風(fēng)電功率預(yù)測(cè)問題

3、3、#4.3流程圖5■模型的建立與求解問題一5.1歷史數(shù)據(jù)的選取通過聚類分析對(duì)歷史數(shù)據(jù)進(jìn)行選取，采用歐氏距離作為相似性度量的方法。選取30日之前的時(shí)間作為歷史日，采用日平均風(fēng)電功率和日最大風(fēng)電功率作為預(yù)測(cè)日的風(fēng)電功率下的指標(biāo)。按照相似度最大的原則，選出與預(yù)測(cè)日相似度最大的歷史日數(shù)據(jù)，然后將它們作為建模預(yù)測(cè)用的新訓(xùn)練樣本。D=(f(X一X)2)2ikjkk=1其中，X、ikX7分別表示歷史數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)在第k個(gè)指標(biāo)下的值。jk針對(duì)P、P、P、P、P、P分別從預(yù)測(cè)日之前的歷史日中選取歐氏距離最短的2ABCD458個(gè)歷史日，作為訓(xùn)練樣本，經(jīng)計(jì)算得到歷史日如表1所示。表1歷史日數(shù)據(jù)選擇表時(shí)間5月31日6月1日6月2日6月3日6月4日6月5日6月6日PA21、29日26、31日11、16日26、31日10、28日13、17日26、31PB21、25日26、31日11、16日26、31日10、28日17、30日26、31PC21、25日21、26日11、26日21、31日10、28日13、18日21、26PD25、30日29、31日16、31日26、31日10、28日13、17日29、31P425、30日29、31日11、16日29、31日10、28日13、17日29、31P15、30日26、31日16、31日26、31日23、28日13、30日26、31日日日日日日58以表1中的數(shù)據(jù)作為歷史數(shù)據(jù)，并將當(dāng)前預(yù)測(cè)點(diǎn)對(duì)應(yīng)的實(shí)際值作為下一次預(yù)測(cè)的歷史數(shù)據(jù)，依次迭代計(jì)算。5.2基于ARMA的卡爾曼濾波模型5.2.1基于ARMA的卡爾曼濾波模型的建立對(duì)風(fēng)速觀測(cè)數(shù)據(jù)序列建立ARMA(p,q)模型如下：TOC\o"1-5"\h\zy=ay++ay+￡+b8+b8t1t-1pt一mt1t-1m-1t一m+1假定擾動(dòng)項(xiàng)8都是關(guān)于t的白噪聲，可將上式轉(zhuǎn)化為：…ty=ay++ay+8+b8+b8t1t-1pt-mt1t-1m-1t-m+1其中，m=max(p,q+1)，當(dāng)i>p時(shí)，a=0；當(dāng)i>q時(shí)；b=0。ii上式為ARMA(m,m-1)模型；將其寫為狀態(tài)空間模型為：fX=AX+BE2tt-1tlY=CXJtt其中；X=(y,yttt-1y)'；E=(8,8,8)其中；X=(y,yttt-1t-m+1tttt-m+1(a*a???/b*、???11A=m；B=，且a*=(a,amxm0丿、0丿12觀測(cè)方程：,a)；b*=(1,b,b)m-11m-1y=(1,0,tTOC\o"1-5"\h\z0)x(y,y,,y)'y=(1,0,ttt-1t—m+1

