第一页
答卷编号：
论文题目：A题风电功率预测问题
指导教师：
参赛学校：
报名序号：
证书邮寄地址：
（学校统一组织的请填写负责人）
第二页
答卷编号：
A 题 风电功率预测问题
摘要
风能是一种可再生、清洁的能源，风力发电技术的进一步研究和开发对解决能源危机、缓解环境压力以及提升经济发展水平具有重大的意义。据此，本文通过建立一系列数学模型来研究和探索风电功率的预测以及提高预测精度问题。
针对第一问，本文提出指数平滑法、小波神经网络以及时间序列ARMA 三种预测模型对风电功率进行预测。指数平滑法采用平滑公式为：
11(1),01,3
t t t s x S t ααα--=+-<≤≥，通过调整平滑参数α来优化预测精度；小波
神经网络采用的小波基函数为Morlet 母小波基函数，小波神经修正采用梯度修正法；ARMA 模型通过确定自回归阶数和移动平均阶数来构造预测表达式。结
进行归一化处理，所得权值向量为(0.3246,0.3344,0.341)w =，得到一组基于以上三种模型的预测数据。使用拟合与聚类分析得出单机系统对多机系统P4的相关性高于对总机系统的相关性，据此，使用基于李雅普诺夫中心极限定理的通过假
机进行预测。修正单机系统预测所带来的相对误差，提高精度。
针对问题三，本文建立基于遗传算法的ARMA 模型，对ARMA 模型的阶数进行优化。定义平均相对变动值（ARTD ），并令遗传算法的适应度函数为：
1
()f x =
。最后得到具有更高预测精度的模型。具体指标值如下表：
至工程预测、股票分析、生产计划等问题上。
关键字：风电功率预测、时间序列、指数平滑法、小波神经网络、遗传算法
1 问题重述
1．1 问题背景
根据百度百科，“风”是“跟地面大致平行的空气流动，是由于冷热气压分布不均匀而产生的空气流动现象”。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。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。并得知某风电场由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）。
1．2 需要解决的问题
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．PA, PB, PC, PD；b．P4；c．P58。
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？
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（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？
2 模型假设
1、每台机组的额定输出功率为850kW。
2、只根据历史数据进行预测，不考虑历史风速、具体位置等客观因素的影响。
3、初始数据来源真实、可靠。
4、忽略储能设备和人为因素带来对数据真实性的影响。
3 符号说明
x：风电功率实际点数据值
i
s：风电功率平滑点数据值
i
t：任意时刻
s：t时刻的风电功率平滑点数据值
t
()Mk Pk
r Pk Mk P P e P P -=
：
定义预测值Pk P 的相对误差
1
1
(()),(,,,...,1,2,...,96)N
Mk Pk
r i k Mk P P AVG e P i A B C D k N
P =-=
==∑u u u u u r ：
定义单电机平均相对误差 R ：相关系数 MSE ：均方根误差
4 问题分析
问题一分析：
本小问要求根据给定的风电机组功率的相关数据，运用不少于三种方法（至少一种时间序列分析类的预测方法）构造风电功率预测模型。由于近地风的波动性与间歇性等特性决定了风电功率的波动性与随机性，也使得风电功率预测不能简单的利用回归模型进行拟合预测。
模型一中风电功率的预测将基于指数平滑法实现。根据最近的一个历史数据来拟合下一时刻的预测值，是最为传统的方法也是最为简单实现的方法[1]。而指数平滑法的基本思想是利用当前周期的指标和前面的指标来预测下一个周期的指标，其根据参数对每个数据赋予不同的权重，从而获得更好的拟合曲线和预测结果[2]。它是一种基于移动平均法基础上对权数加以改进，使其在处理时较为经济的预测方法，它能提供良好的短期预测，在经济学中广泛应用于生产和股票的预测。
观察到各机组的实际功率与时间的变化图形，我们可以观察到，风电发电机组该时刻的功率与前几个时间点的相关性很高，说明了在风电机组功率变化中，某时刻的实际功率与本机组前几个时间点的功率值有一定的关系，而且风电功率在24小时内有准周期的性质。根据这一性质，模型二可以将基于小波神经网络对其进行预测。
如若将预测指标随时间推移而形成的数据序列看作是一个随机序列，这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。一方面，外界因素的影响，另一方面，又有自身变动规律。因此，模型三引入ARMA 模型对风电功率进行实时预测。 问题二分析：
本小问要求在第一问所得预测结果的基础上，分析风电机组的汇聚对于预测结果误差的规误差的影响以及探索单台风电机组功率的相对误差与多机总功率预测的相对误差的普遍性规律。可分为两步进行。
首先，研究单机组系统和多机组系统的相关性。根据一般规律，单台机组（,,,A B C D ）与4P 机组（由,,,A B C D 机组组成的多机系统）的相关性应高于与58
P
机组（即总机组）的相关性，可使用拟合的R 值检验和聚类分析进行验证。 在此基础上，并依据李雅普诺夫中心极限定理求解概率的思想，求解单台机组和多台机组通过国家能源局所规定要求的概率，通过对比单机组和多机组通过检验的概率，推测最后，给出具体的普遍性规律。 问题三分析：
由于(,)ARMA p q 模型的定阶过程存在一定的随机性和不确定性，为此，综合考虑模型的各种制约因素，可尝试使用遗传算法对自回归阶数以及移动平均阶数进行优化，建立基于遗传算法的(,)ARMA p q 模型，使其具有更高实时预测精度。
5模型建立与模型求解
问题一求解：
5.1模型一：指数平滑法 5.1.1模型一的建立：
单指数平滑具有一个平滑参数。分析本题所给数据无明显的变化趋势，适合用单指数平滑方法进行预测。本模型将纵向进行拟合，利用每一天同一时刻的数据拟合下一天的该时刻的预测值。平滑公式，方法及预测公式介绍： （1） 平滑公式：
t 时刻的平滑值t s
公式如下：
11(1),01,3
t t t s x S t ααα--=+-<≤≥ （1）
（2） 初始化 单指数的平滑起点是
2
s ，有两种方法初始化
2
s ，一种是
21
s x =，另一种是取实际
前4个或5个值的平均值。本模型采用第一种方法进行初始化。 （3） 预测公式：
1t +时刻的平滑指数公式为：
1(1),01,3
t t t s x S t ααα+=+-<≤> （2）
t i +时刻的平滑指数公式为：
1(1),01,3
t i t t i s x S t ααα++-=+-<≤> （3）
其中i 表示所进过的时刻点。
结合（2）（3）式，可以对平滑公式进行扩展可得基本的平滑公式为：
122
(1)(1)2t t t t s x x S αααα---=+-+- （4）
对（4）式进行递归直到
2
s ，可得下面公式：
1
3221
(1)(1),2
i t t t t i t i s x S t ααα-----==-+-≥∑ （5）
其中权重1
(1)i αα--呈几何递减，可以直到较早的数据权重相对较少，而较近的
数据权重相对较大。 （4） 平滑参数确定
指数平滑模型拟合程度和预测结果的好坏取决于平滑参数α的选取。大多数
情况下指数平滑预测的参数主要依靠经验。通常，当时间序列波动很大，长期趋势变化幅度较大，呈明显迅速的上升或下降趋势时，宜选择较大的α值，可以在0.6~0.8间选值，提高预测模型的灵敏程度，能迅速跟上数据的变化[3]。 本模型将经验法和试算法两者相结合，并利用MSE （Mean of the Squared Errors ）均方误差指标进行参数α的选取。定义如下：
