风功率预测三种模型

风电功率预测问题
摘要
风能是一种可再生、清洁的能源，风力发电是最具大规模开发技术经济条件的非水电再生能源。

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。

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。

对于问题一我们建立了3个模型：1、时间序列模型即指数平滑模型2、拟合回归模型3、神经元预测模型即BP模型。

针对这3种模型，根据相对误差的大小和准确度的大小判断来确定优先选择哪个模型。

对于问题二，在第一问的基础上对相关模型进行了比较，分析，做出了预期。

对于问题三，在第一问的基础上，对相关的模型进行了改善，使其预测的更加准确。

关键词：风功率实时预测 BP网络神经 matlab 时间序列
问题的重述
一、背景知识
1、风功率预测概况
风功率预测是指风电场风力发电机发电功率预测。

风电场是利用在某个通过预测的坐标范围内，几座或者更换多的经过科学测算，按照合理距离安装的风力发电机，利用可控范围内的风能所产生的电力来实现运行供电。

由于风是大气压力差引起的空气流动所产生的，风向和风力的大小时刻时刻都在变化。

因而，风力发电具有波动性、间歇性和随机性的特点。

这些特点所导致的风电场功率波动，会对地区电网整体运行产生影响，进而会影响到整个地区总网内的电压稳定。

因此，当风力发电场，特别是大容量风力发电场接入电网时，就会给整个电力系统的安全、稳定运行带来一定的隐患。

同时，这些波动性、间歇性和随机性的特点，也会严重影响风机的发电效率和使用寿命。

2、风功率原理介绍
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，而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。

二、具体试验数据
PA、PB、PC、PD、P4和P58数据
附件1：风电场功率预测预报管理暂行办法
附件2：风功率数据P
A
风功率数据P
B
风功率数据P
C
风功率数据P
D
58台机总风功率数据P
58
三、要解决的问题
1、问题一：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：
1）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）；
2）预测量：
a．P
A , P
B,
P
C,
P
D
； b．P
4
； c．P
58。

3）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？
2、问题二：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（P
A ，P
B
，P
C
，P
D
）的相对预测误
差与多机总功率（P
4，P
58
）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？
3、问题三：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？
问题的分析
一、相关知识的介绍：
模型的介绍：
1.指数平滑法：
即根据历史资料的上期实际数和预测值，用指数加权的办法进行预测。

此法实质是由内加权移动平均法演变而来的一种方法
2.bp神经网络：
BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。

3.Gaussian拟合函数模型
推求一个解析函数y=f(x)使其通过或近似通过有限序列的资料点(xi，yi)，通常用多项式函数通过最小二乘法求得此拟合函数。

本文中而此多项式为gaussian函数。

二、对问题的具体分析：
1、问题一的具体分析：
利用历史数据进行研究，利用相关的模型进行模拟，找到合适的规律，再利用相应的模型进行对未来的预测。

2、问题二的具体分析：
单个的风电机和整体的风电机有不同，单个的波动大，整体波动相对较小，但是同时影响整体的因素更加多，相对比起单个更加复杂，同时单个的不稳定，分析他们之间的差距，找到其中的规律，进行分析。

3、问题三的具体分析：
在问题一的基础上，想要构建准确率更加高的模型，便可以采取3个模型的组合模型，而对于不同的模型有不同的准确率，于是分配不同的比重，使预测的结果更加接近真实值。

模型的假设
1，根据实时预测要求，真实值出现后，便能运用其对将来进行相应的预测；
2，所有数据都是真实可靠的；
3，预测的几天内，没有出现异常天气；
4 名词解释和符号说明
一、名词解释
1、风力发电：将风所蕴含的动能转换成电能的工程技术由于风是大气压力差引起的空气流动所产生的，风向和风力的大小时刻时刻都在变化。

因而，风力发电具有波动性、间歇性和随机性的特点。

2、风功率预测：风功率预测是指风电场风力发电机发电功率预测。

3、日前预测：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。

4、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。

二、符号说明
模型1：
模型2：
模型3：
13 p 输入的时刻
14 t 输出的风功率
模型的建立与求解
从所要解决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1、2和3.
1、模型1 指数平滑模型(时间序列方法的一种)
对于单个风电机的预测功率和P4，采用二阶指数平滑方法；而对于58台总得风功率预测，我们采用三阶指数平滑方法。