5?2?2基于ARMA的卡爾曼濾波模型的求解a、b兩段預(yù)測(cè)范圍都包含5月31日，本文按相同方法處理，對(duì)歷史數(shù)據(jù)作一階差分處理，時(shí)間序列均趨于平穩(wěn)。采用AIC準(zhǔn)則函數(shù)確定模型階數(shù)。AIC(k)=NInq2+2ka其中q2是殘差的方差，k是模型的階數(shù)。a逐次增加模型的階數(shù)，當(dāng)準(zhǔn)則函數(shù)達(dá)到極小值時(shí)，確定最佳模型階數(shù)，最終得到672個(gè)ARMA模型，根據(jù)各個(gè)ARMA模型依次預(yù)測(cè)出5月31日0時(shí)0分至6月6日23時(shí)45分的672個(gè)時(shí)點(diǎn)。在5月31日0時(shí)0分進(jìn)行實(shí)時(shí)預(yù)測(cè)時(shí)，根據(jù)AIC準(zhǔn)則函數(shù)確定采用ARMA(3,9)模型如下：y=93.632126+0.315321y+0.231525y+0.315321y-0.4265238+0.245214￡tt-1t—2t—3t—3t—9狀態(tài)向量為：x=(y,y,y丫ttt—1t—9系統(tǒng)噪聲向量為：???E=(8,8,8)ttt—1t—9將上式轉(zhuǎn)化到空間狀態(tài)得到狀態(tài)空間模型為：x(t+1)=^(+1xt(+)rt￡1,w)ty(t+1)=h(t+1兀++)v+1)式中,廠0.3153211式中,廠0.315321100.231525010.310〔10001少0.10—0.426523???000??0000??0000??0000??0V000??0丿h=(1,0,0)狀態(tài)空間方程和量測(cè)方程已經(jīng)確立，只要確定相關(guān)的初始狀態(tài)x(0|0)和p(0|0)，就可以利用遞推方程進(jìn)行迭代預(yù)測(cè)，但在實(shí)踐中很難準(zhǔn)確掌握初始狀態(tài)x(0|0)和p(0|0)?？柭A(yù)測(cè)在遞推過程中不斷用新的信息對(duì)狀態(tài)進(jìn)行修正，所以當(dāng)預(yù)測(cè)時(shí)間足夠長(zhǎng)時(shí)，

初始值x(0|0)和p(0|0)對(duì)預(yù)測(cè)的影響將衰減為零?？紤]到收斂的速度和參考工程習(xí)慣，取初始值如下：x(0|0)=[0],p(0|0)=10I取系統(tǒng)噪聲和量測(cè)噪聲的協(xié)方差矩陣為單位陣，應(yīng)用matlab軟件實(shí)現(xiàn)混合算法的遞推預(yù)測(cè)，計(jì)算得到P、P、P、P、初始值x(0|0)和p(0|0)對(duì)預(yù)測(cè)的影響將衰減為零?？紤]到收斂的速度和參考工程習(xí)慣，取初始值如下：x(0|0)=[0],p(0|0)=10I取系統(tǒng)噪聲和量測(cè)噪聲的協(xié)方差矩陣為單位陣，應(yīng)用matlab軟件實(shí)現(xiàn)混合算法的遞推預(yù)測(cè)，計(jì)算得到P、P、P、P、P、P風(fēng)電功率的預(yù)測(cè)值如圖1所示。ABCD458PAPEI10001111111000oooOoooOoooO543250lagIs#Qo005O20nu70nu60□O值值測(cè)際預(yù)實(shí)M呑田fi占“

寸

nnr

實(shí)004占"寸nnr00實(shí)3圖1風(fēng)電功率的預(yù)測(cè)值

由圖1可看出，預(yù)測(cè)值與實(shí)際值均相差不大，模型預(yù)測(cè)效果較好。5.2.3基于ARMA的卡爾曼濾波模型的檢驗(yàn)一階差分序列ADF檢驗(yàn)對(duì)P、P、P、P、P、P進(jìn)行預(yù)測(cè)時(shí)需要差分處理672次，一階差分序列ADFABCD458檢驗(yàn)均通過。其中5月31日0時(shí)0分對(duì)P進(jìn)行預(yù)測(cè)時(shí)，一階差分序列ADF檢驗(yàn)結(jié)果A如表2所示。表2—階差分序列ADF檢驗(yàn)結(jié)果

