风电功率预测问题.doc.docVIP

 摘要 风功率预测系统技术，是根据风电场气象信息有关数据，利用物理模拟计算和科学统计方法，对风电场的风力风速进行短期预报，预测出风电场的功率，从而也可实现电力调度部门对风电调度的要求，保证电网的功率平衡和运行安全。为尽可能准确地预测风功率，我们小组根据各模型的优势（时间序列模型建模简单,具有较好的短期预测精度,是最常用的线性预测模型；灰色系统理论具有所需要的样本数据少, 原理简单, 运算方便, 短期预测精度高, 可检验等优点；BP神经网络模型能较好的应对序列的波动,容错能力强, 自适应能力强，具有理论丰富和高精度等特点,是常用的非线性模型）最终筛选出了适合风功率实际预测的时间序列模型、灰色模型以及BP神经网络模型。 其次我们利用模型分别收集了单台风电机组功率（PA，PB，PC，PD）与多机总功率（P4，P58）的风功率预测数据，分析对比了灰色模型、时间序列、BP神经网络三种方法在风功率预测中的应用效果,结果表明BP神经网络模型所得出的准确率最高，时间序列跟灰色模型所预测的风功率结果跟实际风功率值相差有时比较大，有时不大。相比较而言，我们小组推介使用BP神经网络模型来预测风功率。 之后我们对单台风电机组功率（PA，PB，PC，PD）与多机总功率（P4，P58）的相对预测误差进行比较，发现多机总功率的相对预测误差对比单台功率预测的相对误差没有特定的谁大谁小，但是由整体来看单个电机组成电机组，而电机组的功率汇聚是所有电机功率的代数和，由于多机组的相互影响，会导致实际值小于理论值，因此多台风电机组汇聚会加大与预测值之间的差距。 最后，为进一步提高风电功率实时预测的精度，我们利用遗传算法改进BP神经网络算法的模型将改进方法应用到BP神经网络预测方法中,并利用实际功率验证了改进方法的准确率，合格率，相对误差等，利用Matlab工具混编对风功率预测方法进行建模。结果表明改进后的准确度更高，从而表明风电功率的预测受环境，数据质量的影响比较大，预测精度能不断提高，但不能达到百分之一百。 关键词：风功率预测、灰色模型、时间序列、人工神经网络、非线性 一：问题重述 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。 某风电场由58台风电机组构成，每台机组的额定输出功率为850kW。附件2中给出了2006年5月10日至2006年6月6日时间段内该风电场中指定的四台风电机组（A、B、C、D）输出功率数据（分别记为PA，PB，PC，PD;另设该四台机组总输出功率为P4）及全场58台机组总输出功率数据（记为P58）。 问题1：风电功率实时预测及误差分析。 请对给定数据进行风电功率实时预测并检验预测结果是否满足附件1中的关于预测精度的相关要求。具体要求： 采用不少于三种预测方法（至少选择一种时间序列分析类的预测方法）； 预测量：a．PA, PB, PC, PD； b．P4； c．P58。 预测时间范围分别为（预测用的历史数据范围可自行选定）： a. 5月31日0时0分至5月31日23时45分； b. 5月31日0时0分至6月6日23时45分。 4）试根据附件1中关于实时预测的考核要求分析你所采用方法的准确性； 5）你推荐哪种方法？ 问题2：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？ 二：问题分析 由于电能的生产与消费是同时进行的。准确的功率预测, 有利于合理的进行电力系统的规划发展, 正确的预测有利于调度人员合理安排和修订运行计划。这对于提高电力系统的经济效益, 进而促进整个国民经济的发展是至关重要的