在EXCEL中，分别对预测变量的实际数值进行指数平滑计算，最后得出预测值，对其进行误差分析和准确度的计算。

2、模型2 BP神经网络模型
利用一定量的历史数据作为输入，选择适当的传递函数，用matlab进行仿真，得到相应的关系，再运用其对未来的风功率进行相关的预测。

3、模型3 guassion函数拟合回归模型
对于30号的数据进行分析，用matlab的工具箱“cftool”选择高斯函数进行拟合，找到适应的函数，求出参数，再根据得到的函数，进行预测风功率。

一、问题一的分析与求解
对问题的分析
风电功率实时预测及误差分析，利用附件中的历史数据进行预测分析，根据题目要求，需要采用3个模型分析，并进行比较得出预测最精确的模型。

准确度：
4合格率：
模型1 指数平滑方法
1）对于a. 5月31日0时0分至5月31日23时45分预测的16个点；
（1）模型的准备
1历史数据的取样
现在对30号的最后23组数据进行分析，举58台机器总功率的例子，数据如下：
图1-1
2三次指数平滑计算公式
三次指数平滑预测是二次平滑基础上的再平滑。

其预测公式是：
S=(3*S1-3*S2+S3)+[(6-5a)*S1-(10-8a)*S2+(4-3a)*S3]*a/2(1-a)2*T+
(S1-2*S2+S3)*a2/2(1-a)2 *T2
令A=3*S1-3*S2+S3,B=[(6-5a)*S1-(10-8a)*S2+(4-3a)*S3]*a/2(1-a)2
C=(S1-2S2+S3)*a2/2(1-a)2.
式中，S1是对实际数值的一次指数平滑值
S2是对实际数值的二次指数平滑值
S3是对实际数值的三次指数平滑值
a是阻尼系数
它们的基本思想都是：预测值是以前观测值的加权和，且对不同的数据给予不同的权，新数据给较大的权，旧数据给较小的权。

(2)模型的建立与求解
1对实际数据的分析并确定阻尼系数a
如下图，数据的波动不大不小，选择阻尼系数为0.5
图1-2
2对实际数据进行1、2、3次的指数平滑计算。

图1-3
3确定A、B、C三个未知中间量
A=3*S1-3*S2+S3,B=[(6-5a)*S1-(10-8a)*S2+(4-3a)*S3]*a/2(1-a)2 C=(S1-2S2+S3)*a2/2(1-a)2.
4得出预测值并和实际值进行误差分析
图1-4
5准确度的计算
图1-5
上边5个步骤在EXCEL附件中有体现。

分别得到31号的前4个小时的16个点得实时预测值、相对误差和准确度。

但由于预测不可能太准确，所以相对误差有时很大也难免，属于正常情况。

（3）其他机组情况的预测
1PA、PB、PC、PD和P4总预测分析
图1-6 PA预测值、误差及准确度图1-7 PB预测值、误差及准确度
图1-8 PC预测值、误差及准确度图1-9 PD预测值、误差及准确度
图1-10 P4总预测值、误差及准确度
2）对于b. 5月31日0时0分至6月6日23时45分的预测。

采用相同的方法，取相关的历史数据，进行滚动预测，便可以得到每个时刻的风功率预测值。

具体不在进行说明。

模型2：Gaussian拟合函数模型
1）对a. 5月31日0时0分至5月31日23时45分的预测。

模型的准备：
选取的历史数据为之前5月30号整天的数据。

1.（1）对于
P模型的建立
A
在matlab中输入=
96
:1[[30号全天的数据] ，利用matlab中的cftool 工具箱，=y
x];
把x作为横轴坐标，y为纵轴坐标，得到其散点图，然后选择相应的gaussian 函数，使复合率最高。