檢驗(yàn)統(tǒng)計(jì)量~1%臨界值~5%臨界值~10%臨界值-19.1252-3.4389-2.8652-2.5687

由表看出，ADF檢驗(yàn)統(tǒng)計(jì)量等于-19.1252，小于a=1%,5%,10%的臨界值，說明在95%置信水平下完全有理由拒絕原假設(shè)，即一階差分后的風(fēng)電功率數(shù)據(jù)是平穩(wěn)的。殘差序列自相關(guān)與偏相關(guān)檢驗(yàn)對(duì)P、P、P、P、P、P進(jìn)行預(yù)測(cè)時(shí)需要對(duì)一階差分處理后數(shù)據(jù)的自相關(guān)與偏ABCD458相關(guān)函數(shù)檢驗(yàn)672次。其中5月31日0時(shí)0分對(duì)P進(jìn)行預(yù)測(cè)時(shí)，殘差序列的自相關(guān)A與偏相關(guān)函數(shù)檢驗(yàn)圖如圖2所示。VAR00001□系數(shù)——置信上跟_置信下隈由圖2可看出，經(jīng)過一階差分后，該序列的自相關(guān)函數(shù)是獨(dú)立的，沒有顯著的非零值，故建立ARMA(p、VAR00001□系數(shù)——置信上跟_置信下隈準(zhǔn)確率與合格率檢驗(yàn)根據(jù)如下公式計(jì)算各風(fēng)電功率預(yù)測(cè)曲線準(zhǔn)確率與合格率：X100%P-P)X100%—MkPkCap丿r=—迓Bx100%2Nk其中r、1r其中r、1r分別為預(yù)測(cè)曲線準(zhǔn)確率與合格率。2x100%x100%>75%,B=1kx100%<75%,B=0k“P-P)1—PkCap/1P—P)1—PkCap/計(jì)算得到風(fēng)電功率預(yù)測(cè)曲線準(zhǔn)確率與合格率的檢驗(yàn)結(jié)果如表3、圖3所示。表3風(fēng)電功率預(yù)測(cè)曲線準(zhǔn)確率與合格率檢驗(yàn)風(fēng)電機(jī)組PAPBPCPDP4P58平均準(zhǔn)確率87.96%85.60%84.74%87.06%90.03%92.79%88.03%合格率95.83%93.75%93.75%95.83%100%98.96%96.35%

圖3風(fēng)電功率預(yù)測(cè)曲線準(zhǔn)確率與合格率檢驗(yàn)圖3風(fēng)電功率預(yù)測(cè)曲線準(zhǔn)確率與合格率檢驗(yàn)■準(zhǔn)確率

合格率5.2.4.結(jié)果分析預(yù)測(cè)值與實(shí)際值均相差不大，模型檢驗(yàn)均通過，各風(fēng)電機(jī)組功率預(yù)測(cè)曲線平均準(zhǔn)確率為88.03%，平均合格率為96.35%，模型預(yù)測(cè)效果較好。5.3GARCH模型5.3.1GARCH模型的建立按照ARMA預(yù)測(cè)模型所得的殘差雖然是不相關(guān)的，但殘差的平方或絕對(duì)值卻呈現(xiàn)出較為顯著的相關(guān)性，序列的波動(dòng)呈現(xiàn)出一定的聚集性現(xiàn)象，而ARCH和GARCH模型正好解決此類問題。⑷為滿足平穩(wěn)性系數(shù)還必須滿足：對(duì)時(shí)間序列建立GARCH模型如下：為滿足平穩(wěn)性系數(shù)還必須滿足：h=a+Xae2+Yeht0it-ijt-ji=1j=1其中：p>0,q>0,a>0,a>0,0>0。0ij工a+另e<1iji=1j=15.3.2GARCH模型的求解對(duì)P、P、P、P、P、P各預(yù)測(cè)日進(jìn)行預(yù)測(cè)時(shí)，利用eviews軟件不斷調(diào)整ABCD458GARCH模型階數(shù)，直至參數(shù)通過檢驗(yàn)。最終得到672個(gè)GARCH模型，根據(jù)各個(gè)GARCH模型依次預(yù)測(cè)出5月31日0時(shí)0分至6月6日23時(shí)45分的672個(gè)時(shí)點(diǎn)。在31日0時(shí)0分進(jìn)行實(shí)時(shí)預(yù)測(cè)時(shí)，建立GARCH(1，1)模型，其輸出結(jié)果如表4所示。表4GARCH(1,1)模型參數(shù)統(tǒng)計(jì)量系數(shù)統(tǒng)計(jì)量概率a063.25613.95430.0000ARCH(1)0.32414.21530.0000GARCH(1)0.752311.65820.0000