MSE = （6）
其中n 为数据点得个数。
MSE 的值越小，说明模型拟合程度越好，所选取的平滑参数α越合适。 5.1.2模型一的求解：
本指数滑动模型在数据处理预测方面比较特殊，将选取5月10日~5月30日
的数据进行纵向实时预测未来7天每个时刻的风电功率情况。 （1）平滑指数的确定
利用经验法和试算法相结合，在0.6~0.08之间选取平滑参数α ，确定比较各平滑参数的MSE 值，进而确定α参数进行预测。首先选取机组A 的数据进行指数滑动拟合，利用matlab 可以得到各参数α相对应风电功率预测的准确率，合格率及MSE 如下表一所示：
由表各项指标可知道：
a)随着平滑参数α的增大，虽然其准确率和合格率有递减趋势，但是变化基本
相差不大。并且准确率都在70%左右，合格率有70%以上均方误差都比较少。
说明该指数平滑预测模型基本适合作为风电功率的预测。
b)表一中存在着个别均方误差较大的点，而且最后一天的合格率和准确率的值
都比较小，说明该模型值适合短期预测，不适合中长期预测。
c)比较各平滑参数的MSE值，有0.6<0.7<0.8。因此，选取MSE值较少的参数
0.6，将减少模型预测的误差，使预测结果更加合理。
（2）指数平滑模型的求解：
由上一步确定平滑指数α=0.6，则通过matlab编程（具体程序见附录）可实现5月31日到6月6日的实时预测。机组A预测部分结果如下表二所示：
表二机组A的部分风电功率原始值与预测值：（时刻1~5）
注：另部分机组数据见附录。 分析上表：
a) 由上表可知机组A 每天预测的准确率，合格率均接近于70%，基本上满足
国家能源局文件《风电场功率预测预报管理暂行方法》的要求。
b) 时刻8~9中的预测效果差，原因是原始数据存在负数，并且与上一时刻的
差值较大，进而影响下一时刻的预测值，使预测值的拟合效果差。 进一步通过matlab 画图可得原始数据与预测数据的图像如下图一所示：
机组A 机组B
机组C 机组D
机组4p 机组58p 图一 各机组风风电功率原始数据与预测数据图像
由上图分析可知：
a) 观察上图，预测值图像基本和原始值图像趋势基本吻合，效果较回归拟合
的好。能反应风电功率的波动性。
b) 预测值图像相对原始值图像有滞后性，在峰值处的误差比较大，模型存在
着一定缺陷。
由上述图表分析可得指数平滑模型虽然在预测风电功率上较容易实现，可是存在的误差相对较大，并且预测效果不稳定，滞后性较大。这从一定程度上说明了指数平滑模型只是基本适用于风电功率的预测，必须通过修正才能应用于实际。
5.2模型二：基于小波神经网络的时间序列预测 5.2.1模型的准备： （1）小波理论
小波分析是针对傅立叶变换的不足发展而来的，傅立叶变换是数据处理领域中应用比较广泛的一种分析手段，然后它有一个严重不足，就是变换抛弃了时间信息，变换结果无法判断某数据发生的时间，即傅立叶变换在时域中没有分辨能力，小波是一种长度有限，均值为0的波形。 （2）小波神经网络
小波神经网络[4]是一种以BP 神经网络拓扑结构为基础，把小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差方向传播的神经网络。 其原理是将输入参数经过隐含层小波神经网络权值加权后根据小波基函数进行运算。
在信号序列为x (1,2...)i i k =时，隐含层输出计算公式为
1
()k
ij i j
j j w x b h j h a ??- ? ?= ? ??
?∑
（7）
其中()h j 为隐含层第j 个节点输出值；ij w
为输入层和隐含层的连接权值； j
b 为小波基函数的平移因子；
j
a 为小波基函数的伸缩因子；
j
h 为小波基函数；
本模型采用的小波基函数为Morlet 母小波基函数，数学公示为：
22
cos(1.75)x y x e = （8）
小波神经网络的输出层计算公式为：
()()
m
ik k l y k w h i ==∑ 1,2,...k m = （9）
其中
ik
w 为隐含层到输出层权值；()h i 为第i 个隐含层节点的输出；
l 为隐含层节节点数目；m 为输出层节点数目。 （3）小波神经修正
小波神经网络权值参数修正算法类似与BP 神经网络权值修正算法，采用梯度修正法修正网络的权值和小波基函数参数，从而使小波神经网络预测输出不断接近期望输出。 具体修正过程： a) 计算网络预测误差
1()()
m
k e yn k y k ==-∑ （10）
其中，()yn k 为期望输出；()y k 为小波神经网络的预测值。 b) 根据预测误差e 修正小波神经网络权值及其系数。
(,)(,)
,,,i j j i j n k
n k n k
w
w w =+?
(,)
(,)
,i j i
i j k
k n k
a
a a =+? (,)(,)
,i j i i j k
k n k
b
b b =+?
根据网络预测误差计算可得到上式结果如下：
(,)
()
,,i j i n k n k
e w w λ
??=-?
(,)
()
i j i k
k
e a a λ
??=-?（λ为学习速率） (,)
()
i j i k
k
e b b λ
??=-?
5.2.2模型的建立：
研究表明，每个风电场的单台机组某时刻的实际功率与该机组前几个时段的
功率有关。并且其功率在一定程度上具有24小时内的准周期的特性。根据其特性设计为小波神经网络，该网络分为输入层，隐含层和输出层，其中输入层输入为当前时间点的前N 个测试时间点的风电机组公功率，隐含层由小波函数构成，输出成输出当前时间点的预测功率。
本模型将通过31号之前的风电机组发电功率数据来训练小波神经网络，并预测未来的风电功率，是基于小波神经网络的短时预测方法。
我们采用4-6-1的神经网络结构，输入层有4个节点，表示预测时间节点前4个时间点功率，隐含层节点有6个，为预测的功率。网络权值和小波基函数在参数初始化时随机得到。其中小波神经网络训练100次。 训练步骤如下：(具体算法详见附录)
a) 网络初始化，随机初始化小波函数伸缩因子
k
a 、平移因子
k
b 以及网络连接权
重
ik
w 、
jk
w ，并且设置网络学习速率 。
b) 样本分类，把样本分为训练样本和测试样本，训练样本用语训练网络，测试
样本用于测试网络预测经度。 c) 预测输出，把训练样本输入网络，计算网络预测输出并且计算网络输出与实
际输出的误差e d) 权值修正，根据误差e 修正网络权值和小波函数参数，使网络预测逼近真实
值 e) 判断算法是否结束，如果没有结束，返回（c ）。 5.2.3模型的求解：
利用matlab 进行求解可得各机组的基于小波神经网络的时间序列预测的数据以及评价指标值。如下表三所示：
表三 小波神经网络的时间序列预测的数据分析结果
准确率 68.8 86.7 72.7 83.5 85.0 85.9 86.9 87 89.6 68.3 92.9 90.3 合格率 71.9 97.0 53.3 96.6 93.8 97.6 95.8 98 98.9 65.6 99.0 99.7 ＭＳＥ
57
41
26.8 46.9 43.9 39.1 48.1 41 29.3 27.5 9.8
8.7
进一步可得基于小波神经网络的时间序列预测值与原始数据的比较图（只提取机组A 、机组P4、机组P58的效果图），如下图二所示：
机组A效果图
机组P4效果图
机组P58效果图
图二小波神经网络的时间序列原始值与预测值图像
注：另机组BCD效果图数据详见附录。
5.2.4模型的准确性与误差分析：
准确性分析：
a)在风电功率比较高时预测效果较好，在风电功率比较低时，预测效果不理
想。
b)该模型对机组的风电功率预测准确率与合格率都较高，但是均方误差变化
比较大，不满足国家能源局文件《风电场功率预测预报管理暂行方法》的
