MATLAB数学建模经典案例第19章 风电功率预测问题.ppt

第十九章 Matlab数学建模案例分析 图19- 52 PB风电机组长期预测图 第十九章 Matlab数学建模案例分析 在问题二中，我们讨论过“异常点”对预测风电功率精度有重要影响，避免在那些“异常点”下多机组同时工作；在这些“异常点”的影响下，导致风电机组的发电功率异常。 当然，风电功率预测精度不能无限的提高，风电功率受风力、风速、气温、气压等因素的影响，变化没规律；而现行的预测精度一方面受外界因素的影响，一方面受模型本身因素影响，即存在偶然误差以及系统误差，使得风电功率预测精度不能无限的提高。 第十九章 Matlab数学建模案例分析 第19章 风电功率预测问题 第十九章 Matlab数学建模案例分析 本章以某风电场为例，该风电场由58台风电机组构成，分为A、B、C、D四种型号，，每台机组的额定输出功率为850kW。风电机组功率预测问题是一个较复杂的问题，由于采集的数据的波动，呈现无规律特性，使得预测下一时刻的风电功率显得较困难，本章综合选取了三次指数平滑预测、BP神经网络预测、马尔科夫链模型预测以及NAR时间序列的动态神经网络来进行分析，将风电功率分为短期预测和长期预测，从整体来看，算法预测结果较好，能够较好的拟合实际结果。 学些目标： （1）学习和掌握马尔科夫链预测方法； （2）掌握三次指数平滑预测方法； （3）掌握BP神经网络预测方法； （4）掌握NAR时间序列的动态神经网络进行预测等。 第十九章 Matlab数学建模案例分析 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？ 问题3：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？ 第十九章 Matlab数学建模案例分析 问题一是对风电功率实时预测及误差分析。由于题目已给出了2006年5月10日至2006年6月6日时间段内各机组的数据，通过分析题目所给数据，首先通过MATLAB软件绘出电机输出功率及多机总功率输出功率图以观察分析其特点走势，做出大致走势图，然后根据图示，建立相应的数学模型；各发电机组输出功率曲线，编程如下： 图19- 1 各发电机组输出功率曲线 第十九章 Matlab数学建模案例分析 由图19-1可看出，同一天内每一时点风电机组输出功率并无较强的规律性，且具有一定的随机波动性。同样地也可看出不同天内的各电机输出功率具有相似的特性，亦即具有周期性。因此，针对问题一，我们建立Marlov链模型、时间序列中的三次指数平滑法模型、BP神经网络模型三个模型。其具体分析流程图如图19-2所示。 图19- 2 问题1分析流程图 第十九章 Matlab数学建模案例分析 定义增长率A机组的增长率为 为确保预测的精度和准确率较高，根据s的范围可将风电功率按按其增长率划分为5种状态，即： E1—快速上升，增长率 >0.3，在程序中用“2”表示； E2—缓慢上升，增长率0<s<0.3，在程序中用“1”表示； E3—相对不变，增长率s=0，在程序中用“0”表示； E4—缓慢下降，增长率-0.3<s<0，在程序中用“-1”表示； E5—快速下降，增长率s<-0.3在程序中用“-2”表示。 第十九章 Matlab数学建模案例分析 图19- 3 PA机组增长率变化趋势图 第十九章 Matlab数学建模案例分析 表19- 1 2006-5-29到2006-5-30之间A机组风电功率增长状态 时点 状态 时点 状态 5-29-0-00 —— 5-30-0-00 快速上升 5-29-0-15 缓慢上升 5-30-0-15 缓慢下降 5-29-0-30 缓慢下降 5-30-0-30 缓慢上升 5-29-0-45 缓慢上升 5-30-1-00 缓慢上升 5-29-1-00 缓慢上升 5-30-1-15 缓慢下降 5