TOC\o"1-5"\h\z由表4可得，Z檢驗(yàn)的相伴概率值均在0.05以下，因此在95%的置信區(qū)間內(nèi)各項(xiàng)系數(shù)值均可接受。再進(jìn)一步檢驗(yàn)得：a,a,6均大于0,且a+6<1。因此序列｛￡｝服01111t從GARCH（1，1）過程。因此GARCH的條件方差方程為：h二63.2561+0.324182+0.7523htt—1t—1同理,可得到其它的GARCH模型。由Matlab軟件計(jì)算得到P、P、P、P、P、PABCD458風(fēng)電功率5月31日0時(shí)0分至23時(shí)45分的預(yù)測(cè)值如圖4所示。

5.3.2GARCH模型的檢驗(yàn)圖5風(fēng)電功率預(yù)測(cè)曲線準(zhǔn)確率與合格率檢驗(yàn)圖5風(fēng)電功率預(yù)測(cè)曲線準(zhǔn)確率與合格率檢驗(yàn)■準(zhǔn)確率

合格率表5風(fēng)電功率預(yù)測(cè)曲線準(zhǔn)確率與合格率檢驗(yàn)風(fēng)電機(jī)組PAPBPCPDP4P58平均準(zhǔn)確率88.78%89.24%84.56%88.23%94.81%95.54%90.19%合格率96.87%97.92%91.67%96.87%100%100%97.22%5.3.3結(jié)果分析模型預(yù)測(cè)值與實(shí)際值大致相符，各機(jī)組的平均預(yù)測(cè)曲線準(zhǔn)確率為90.19%，平均合格率為97.22%，預(yù)測(cè)效果較為理想。5.4加權(quán)組合模型5.4.1加權(quán)組合模型的建立上述兩種模型各有優(yōu)點(diǎn)與不足之處，ARMA模型短期預(yù)測(cè)效果較好，但長(zhǎng)期預(yù)測(cè)效果到后期明顯變差⑴，GARCH模型容易出現(xiàn)震蕩現(xiàn)象，為了互補(bǔ)兩種模型的優(yōu)缺點(diǎn)，本文建立了如下的加權(quán)組合模型。mTOC\o"1-5"\h\z八m八y=厶?y

tiiti=1其中，?為各單一預(yù)測(cè)模型的權(quán)重，y為第i個(gè)單一模型對(duì)第t期的預(yù)測(cè)值，y為iitt組合的預(yù)測(cè)值。利用均方誤差最小準(zhǔn)則，即方差倒數(shù)法求O:tw=D-1/￡D-1iii'i=1其中D為第i個(gè)單一模型的誤差平方和id=￡（x—y）2ititi=1

