风电功率预测问题 摘 要

针对问题一，考虑风电功率的波动性，我们选取了灰色系统GM(1，1)模型、ARMA模型和神经网络的时间序列模型，对PA，PB，PC，PD，P4，P58进行实时预测。根据《国家能源局文件》实时预测误差不超过15%的规定，进行误差分析，发现神经网络的时间序列模型较优。

模型一：GM(1，1)模型。选取预测点前16个时点的数据建立GM（1,1）模型。首先将其累加使之呈现一定的规律性，再用线性动态模型对生成数据拟合，最后用Matlab实现最小二乘法求解得预测值。

模型二：ARMA模型。对风电功率预测建立ARMA（n,m）模型，如下：

xt ixt i t j t j

i 1

j 1

n

m

通过Eviews软件，确定偏相关阶数n=5，自相关阶数m=3，建立ARMA（5,3）模型。输入原始数据，得到风电功率的预测值，并计算得到误差为10.8582%。

模型三：基于神经网络的时间序列模型。选取29至30日的历史数据建立BP神经网络的时间序列模型。由于神经网络的非线性性质，建立f (x) 为非线性的Sigmoidal函数：

利用MATLAB软件，预测风电功率，并计算得到相对误差（见附件三）。 针对问题二，在问题一的基础上，考虑基于神经网络的时间序列模型，对单台风电机组功率（PA,PB,PC,PD）的相对预测误差与多机总功率（P4,P58）预测的数据进行比较，发现多机总功率预测的相对误差大于单台风电机组，因此我们建议电力调度部门应采取单台风电机功率预测以减小误差。

针对问题三，在模型三的基础上，为减小预测误差，我们假设原始数据存在某种关系：

n z f w i x i

i 1

i 1,2, ,N

dt f(di 1,di 2, ,di j,xi 1,xi 2, ,xi j,)

建立组合神经的时间序列网络，使之不断逼近函数f ，根据di的近似值di，

1

使误差函数E di di 最小。用第一个网络的误差数据 di 预测第二个网

2

2

络, 使其能够以先前的预测误差为输入而输出对下一步预测误差的估计di，以此校正第一个网络的输出值xi将pi xi di作为组合网络的最终预测结果。

关键词：风电功率预测 灰色GM（1,1）模型 时间序列 ARMA模型 人工神经网络