对于
P如图2-1所示：
A
图2-1
P的30号
A
函数为：f(x) =
a1*exp(-((x-b1)/c1)^2) + a2*exp(-((x-b2)/c2)^2) +
a3*exp(-((x-b3)/c3)^2) + a4*exp(-((x-b4)/c4)^2) +
a5*exp(-((x-b5)/c5)^2) + a6*exp(-((x-b6)/c6)^2) +
a7*exp(-((x-b7)/c7)^2) + a8*exp(-((x-b8)/c8)^2) Coefficients (with 95% confidence bounds):
a1 = 465.4 (262.3, 668.5)
b1 = 43.08 (42.51, 43.65)
c1 = 1.469 (0.6424, 2.295)
a2 = 540 (373.4, 706.5)
b2 = 21.18 (20.56, 21.8)
c2 = 2.364 (1.413, 3.316)
a3 = 488.8 (345.6, 632.1)
b3 = 11.19 (9.72, 12.65)
c3 = 5.879 (2.855, 8.902)
a4 = 348.1 (140.8, 555.3)
b4 = 47.77 (47.17, 48.37)
c4 = 1.256 (0.3722, 2.14)
a5 = 507.3 (322.1, 692.4)
b5 = 2.567 (1.656, 3.478)
c5 = 2.746 (0.9547, 4.537)
a6 = 367.4 (318.7, 416.1)
b6 = 64.72 (57.7, 71.74)
c6 = 48.5 (30.88, 66.11)
a7 = 5220 (-2.111e+019, 2.111e+019)
b7 = 53.02 (-3.76e+013, 3.76e+013)
c7 = 0.01028 (-1.507e+013, 1.507e+013)
a8 = 326.5 (188.9, 464.1)
b8 = 37.72 (36.39, 39.04)
c8 = 3.431 (1.175, 5.687)
相关的数据：Goodness of fit:
SSE: 7.874e+005
R-square: 0.6757
Adjusted R-square: 0.572
RMSE: 104.6
（2）模型的求解：
图2-2 31号预测接下来的几个时刻2.（1）对
P模型的建立：
4
方法如上，得到：
图2-3 30号的风功率拟合图函数为：附录一
Goodness of fit:
SSE: 6.691e+006
R-square: 0.744
Adjusted R-square: 0.6622
RMSE: 304.8
（2）模型的求解：
图2-4 31号预测接下来的几个时刻P模型的建立：
3.（1）对
58
方法如上得到：
图2-5 30号风功率拟合图
Goodness of fit:
SSE: 6.271e+008
R-square: 0.8352
Adjusted R-square: 0.7825
RMSE: 2951
模型求解：
图2-6 31号预测的接下来的几个时刻误差分析：
·
图2-7
P的误差分析表格
A
图2-8
P的误差分析表格
4
P的误差分析表格
图2-9
58
2）对于5月31日0时0分至6月6日23时45分的预测：采用上述模型，依次预测便可，具体细节，不在陈述。

模型3：bp网络神经模型
1）对a. 5月31日0时0分至5月31日23时45分的预测。

（1）对历史数据的采取
针对PC、P4和P58我们采取了前两天的数据即29号和30号的192个历史数据运用BP编程方法来预测未来16个点得风功率。

（2）模型的建立和求解
根据附录3中的MATLAB程序，进行计算。

过程在附录4中。

而预测结果如下：
图3-1 P4预测值及相对误差和准确度
图3-2 P58预测值及相对误差和准确度
图3-3 P4预测值及相对误差和准确度
2）对于5月31日0时0分至6月6日23时45分的预测：
采用上述模型，依次预测便可，具体细节，不在陈述。

二、对问题二的分析和求解
1、问题的分析：
单个的波动风功率比较大，整体的相对而言，比较稳定不同的模型对于整体和部分的相对误差不同，应该选择合适的模型预测相应的风功率，使其相对误差达到最小。

2、问题的求解：
不同的模型的相对误差如图：
图4-1 相对误差比较表格
总结：根据相对误差的大小的变化，可知相对误差随着机组的数量的增多，呈现抛
物线趋势，先变大，后变小。

数量较少时，比如4台，相对误差较高；数量较多时，58台，误差较小。

三、问题三的分析与求解
1、对问题的分析
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。

我们问题1的基础上，构建有更高预测精度的实时预测方法，即权重分配模型。

根据模型1、2、3的预测精度来认为的投权重分，从而更有效的预测风功率。

通过求解上述问题，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，由于许多未知因素无法确定，但是随着积累的增加，未知因素的减少，精度会一直提高，但是达不到准确值。