5.4.2加權(quán)組合模型的求解計(jì)算得到在31日0時(shí)0分進(jìn)行實(shí)時(shí)預(yù)測(cè)時(shí)，基于ARMA的卡爾曼濾波模型，GARCH模型的o結(jié)果如表6所示。i表6單一預(yù)測(cè)模型的組合權(quán)系數(shù)權(quán)系數(shù)PAPBPCPDP4P58o10.4650.3590.5060.4530.2130.284o20.5350.6410.4940.5470.7870.716得到在31日0時(shí)0分進(jìn)行預(yù)測(cè)時(shí)的加權(quán)組合預(yù)測(cè)方程為:P:y二0.465y+0.068yA12P:y二0.359y+0.641yB12P:y二0.506y+0.494yC12P:y二0.453y+0.547yD12P:4y二0.213y+0.787y12p:y二o.284y+o.7i6y5812同理可得到672個(gè)時(shí)點(diǎn)的加權(quán)組合方程，利用加權(quán)組合模型對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè),31日的預(yù)測(cè)值如圖6所示。800.O700,0600.O500.0400.0300.0200.0100.00.800.O700,0600.O500.0400.0300.0200.0100.00.0-100.0FA預(yù)孤！J值F施實(shí)渙」值1000.0800,0600.O400.0200.00.0-200.0FE預(yù)測(cè)值FB實(shí)際值1000.0800.0600.O400.0200.00.0-200.0900.800.700.600.500.400?300.200.100.900.800.700.600.500.400?300.200.100.0.o-100.oFD預(yù)測(cè)值FD實(shí)際值3500.03000.02500.02000.O1500.01000.o500.00.0=500.040000.035000,030000.025000.020000.015000.010000.05000.00.0-5000.0圖6各風(fēng)電機(jī)組功率在31日的預(yù)測(cè)值5.4.3加權(quán)組合模型的檢驗(yàn)PAPBPCPDP4P58'平均■準(zhǔn)確率PAPBPCPDP4P58'平均■準(zhǔn)確率合格率?表7風(fēng)電功率預(yù)測(cè)曲線準(zhǔn)確率與合格率檢驗(yàn)風(fēng)電機(jī)組PAPBPCPDP4P58平均準(zhǔn)確率89.62%89.75%85.88%89.07%94.62%95.54%90.75%合格率97.92%97.92%95.83%96.87%100%100%98.09%圖7風(fēng)電功率預(yù)測(cè)曲線準(zhǔn)確率與合格率檢驗(yàn)5.4.4結(jié)果分析加權(quán)組合模型的預(yù)測(cè)值與實(shí)際值基本相符，風(fēng)電機(jī)組功率預(yù)測(cè)曲線平均準(zhǔn)確率為90.75%，平均合格率為98.09%，預(yù)測(cè)結(jié)果較為理想。5.5模型的比較比較圖1、圖4、圖6,可看出，基于ARMA的卡爾曼濾波模型短期預(yù)測(cè)效果較好，到后期預(yù)測(cè)效果明顯變差。GARCH模型預(yù)測(cè)效果較為穩(wěn)定，短期預(yù)測(cè)效果低于卡爾曼濾波模型，但整體擬合度高于前者。加權(quán)組合模型互補(bǔ)了兩種模型的優(yōu)缺點(diǎn)，整體擬合度得到進(jìn)一步提高，短期預(yù)測(cè)效果也較為理想，風(fēng)電機(jī)組功率預(yù)測(cè)曲線平均準(zhǔn)確率與平

