA、ARMA、ARIMA等)、神经网络法(ANN)、小波分析法、支持向量机法(SVM)等。综合考虑风电功率的随机性特征和各算法的优缺点,我们选择了ARMA法、卡尔曼滤波法和小波神经网络等三种方法对风电功率进行了预测。,其基