2、模型的建立与求解
S=a*S1+b*S2+c*S3
其中a+b+c=1,S1、S2，S3分别是模型1、2、3在某一时间点的预测值，分别针对PA、PB、PC、PD、P4、P58中每个预测对象，看哪个模型的准确度高，就人为地投较大的权重，使预测值S更加接近实际值。

举例P58的平均单机功率：模型1（指数平滑）的准确度最高为0.863107,次之模型3（BP神经网预测）的准确度为0.811986，最后是模型2（回归模型）为0.776776。

我们取a=0.6,b=0.3,c=0.1.得出S的值及准确度如下：
图5-1 权重分配模型
模型的评价与推广
一、模型的优缺点
1、优点：
（1）模型1利用EXCEL软件对数据进行处理并作出各种平面图，简便，直观、快捷，准确度是三者中最高的，预测值比较贴近实际情况
（2）本文建立的模型与实际紧密联系，充分考虑现实情况的不同阶段，从而使模型更贴近实际，通用性强；
（3）运用多种数学软件比如MATLAB进行计算和绘图，使计算结果贴近实际值（4）采用综合模型的方法，可以减小单个模型的误差，利用不同的比重，使其预测更加准确。

2、缺点：
⑴对于所有的模型，难免会出现这种情况，在部分的时间段内预测值和实际值存在大量的偏差，致使平均误差较大。

不过对于绝大多数的，误差较小。

⑵模型2和模型3由于程序的相对不完善，导致误差比模型1的较大。

不过有些数据还是可以精确预测的。

模型的推广：
模型1针对风功率进行了相应的二次和三次指数平滑预测。

预测和实际值贴近，但是随着时间的推移，其预测的误差就显而易见，只能对短期内的风功率进行精确预测，即进行实时的预测，以达到实时的监控。

可以采取使用更加多的模型，使综合模型更加精确。

参考文献
1、吴国吻，肖洋，翁莎莎．风电场短期风速预测探讨吉林电力2005( 0 6 )
2、朱大奇，史慧．人工神经网络原理及应用[M] ．北京：科学出版社，2006
3、任东明．我国可再生能源产业的发展与前景[J] 中国科技投资2008
4、李文亮, 邱三平.一元线性回归模型在经济预测中的应用[J] 济源职业技术
学院学报,2003
5、刘建知[利用EXCEL求解线性规划问题] 湖南农业大学学报
6、徐建新.YAN Yong.严富海指数平滑法在典型城市GDP预测中的应用
7、William J.Palm matlab7基础教程清华大学出版社2007,7
附录
附录一：General model Gauss8:
f(x) =
a1*exp(-((x-b1)/c1)^2) + a2*exp(-((x-b2)/c2)^2) +
a3*exp(-((x-b3)/c3)^2) + a4*exp(-((x-b4)/c4)^2) +
a5*exp(-((x-b5)/c5)^2) + a6*exp(-((x-b6)/c6)^2) +
a7*exp(-((x-b7)/c7)^2) + a8*exp(-((x-b8)/c8)^2)
Coefficients (with 95% confidence bounds):
a1 = 2015 (1518, 2512)
b1 = 21.41 (20.84, 21.98)
c1 = 2.751 (1.848, 3.654)
a2 = 1.927e+004 (-2.183e+015, 2.183e+015)
b2 = 38.53 (-9.453e+008, 9.453e+008)
c2 = 0.2667 (-4.314e+009, 4.314e+009)
a3 = 1952 (1503, 2402)
b3 = 10.98 (9.586, 12.38)
c3 = 6.102 (3.276, 8.928)
a4 = 1580 (-5.607e+004, 5.923e+004)
b4 = 48.5 (48.22, 48.78)
c4 = 0.5737 (-13.27, 14.42)
a5 = 1082 (591.9, 1572)
b5 = 41.44 (37.21, 45.66)
c5 = 4.013 (-0.6579, 8.683)
a6 = 743.3 (-1.617, 1488)
b6 = 34.44 (30.6, 38.29)
c6 = 3.196 (-0.9154, 7.308)
a7 = 1543 (1417, 1670)
b7 = 62.74 (57.35, 68.12)
c7 = 43.86 (33.24, 54.47)
a8 = 1737 (1099, 2375)
b8 = 2.403 (1.441, 3.365)
c8 = 3.04 (0.9999, 5.081)
附录二：
f(x) =
a1*exp(-((x-b1)/c1)^2) + a2*exp(-((x-b2)/c2)^2) +
a3*exp(-((x-b3)/c3)^2) + a4*exp(-((x-b4)/c4)^2) +
a5*exp(-((x-b5)/c5)^2) + a6*exp(-((x-b6)/c6)^2) +
a7*exp(-((x-b7)/c7)^2) + a8*exp(-((x-b8)/c8)^2) Coefficients (with 95% confidence bounds):
a1 = 2.614e+004 (2.152e+004, 3.076e+004)
