下载文档原格式
风力发电机组选型、布置及风电场发电量估算(切吉二期)7 风电机组选型、布置及风电场发电量估算7 风电机组选型、布置及风电场发电量估算7.1 风力发电机组选型在风电场的建设中，风力发电机组的选择受到风电场自然环境、交通运输、吊装等条件制约。
在技术先进、运行可靠、满足国产化的前提下，应根据风电场风况特征和风电机组的参数，计算风电场的年发电量，选择综合指标最佳的风力发电机组。
7.1.1 建设条件切吉风电场二期工程场址海拔高度在3150m～3260m之间，属高海拔地区，空气稀薄，多年平均空气密度为0.885kg/m3，应选择适合高海拔地区的风机；该风电场场址地处柴达木盆地东北边缘，地貌类型以山前倾斜平原的戈壁滩为主，地形平坦，地势开阔，便于风机安装；场址北距青藏公路（109国道）3.2km，交通便利，施工条件较好，可通过简易道路运输大型设备。
根据0622#测风塔 2006.11.1～2008.10.31 测风数据计算得到风电场场址80m高度风功率密度分布如图7.1所示。
图中用颜色深浅表示风能指标高低，颜色越深风能指标越好，颜色越浅风能指标越差。
由图7.1可见，该风电场场址地势开阔，地形平坦，风能指标基本一致。
根据0622#测风塔风能资源计算结果，本风电场主风向和主风能方向基本一致，以西西北（WNW）和西（W）风的风速、风能最大和频次最高。
80m高度风速频率主要集中在1.0 m/s～9.0m/s ,无破坏性风速，全年均可发电。
80m高度年平均风速为6.54m/s，年平均风功率密度为309.0W/m2，年有效风速（3.0m/s～20.0m/s）利用时数分别为6900h。
用WASP9.0程序进行曲线拟合计算，得到0622#测风塔80m高度年平均风速为6.65m/s,平均风功率密度为319W/m2；50m高度年平均风速为6.31m/s,平均风功率密度为275W/m2；30m高度年平均风速为6.03m/s,平均风功率密度为236W/m2；10m 高度年平均风速为5.27m/s,平均风功率密度为165W/m2。
1首先我们将风电、光伏归入分布式发电，简单理解就是分散。
那么为什么要推广分布式发电：大规模互联电网弊端凸显，成本高，运行难度大，难以适应用户更高层次的安全性和可靠性要求（出现过大规模停电事故），供电方式多样化也受到限制；能源危机爆发及环保意识的增强；科研、企业人员要生存（逃）等。
2、推广分布式发电有何优点那：分布式发电可以简单根据负荷现场布置，使得其布局灵活，电力资源有效分配；在一定程度上延缓了输、配电网升级换代所需的巨额投资；与传统大电网互为备用，提供供电可靠性；新电改推出，说不定还能赚点钱，体验老板的感觉；推动供电方竞价机制的建立。
3、但是搞了这么多年分布式发电，似乎更多是口号和利益的分割，而细心观察自然会发现分布式发电都是直接接入电网的，其中涉及到分布式发电电源到电网之间的连接点——电力电子变流器转换环节，以及相关控制、保护等环节，这估计也算是技术的难点，也是企业差异的体现。
4、那么分布式发电到底存在哪些技术问题：（1）设计规划问题：分布式发电逐步渗透电网，自身随机性强，需要考虑可靠性问题；分布式发电种类多样、规模多样，运行方式多变，如何安装、安装在哪里、何种运行方式，带来的总体评价性能是不一样的；当前及未来电网的承载能力及“三公”分配问题，在一定程度上影响了分布式发电的并网情况，如西北地区悠闲转动的风机。
（2）电能质量问题：就目前看，少量的分布式发电装置对电网来说基本上忽略的，但是逐步放开后，新能源比重增加，会对电力系统的电压形态、短路电流、电压闪边、谐波、直流注入、网损、潮流、继电保护等带来一系列影响。
因为分布式发电许多采用电力电子装置接入电网，变流器（逆变器）的控制策略对电网不平衡电压会有影响。