均合格率均高于前兩種模型。因此加權(quán)組合模型對(duì)于風(fēng)電功率的預(yù)測(cè)更為精確。問題二5.6風(fēng)電機(jī)組預(yù)測(cè)誤差的比較根據(jù)問題1的預(yù)測(cè)結(jié)果，可以得到與實(shí)際值的相對(duì)誤差，由于數(shù)據(jù)為負(fù)數(shù)時(shí)，相當(dāng)于輸出功率為零，計(jì)算平均誤差時(shí)，為了克服特殊情況對(duì)平均誤差的影響，人為的剔除誤差為零以及誤差大于1的實(shí)時(shí)點(diǎn)，繼而計(jì)算所有實(shí)時(shí)點(diǎn)的平均誤差，結(jié)果如表8所示。表8風(fēng)電機(jī)組預(yù)測(cè)的相對(duì)誤差平均誤差PAPBPCPDP4P58模型一20.24%13.17%13.08%15.25%15.97%17.63%模型二15.62%14.77%14.08%16.13%16.57%19.07%模型三11.78%10.06%10.66%9.35%11.57%13.07%25.00%20.00%15.00%10.00%5.00%0.00%PAPBPCPD15.00%10.00%5.00%0.00%PAPBPCPDP4P58■模型一平均誤差■模型二平均誤差模型三平均誤差圖8風(fēng)電機(jī)組預(yù)測(cè)的相對(duì)誤差由圖表可知，模型一預(yù)測(cè)中PA預(yù)測(cè)的相對(duì)誤差遠(yuǎn)大于其他機(jī)組，屬于特殊情況;除去特殊情況，多機(jī)總功率（P4,P58）預(yù)測(cè)的相對(duì)誤差要稍大于單臺(tái)風(fēng)電機(jī)組功率（PA，PB，PC，PD）預(yù)測(cè)的相對(duì)誤差；單臺(tái)風(fēng)電機(jī)組功率（PA，PB，PC，PD）預(yù)測(cè)的相對(duì)誤差之間相差不大。5.7風(fēng)電機(jī)組匯聚的分析從結(jié)果可以看出，眾多風(fēng)電機(jī)組的匯聚會(huì)改變風(fēng)電功率波動(dòng)的屬性，從而影響到預(yù)測(cè)的誤差，使多機(jī)總功率（P4,P58）預(yù)測(cè)的相對(duì)誤差偏大。這就要求在預(yù)測(cè)時(shí)應(yīng)盡可能克服機(jī)組匯聚的影響，如在風(fēng)電機(jī)組中設(shè)立科技產(chǎn)品，以抵御因匯聚而導(dǎo)致的風(fēng)電功率波動(dòng)屬性的改變，或在預(yù)測(cè)模型中，引入新的因素，將匯聚的影響考慮進(jìn)去，從而減小預(yù)測(cè)誤差。對(duì)新因素的處理，即經(jīng)過數(shù)據(jù)的采集，我們可以得到新因素的歷史數(shù)據(jù)，如風(fēng)電機(jī)組匯聚下的屬性波動(dòng)，風(fēng)電機(jī)組匯聚對(duì)風(fēng)速的影響等等，將問題一中的單輸入一輸出模型調(diào)整為多輸入一輸出模型，示意圖如圖9所示。匯聚對(duì)風(fēng)速的影響

