�。ㄎ髂辖煌ù髮W  四川 樂山 614202）
摘要：本文針對問題一對風電功率的預測的問題建立模型，由于風電功率波動的特殊性，普通的線性回歸模型，多項式擬合，灰色預測等方法均不適用，因此我們選用對非線性具有良好預測能力的神經網絡模型、SVM模型、指數平滑模型對風電功率進行預測，將數據分別帶入三個模型進行預測，通過三個模型預測數據精度的對比，雖然三者在15%誤差允許范圍內準確率以及合格率大致相等，但在更高的誤差要求下神經網絡模型最為準確，因此我們推薦用神經網絡模型進行預測風電功率數據。
關鍵詞：神經網絡  matlab2010  SVM   準確率   平滑指數
　　　針對問題二分析風電場功率預測系統提供的日預測曲線最大誤差不超過25%,實時預測誤差不超過15%。全天預測結果的均方根誤差應小于20%，由于本文為實時滾動預測，誤差應不超過15%，反映到準確率上就為準確率大于85%，對誤差的要求就轉移到對準確率以及合格率大小的問題上來，對單臺風電機組功率（PA，PB，PC，PD）的相對預測誤差與多機總功率（P4，P58）預測的相對誤差的比較則可轉化為兩者準確率以及合格率高低大小的比較，通過預測數據顯示，多機總功率的的預測準確率合格率均高于單臺機組準確率以及合格率，且隨著準確率要求的升高（95%以上），兩者的差距越明顯，多機總功率的準確率，合格率下降不太明顯，單機的兩者值下降很明顯。這說明各風電機組的匯聚降低了風電功率的波動屬性，降低了預測數據的預測誤差，對風電功率的預測更為準確。
一、問題提出
　　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：
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）；
預測量：a．PA,  PB,  PC,  PD；  b．P4；  c．P58。
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的方式開發風電，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。
二、基本假設
假設1 :預測期間未有大的變動影響（戰爭，自然災害）。
假設2 :測量機器是準確的，且不會損壞影響測量數據。
假設3 :所給的數據是真實可靠的。
假設4 :沒有人為因素的影響。
三、分析與求解
　　風電場功率預測系統提供的日預測曲線最大誤差不超過25%,實時預測誤差不超過15%。全天預測結果的均方根誤差應小于20%，由于本文為滾動預測，誤差應不超過15%，反映到準確率就為準確率大于85%，對誤差的要求就轉移到對準確率以及合格率大小的問題上來，對單臺風電機組功率（PA，PB，PC，PD）的相對預測誤差與多機總功率（P4，P58）預測的相對誤差的比較則可轉化為兩者準確率以及合格率高低大小的比較，通過上表在準確率85%以上要求算出的數據顯示，多機總功率的的預測準確率合格率均高于單臺機組準確率以及合格率，且隨著準確率要求的升高（95%以上），兩者的差距越明顯，但是多機總功率的詞準確率，合格率下降不太明顯，單機的兩者值下降很明顯。這說明各風電機組的匯聚降低了風電功率的波動屬性，降低了預測數據的預測誤差。
　　通過問題分析，雖然利用上述模型不斷改建預測方法，但是我們始終不能把風功率的預測精度提高到95%以上。這是由于風速的不確定性，不定向性，所以下一時點的風電功率有很大的不確定性。比如天氣突然變化，那么歷史數據對于這一時點得預測就有很大的局限性。其它對實時預測精度進一步改善的因素還有要風機發電時有固定的損耗，以及計算機的運算能力，預測方法的局限性等。以后計算機的運算能力不斷提高，新的預測方法的提出都能把預測精度提高。但是由于真實值是未知的，所以預測值不可能與真實完全相同，即預測精度不可能達到100%。但是通過不斷的努力，預測精度會向100%無限提高。
四、模型的評價與推廣
     本文采用三種預測模型對風電功率進行預測，由于對于風電功率的的預測是一個非常復雜的預測過程，風能具有波動性、間歇性、低能量密度等特點，因而風電功率也是波動的，是非線性的，有高度的不確定性，而且其與時間有很大關系，再對其進行預測時一般的線性回歸模型，多項式擬合，灰色預測等方法均不適用，因此我們采取神經網絡模型、SVM模型、指數平滑模型對風電功率進行預測，并通過將神經網絡模型進行改進，進行預測，模型清楚，結果精準。但是我們始終不能把風功率的預測精度提高到95%以上。這是由于風速的不確定性，不定向性，所以下一時點的風電功率有很大的不確定性。比如天氣突然變化，那么歷史數據對于這一時點得預測就有很大的局限性。對于模型的的改進，我們預想增添一些和風電功率有關的數據例如風速，機器損耗等，預測數據種類的增多對模型的預測精準度會有進一步的提升，由于時間原因未能將其付諸實踐，為本文的一大遺憾。
參考文獻：
[1] 姜啟源等, 《數學模型》（第三版），高等教育出版社，2003年8月
[2] 宋葉志.賈東永等《MATLAB數值分析與應用》，機械工業出版社2010年5月