要求。同时，该模型对58台机组的风电功率预测的各项指标水平都较高，并且各项指标都满足国家能源局文件《风电场功率预测预报管理暂行方法》的要求，总体上对整个风电场的预测效果较好。
c) 当机组台数越多时，该模型的预测的准确率和合格率会有所提高，而且关
键的MSE 指标也处于较低的范围。 误差分析：
a) 该模型的MSE 值比较大，分析其误差来源有：第一，实际功率中存在负
值，在预测中将会修正成正的。根据MSE 的公式，这部分值将会拉大MSE 的值。第二，在数据波动不大时，该模型的预测将达不到理想的效果，原因是该模型对整体规律掌握不深入，没能兼顾好各个时间段的数据变动区间。 b) 该模型在对A 、B 以及58台机组的预测时，合格率比较低，并且预测范围
为每天96个时刻。这表明该模型不适合做实时预测，不能达到国家能源局文件《风电场功率预测预报管理暂行方法》的标准。 5.3模型三：ARMA 时间序列预测
ARMA 模型（Auto-Regressive and Moving Average Model ）[5]是研究时间序列的重要方法，由自回归模型（简称AR 模型）与滑动平均模型（简称MA 模型）为基础“混合”构成。包括以下三种模型：自回归模型（Auto-Regressive Model ，简称AR 模型）、移动平均模型（Moving Average Model ，简称MA 模型）及混合模型（Auto-Regressive and Moving Average Model ，简称ARMA 模型）。
5.3.1 ARMA 模型的基本原理：
将预测指标随时间推移而形成的数据序列看作是一个随机序列，这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。一方面，外界因素的影响，另一方面，又有自身变动规律。
本题要求根据所给的数据对风电功率进行实时预测，根据以上两方面的变化规律，引入(,)ARMA p q 模型的表达式：
11221122......t t t p t p t t t q t q
y y y y a a a a ???θθθ------=++++---- （11）
其中t y 为零均值平稳序列，t a 为白噪声序列。
5.3.2 ARMA 模型的建立过程：
（1）序列的稳定性检验：检验方法包括序列趋势图、自相关图、非参数检验方法、单位根
检验等。
（2）模型识别：根据系统性质，以及所及所提供的时序据的概貌，提出一个相适的类型的模型。
（3）模型参数估计：根据实际数据具体地确定该数学模型所包含的项数以及各项系数的数值。
（4）模型的诊断检验：包括模型的适应性检验，模型的定阶等。 （5）模型的应用：如本文所做的预测。
5.3.3 ARMA 模型的求解过程：
本模型将458A B C D P P 、、、、、电机组分别按时间段横向连续排列，得到各个时间段的离散时间序列，并定义5月10号的第一个时段为离散时间序列的第一个点。使用ADF 检验（augmented Dickey-Fuller ，简称ADF ）检验得
458A B C D P P 、、、、、电机组都是稳定序列。得到检验标准和检验结果（如表四、
表五）。
误差精度 1% 5% 10% 临界值
-2.5668
-1.9395 -1.6157
表五 电机组的ADF 检验值
电机组 A B C D P4 P58 ADF 检验值 -4.35898 -4.43178 -4.52950 -4.48242 -4.057987 -3.94469 并得到(4)AR n =的自相关和偏相关图（如图三）。
图三：各机组的相关图
根据自相关函数(ACF)和偏自相关函数(PACF)的特征判定以上时间序列适用
()AR n 模型求解，并通过多次实验得到阶数为4（即4n =）时，预测结果较好。
458A B C D P P 、、、、、电机组所得表达式分别为：
A 机组： (1)(2)(3)(4)0.5937210.1902660.0836000.100217Pk M k M k M k M k P P P P P ----=+++
B 机组：(1)(2)(3)(4)0.6276040.1241530.1024810.112262Pk M k M k M k M k P P P P P ----=+++
C 机组；(1)(2)(3)(4)0.6018910.1721780.0988210.092434Pk M k M k M k M k P P P P P ----=+++
D 机组：(1)(2)(3)(4)0.6118420.1735670.0863530.094781Pk M k M k M k M k P P P P P ----=+++
4P 机组：(1)(2)(3)(4)0.8004970.0768230.0303020.069851Pk M k M k M k M k P P P P P ----=+++
58P 机组：(1)(2)(3)(4)0.8854920.0285850.0304210.036273Pk M k M k M k M k P P P P P ----=+++
根据以上表达式，结合附录所给的相关数据以及对异常数据进行过滤。分别对5月31日0时0分至5月31日23时45分与5月31日0时0分至6月6日23时45分进行预测。得到预测以下预测结果（如表六），并给出A B C D 、、、的5月31日（图四）和458P P 、的5月31日至6月6日（图五）的实际-预测对比分析图。
表六：ARMA 模型的结果分析表
图四
图五
AR模型准确性分析：根据以上所得结果，此模型能够较精确对风电功率进行预测预报， AR（4）模型对5月31日A,B,C,D,机组的实时预测的准确率和合格率都达到84%以上，对四台机组P4与总机组P58的实施预测的准确率和合格率更高（达到90%以上），平均误差都在20%左右，全天预测的均方根误差都在30%以上（除去总台数时），均大于国家能源局文件《风电场功率预测预报管理暂行方法》的要求。此模型对风电功率预测预报具有启发性意义。
5.3.4三种模型预测结果的比较：
（1） ARMA模型能较好的捕捉到电功率的变化规律，预测效果较为理想。小波神经网络模型预测对功率变化大的时候的预测比较准确，基于指数平滑法对功率的预测，在风电功率变化不是很大，风电功率比较平稳的时候预测比较准确。
（2） ARMA模型与小波神经网络算法都是利用前几组数据对未来的预测，而且
均是前4组数据对未来进行预测，但ARMA 模型比小波神经网络能够更好的进行预测。
综上所述，我们选择ARMA 模型对其进行预测，误差会相对比较小，预测结果能较好地贴近实际值。
问题二求解
5.4 基于聚类分析的李雅普诺夫中心极限定律模型： 5.4.1问题二的求解：
（1）分析风电机组的汇聚对于预测结果误差的影响 基于问题一中所建立的三个模型以及所求解的结果，采用熵值加权法对三种模型预测值进行归一化处理，所得权向量为：(0.3246,0.3344,0.341)w 。并对异常数据进行处理，得到基于以上模型的458A B C D P P 、、、、、机组预测结果误差序列，
并通过对A B C D 、、、机组的每天平均相对误差（()()()()e A e B e C e D 、
、、）分别与458P P 、机组的每天相对误差（458()()
e P e P 、）的回归分析、关联度矩阵求解与聚类分析分析风电机组的汇聚对于预测结果误差造成的影响。
（2）()()()()e A e B e C e D 、、、 分别与458()()
e P e P 、的回归分析 根据A B C D 、、、机组的每天平均相对误差（()()()()e A e B e C e D 、、、）分别与458P P 、机组的每天相对误差（458()()
e P e P 、）的具体数据，对()()()()e A e B e C e D 、、、分别与458P P 、进行拟合。得到以下拟合结果（如图六、图七）。
图六 4P 关于A B C D 、、、拟合 图七 58P 关于A B C D 、、、拟合
（3）R 相关系数检验
分别对458P P 、关于()()()()e A e B e C e D 、