b1 = 21.49 (21.08, 21.91)
c1 = 2.984 (2.288, 3.68)
a2 = 2.554e+004 (2.052e+004, 3.057e+004)
b2 = 2.856 (2.301, 3.411)
c2 = 2.935 (1.88, 3.99)
a3 = 1.576e+004 (1.21e+004, 1.942e+004)
b3 = 39.59 (37.53, 41.66)
c3 = 5.329 (1.772, 8.887)
a4 = 1.004e+004 (4224, 1.586e+004)
b4 = 47.77 (47.09, 48.45)
c4 = 1.463 (0.4076, 2.519)
a5 = 7592 (-2605, 1.779e+004)
b5 = 33.76 (32.43, 35.09)
c5 = 2.105 (-0.4648, 4.676)
a6 = 8027 (1817, 1.424e+004)
b6 = 58.91 (58.17, 59.66)
c6 = 0.8495 (0.115, 1.584)
a7 = 2.456e+004 (1.988e+004, 2.924e+004)
b7 = 11.07 (10.26, 11.87)
c7 = 5.086 (3.56, 6.612)
a8 = 1.877e+004 (1.747e+004, 2.007e+004)
b8 = 63.57 (58.82, 68.32)
c8 = 47.84 (37.78, 57.9)
附录三：
针对58组总功率的BP神经网预测MATLAB编程如下：
p1=[1:192];
t1=[1846.6876 1921.6875 1831.3126 1872.7501 1897.2189 1574.3439 1556.6252 1609.3126 1769.5313 1591.2189 1111.5001 452.71875 310.5 318 711.9377 440.7189 260.34375 88.125 150.28125 147.84375 268.96875 438.0001
673.1251 860.1563 775.5001 275.625 506.1563 749.25 445.9688
499.9688 566.7188 766.9688 1279.4063 1141.4063 1307.2501 1199.0626 841.2189 0 980.3438 1155.2814 1169.1563 650.81255 1021.4064
717.2813 801.9376 993.3751 769.78125 553.12505 426.7501 618.56255 470.2501 862.5001 515.5313 813.0938 639.0938 728.3438 858.0938 1029.8438 855.18755 434.25 416.90635 313.6875 626.9063 567.5626
534.9375 318.1876 321.8438 507.84375 586.6876 478.50005 689.5314 678.2814 518.2501 560.8125 700.4064 564.7501 448.68755 634.8751 607.3125 759.4688 960.1876 1054.1251 1103.5314 1566.3752 1927.6876 2225.9063 1536.5626 1726.1251 1689.1877 1697.9063 1825.4063 1924.3126 1900.5938 1441.9689 1093.5939 1377.9376 2001.5626 1848.1876
2082.4689 2515.0313 2046.7502 1253.6251 1598.1563 1856.2501 2634.1876 2306.4376 2231.7188 2183.9063 2195.4377 1898.1564 1639.3125 1564.1251 1541.8126 1821.0939 1542.3751 2301.0001 2891.8126 2692.7814 2000.3438 1618.1251 1176.9376 737.5313 1011.2814 804.9376 927.2814 836.7189 1308.2813 1311.0939 1424.0626 2107.4063 1639.0314 1731.8438 1939.5939 2233.4063 2851.5001 2212.4063 2024.6252 2586.4688 2178.8438 1821.0939 1842.0001 1847.8126 1334.4376 2183.2502 2178.6563 1468.7814 1189.7814 685.5938 1548.3751 1644.0001 1645.5001 1731 1940.4376 1888.2188 1923.3751 1815.5626 1464.0938 1171.0314 973.6876 1068.6564 1287.5626 996.3751 1644.1876 1826.2501 1760.3439 2013.9376 1961.5314 1762.5939 1306.6876 1066.2188 1283.4375 1071.0001 1672.5939 1348.2189 1648.0313 1720.0314 1409.3438 1371.7501 1214.4376 886.9689 843.9376 778.7813 1298.1564 895.3126 617.0625 1118.0626 861.2813 871.0314 994.6876 1207.1251 1468.7814 901.4063