||许多分布式发电并网采用防逆流装置，正常运行时不会向电网注入功率，但当配电系统发生故障时，短路瞬间会有分布式电源的电流注入电网，增加了配电网开关的短路电流水平，可能使配电网的开关短路电流超标。
风功率预测运⾏规程风功率预测系统运⾏规程1 适⽤范围本规程适⽤于景泰红⼭风电场监控系统，说明了风功率预测系统和相关参数，规定了风功率预测系统的操作⽅法和故障处理。
2 规范性引⽤⽂件《国家电⽹公司技术标准 Q/GDW215-2008电⼒系统数据标记语⾔－E 语⾔规范》《国家电⽹调〔 2010 〕 201 号风电并⽹运⾏控制技术规定》国家电⽹公司技术标准 Q/GDW432-2010 《风电调度运⾏管理规范》国家电⽹公司技术标准 .Q/GDW588-2011 《风电功率预测功能规范》国家电⽹公司调〔 2010 〕 201 号《风电并⽹运⾏控制技术规定》国家电⽹公司调⽔〔 2010 〕 348 号《风电场调度运⾏信息交换规范（试⾏）》国家电⼒监管委员会 5 号令《电⼒⼆次系统安全防护规定》》国家电⼒监管委员会电监安全〔2006〕34号《电⼒⼆次系统安全防护总体⽅案》标准《国能新能【 2012 】 208 号⽂件》3 系统概述风功率预测基本原理：通过实际风速/实际功率转换关系（⾮线性关系）寻找到预测风速/预测功率转换关系。
风功率预测系统在提⾼电⽹公司消纳能⼒、促进节能减排的同时也对提⾼风电企业运营管理效率具有重要意义，可以为风电企业带来直接经济效益。
风发电功率预测可以帮助电⽹调度合理安排常规电源发电计划，减少因风电并⽹⽽增加的旋转备⽤容量，增加风电上⽹⼩时数，减少温室⽓体排放的同时也为风电企业带来直接经济效益；通过对未来风电功率的预测，有利于风电企业提升运营效率和科学管理⽔平，例如可以在阴天、多云天，安排检修计划，增加发电⼩时数，提⾼经济效益；通过风发电功率预测，有利于电⽹合理安排运⾏⽅式和应对措施，提⾼电⼒系统的安全性和可靠性。
3.1系统架构风电功率预测系统包括：UPS电源、蓄电池（8组）、测风塔、内⽹服务器（风功率预测服务器）、外⽹服务器（数值天⽓预报服务器）、⽹络安全隔离设备（反向型）、风电功率预测交换机、PC⼯作站等。
我国风能资源分布及风能发电浅论摘要：我国风能资源主要分布在三北及东南沿海地区，对风能的主要利用形式是风能发电，它是一种清洁可再生能源。
风能发电事业虽然起步晚，但发展迅速，前景广阔，必将成为未来能源结构中一个重要的组成部分。
关键词：风能资源风能发电面临困扰前景展望一、我国风能资源的分布风是气压不同而导致的大气水平运动，风中有丰富的动能。
我国幅员辽阔，海岸线漫长，风能资源非常丰富，内陆可利用风能资源3亿千瓦，加上沿海可利用风能资源，总量可达10亿千瓦。
但和其他资源一样分布很不均匀，主要集中在以下地区：1．三北（东北、华北、西北）地区丰富带。
该地区风能功率密度在200～300瓦/平方米以上，局部可达500瓦/平方米以上，如阿拉山口、辉腾锡勒等，可利用的小时数在5000小时以上，有的甚至可达7000小时以上。
2．沿海、岛屿地区丰富带。
年有效风能功率密度在200瓦/平方米以上，岛屿风能功率密度在500瓦/平方米以上，可利用小时数约在7000至8000小时。
3．大陆内局部风能丰富地区。
在两个风能丰富带之外，风能功率密度一般在100w/m2以下，可利用小时数3000小时以下。
但是在一些地区，由于湖泊和特殊地形的影响，风能也比较丰富，如鄱阳湖附近较周围地区风能就大；湖南衡山、湖北的九宫山、河南的嵩山、山西的五台山、安徽的黄山等也较平地风能大。
但是这些只限于很小范围之内，不像前者那样大的面积，特别是三北地区。
二、我国风能发电的现状及困扰风能的主要利用形式以风能作动力和风力发电两种，其中以风能发电为主。
风能是可再生资源，环境污染程度低，资源开发潜力大，将来必将成为能源结构中一个重要的组成部分。