、、拟合结果进行R 相关系数检验。它的一对假设为：
0:0H ρ= vs 1:0H ρ≠. （12）
所用的检验量为样本相关系数：
()()
x x y y R --=
（13）
其中,x y 分别为回归序列。 所得R 值结果如下表七。
规律性初步探讨：根据以上回归分析模型的结果，单风电机组A B C D 、、、对统计量4P 的依赖度明显高于对总机组58P 的依赖度。从另一方面也表明了人为作迭代和的统计量4P 只能是理论上的结果，实际操作中受到大幅度风电功率波动的影响，为了使电网处于平衡状态而进行的调节将使实际上的统计量4P 小于理论上的统计量4P 。
（4）下面根据相关系数表，构造关联度矩阵，进行聚类分析。 关联度矩阵
根据以上数据构造关联度矩阵，必须具备以下性质（Ω表示欧式空间）： 性质1．(,)0,,R x y x y ≥∈Ω； 性质2．(,)0,R x y x y ==当且仅当； 性质3．(,)(,),,R x y R y x x y =∈Ω；
性质4．(,)(,)(,),,,d x y d x z d x y x y z ≤+∈Ω。
因此，只需将以上相关性系数作为此关联度矩阵，并将自身到自身的相关系数设为0，以满足距离的要求。
风电功率预测系统功能规范 （试行） 国家电网公司调度通信中心
目次 前言...................................................................... III 1范围. (1) 2术语和定义 (1) 3数据准备 (2) 4数据采集与处理 (3) 5风电功率预测 (5) 6统计分析 (6) 7界面要求 (7) 8安全防护要求 (8) 9系统输出接口 (8) 10性能要求 (9) 附录A 误差计算方法 (10)
前言 为了规范风电调度技术支持系统的研发、建设及应用，特制订风电功率预测系统功能规范。 本规范制订时参考了调度自动化系统相关国家标准、行业标准和国家电网公司企业标准。制订过程中多次召集国家电网公司科研和生产单位的专家共同讨论，广泛征求意见。 本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、信息要求、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 本规范由国家电网公司国家电力调度通信中心提出并负责解释； 本规范主要起草单位：中国电力科学研究院、吉林省电力有限公司。 本规范主要起草人：刘纯、裴哲义、王勃、董存、石永刚、范国英、郭雷。
风电功率预测系统功能规范 1范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。 本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2术语和定义 2.1 风电场 Wind Farm 由一批风电机组或风电机组群组成的发电站。 2.2 数值天气预报 Numerical Weather Prediction 根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。 2.3 风电功率预测 Wind Power Forecasting 以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率；预测时间尺度包括短期预测和超短期预测。 2.4 短期风电功率预测 Short term Wind Power Forecasting 未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5 超短期风电功率预测 ultra-short term Wind Power Forecasting 0h~4h的风电输出功率预测，时间分辨率不小于15min。
风电功率预测系统功能规范（试行） 前言 为了规范风电调度技术支持系统的研发、建设及应用，特制订风电功率预测系统功能规范。本规范制订时参考了调度自动化系统相关国家标准、行业标准和国家电网公司企业标准。制订过程中多次召集国家电网公司科研和生产单位的专家共同讨论，广泛征求意见。本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、信息要求、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。本规范由国家电网公司国家电力调度通信中心提出并负责解释；本规范主要起草单位：中国电力科学研究院、吉林省电力有限公司。本规范主要起草人：刘纯、裴哲义、王勃、董存、石永刚、范国英、郭雷。 1范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2术语和定义 2.1风电场Wind Farm由一批风电机组或风电机组群组成的发电站。 2.2数值天气预报Numerical Weather Prediction根据大气实际情况，
在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。 2.3风电功率预测Wind Power Forecasting以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率；预测时间尺度包括短期预测和超短期预测。 2.4短期风电功率预测Short term Wind Power Forecasting未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5超短期风电功率预测ultra-short term Wind Power Forecasting 0h~4h的风电输出功率预测，时间分辨率不小于15min。 3数据准备 风电功率预测系统建模使用的数据应包括风电场历史功率数据、历史测风塔数据、历史数值天气预报、风电机组信息、风电机组及风电场运行状态、地形地貌等数据。 3.1风电场历史功率数据风电场的历史功率数据应不少于1a，时间分辨率应不小于5min。 3.2历史测风塔数据a）测风塔位置应在风电场5km范围内；b）应至少包括10m、70m及以上高程的风速和风向以及气温、气压等信息；c）数据的时间分辨率应不小于10min。 3.3历史数值天气预报历史数值天气预报数据应与历史功率数据相
风电功率预测系统简介
目录 1目的和意义 (3) 2国内外技术现状 (3) 2.1国外现状 (3) 2.2国内现状 (4) 3风电功率预测系统技术特点 (5) 3.1 气象信息实时监测系统 (5) 3.2超短期风电功率预测 (5) 3.3短期风电功率预测 (6)
3.4风电功率预测系统软件平台 (8)
1目的和意义 风能是一种清洁的可再生能源，由于其资源丰富、转化效率高、产业化基础好、经济优势明显、环境影响小等优点，具备大规模开发的条件，在可以预见的将来，风能的开发利用将成为最重要的可再生能源发展方向。但由于风电等可再生能源发电具有间歇性、随机性、可调度性低的特点，大规模接入后对电网运行会产生较大的影响, 以至于有些地方不得不采取限制风电场发电功率的措施来保证电网的安全稳定运行。 对风电输出功率进行预测被认为是提高电网调峰能力、增强电网接纳风电的能力、改善电力系统运行安全性与经济性的最有效、经济的手段之一。首先，对风电场出力进行短期预报, 将使电力调度部门能够提前为风电出力变化及时调整调度计划，从而减少系统的备用容量、降低电力系统运行成本。这是减轻风电对电网造成不利影响、提高系统中风电装机比例的一种有效途径。其次，从发电企业（风电场）的角度来考虑,将来风电一旦参与市场竞争, 与其他可控的发电方式相比, 风电的间歇性将大大削弱风电的竞争力,而且还会由于供电的不可靠性受到经济惩罚。提前对风电场出力进行预报, 将在很大程度上提高风力发电的市场竞争力。 2国内外技术现状 2.1国外现状 在风电功率预测技术研究方面，经过近20 年的发展，风电功率预测已获得了广泛的应用，风电发达国家，如丹麦、德国、西班牙等均有运行中的风电功率预测系统。 德国太阳能技术研究所开发的风电管理系统（WPM）S是目前商业化运行最为成熟的系统。德国、意大利、奥地利以及埃及等多个国家的电网调度中心均安装了该系统，目前该系统对于单个风电场的日前预报精度约为85%左右。丹麦Ris? 国家可再生能源实验室与丹麦技术大学联合开发了风电功率