];
[pn,minp,maxp,tn,mint,maxt]=premnmx(p1,t1)
% 创建一个新的前向神经网络
net_1=newff(minmax(pn),[16,1],{'tansig','logsig'},'traingdm')
% 当前输入层权值和阈值
inputWeights=net_1.IW{1,1}
inputbias=net_1.b{1}
% 当前网络层权值和阈值
layerWeights=net_1.LW{2,1}
layerbias=net_1.b{2}
% 设置训练参数
net_1.trainParam.show = 500;
net_1.trainParam.lr = 0.05;
net_1.trainParam.mc = 0.9;
net_1.trainParam.epochs = 10000;
net_1.trainParam.goal = 1e-1;
% 调用TRAINGDM 算法训练BP 网络
net_1=train(net_1,pn,tn);
% 对BP 网络进行仿真
A=sim(net_1,pn);
% 计算仿真误差
E=A-tn;
M=sse(E)
N=mse(E)
p2=[193:208];
p2n=tramnmx(p2,minp,maxp);
a2n=sim(net_1,p2n);
a2=postmnmx(a2n,mint,maxt)
sim(net_1,p2)
附录四：
1、58总功率BP预测分析程序运行结果：
M =39.6102
N =0.2063
a2 =1.0e+003 *
Columns 1 through 5
1.4685 1.4794 1.4953 1.5155 1.5377 Columns 6 through 10
1.5587 1.5762 1.5895 1.5991 1.6056 Columns 11 through 15
1.6099 1.6126 1.6144 1.6156 1.6163 Column 16 1.6168
ans =
Columns 1 through 5
0.1187 0.1187 0.1187 0.1187 0.1187 Columns 6 through 10
0.1187 0.1187 0.1187 0.1187 0.1187 Columns 11 through 15
0.1187 0.1187 0.1187 0.1187 0.1187 Column 16
0.1187
2、PC功率BP预测分析程序运行结果：
M =46.9474
N =0.2445
a2 =
Columns 1 through 5
413.0676 413.8329 414.5161 415.0695 415.4840 Columns 6 through 10
415.7768 415.9751 416.1057 416.1901 416.2441 Columns 11 through 15
416.2782 416.2998 416.3134 416.3219 416.3272 Column 16
416.3306
ans =
Columns 1 through 5
0.0270 0.0270 0.0270 0.0270 0.0270 Columns 6 through 10
0.0270 0.0270 0.0270 0.0270 0.0270 Columns 11 through 15
0.0270 0.0270 0.0270 0.0270 0.0270 Column 16
0.0270
3、P4总功率BP预测分析程序运行结果：
M =39.6102
N =0.2063
a2 =1.0e+003 *
Columns 1 through 5
1.4685 1.4794 1.4953 1.5155 1.5377 Columns 6 through 10
1.5587 1.5762 1.5895 1.5991 1.6056 Columns 11 through 15
1.6099 1.6126 1.6144 1.6156 1.6163 Column 16 1.6168
ans =
Columns 1 through 5
0.1187 0.1187 0.1187 0.1187 0.1187 Columns 6 through 10
0.1187 0.1187 0.1187 0.1187 0.1187 Columns 11 through 15
0.1187 0.1187 0.1187 0.1187 0.1187 Column 16
0.1187。