我国风能资源丰富，这是我们发展风能发电的有利条件。
我国风能发电虽然起步晚，但技术已基本成熟，经济性已接近常规能源，所以在今后相当长时间内将会保持较快发展。
1.我国风能发电的现状我国的风能发电始于上世纪五十年代后期，直到20世纪70年代中期以后，在世界能源危机的影响下，我国的一些地区和部门对风能发电的研究、试点和推广应用才给予了重视与支持。
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开展风电并网对电力系统的调度和平安稳定运行带来了巨大的挑战。
进展风电功率预测并且不断提高预测准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展分类，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，选取适宜的风电预测模型进展预测，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；引言随着社会不断开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，大力开展风力发电成为各国的选择。
根据相关统计，截止至2021 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到达一定占比时，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平安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方案。
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，降低运行本钱；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。
风电电能质量技术监督——问答题问题：请绘制风电机组理想功率特性曲线，并说明理想功率特性是如何实现机组安全性，经济性的统一的。
机组安全、经济与风能转化最大化通常是相互关联、彼此矛盾的。
对给定容量的风电机组，受机组容量与机械强度限制，能够安全、经济进行风能捕获的风速范围是一定的。
理想风电机风速-功率曲线如图1中曲线ABCDEF所示，风电机组仅在切入、切出风速间运行。
风速小于切入风速时，捕获风能太小，无法维持机组运行与损耗成本，不宜运行。
由于高风速下机组将因机械应力过大而损坏，而设计一台可在高风速下运行的风电机组成本过高，且出现高风速的概率很小，放弃高风速风能捕获损失总能量并不大，故当风速大于切出风速时，机组亦无需运行。
区域I中，风速小于额定风速，风电机组能够通过调节尽可能多的捕获风能。
区域II中，风速大于额定风速，考虑到超过额定风速的风能难于补偿为捕获该部分能量而产生的机组制造成本增加，捕获风能将维持额定值。
在这两个区域间，有时还设计一个过渡区域，以降低机组机械载荷。
问题：请简述目前风电机组主要的稳态运行控制方式。
风电机组运行控制方式主要有定速定桨、定速变桨、变速变桨。
早期定速定桨风电机组结构简单，转速与桨距角均不可调。
转速不可调节导致机组无法实现最大功率追踪，功率曲线在低风速区域仅有一点与理想曲线吻合，机组桨距角不可调节导致机组在额定风速以上区域无法维持功率恒定，功率曲线在高风速区域亦仅有一点与理想曲线吻合。
额定风速以上区域中，依靠翼面形状形成的失速特性降低机组风能捕获，定速定桨策略风能转换能力较低。
定速变桨风电机组转速基本恒定但桨距角可调，额定风速以上通过顺桨或变桨失速调节维持机组功率恒定。