短期风电功率预测模型研究综述 作者：崔垚王恺 来源：《电子世界》2012年第23期 【摘要】短期风电功率预测对于电力系统调度运行和电能质量具有重要的意义。而预测性能提高的关键在于预测模型选择和模型优化。本文对目前国内外几种主流风电场功率预测模型（物理预测模型、统计预测模型和组合预测模型）的建模原理和研究现状进行了综述性分析，对每种模型的优缺点和适用性进行了一些总结。并对风电功率预测模型的误差分析和预测的不确定性研究做了探讨，最后对短期风电功率预测领域的研究前景提出了一些可行性的展望。 【关键词】风电场；功率预测；物理；统计；组合；综述 1.引言 随着风力发电机组单机容量的提高和自动化技术的发展，风力发电系统也从原来的用户分布式能源向集中式大规模风电场发展。根据规划，我国将在内蒙、甘肃、河北、吉林、新疆、江苏沿海等地区建设7个千万千瓦级风电基地。预计2010-2020年，七大风电基地的开发规模将占全国风电开发总规模的68%至78%。这将使得风电在电网中比例不断增大，大量并网的风电对电力系统的调度运行和安全稳定带来了严峻挑战。有效的风电功率预测可以减少电力系统备用容量、降低系统运行成本、减轻风力发电对电网造成的不利影响、提高风电在电力系统中的比例[1]。 而风电功率预测的关键在于预测模型的合理选择和模型性能优化，本文对风电场功率预测模型的建模原理和模型适用情况做了一些综述性的分析。在此基础上对风电功率预测模型的误差分析和预测的不确定性研究做了一些探讨，最后对目前研究中面临的问题和未来的研究方向做了一些可行性展望。 2.国内外研究现状 国外（主要是欧洲）经过数十年的技术积累，目前已经拥有了多套较为成熟的风电功率预测模型和预测工具[2]，如基于物理学方法的Prediktor、LocalPred-RegioPred等，基于统计学方法的WPPS、GH-FORECASTER等。基于物理-统计学方法组合的Previento、ANEMOS等。这些预测系统已经成为欧美很多大型并网风电场系统管理和控制的基本组成部分。虽然如此，由于风能的间歇性和不确定性，国外相关科研工作者仍在不断探索。 我国对风电场功率预测的研究显得尤为紧迫。虽然国外已有一些相对成熟的预测模型，但是由于我国的风电场与欧洲风电发达国家的风电场风况、容量等情况不同。而风电场功率预测模型的优势往往与风况和容量等因素密切相关。虽然国内已有一些预测效果较好的风电场功率预测系统[3]问世，但是总体上来说，目前我国在风电功率预测领域尚处于探索和发展阶段。
风电功率预测的发展现状与展望 范高锋，裴哲义，辛耀中 （国家电力调度通信中心，北京100031） 摘要：风电场输出功率预测对接入大量风电的电力系统运行有重要意义。本文从电力调度运行的角度，在风电功率预测技术的发展现状、系统建设情况、预测误差、预测评价指标和预测的主体等方面展开了论述，对目前存在的基础数据不完善、预测精度不高、预测的时间尺度较短和风电场普遍没有开展预测的问题进行了分析，提出了加强电网侧和风电场侧风电功率预测系统建设、加快超短期预测功能建设、继续深化预测技术研究、加强标准体系建设和开展跨行业合作等发展建议。 关键词:风电场；功率；预测；系统 中图分类号：TM614 文献标志码：A 文章编号： Wind power prediction achievement and prospect FAN Gao-feng , PEI Zhe-yi , XIN Yao-zhong (National Power Dispatching& Communication Center，Beijing 100031) Abstract: Wind power prediction is important to the operation of power system with comparatively large mount of wind power. This paper summarized the current situation of wind power prediction technology, wind power prediction system construction, prediction error, assessment index, and main market body of prediction from the power dispatch perspective. The main problems includes basic data incomplete, prediction precision relatively low, prediction time scale short and wind farm no wind power system are analyzed. Suggestions of enforcing grid side and wind farm side wind power prediction system construction, speeding up ultra-short term wind power prediction system construction, deepening wind power prediction technology study, strengthening prediction technical standard system and cooperation of different industry are proposed. Keywords: wind farm; power; prediction; system 0引言 电力系统是一个复杂的动态系统。维持发电、输电、用电之间的功率平衡是电网的责任。在没有风电的电力系统，电网调度机构根据日负荷曲线可以制定发电计划，以满足次日的电力需求。风电场输出功率具有波动性和间歇性，风电的大规模接入导致发电计划制定难度大大增加，风电对电力系统的调度运行带来巨大挑战。 目前风电对全网的电力平衡已经带来很大的影响[1-3]。对风电场输出功率进行预测是缓解电力系统调峰、调频压力，提高风电接纳能力的有效手段之一。同时，风电功率预测还可以指导风电场的检修计划，提高风能利用率，提高风电场的经济效益。经过多年的科研攻关与技术创新，我国具有自主知识产权的风电功率预测系统已在电力调度机构获得了广泛应用，12个网省调建立了预测系统，覆盖容量超过12GW，在电网调度运行中发挥了一定作用。本文对近年来风电功率预测方面完成的工作进行了总结，对存在的问题进行了论述，并提出了下一步的发展建议。 1 风电功率预测发展现状 1.1 风电功率预测技术的发展情况 电网调度部门对风电功率预测的基本要求有2个：一是短期预测，即当天预测次日0时起72h的风电场输出功率，时间分辨率为15 min，用于系统发电计划安排；另一个是超短期预测，即实现提前量为0~4h的滚动预测，用于电力系统实时调度[4]。 风电功率预测方法主要分为统计方法、物理方法[5-6]。统计方法是指不考虑风速变化的物理过程，而根据历史统计数据找出天气状况与风电场出力的关系，然后根据实测数据和数值天气预报数据对风电场输出功率进行预测，常用的预测模型有时间序列、神经网络、支持向量机等。物理方法是指风电功率预测的物理方法根据数值天气预报模式的风速、风向、气压、气温等气象要素预报值以及风电场周围等高线、粗糙度、障碍物等信息，采用微观气象学理论或计算流体力学的方法，计算得到风电
第一页 答卷编号： 论文题目：A 题风电功率预测问题 指导教师： 参赛学校： 报名序号： 证书邮寄地址： （学校统一组织的请填写负责人）