等等風(fēng)電機(jī)組歷史輸出功率預(yù)測(cè)模型機(jī)組匯聚下的屬性波動(dòng)、、匯聚對(duì)風(fēng)速的影響

等等風(fēng)電機(jī)組歷史輸出功率預(yù)測(cè)模型機(jī)組匯聚下的屬性波動(dòng)、、I圖9模型調(diào)整示意圖輸入因素越多，預(yù)測(cè)值也就越精細(xì)，從而預(yù)測(cè)誤差越??；所以，當(dāng)引入機(jī)組匯聚的影響因素后，從一定意義上就克服了機(jī)組匯聚對(duì)預(yù)測(cè)誤差的影響，從而得到期望的結(jié)果。問題三5.8模型的改進(jìn)5.8.1基于BP神經(jīng)網(wǎng)絡(luò)的變權(quán)組合模型的建立上文采用的加權(quán)組合模型，作為一種固定權(quán)系數(shù)的組合預(yù)測(cè)方法，雖然能夠互補(bǔ)多種模型的優(yōu)缺點(diǎn)，但仍然存在著一些缺陷，如對(duì)每一種單項(xiàng)預(yù)測(cè)模型而言，它總是表現(xiàn)出“時(shí)好時(shí)壞”性⑼。對(duì)此固定權(quán)系數(shù)的方法不能滿足這種預(yù)測(cè)需求，而相比之下應(yīng)用變權(quán)重的方法就會(huì)合理很多。人工神經(jīng)網(wǎng)絡(luò)具有高度的容錯(cuò)性、聯(lián)想性和自組織學(xué)習(xí)能力等特點(diǎn)，可以任意精度逼近非線性函數(shù)，非常適合模擬復(fù)雜的非線性系統(tǒng)。⑴圖10為三層BP神經(jīng)網(wǎng)絡(luò)原理圖。歷史數(shù)據(jù)歷史數(shù)據(jù)基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)算法流程圖如圖11所示。系統(tǒng)建模BP神經(jīng)網(wǎng)絡(luò)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)初始化構(gòu)建合適的BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練BP神經(jīng)砂絡(luò)訓(xùn)練-訓(xùn)練結(jié)束？BP系統(tǒng)建模BP神經(jīng)網(wǎng)絡(luò)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)初始化構(gòu)建合適的BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練BP神經(jīng)砂絡(luò)訓(xùn)練-訓(xùn)練結(jié)束？BP神經(jīng)網(wǎng)絡(luò)預(yù)漑圖11BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)算法流程圖以問題一中的三種模型預(yù)測(cè)值作為輸入層，以當(dāng)前預(yù)測(cè)值所對(duì)應(yīng)的實(shí)際值作為輸出層。即輸入層有三個(gè)神經(jīng)元，輸出層有一個(gè)神經(jīng)元，設(shè)定中間層為11個(gè)神經(jīng)元。網(wǎng)絡(luò)中間層神經(jīng)元函數(shù)采用S型正切函數(shù)tansing，輸出層神經(jīng)元采用S型對(duì)數(shù)函數(shù)logsing,輸入向量統(tǒng)一進(jìn)行標(biāo)準(zhǔn)化，使其落在(0,1)區(qū)間內(nèi)，設(shè)定網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainlm，采用Levenberg-Marquardt算法進(jìn)行網(wǎng)絡(luò)預(yù)測(cè)。根據(jù)反向傳播算法，不斷修正網(wǎng)絡(luò)權(quán)初值，直至總誤差降低到可接受范圍，修正權(quán)值公式如下：dEw=w一uk??-?jjowij其中E為每個(gè)訓(xùn)練樣本的訓(xùn)練誤差。k在此網(wǎng)絡(luò)中，隱層神經(jīng)元均采用tan-sigmoid型傳遞函數(shù)，輸出層神經(jīng)元采用純線性傳遞函數(shù)。計(jì)算網(wǎng)絡(luò)輸出與單一模型預(yù)測(cè)值之間的誤差，如果誤差不滿足精度要求，則誤差反向傳播，并修改各層神經(jīng)元的權(quán)值，確定出神經(jīng)元之間的連接權(quán)值即實(shí)際統(tǒng)計(jì)量與各預(yù)測(cè)模型預(yù)測(cè)值之間的非線性關(guān)系后，即可進(jìn)行預(yù)測(cè)。