变速变桨策略通过低风速变速运行与高风速变桨调节，变速变桨风电机组功率曲线与理想功率曲线基本一致，实现了低风速最大风能捕获与高风速功率调节。
通过变速变桨运行，风机轴系瞬时机械载荷得到缓解，电能质量也得到显著提高。
低温寒潮天气下的风电短期功率预测技术研究目录一、内容概览 (2)1.1 研究背景 (2)1.2 研究意义 (3)二、低温寒潮天气特点及其对风电场的影响分析 (5)2.1 低温寒潮天气特征 (6)2.2 寒潮天气对风电场的影响 (7)2.3 风电短期功率预测的重要性 (8)三、风电短期功率预测技术发展现状 (9)3.1 国内外技术发展概况 (10)3.2 存在的问题与挑战 (11)四、低温寒潮天气下的风电短期功率预测技术研究方法 (13)4.1 数据预处理方法 (14)4.2 预测模型构建 (15)4.3 验证与评估方法 (17)五、实证研究 (17)5.1 实验设计 (18)5.2 实验结果分析 (19)5.3 技术改进与应用前景 (20)六、结论与展望 (22)6.1 研究成果总结 (23)6.2 存在的不足与改进方向 (24)6.3 对未来研究的展望 (25)一、内容概览随着全球气候变化和能源需求的不断增长，风电作为一种清洁、可再生的能源形式，越来越受到各国政府和科研机构的关注。
风电的短期功率预测对于风电场的运行调度、电网稳定和电力市场等方面具有重要意义。
低温寒潮天气作为一种常见的自然气象现象，对其发电量的影响尤为显著。
研究低温寒潮天气下的风电短期功率预测技术具有重要的现实意义。
本研究旨在通过对低温寒潮天气条件下的风电场数据进行分析，建立一种有效的风电短期功率预测模型。
本文将对低温寒潮天气特点及其对风电发电量的影响进行梳理，为后续研究提供理论基础。
本文将介绍国内外关于风电短期功率预测的研究现状和发展趋势，以便为本研究提供参考和借鉴。
在此基础上，本文将采用多种气象数据(如温度、风速、风向等)作为输入特征，结合机器学习方法(如支持向量机、神经网络等)构建风电短期功率预测模型。
本文将通过实际风电场数据对所建模型进行验证和优化，以期为我国风电产业的发展提供有力支持。
1.1 研究背景随着全球能源结构的转变，可再生能源的发展与应用逐渐受到各国的重视。
第一章1、风电场应至少配置1座测风塔。
地形平坦的风电场测风塔应安装在（）范围内。
A 上风向1-5kmA 上风向5-10kmA 下风向1-5kmA 下风向5-10km答案：A2、风电场运行评价宜在正式投运（）进行。
A 半年内B 半年后C 一年内D 一年后答案：D3、风功率预测系统的数据建模主要采集风速、风功率和（）等数据作为输入。
A风机实际出力B数值天气预报C实际功率曲线D标准功率曲线答案：B4、风电有效发电时间是指单个或多个风电场（）大于零的时间，单位为小时。
A有功功率B无功功率C厂用电D综合用电答案：A5、超短期风功率预测应每（）min自动执行一次。
A 5B 10C 15D 30答案：C6、上网电量应从（）计取。
A SCADA系统B 风电场与电网的关口电能表C 站用变压器电能表D 主变压器电能表答案：B7、风力发电机组变电单元与接地网的连接点不应少于（）处。
A 1B 2C 3D 4答案：B8、（）统计周期内风电场在生产运行过程中所使用和损耗的全部电量占发电量的百分比。
A 发电效率B 功率发电效率C综合厂用电率D 风机用电率答案：C9、CMS 振动监测系统使用加速度计采集振动信号，对风力发电机()进行健康度监控和故障诊断的系统。
A CMS 振动监测系统B叶片监测系统C塔筒倾斜与不均匀沉降观测系统D螺栓监测系统答案：A10、统计周期内风电场实际发电量占额定理论发电量的比值称为（）。
A 容量系数B 功率系数C 无功功率D 有功功率答案：A 11、以下项目属于并网发电厂辅助服务分为有偿辅助服务的有（）。