第二页 答卷编号：
A 题风电功率预测问题 摘要 风能是一种可再生、清洁的能源，风力发电技术的进一步研究和开发对解决能源危机、缓解环境压力以及提升经济发展水平具有重大的意义。据此，本文通过建立一系列数学模型来研究和探索风电功率的预测以及提高预测精度问题。 针对第一问，本文提出指数平滑法、小波神经网络以及时间序列ARMA 三种预测模型对风电功率进行预测。指数平滑法采用平滑公式为：s t x t 1 (1 )S t 1,0 1,t 3，通过调整平滑参数来优化预测精度；小波 神经网络采用的小波基函数为Morlet 母小波基函数，小波神经修正采用梯度修正法；ARMA 模型通过确定自回归阶数和移动平均阶数来构造预测表达式。结 针对第二问，本文在第一问所求结果的基础上，使用熵值赋权法对三种模型 进行归一化处理，所得权值向量为w (0.3246,0.3344,0.341) ，得到一组基于以上 三种模型的预测数据。使用拟合与聚类分析得出单机系统对多机系统P4 的相关性高于对总机系统的相关性，据此，使用基于李雅普诺夫中心极限定理的通过假设相对误差小于题目要求的概率模型，求得单机组和多机组的通过检验概率为： 最后得出普遍性规律为：由于多机预测较精确，可以用多机系统的预测结果对单机进行预测。修正单机系统预测所带来的相对误差，提高精度。 针对问题三，本文建立基于遗传算法的ARMA 模型，对ARMA 模型的阶数进行优化。定义平均相对变动值( ARTD )，并令遗传算法的适应度函数为： f(x) ARTD。最后得到具有更高预测精度的模型。具体指标值如下表： 本文提出的模型对风电功率的预测具有重大的借鉴意义，并可将其模型推广应用至工程预测、股票分析、生产计划等问题上。 关键字：风电功率预测、时间序列、指数平滑法、小波神经网络、遗传算法
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
第一页 答卷编号：论文题目： 指导教师： 参赛学校： 报名序号： 证书邮寄地址： （学校统一组织的请填写负责人） 第二页 答卷编号：
风功率预测问题设计 摘要 未来风力发电可能成为和太阳能比肩的新能源行业。随着全球经济的发展和人口的增长，人类正面临着能源利用和环境保护两方面的压力。一方面煤炭、石油和天然气等化石燃料的储量由于大量开采而日益减少：另一方面是大量使用化石燃料对自然环境产生了严重的污染和破坏。这两方面的问题已经引起世界各国政府和人民的高度重视，并在积极寻求一条可持续发展的能源道路，以风能首当其冲。风速的随机性，给，和风电场的功率输Hj带来很大的困难。本文旨在研究分电功率在一段时间的变化规律，本文组建三个模型来解决风电功率的预测问题通过对历史数据的分析，挖掘5月31号到6月6日风电功率的变化趋势，以便直观的检验模型与实际数据是否相吻合。 在问题一中考虑天气变化的随机性，分析不同时间点的数据，将Pa,Pb,Pc,Pd,P58表中5月30日第81时间点到96时间点的数据提取出来运用灰色理论作为预测2006年5月31日开始前四个小时内的16个时间点的数据预。同理以表中已给出的5月31日1-16时间点的数据预测出17-32时间的数据，然后运用此模型得出时间范围a,b内各时间点的风电功率。然后可与题目中以给的数据相比较得出误差。第二种预测方法运用指数平滑模型得出时间范围a,b内各时间点的风电功率。第三种预测方法运用移动平均模型，预测出时间范围a,b内各时间点的风电功率。通过三种预测方法的误差分析我们推荐指数平滑预测法。 在问题二中，通过比较分析问题一的预测结果，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，得出风电机组的汇聚程 度越高，对于预测风电功率结果误差影响越小。 在问题三中，选用了BP神经网络的预测方法，加入了更多的自变量，使得预测结果更精确。 （关键词：风速的随机性，风速的预测，风电功率数值，灰色理论，指数平滑模型，移动平均模）
国家能源局关于印发风电功率预报与电网协调运行实施细则(试行)的 通知 国能新能[2012]-12文件 各省(区、市)发展改革委、能源局、中国气象局，国家电网公司、南方电网公司、华能集团公司、大唐集团公司、华电集团公司、国电集团公司、中电投集团公司、神华集团公司、中广核集团公司、三峡集团公司、中国节能环保集团公司、水电水利规划设计总院、各相关协会: 为促进风电功率预测预报与电网调度运行的协调，根据《风电场功率预测预报管理暂行办法》的有关要求，现将〈风电功率预报与电网协调运行实施细则~(试行)印发你们，请参照执行。 附:风电功率预报与电网协调运行实施细则(试行) 风电功率预报与电网协调运行实施细则(试行) 第-章总则 第一条根据《中华人民共和国可再生能源法》和《节能调度管理办法}，为贯彻落实国家能源局《风电场功率预测预报管理暂行办法}C国能新能(2011 ) 177号)，制定本实施细则。 第二条中国气象局负责建立风能数值天气预报服务平台和业务运行保障体系，为风电功率预测提供数值天气预报公共服务产品和相关技术支持系统。 第三条风电开发企业负责风电场发电功率预报工作，按照要求上报风电场发电功率预报曲线，并执行电网调度机构下发的发电功率计划曲线。 第四条电网调度机构负责电力系统风电发电功率预测工作，建立以风电功率预测预报为辅助手段的电力调度运行机制，保障风电优先调度，落实风电全额保障性收购措施。 风电功率预测预报和并网运行的有关考核办法另行制定。 第五条各有关单位应保证安全接收、传送、应用气象和电力运行等信息，确保涉密信息的获取和使用符合国家相关保密规定。 第二章气象数据服务及功率预测
风电功率预测问题数学建模全国一等奖0000
答卷编号：论文题目：风电功率预测问题 指导教师：金海 参赛学校：北京理工大学 报名序号：1550 证书邮寄地址：北京理工大学中关村校区徐厚宝（学校统一组织的请填写负责人）
风电功率预测问题 摘要： 本文着力研究了风电功率的预测问题。根据相关要求，本文中我们分别利用ARMA模型、卡尔曼滤波预测模型和小波神经网络预测模型对该风电场的风电功率进行预测。通过对预测结果各项评价指标的综合分析，发现：小波神经网络预测模型的精确度最高；单台风电机组预测误差与总机组预测误差成正相关性；多个风电机组的汇聚会使得总体的预测误差减小。另外，从神经网络的训练过程中，我们发现突加扰动是阻碍风电功率实时预测精度进一步改善的主要因素，风电功率的预测精度不可能无限提高。 对于问题一，我们分别建立了ARMA、卡尔曼滤波、小波神经网络三种预测模型对指定的发电机组的输出功率进行了预测，取得了较为理想的结果。ARMA 模型的预测精确度为75.4%—79.3%，卡尔曼滤波模型的预测精确度为 81.3%-95%，小波神经网络模型的预测精确度为92.1%—94.7%，故小波神经网络的预测效果最好。 对于问题二，我们分析比较了三种模型下单台机组和多机组5月21日至6月6日的平均相对预测误差，得知风电机组的汇聚会使得总体的预测误差减小。 针对问题三，我们在问题一小波神经网络模型的基础上建立了遗传神经网络模型。经过仿真，我们发现该模型能显著减小峰值误差，有力地抑制时间延迟现象，有效地提高了预测的精确度。对仿真误差进行分析，我们指出突加的扰动是阻碍风电功率实时预测精度进一步改善的主要因素，预测的精度不可能无限提高。 关键词：ARMA，卡尔曼滤波，小波神经网络，遗传神经网络
