2011电工杯论文A题一等奖.doc

摘要 风电场的发电功率预测是保证电网功率平衡和运行安全的重要环节，本文对风电场发电功率建立预测模型。 对问题一，通过对灰色预测、ARIMA以及遗传神经网络预测模型引入预测误差反馈控制，使得预测模型具有自适应调节预测精度的能力，大大提高了三种模型的预测精度，得到了给定日期的发电功率预测值，最终确立了遗传神经网络预测模型为较高精度模型。 对问题二，在三个模型得到的预测结果和误差基础上，比较了单台风电机组功率以及多机总功率预测的相对误差，得到了预测误差存在的普遍规律：预测误差随着预测数据使用量的增多而最终呈增大趋势，并且机组汇聚会减小预测误差。 对问题三，利用动态神经网络的特性, 提出对时间序列进行预测的动态神经网络模型,并用于风电功率的预测中，提高了预测精度和稳定性。结果表明动态神经网络在风电功率的有效性和实用性。最后分析论证了阻碍风电功率实时预测精度进一步改善的主要因素。 关键词： 风电 灰色预测 ARIMA 遗传神经网络 动态神经网络 一、问题的提出 1.1问题的背景 随着全球气候问题以及能源危机的出现，人类对可再生能源的依赖越显突出。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。 风能作为一种可再生洁净能源的代表，有着广泛的发展前景。随着大规模风电场的兴起，风能越来越多地被应用到发电行业。由此也给电力系统带来一系列问题，例如电压问题、电能质量、调度方案等，特别是风电场输出功率的不可预知性，给电网运行带来极大的困难。对风电场输出功率进行预测不但能提高电网运行水平，保证电网的功率平衡和运行安全。而且可以降低非可再生能源的消耗，提高电力系统经济性，减少温室气体排放，意义重大。 1.2问题的提出 结合对题目的理解及附件中各机组的数据，试建立数学模型，解决以下问题 （1）结合附件中各机组的数据对风电功率进行实时预测及误差分析，并检验预测结果是否满足相关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。 试根据题目给出关于实时预测的考核要求分析你所采用方法的准确性； 你推荐哪种方法？ （2）根据问题一的预测结果分析风电机组的汇聚对于预测结果误差的影响。并根据单台风电机组功率与多机总功率预测的相对误差，判断其带有怎样的普遍性规律。从中对风电机组汇聚给风电功率预测误差带来的影响做出预期效果。 （3）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。 并通过求解上述问题，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。判断风电功率预测精度是否能无限提高。 二、问题的分析 2.1问题一 选取灰色预测模型、ARIMA模型、遗传神经网络模型作为预测模型，并在此基础上，加入了预测精度的误差反馈控制。预测过程中是用预测得到的数据再去预测新的数据，随着使用预测数据量的增加，预测值的误差会越来越偏离实际值，而加入误差反馈控制可以很好地将预测误差控制在某一给定范围之内。 2.2问题二 在问题一的基础上，对预测结果的分析及对比，选取最优模型。并根据单台风电机组功率与多机总功率预测的相对误差，判断其带有的普遍性规律，从而提出建议。 2.3问题三 传统的时间序列分析方法，如ARMA模型等，都要求时间序列具有正态分布，全局平稳等缺点。神经网络的预测法具有自适应、自学习等缺点，能较好地处理不确定、非线性的预测问题。而一般的神经网络如BP，RBF只能处理静态对象，故本文提出基于动态神经网络的时间序列预测模型。 三、问题假设与符号说明 3.1问题假设 假设风电功率与其它影响因素无关，只考虑风电功率在各时间段上的变化 假设风电机组工作不受人为因素干扰 假设实时监测数据准确 3.2符号说明 四、模型的建立与求解 4.1问题一 4.1.1问题的思路 图4-1 思路流程图 此图最主要的特点是在传统预测模型的基础之上，加入了预测精度的误差反馈控制，这样的优点在于能够使得传统的预测模型通过误差的反馈自适应地调节预测精度，大大提高了原来预测模型的精度，之所以这样做的原因在于，预测过程中是用预测得到的数据再去预测新的数据，随着使用预测数据量的增加，预测 值的误差会越来越偏离实际值，而加入