A 基本调峰B 基本无功调节C 黑启动D 快速电压调节答案：C12、风电机组240考核时，如果机组在试运行期内未能达到额定功率则顺延至达到额定功率；如果顺延（）仍未达到额定功率，机组运行正常，则视为达到额定功率。
A 120hB 240hC 360hD 7d答案：A13、风电机组试运行期间，单台机组应连续、稳定、无故障的运行达到（）。
风电功率波动特性的分析——从一个风电场入手摘要本文着力研究了风电功率波动的概率分布问题及预测问题。
根据相关要求，找到了与风电功率的波动概率分布拟合最好的Logistic 函数，发现其分布与时间、空间有关，并采用Elman 神经网络预测模型对未来一段时间的风电功率进行预测，得到较好结果。
针对数据处理，我们通过小波去噪方法将原始数据进行处理，得到更为光滑的序列，令原始数据与之作差得到体现风电功率波动的数据。
针对问题一，绘制风电功率波动的概率分布直方图，利用Matlab 的概率密度拟合工具箱进行拟合，发现：t location-scale 、Logistic 、Extreme value 、Normal 四种分布函数适于风电功率波动的概率分布密度函数拟合；根据拟合指标I 及数值特性的比较，得出Logistic 的拟合效果是最好的；再以每日为时间窗，按照上述方法处理，发现风电效率的波动分布随时间、空间的不同而变化。
针对问题二，提取出间隔为1分钟的数据序列(t )m i k P ，用Logistic 函数进行波动概率分布的拟合，通过分析波动数值特征和比较度量参数 的方法，得出时间间隔越长风电效率波动越大的结论。
针对问题三，分析总功率序列P Σm (t k )、P Σ5m (t k )。
P Σ15m (t k )波动的概率分布数值特征和风电场能量输出，发现风电功率波动特性反映风电场输出能量的波动，所取时间间隔越大能量输出误差越大。
针对问题四，比较不同预测模型，选用Elman 神经预测模型预测短期及中长期风电功率数值，通过比较均方百分比误差和平均百分比误差进行误差分析，发现以P Σ15m (t k )为样本进行预测比以P Σ5m (t k )为样本进行预测更加精确。
针对问题五，在前述问题基础上，绘制3号、5号单台风机和分钟级风电场总功率时序功率图，可知风电场总功率波动小于单台风机。
介于风电功率较强的波动性和特殊性，概率分布数值特征在起到评估，预测，量化的同时也有拟合程度不高，无法反映功率变化趋势的局限性。
针对问题六，通过构建内蒙一百台风电机组实例，总结建模结论得出风电功率波动特性具有时序相似性和空间差异性特点的总体认识，以及其波动性强，不确定性高，稳定性差等特性的结论。
因此在预测中短期风电功率的基础上，并结合实际空间的最优分布，加入人为干预即可克服风电波动对电网运行的不利影响。
关键字：小波去噪，风电功率，概率密度分布 ，Elman 神经网络预测模型，一、问题的重述随着资源环境约束和科学技术的发展，风力发电技术也得到快速发展。
由于风的不确定性、间歇性以及风电场内各机组间尾流的影响，使得风力发电机不能像常规发电机组那样根据对电能的需求来确定发电。
风电功率的随机波动被认为是对电网带来不利影响的主要因素。
研究风电功率的波动特性，不论对改善风电预测精度还是克服风电接入对电网的不利影响都有重要意义。
本文在某风电场20台风电机组30天输出功率数据的基础上，需解决以下问题：（1） 任选5个风电机组，在30天的范围内，分析机组i 的风电功率P i 5s (t k ) 波动符合哪几种概率分布，进行比较分析，计算数值特征并进行检验，找出最好的分布，再以每日为时间窗宽，用最优分布对5个风电功率分别计算30个时段的概率分布，比较分析不同机组，不同时间风电功率波动的概率分布以及与30天总体分布之间的关系。
（2） 从（1）中5台机的风电功率数据中提取出间隔为1分钟的数据序列P i m (t k )。
