风电功率预测问题3

1关于实时预测风电机组功率的研究摘要能源、环境是当今人类生存和发展所要解决的紧迫问题。风力发电由于清洁无污染，施工周期短，投资灵活，占地少，具有较好的经济效益和社会效益，己受到世界各国政府的高度重视，成为当今世界增长最快的可再生能源，许多国家已把发展风力发电作为改善能源结构、减少环境污染和保护生态环境的一种措施。电力系统调度部门必要时及时调整调度计划，这样便可有效的减轻风电对整个电网的影响。所以，风速和风力发电功率的准确预测对于负荷管理和系统运行便显得十分重要，而且还可以减少电力系统运行成本和旋转备用，提高风电穿透功率极限，并且有利于在电力市场环境下正确制定电能交换计划，以充分利用风力资源，获得更多的经济效益和社会效益。本文针对风电功率的预测问题进行了一系列的研究建模。对于风电功率的预测建立了三种不同的模型，然后将其进行误差分析，得出误差最小的人工神经网络模型，并对模型进行进一步的探讨，得出更高精度的模型。同时，也将单台风电机的输出功率的预测数据与多台风电机的输出功率预测数据进行比较。得出了相关规律。对于问题一，我们利用ARIMA模型、灰色模型和人工神经网络模型对风电功率进行了实时预测，并将预测数据与事先准备好的实际数据进行比较，然后分析误差，得出了人工神经网络模型为最优模型的结论。对于ARIMA模型我们主要采用SPSS软件对数据进行预处理，然后建立。而灰色模型主要利用EXCEL软件。至于人工神经网络模型主要利用的MATLAB软件进行模型的建立。最后利用最小二乘法原理，预测数据并将数据进行拟合修正。分析误差，得出结论及相应的预测数据。对于问题二，我们将但台风电机的预测数据与多台风电机的预测数据进行比较，得出多台风电机输出功率并不是单台风电机的输出功率单纯的叠加，而需要利用加权算法进行运算得出总功率，并进行修正，才能得出精度较高的结果。对于问题三，我们在问题一的得出人工神经网络模型的精度最高，根据此启示，我们再次利用MATLAB建立了小波神经网络模型，然后对数据进行预测，拟合修正，得出最优解。关键词：风电功率最小二乘法数据拟合Matlab人工神经网络模型§1问题的重述2一、背景知识1、风力发电的概况目前，可再生能源（尤其是风能）的开发利用已得到世界各国的高度重视。随着科学技术的发展，风力发电技术也得到快速发展，大中型风电厂相继建成并投入运行。风力发电已逐渐具备大规模商业开发的技术和经济条件，在电网中所占比例呈不断升高之势。2、风力发电原理风力发电的原理，是利用风力带动风车叶片旋转，再透过增速机将旋转的速度提升，来促使发电机发电。是将风能转换为机械功的动力机械，广义地说，是一种以太阳为热源，以大气为工作介质的热能利用发动机。3、风力发电功率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。二、具体试验数据现得到了某个由58台额定功率为850kW的风电机组成的风电场中指定4台风电机的实际输出功率数据和58台风电机的实际总输出功率。1、指定的4台风电机输出功率数据指定的4台风电机分别记为ABCD、、、，其对应的数据为2006年5月10日到200666年月日的实际每个时点的输出功率，分为记为ABCDPPPP、、、。2、58台风电机实际总输出功率数据数据58台风电机在2006年5月10日到200666年月日的每个时点的实际输出功率，记为。三、要解决的问题1、问题一：利用所提供的数据，对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分风电功率458ABCDPPPPPP、、、、、进行实时预测，并根据附件1中关于实时预测考核要求分析你所采用方法的准确性，然后推荐出一种最好的方法。2、问题二：在问题1的预测结果中，试比较单台风电机组功率的相对预测误差和多台风电机组功率的预测的相对误差，分析风电机组的汇聚对于预测结果误差的影响。3、问题三：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，来实现对进一步提高风电功率实时预测精度的探索。58P3§2问题的分析风电功率预测问题是一类大样本多数据的统计分析与预测类问题。对本问题处理要分为三个步骤进行：第一，对风电功率的数据进行预处理建立不同的预测模型；第二，根据不同的预测模型进行预测，得到预测结果与实际结果进行比较，分析得出最优的预测模型；第三，在最优的预测模型的基础上进行探究分析，进一步提高风电功率预测精度。要合理处理好本问题，关键必须弄清问题的相关知识并对问题作出深入地分析。一、相关知识的介绍现今风力发电主要利用近地风，而近地风具有波动性、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。因此，首先我们要明确点，同一台风电机在不同的天各个时点的输出风电功率均不同，且具有波动性。然后，同一时点不同地方的风电机的输出功率不同，且各风电组功率汇聚通过风电场或风电场群接入电网时，会改变风电功率的波动属性，从而可能影响预测误差。二、对问题的具体分析1、对问题一的分析：问题要求利用已知数据对5月31日这一天和5月31日至6月6日这一周风电功率458ABCDPPPPPP、、、、、进行实时预测，且预测方法不能少于三中，并至少选择一种时间序列分析法。对于风电功率预测的方法，我们首先通过查找资料了解到风电功率的预测方法有持续预测法、卡尔漫滤波法、随机时间序列法、人工神经网络法、模糊逻辑法、灰色模型法等等。然后我们从中选取了随机时间序列法、灰色模型法和神经网络法三种方法对风电功率进行实时预测。（1）随机时间序列法随机时间序列法利用大量的历史数据来建模，经过模型识别、参数估计、模型检验来确定一个能够描述所研究时问序列的数学模型，最后再由该模型推导出预测模型，进而达到预报的目的。