风电功率预测方法的研究 摘要 由于风能具有间歇性和波动性性等特点，随着风力发电的不断发展风电并网对电力系统的调度和安全稳定运行带来了巨大的挑战。进行风电功率预测并且不断提高预测精确度变得越来越重要。通过对国内外研究现状的了解，根据已有的风电功率预测方法，按照预测时间、预测模型、预测方法等对现有的风电功率预测技术进行分类，着重分析几种短期风电功率预测方法的优缺点及其使用场合。根据实际某一风电场的数据，选取合适的风电预测模型进行预测，对结果予以分析和总结。 关键词：风电功率预测；电力系统；风力发电；预测方法； 引言 随着社会不断发展人们对能源需求越来越大而传统化石能源日益枯竭不可再生，以及化石能源带来了环境污染等问题影响人类生活，人们迫切需要新的清洁能源代替传统化石能源。风能是清洁的可再生能源之一，大力发展风力发电成为各国的选择。根据相关统计，截止至2015年，全球风电产业新增装机63013MW，，同比增长22%[1]。其中，中国风电新增装机容量达30500MW，占市场份额48.4%。全球累计装机容量为432419MW，其中中国累计装机容量为145104,占全球市场份额的33.6%。 目前风力发电主要利用的是近地风能，近地风能具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的。当接入到电网的风电功率达到一定占比时，风电功率的大幅度波动将破坏电力系统平衡和影响电能质量，给电力系统的调度和安全平稳运行带来严峻挑战。根据风速波动对风力发电的影响按照时间长度可分为三类：一种是在几分钟之内的超短时波动，该时段内的波动影响风电机组的控制；另一种是几小时到几天内的短时波动，该时段内的波动影响风电并网和电网调度；最后一种是数周至数月的中长期波动，该时段内的波动影响风电场与电网的检修和维护计划。本文主要研究不同的风电功率短期预测方法的优缺点。 通过对短期风电功率预测，能够根据风电场预测的出力曲线优化常规机组出力，降低运行成本；增强电力系统的可靠性、稳定性；提升风电电力参与电力市场竞价能力。
江苏响水近海风电场项目风功率预测系统技术协议 二○一五年五月响水
目录 第一章总则 (2) 第二章技术规范 (3) 2.1 标准和规范 (3) 2.2 工程概况 (4) 第三章技术参数和性能要求 (6) 3.1 海上测风塔数据传输技术要求 (6) 3.2 设备要求概述 (6) 3.3 功率预测技术要求 (6) 3.4预测功能要求 (8) 3.5 统计分析 (10) 3.6 界面要求 (10) 3.7 至调度主站要求 (12) 3.8 联网方式及数据上传方式 (12) 3.9 GPS 对时方式 (12) 3.10 电磁兼容性要求 (13) 第四章屏柜结构及布线要求 (13) 4.1 屏体要求 (13) 4.2 屏内布线 (14) 第五章图纸和资料 (14) 第六章现场验收及服务 (15) 第七章交货要求 (15) 附件1 供货范围、备品备件及技术参数表 (16) 附件2 风电场风电功率预测系统结构图 (18) 附件3 信息传送网络拓扑图 (19)
第一章总则 1.1 本技术协议适用于江苏响水近海风电场工程风电功率预测系统。 1.2 本技术协议提出的是最低限度的技术要求，并未对一切技术细节作出规定，也未充分引述有关标准和规范的条文，卖方应提供符合本规范书和工业标准的优质产品。卖方应具备风功率预测系统的制造资质和经验，可根据需要提供预测系统建设的解决方案。1.3 如果卖方没有以书面形式对本规范书的条文提出异议，则意味着卖方提供的设备完全符合本技术协议的要求。如有异议，不管是多么微小，都应在报价书中以“对规范书的意见和同规范书的差异”为标题的专门章节中加以详细描述。风功率预测系统是预测风电场未来发电能力的重要手段，是推动风电行业持续健康发展的必要条件之一。根据国家电网公司的要求，风电场需要上报测风塔自动气象站实时采集的数据、风功率预测结果等内容。为此，卖方承担的工作内容包括(但不限于)： （1）提供测风塔侧无线发射设备和风机侧的无线接收设备各1套，将测风塔自动气象站所采集的数据接入到无线发射设备，通过无线传输到风机侧，再借用风机35kV光电复合缆中光纤的备用芯将数据传输到陆上集控中心中控室。卖方需负责完成整个传输通道的各项接口配合工作，向调度中心传送实时测风数据。 （2）风功率预测系统的建设：包括中心站的硬件、平台软件、短期风功率预测软件、超短期风功率预测软件等，并向调度中心报送预测功率数据。 （3）提供系统预验收后第一年的气象预报数据服务。 （4）系统框架具体内容，参见技术文件提供的附件1《供货范围、备品备件及技术参数表》、附件2《风电场风电功率预测系统结构图》和附件3《信息传送网络拓扑图》。 1.4 测风塔和自动气象站由买房负责建设。 1.5 本技术协议所使用的标准如遇与卖方所执行的标准不一致时，按较高标准执行。1.6 本技术协议经买卖双方确认后作为订货合同的技术附件，与合同正文具有同等的法律效力。 1.7 本技术协议未尽事宜，由买卖双方协商确定。
风功率预测系统设计方案 随着社会的发展，传统能源出现面临枯竭的危险，发展新能源经济是当今世界的历史潮流和必然选择。而二次能源开发中利用风力发电是最有潜力最为环保的方式之一，但这也引出了分布式发电并网难的问题。由于风能发电的间歇性、不稳定性，并网后对电网冲击巨大，因此，做好风能发电的预测和调控是风力发电并网稳定运行和有效消纳的重要条件。 国外的经验证明，对风力发电进行有效预测，可以帮助电网调度部门做好各类电源的调度计划，减少风电限电，由此大大提高了电网消纳风电的能力，进而减少了由于限电给风电业主带来的经济损失，增加了风电场投资回报率。为此，国能日新自主研发的风电功率预测系统，为国家的风电事业发展贡献自己的一份力量。 风就是水平运动的空气，空气产生运动，主要是由于地球上各纬度所接受的太阳辐射强度不同而形成的。在赤道和低纬度地区，太阳高度角大，日照时间长，太阳辐射强度强，地面和大气接受的热量多、温度较高；在高纬度地区太阳高度角小，日照时间短，地面和大气接受的热量小，温度低。这种高纬度与低纬度之间的温度差异，形成了南北之间的气压梯度，使空气作水平运动，风沿水平气压梯度方向吹，即垂直与等压线从高压向低压吹。
地球在自转时，使空气水平运动发生偏向的力，称为地转偏向力，这种力使北半球南方吹向北方的风向东偏转，北方吹向南方的风向西偏转，南半球则相反。所以地球大气运动除受气压梯度力外，还要受地转偏向力的影响，大气真实运动是这两种力综合影响的结果。 国能日新开发的风电功率预测系统SPWF-3000，具备高精度数值气象预报功能、风电信号数值净化、高性能物理模型、网络化实时通信、通用风电信息数据接口等高科技模块；可以准确预报风电场未来168小时功率变化曲线。在即使没有测风塔的情况下，采用国能日新的虚拟测风塔技术，风功率系统短期预测精度超过80%，超短期预测精度超过90%。
风电功率预测技术调研报告 风功率预测是目前国内外公认的、提高大规模风电接入电力系统运行水平的关键基础技术。自20世纪90年代初期，欧洲国家就开始着手风电功率预测系统的研发并应用于业务运行。经过30多年发展，风电功率预测已获得了广泛的应用。随着风电装机容量的快速增长，电网对风电功率预测的依赖性和需求度越来越大。风电功率预测技术已成为缓解电网调峰压力、降低系统备用容量、提高电网风电接纳能力的有效手段。同时，风电功率预测技术还可以指导风电场的检修计划，提高风能利用率，改善风电场的经济效益。 经过多年研究与实践，风电功率预测关键环节已明确固化，按业务流程依次为数值天气预报（numeric weather prediction，以下简称NWP）、风电功率转换、误差修正、预测结果应用，如图1所示。 数值天气预报生成 风资源-功率 转换模型 结果修正 功率预测 结果应用图1 风电功率预测的主要环节
报告根据预测基本流程和原理，分环节介绍风电功率预测的国内外应用现状与前沿技术。经了解，三北地区风电功率预测运行情况、关键预测技术应用以及功率预测服务商较为相似，因此，本报告的国内部分选取京津唐电网作为对象，从各技术环节角度展开调研，为推进风电功率预测技术的发展应用提供借鉴。 1 数值天气预报发展现状与前沿技术 1.1 国外数值天气预报应用现状 数值天气预报（NWP）是指根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法,包含风速、风向、气温、气压、相对湿度等与风电预测相关的气象要素。空间尺度越大，天气预报的准确率越高，但以风电场为单位的风功率预测需要小尺度气象要素信息，这就需要开展空间降尺度工作，即把大尺度、低分辨率的天气预报信息转化为小尺度、高分辨率的小区域地面气候变化。