对这5个序列，再做（1）的分析。
并采取合适度量方法分析P i m (t k ) 代替P i 5s (t k )后损失的风电功率波动信息及影响，得出一般性的结论。
（3） 设全场20台风电机的总功率P Σ(t )=ΣP i (t )，以时间间隔为1分钟、5分钟、15分钟计算总功率序列P Σm (t k )、P Σ5m (t k )、P Σ15m (t k )，分析其波动的概率分布数值特征。
并采取合适度量方法分析P Σ5m (t k )代替P Σm (t k )后损失的信息及影响。
（4） 设计合适的预测模式分别采用P Σ5m (t k )和P Σ15m (t k )作为样本来预测未来4小时风电场的总功率，给出不少于7天的滚动预测结果并分析比较2种方式的预测误差。
（5） 分析单台风电机功率P i m (t k )与风电场总功率P Σm(t k )在时序上表现出的主要差别，前面得到的概率分布数值特征在分析时序波动特性方面的作用和局限性。
（6） 在以上问题的基础上，构建实例说明如何用所得出的对风电功率波动特性的认识来克服风电波动对电网运行的不利影响。
二、问题的分析本题以风力发电为背景，主要考察对风电功率波动特性进行概率分布和预测的能力。
首先，被处理量是随时间和空间变化的序列，被处理量随时间和空间的变化规律具有很强的非线性，因此我们采用的算法不仅要能够对时间序列进行预测，还必须具备一定的非线性处理能力。
针对原始数据的处理，我们首先将丢失的数据null 取它前两个数据平均值的方法补齐，采用小波分析的方法，利用小波去噪的改进方法得到较原始数据更为光滑的新序列，用原始数据与小波去噪后的新数据进行作差，得到体现功率波动的数据。
针对问题一，我们任选了3,5,7,8,9五个风电机组，对处理后的数据提取统计，用Matlab 软件绘制出上述机组i 的风电功率5(t )s i k P 波动概率密度直方图，利用不同典型PDF 概率密度函数进行拟合，发现5(t )s i k P 波动符合t location-scale 、Logistic 、Extreme value 、Normal 四种概率分布，通过定义一个拟合指标I 进行比较检验，得出与5(t )s i k P 波动最相符的概率密度函数。
通过比较分布的数值参数得到五组分布的异同。
用相同的方法以日为时间窗，用上述所得到的最好的分布对5个风电功率分别计算30个时段的概率分布，以一个机组30天为例分析不同时段的分布关系，比较所选五个机组的第15天概率分布的关系，得出不同空间分布的关系，对于不同时间的比较，我们采取比较机组三30天的分布，得出时间对分布的影响，采取同样的方法将两个关系与30天总体分布比较，得出总体的关系。
针对问题二，从上述5台机组风电功率数据中提取出间隔为1分钟的数据序列(t )m i k P ，用问题一的解决方法处理分析，通过拟合指标I 比较检验得出最好的拟合曲线，通过比较分布的数值参数比较五组异同。
通过分析序列(t )m i k P 和5(t )s i k P 的σ分析得出(t )m i k P 代替5(t )s i k P 后损失的风电功率波动信息及其影响，并总结出一般性结论。
针对问题三，计算出所需总功率序列(t )m k P ∑ ，5(t )m k P ∑，15(t )mk P ∑ ，利用上述方法得到其波动的概率分布直方图，并分析其数值特征。
通过分析两者的σ和输出能量得出5(t )m k P ∑代替(t )m k P ∑后损失的风电功率，及其影响，并总结出一般性结论。
针对问题四，分别采用5(t )m k P ∑和15(t )mk P ∑作为样本，建立Elman 神经网路预测模型进行预测，分别得出未来四小时及滚动七天的预测结果，通过对比两种方式的均方百分比误差、平均相对误差进行误差分析。