对于此方法，我们首先需要对于数据进行预处理：a、利用SPSS软件对已知数据作出相应的时序图，可发现该数据具有一定趋势。所以，我们首先应该对数据进行差分使数据趋于平稳。b、在利用SPSS做时序图的时候，数据中的负数和零会自动默认为缺省值，所以，我们利用差值法把所有数据统一加上一个数使数据全为正数。4（2）灰色模型法灰色模型预测风速的基本原理在于两个方面：A、风速在短时间内难以发生剧烈变化，这使风速的超短期预测具有可行性；B、灰色理论不同于其他预测理论和方法的区别在于：在样本数据很少、信息量极少的情况下也可以有效预测。当然首先我们对于数据也还是要进行一定的预处理后，才进行试验。处理方法与随机时间序列模型类似。（3）神经网络法人工神经网络概念及发展概述人工神经网络(ArtificialNeuralNetwork，简称ANN)，又称为连接机制模型(ConnectionismModel)或称为并行分布处理模型(ParallelProcessingMedel)，由大量简单元件一神经元广泛连接而成。它是在现代神经科学研究的基础上提出的，反映了人脑的基本特征，模仿人脑结构及其功能。但它并不是人脑的真实描写，而只是它的某种抽象、简化和模拟。对于神经网络法的数据，我们只是进行了略微的整理，并不需要太大的整理2、对问题二的分析：问题要求利用问题1的预测结果中，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误差，分析分电机组汇聚对预测结果的误差的影响。对于此问题，我们可以通过对单台电机和多台电机的预测结果进行预测曲线的绘制，然后对结果进行较，来发现其相关规律，然后对风电机组汇聚给风电功率预测误差带来的影响作出一定的预期。53、对问题三的分析：问题三要求我们建立一个更高精度的预测模型，在要求提升高风电功率实时预测的准确程度这一问题上，我们想到了一BP神经网络结构为基础的模型——小波神经网络模型。我们决定通过建立这一模型来对尝试对风电机组进行更高精度的预测，然后比较器预测结果与问题一的差别，从而的得出结论。§3模型的假设1、假设风电机组的在无缺省值的条件下的结果无太大偏差的数据均为准确数据；2、假设风电机组中每台电机的工作是独立的；3、规定5月10日到6月6日编排序号为第1-28天；4、所有数据均为原始数据，来源真实可靠。§4符号说明apC风电场开机容量AP风发电机组A的输出功率BP风发电机组B的输出功率CP风发电机组C的输出功率DP风发电机组D的输出功率4P风发电机组A,B,C,D的输出功率之和58P全场58台机组总输出功率kPPk时刻实际平均功率mkPk时刻预测平均功率iR风发电机组i的预测曲线准确率iH风发电机组i的预测曲线合格率§5模型的建立与求解从所要解决的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Ⅰ，模型Ⅱ和模型Ⅲ，对问题三建立了模型Ⅳ。61、模型ⅠARIMA模型本模型从时间序列的分析上，对于数据建立模型，把数据进行差值法处理后，进行差分到平稳状态，然后对于数据建立相应的ARMA模型。然后按照题目要求进行预测，分析其结果，算出其误差。2、模型Ⅱ灰色模型本模型对数据进行预处理后，利用少量数据，建立灰色模型。然后按照题目要求进行预测，分析其结果，算出其误差。3、模型Ⅲ人工神经网络模型本模型将数据进行一定整理后，建立模型，对要求的数据进行相关预测，然后与实际值对于相应的比较，得出结论，并根据误差分析，判断出本模型与上两种模型的优劣。4、模型Ⅳ小波神经网络模型本模型要求建立更高精度的预测模型，小波神经网络权值参数修正算法类似于BP神经网络权值修正算法，采用梯度修正法修正网络的权值和小波基函数参数，使小波神经网络预测输出不断逼近期望输出。从而达到试验目的。一、问题一的分析与求解1、对问题的分析由于利用附件的数据，用三种以上的方法预测风电机组的实时输出功率，然后根据附件中的要求进行误差分析，判断出最优的方法。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。在附件1国家能源局颁布的风电场功率预测预报管理暂行办法中给出了误差统计的相应指标。2、模型ⅠARIMA模型用ARIMA方法预测，引入有序差分算子1B，d阶差分后有(1)ddttyBy若序列已平稳，则原时间序列可以表示为()()dttByBa这就是累积式自回归-滑动平均模型。确定好d后，建立模型(,,)ARIMApdq，ARIMA模型在风电功率预测过程中考虑了随机波动的干扰性，对于ARIMA模型的建立，首先根据需要预测的数据把已知数据分为历史数据和预测数据两部分，历史数据用来建立模型，而预测数据则用来检验模型实际的误差大小。首先，我们列出ARIMA模型的一般公式t1122p1122......tttptttqtqPPPP然后利用SPSS软件，我们将已知数据的p,d,q求出来，经过多次数据整理与修正，我们求出458ABCDPPPPPP、、、、、的d值均为1，即所有数据均进行一阶差分后可7以消除趋势。然后我们又求出不同数据组的p,d并绘出其预测曲线与实际曲线，具体如下：2、模型Ⅱ灰色模型用传统灰色模型GM（1，1），预测超短期风电功率，具体方法：时序风电功率为：V(0)=[V(0)(1),V(0)(2),…,V(0)(n)]（1）对数列按照传统GM（1,1）模型[12]的算法进行一次累加生成数列V(1)=[V(1)(1),V(1)(2),…,V(1)（n）]，即（2）构造GM（1,1）模型的一阶微分方程:（3）式（3）中，模型系数a和b可以用最小二乘法求得，即（4