Matlab建模 风电功率预测问题
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
5 0 -5 -10 -15
0 10 20 30 40 50 60 70 80 90 100 时点t
图19- 3 PA机组增长率变化趋势图
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 5-29-0-15 5-29-0-30 5-29-0-45 5-29-1-00 5-29-1-15
PD输 出 功 率
500
500
0
0
-500 0
4000
20
40
60
80
100
时点
P4发 动 机 输 出 功 率 曲 线
-500 0
20
40
60
80
100
时点
x 104 4
P58发 动 机 输 出 功 率 曲 线
P58输 出 功 率
2000
2
0
0
-2000 0
20
40
60
80
100
-2
0
20
40
60
80
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：
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。
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？
%存放状态值
%2 1 0 -1 -2
%'2表示快速下降、1表示缓慢下降、0表示基本保持不变、1表示缓慢上升、2表
示快速上升'
c=zeros(1,25);
%表示相邻状态发生的概率
j=1;
for i=1:n1(1,2)-1
a(j,i)=(zsj(j,i+1)-zsj(j,i))/zsj(j,i);
if a(j,i)>=0.3
100
时点
时点
图19- 1 各发电机组输出功率曲线
P4输 出 功 率
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。
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。
发 电 功 率 增 长 率y
Matlab数学建模案例分析
PA5.31.0.0-5.31.23.45发 电 功 率 随 时 点 变 化 图 像 30 25 20 15 10
—— 缓慢上升 缓慢下降 缓慢上升 缓慢上升 缓慢下降
5-30-0-00 5-30-0-15 5-30-0-30 5-30-1-00 5-30-1-15 5-30-1-30
快速上升 缓慢下降 缓慢上升 缓慢上升 缓慢下降 快速下降
…… 5-29-22-30 5-29-22-45 5-29-23-00 5-29-23-15 5-29-23-30 5-29-23-45
Matlab数学建模案例分析
Matlab建模 风电功率预测问题
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。
…… 缓慢上升 缓慢上升 缓慢下降 缓慢下降 缓慢下降 缓慢上升
…… 5-30-22-30 5-30-22-45 5-30-23-00 5-30-23-15 5-30-23-30 5-30-23-45
…… 缓慢下降 缓慢上升 缓慢上升 缓慢上升 缓慢上升 快速下降
Matlab数学建模案例分析
b=zeros(1,n1(1,2)-1);
Baidu Nhomakorabea
PA输 出 功 率
PC输 出 功 率
1000
PA发 动 机 输 出 功 率 曲 线
1000
P5发 动 机 输 出 功 率 曲 线
PB输 出 功 率
500
500
0
0
-500 0
1000
20
40
60
80
100
时点
PC发 动 机 输 出 功 率 曲 线
-500 0
1000
20
40
60
80
100
时点
PD发 动 机 输 出 功 率 曲 线
图19- 2 问题1分析流程图
Matlab数学建模案例分析
定义增长率A机组的增长率为
sA
PA (n
1) PA (n) PA (n)
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；
b(j,i)=2;
0 10 20 30 40 50 60 70 80 90 100 时点t
图19- 3 PA机组增长率变化趋势图
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 5-29-0-15 5-29-0-30 5-29-0-45 5-29-1-00 5-29-1-15
PD输 出 功 率
500
500
0
0
-500 0
4000
20
40
60
80
100
时点
P4发 动 机 输 出 功 率 曲 线
-500 0
20
40
60
80
100
时点
x 104 4
P58发 动 机 输 出 功 率 曲 线
P58输 出 功 率
2000
2
0
0
-2000 0
20
40
60
80
100
-2
0
20
40
60
80
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：
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。
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？
%存放状态值
%2 1 0 -1 -2
%'2表示快速下降、1表示缓慢下降、0表示基本保持不变、1表示缓慢上升、2表
示快速上升'
c=zeros(1,25);
%表示相邻状态发生的概率
j=1;
for i=1:n1(1,2)-1
a(j,i)=(zsj(j,i+1)-zsj(j,i))/zsj(j,i);
if a(j,i)>=0.3
100
时点
时点
图19- 1 各发电机组输出功率曲线
P4输 出 功 率
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。
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。
发 电 功 率 增 长 率y
Matlab数学建模案例分析
PA5.31.0.0-5.31.23.45发 电 功 率 随 时 点 变 化 图 像 30 25 20 15 10
—— 缓慢上升 缓慢下降 缓慢上升 缓慢上升 缓慢下降
5-30-0-00 5-30-0-15 5-30-0-30 5-30-1-00 5-30-1-15 5-30-1-30
快速上升 缓慢下降 缓慢上升 缓慢上升 缓慢下降 快速下降
…… 5-29-22-30 5-29-22-45 5-29-23-00 5-29-23-15 5-29-23-30 5-29-23-45
Matlab数学建模案例分析
Matlab建模 风电功率预测问题
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。
…… 缓慢上升 缓慢上升 缓慢下降 缓慢下降 缓慢下降 缓慢上升
…… 5-30-22-30 5-30-22-45 5-30-23-00 5-30-23-15 5-30-23-30 5-30-23-45
…… 缓慢下降 缓慢上升 缓慢上升 缓慢上升 缓慢上升 快速下降
Matlab数学建模案例分析
b=zeros(1,n1(1,2)-1);
Baidu Nhomakorabea
PA输 出 功 率
PC输 出 功 率
1000
PA发 动 机 输 出 功 率 曲 线
1000
P5发 动 机 输 出 功 率 曲 线
PB输 出 功 率
500
500
0
0
-500 0
1000
20
40
60
80
100
时点
PC发 动 机 输 出 功 率 曲 线
-500 0
1000
20
40
60
80
100
时点
PD发 动 机 输 出 功 率 曲 线
图19- 2 问题1分析流程图
Matlab数学建模案例分析
定义增长率A机组的增长率为
sA
PA (n
1) PA (n) PA (n)
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；
b(j,i)=2;