针对问题五，在前述问题分析基础上，绘制3号、5号单台风机和分钟级风电场总功率时序功率图，得到风电场总功率与单台风机波动的比较。
介于风电功率较强的波动性和特殊性，概率分布数值特征在起到评估，预测，量化的同时也有拟合程度不高，无法反映功率变化趋势的局限性。
针对问题六，通过构建内蒙一百台风电机组实例，总结建模结论得出风电功率波动特性的总体认识，及分布特性。
因此在预测中短期风电功率的基础上，并从结合实际空间的最优分布，加入人为干预等因素提出克服风电波动对电网运行的不利影响的办法。
三、问题的假设（1）、各机组中风机类型相同，风电机组不受人为因素干扰； （2）、实时观测数据真实可靠；（3）、不存在大的自然灾害，例如地震、海啸以及台风等等；（4）、预测期间风电机组分布不变，发电机组性能不随时间发生变化。
四、符号的说明符号说明M 频率分布直方图的组数 n第n 个直方图n N 和n C分别为第n 个直方图的高度及中心位置()n n y f C =在中心位置n C 上拟合的概率密度函数对应的值 f 拟合的概率密度函数 I 拟合指标σ尺度参数（方差）μ 位置参数（均值） υ形状参数 i机组组号P i 5s (t k ) 间隔为5s 机组i 的风电功率数据序列 P i m (t k ) 间隔为1分钟机组i 的风电功率数据序列 P Σm (t k ) 时间间隔为1分钟全场20台风电机的总功率 P Σ5m (t k ) 时间间隔为5分钟全场20台风电机的总功率 P Σ15m (t k )时间间隔为15分钟全场20台风电机的总功率五、模型的建立与求解5.1．风电功率数据处理首先处理原始数据中丢失的数据“null ”, 取它前两个数据平均值的方法补齐数据, 由于小波分析是对Fourier 分析的推广乃至根本性革命的结果，是一个优于Fourier 分析的有效的分析工具，所以应用matlab 软件利用小波分析进行滤波降噪，得到较为光滑的新序列。
5.1.1 [1]Mallat 算法 的基本思想和重要的公式。
假设多分辨分析{}j j Z V ∈中{}(x k)k Z ϕ∈-是标准正交的，对应的小波基函数为2(R)L ϕ∈。
由于{},,j k j k Z ϕ∈构成2(R)L 的一组标准正交基，因而对任给的函数(信号)2(R)f L ∈都可以用{}j j Z V ∈来分析。
因为对于某一特定的信号总是只具有有限的分辨率，所以可以假定j f V ∈，{},J j k k ZV span ϕ∈=j 为一确定的整数，并由2(R)jj ZVL U ∈=因此有,,(x)j k j k k Zf c ϕ∈=∑(5.1)其中，,,,j k j k c f ϕ=。
式 (5.1)称为(x)f 的尺度函数展开表示。
由多分辨分析知1112......j j j j j j M j M V W V W W W V ------=⊕==⊕⊕⊕⊕ (5.2) 故 f ( x )又可以表示为,,,,(x)j kj k j kj k J M j J k ZJ M j J k Zf dcϕϕ-≤≤∈-≤≤∈=+∑∑∑∑(5.3)其中，,,,j k j k d f =ψ。
式(5.3)称为 f ( x )的小波级数展开表示。
若记,,,,(x),(x)j j k j k j j k j k j k Zk Zg d W f c V ϕ∈∈=ψ∈=∈∑∑则式(5.3)又可以写为(x)j J M J M j Jf g f --≤<=+∑它用 f ( x )在不同分辨层上的投影函数的叠加来表示 f ( x )，并随着 j 的增大，(x)j f 越来越接近 f ( x )，即有(x)lim (x)j j f f →∞=而 Mallat 的分解和重构算法就是基于各层分解系数之间的关系的研究而构造出的结晶。