答卷编号：论文题目：风电功率预测问题 指导教师：金海 参赛学校：北京理工大学 报名序号：1550 证书邮寄地址：北京理工大学中关村校区徐厚宝（学校统一组织的请填写负责人）
风电功率预测问题 摘要： 本文着力研究了风电功率的预测问题。根据相关要求，本文中我们分别利用ARMA模型、卡尔曼滤波预测模型和小波神经网络预测模型对该风电场的风电功率进行预测。通过对预测结果各项评价指标的综合分析，发现：小波神经网络预测模型的精确度最高；单台风电机组预测误差与总机组预测误差成正相关性；多个风电机组的汇聚会使得总体的预测误差减小。另外，从神经网络的训练过程中，我们发现突加扰动是阻碍风电功率实时预测精度进一步改善的主要因素，风电功率的预测精度不可能无限提高。 对于问题一，我们分别建立了ARMA、卡尔曼滤波、小波神经网络三种预测模型对指定的发电机组的输出功率进行了预测，取得了较为理想的结果。ARMA 模型的预测精确度为75.4%—79.3%，卡尔曼滤波模型的预测精确度为 81.3%-95%，小波神经网络模型的预测精确度为92.1%—94.7%，故小波神经网络的预测效果最好。 对于问题二，我们分析比较了三种模型下单台机组和多机组5月21日至6月6日的平均相对预测误差，得知风电机组的汇聚会使得总体的预测误差减小。 针对问题三，我们在问题一小波神经网络模型的基础上建立了遗传神经网络模型。经过仿真，我们发现该模型能显著减小峰值误差，有力地抑制时间延迟现象，有效地提高了预测的精确度。对仿真误差进行分析，我们指出突加的扰动是阻碍风电功率实时预测精度进一步改善的主要因素，预测的精度不可能无限提高。 关键词：ARMA，卡尔曼滤波，小波神经网络，遗传神经网络
风功率预测系统
一、风功率预测的目的和意义 1. 通过风电功率预测系统的预测结果，电网调度部门可以合理安排发电计 划，减少系统的旋转备用容量，提高电网运行的经济性。 2. 提前预测风电功率的波动，合理安排运行方式和应对措施，提高电网的 安全性和可靠性。 3. 对风电进行有效调度和科学管理，提高电网接纳风电的能力。 4. 指导风电场的消缺和计划检修，提高风电场运行的经济性。 5.应相关政策要求。 二、设备要求 提供的设备应满足《风电功率预测系统功能规范》中所提出的各项要求。
陆丰宝丽华新能源电力有限公司
四、设备介绍 可能涉及到的设备： 以下出自北京中科伏瑞电气技术有限公司的FR3000F系统 数据采集服务器： 运行数据采集软件，与风电场侧风电综合通信管理终端通信采集风机、测风塔、风电场功率、数值天气预报、风电场本地风电功率预测结果等数据。 数据库服务器： 用于数据的处理、统计分析和存储，为保证数据可靠存储，配置了磁盘阵列。应用工作站完成系统的建模、图形生成显示、报表制作打印等应用功能。 风电功率预测服务器： 运行风电功率预测模块，根据建立的预测模型，基于采集的数值天气预报，采用物理和统计相结合的预测方法，并结合目前风电场风机的实时运行工况对单台风机及整个风电场的出力情况进行短期预测和超短期预测。 数据接口服务器： 负责从气象局获得数值天气预报，为保证网络安全在网络边界处配置反向物理隔离设备。同时向SCADA/EMS系统传送风电功率预测的结果。 测风塔： 测风塔测量数据（实时气象数据）是用来进行超短期功率预测的。测风塔有两种类型，一是实体测风塔，一是虚拟测风塔。一个风塔造价占系统的的20~30%左右。 实体测风塔：变化频繁的自然条件和复杂的地形地貌给预测系统增加了困难，实体测风塔的安装台数应根据风场的实际地理条件等情况进行安装，以保障预测的准确性。实体测风塔应安装在风场5km范围内，通过GPRS或者光纤采集风塔的实时气象数据。
风电功率预测系统功能规范 1 范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。 本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2 术语和定义 2.1风电场 Wind Farm 由一批风电机组或风电机组群组成的发电站。 2.2数值天气预报 Numerical Weather Prediction 根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预算未来一定时间的大气运动状态和天气现象的方法。 2.3风电功率预测 Wind power Forecasting 以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率，预测时间尺度包括短期预测和超短期预测。 2.4短期风电功率预测 Short term Wind Power Forecasting 未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5超短期风电功率预测 ultra-short term Wind Power Forecasting 0h-4hd的风电输出功率预测，时间分辨率不小于15min。 3.数据准备 风电功率预测系统建模使用的数据应包括风电场历史功率数据、历史测风塔数据、历史数值天气预报、风电机组信息、风电机组及风电场运行状态、地形地貌等数据。 3.1风电场历史功率数据 风电场的历史功率数据应不少于1a，时间分辨率应不小于5min 3.2历史测风塔数据 a）测风塔位置应在风电场5km范围内； b）应至少包括10m、70m及以上搞成的风速和风向以及气温、气压等信息； C）数据的时间分辨率不小于10min。 3.3历史数值天气预报
风电场风电功率短期预测技术 摘要:风电功率预测是确保电网平衡风电波动，减少备用容量和经济运行的重要技术保障，减少系统的备用容量，降低电力系统运行成本，满足电力市场交易需要，为风力发电竞价上网提供有利条件。 本文基于对常见预测方法的研究和对风速数据的分析，并且针对目前存在的预测方法单一、预测精确度不高等问题，拟使用先进的智能化方法、多种方法综合以达到提高预测精度的目的。 关键词：风电功率预测方法matlab建模时间序列模型 1.文献综述 1.1 国内外风电功率预测现状 国外从事风电功率研究工作起步较早，早在1990 年Landberg 就采用类似欧洲风图集的推理方法开发了一套预测系统[1]，其主要思想是把数值天气预报提供的风速、风向通过一定的方法转换到风电机组轮毂高度的风速、风向，然后根据功率曲线得到风电场的出力，并根据风电场的效率进行修正。这个系统采用了丹麦气象研究院的高精度有限区域模型(high resolution limited area model ，HIRLAM)作为数值天气预报的输入，丹麦里索国家实验室的WAsP 模型把风速、风向转换到轮毂高度的风速、风向；Ris?的PARK 模型考虑尾流的影响。1993—1999 年，这个模型分别用在丹麦东部、爱尔兰电力供应委员会和爱荷华州。 风电功率预测工具(wind power prediction tool，WPPT)由丹麦科技大学开发[2]。1994 年以来，WPPT一直在丹麦西部电力系统运行，从1999 年开始WPPT 在丹麦东部电力系统运行。最初这个系统将适应回归最小平方根法与指数遗忘算法相结合，给出了0.536 h 的预测结果。 Prediktor 是Ris?开发的风电场功率预测系统，它尽可能使用物理模型。大范围的空气流动数据是由数值天气预报系统高精度有限区域模型(high resolution limited area model，HIRLAM)提供的。根据地心自传拖引定律和风速的对数分布图，把高空的风速转换为地面的风速。对于一个特定的地点，需要更详尽的数据，因此可以用WAsP程序来分析，WAsP 可以考虑障碍物和粗糙度的影响、粗糙度的变化、山头的加速和山谷的减速等。PARK 模型可以考虑风电场尾流的影响。最后还有2 个统计模块来表示未能在物理模型中表示出来的其它因素。 Zephry 是Ris?和丹麦科技大学的信息和数学建模学院(informatics and mathematical modeling，IMM)联合开发的新一代短期风功率预测程序[3]。Zephry 集合了