5.8.2基于BP神經(jīng)網(wǎng)絡(luò)的變權(quán)組合模型的求解設(shè)定最大學(xué)習(xí)次數(shù)為5000,最小學(xué)習(xí)效率為0.01,允許誤差為0.00005。利用Matlab軟件處理P、P、P、P、P、P數(shù)據(jù)，得到誤差迭代收斂曲線圖，如圖12所示。ABCD458圖12誤差迭代收斂曲線圖圖12誤差迭代收斂曲線圖StopTrainingtQ由圖12,看出，隨著迭代次數(shù)的增加，訓(xùn)練誤差迅速下降，在網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)次數(shù)約為5000次時(shí)，達(dá)到訓(xùn)練目標(biāo)(goalerror0.00005)，網(wǎng)絡(luò)穩(wěn)定收斂，學(xué)習(xí)停止。神經(jīng)網(wǎng)絡(luò)全局平均相對(duì)誤差0.258312,此時(shí)網(wǎng)絡(luò)的各層之間連接權(quán)值固定，網(wǎng)絡(luò)結(jié)構(gòu)已經(jīng)形成。利用訓(xùn)練好的網(wǎng)絡(luò)，對(duì)5月31日0時(shí)0分至6月6日23時(shí)45分各時(shí)點(diǎn)進(jìn)行預(yù)測(cè)。經(jīng)過672次迭代預(yù)測(cè)，得到各時(shí)點(diǎn)的預(yù)測(cè)值。利用變權(quán)組合模型對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，預(yù)測(cè)的準(zhǔn)確率、合格率、誤差率如表9所示。表9變權(quán)組合預(yù)測(cè)的準(zhǔn)確率、合格率、誤差率風(fēng)電機(jī)組PAPBPCPDP4P58平均準(zhǔn)確率91.35%92.52%92.33%90.71%95.79%96.88%93.26%合格率100%100%100%100%100%100%100.00%誤差率8.84%7.54%8.31%10.11%10.89%9.86%9.26%將變權(quán)組合預(yù)測(cè)曲線平均準(zhǔn)確率、合格率、誤差率和問題一中的三種模型進(jìn)行對(duì)比，對(duì)比結(jié)果如圖13所示。合格率1U1.UUto1UU%yy.uutoyo.uuxti97.uo%96.00%yo?uu7D卡爾臭津波模型GARCH模型加權(quán)組合模燮變權(quán)組合模弟5.9阻礙改善預(yù)測(cè)精度的主要因素分析風(fēng)電功率的預(yù)測(cè)具有很多不確定性因素，且存在較大的誤差。不僅與預(yù)測(cè)方法有關(guān)，還與物理因素有關(guān)，如風(fēng)速、風(fēng)向、溫度、氣壓、地形、海拔、緯度等，它們表現(xiàn)出很強(qiáng)的隨機(jī)性和不確定性，部分來自天氣預(yù)報(bào)數(shù)值的不準(zhǔn)確性。還有就是來自風(fēng)電功率預(yù)測(cè)模型的誤差。由于風(fēng)電功率是基于風(fēng)電場(chǎng)的多種因素的綜合影響，這就導(dǎo)致風(fēng)電功率亦表現(xiàn)出很強(qiáng)的隨機(jī)性。加之來自天氣預(yù)報(bào)的不確定性，這種誤差可能被放大，從而使預(yù)測(cè)很難達(dá)到令人滿意的精度。根據(jù)文獻(xiàn)⑺,風(fēng)電機(jī)組的輸出功率與風(fēng)速的大小v，空氣密度p，機(jī)組風(fēng)輪直徑D，風(fēng)輪功率系數(shù)C，傳動(dòng)效率耳和機(jī)械效率耳的關(guān)系，用公式表達(dá)如下：TOC\o"1-5"\h\zpgP=1C兀pD2v3q耳8pg空氣密度p的大小取決于風(fēng)電機(jī)組安裝地點(diǎn)的氣壓p，溫度t，濕度p。w1.276p-0.378pp=Xw1+0.00366t1000風(fēng)輪功率系數(shù)Cp的大小由風(fēng)電機(jī)組輸出功率P，風(fēng)輪掃掠面積S及風(fēng)電機(jī)組安裝地點(diǎn)的空氣密度p，風(fēng)速v決定。P0.5pSv3由以上公式可得：當(dāng)風(fēng)電機(jī)組選型結(jié)束后，風(fēng)電機(jī)組的風(fēng)輪直徑D、風(fēng)輪掃風(fēng)面積、風(fēng)電機(jī)組傳動(dòng)裝置的機(jī)械效率耳、發(fā)電機(jī)的機(jī)械效率1已成定量，影響風(fēng)電機(jī)組輸出功g率的變量只有氣溫t、氣壓p、濕度p、風(fēng)速v。因此影響風(fēng)電功率實(shí)時(shí)預(yù)測(cè)精度的主w要因素是這4種環(huán)境因素。預(yù)測(cè)精度是指預(yù)測(cè)模型擬合的好壞程度，無限提高預(yù)測(cè)精度是每一個(gè)預(yù)測(cè)模型追求的最終目標(biāo)。不過對(duì)于預(yù)測(cè)用戶來說，過去的預(yù)測(cè)精度毫無價(jià)值，只有預(yù)測(cè)未來的精確度才是最重要的。對(duì)于風(fēng)電功率未來預(yù)測(cè)的準(zhǔn)確與否取決于預(yù)測(cè)精度，提高預(yù)測(cè)精度是目前研究短期風(fēng)電功率預(yù)測(cè)理論與方法的重點(diǎn)。但是，鑒于風(fēng)能發(fā)電本身的復(fù)雜性和不確定性，很難用一種或幾種數(shù)學(xué)模型將各影響因素及其規(guī)律進(jìn)行有效歸納，無限提高風(fēng)電功率預(yù)測(cè)精度受到一定限制。目前，各種風(fēng)電功率預(yù)測(cè)模型，如物理方法，統(tǒng)計(jì)方法，學(xué)習(xí)方法等，以及他們之間的綜合運(yùn)用，都是為了進(jìn)一步提高風(fēng)電功率預(yù)測(cè)精度。如今得到實(shí)際應(yīng)用風(fēng)電功率預(yù)測(cè)系統(tǒng)有歐洲的ANEMOS、美國的EWind、德國的WPPS等，雖然以上預(yù)測(cè)系統(tǒng)的預(yù)測(cè)值并不等于實(shí)際值，但是在一定的誤差范圍