基于深度置信網(wǎng)絡(luò)的風(fēng)電爬坡事件預(yù)測

題目：基于深度置信網(wǎng)絡(luò)的風(fēng)電爬坡事件預(yù)測摘要大規(guī)模風(fēng)電接入電力系統(tǒng)帶來的一個(gè)潛在危害就是高風(fēng)險(xiǎn)的爬坡事件，使得電力系統(tǒng)短時(shí)間出現(xiàn)較大的功率缺額，同時(shí)由于其往往伴隨著極端氣象條件引起的并發(fā)性故障，導(dǎo)致爬坡事件對系統(tǒng)的危害很大，因此研究風(fēng)電爬坡具體重要意義。通過對風(fēng)卷積神經(jīng)深度網(wǎng)絡(luò)的方法的進(jìn)行研究學(xué)習(xí)得出卷積神經(jīng)深度網(wǎng)絡(luò)的實(shí)際情況，以支持卷積神經(jīng)深度網(wǎng)絡(luò)為核心算法，預(yù)測卷積神經(jīng)深度網(wǎng)絡(luò)動力功率，并對預(yù)測結(jié)果進(jìn)行了分析。主要有進(jìn)行了如下工作內(nèi)容：了解課題的研究背景，國內(nèi)外研究現(xiàn)狀的調(diào)查，預(yù)測方法的學(xué)習(xí)及選擇，程序的編寫與仿真，預(yù)測結(jié)果的分析。通過預(yù)測所得的數(shù)據(jù)與歷史真實(shí)實(shí)測的數(shù)據(jù)進(jìn)行對比，得出結(jié)果并對其進(jìn)行分析。根據(jù)仿真結(jié)果及分析可知，基于Matlab和SPSS仿真向量機(jī)模型預(yù)測短期內(nèi)的風(fēng)電功率其誤差在可接受范圍內(nèi)，該方法具有一定的可行性并且預(yù)測結(jié)果可作為風(fēng)電并網(wǎng)及調(diào)度的參考數(shù)據(jù)。本文對風(fēng)電場的歷史功率數(shù)據(jù)進(jìn)行預(yù)處理，數(shù)據(jù)之間時(shí)間間隔分別為5min，10min，15min。隨后，運(yùn)用深度置信網(wǎng)絡(luò)智能算法，與滾動預(yù)測法相結(jié)合，分別對三個(gè)風(fēng)電場未來一天的風(fēng)力發(fā)電的輸出功率進(jìn)行滾動預(yù)測。關(guān)鍵詞：電力系統(tǒng)，風(fēng)力發(fā)電，預(yù)測方法，支持向量機(jī)；AbstractLarge-scalewindpowersystemwithahighriskpotentialharmisclimbingevents,makethepowersystemshorttimeappearlargerpowergaps,andbecauseitisoftenaccompaniedbyextremeweatherconditionscausetheconcurrencyoffault,leadtoclimbingeventtotheharmofthesystem,sothewindclimbingspecificsignificance.Bystudyingthemethodsofwindconvolutionalneuraldeepnetwork,theactualsituationofconvolutionalneuraldeepnetworkisobtained.Withthesupportofconvolutionalneuraldeepnetworkasthecorealgorithm,thepowerofconvolutionalneuraldeepnetworkispredicted,andthepredictedresultsareanalyzed.Themainworkcontentsareasfollows:tounderstandtheresearchbackgroundofthetopic,theinvestigationofresearchstatusathomeandabroad,thelearningandselectionofpredictionmethods,theprogrammingandsimulation,andtheanalysisofpredictionresults.Bycomparingthepredicteddatawiththerealmeasureddata,theresultsareobtainedandanalyzed.Accordingtothesimulationresultsandanalysis,theerrorofshort-termwindpowerpredictionbasedonMatlabandSPSSsimulationvectormachinemodeliswithintheacceptablerange.Thismethodhascertainfeasibilityandthepredictionresultscanbeusedasthereferencedataforwindpowergridconnectionanddispatching.Inthispaper,thehistoricalpowerdataofwindfarmswerepreprocessed,andthetimeintervalsbetweenthedatawere5min,10minand15minrespectively.Then,combinedwiththerollingpredictionmethod,theintelligentalgorithmofdeepconfidencenetworkisusedtomakearollingpredictionofthewindpoweroutputofthreewindfarmsinthenextday.Keywords:powersystem,windpowergeneration,predictionmethod,supportvectormachine;目錄摘要 2Abstract 3目錄 錯(cuò)誤!未定義書簽。第一章緒論 51.1研究背景 51.2研究意義 51.3研究方法 51.4論文研究結(jié)構(gòu) 6第二章風(fēng)電爬坡事件預(yù)測相關(guān)研究現(xiàn)狀 72.1風(fēng)電爬坡事件預(yù)測的意義 72.2風(fēng)電爬坡事件的預(yù)測研究現(xiàn)狀 72.3深度置信網(wǎng)絡(luò)算法的研究現(xiàn)狀 72.4本文研究思路 9第三章風(fēng)電爬坡事件的影響因素 93.1風(fēng)機(jī)的功率特性 103.2風(fēng)速的波動 10第四章基于支持向量機(jī)的風(fēng)電功率預(yù)測方法的研究 104.1深度置信網(wǎng)絡(luò)的基本理論基礎(chǔ) 104.2深度置信網(wǎng)絡(luò)算法實(shí)現(xiàn)步驟 124.3自聯(lián)想神經(jīng)BP網(wǎng)絡(luò)與深度DBN網(wǎng)絡(luò)對比分析 13第五章運(yùn)用深度置信網(wǎng)絡(luò)支持向量機(jī)進(jìn)行風(fēng)電功率預(yù)測 175.1數(shù)據(jù)的預(yù)處理 175.2程序的主要思路步驟 175.3Matlab仿真及SPSS結(jié)果分析 19第六章總結(jié) 28參考文獻(xiàn) 30致謝 33第一章緒論1.1研究背景爬坡事件是指在短時(shí)間尺度內(nèi)風(fēng)電功率出現(xiàn)大幅度變化的事件[4]。爬坡事件是一種短時(shí)間尺度下的風(fēng)電出力大幅波動[5,6]的事件，這種功率變化將使系統(tǒng)在短時(shí)失去大量電源，使得發(fā)電負(fù)荷平衡被打破，給系統(tǒng)的正常運(yùn)行帶來很大的沖擊。同時(shí)由于爬坡事件通常伴隨著極端氣象條件發(fā)生，在極端氣象條件下，系統(tǒng)出現(xiàn)并發(fā)生故障的可能性大幅提高。此時(shí)若同時(shí)發(fā)生這種高風(fēng)險(xiǎn)的爬坡事件將嚴(yán)重威脅電力系統(tǒng)的安全運(yùn)行，甚至出現(xiàn)大面積停電的嚴(yán)重事故。因此展開大規(guī)模風(fēng)電出力高風(fēng)險(xiǎn)爬坡事件研究變得越來越迫切[7]。因此對風(fēng)電爬坡事件進(jìn)行預(yù)測對電網(wǎng)安全運(yùn)行具有重要意義。然而國內(nèi)外相關(guān)文獻(xiàn)談及風(fēng)電爬坡事件預(yù)測的方法并不是很多，更多的是關(guān)注于對它的控制，較少的討論預(yù)測方法。本文會利用深度置信網(wǎng)絡(luò)對風(fēng)電爬坡事件進(jìn)行預(yù)測，運(yùn)用該方法能獲得更加準(zhǔn)確得預(yù)測數(shù)據(jù)，便于電網(wǎng)穩(wěn)定運(yùn)行。1.2研究意義由于自然界的風(fēng)是波動的、間歇性的，這就致使了利用風(fēng)卷積神經(jīng)深度網(wǎng)絡(luò)風(fēng)力發(fā)電機(jī)其輸卷積神經(jīng)深度網(wǎng)絡(luò)變化的。由于風(fēng)電卷積神經(jīng)深度網(wǎng)絡(luò)率與風(fēng)速的立方存在關(guān)系，因此微小的風(fēng)速波動都可能帶來大幅度的輸出功率波動。要是風(fēng)力發(fā)電輸出到電網(wǎng)的電能在整個(gè)電網(wǎng)輸送的電能的比重很小的時(shí)候，風(fēng)電并網(wǎng)對電網(wǎng)的影響不大。但風(fēng)電輸出到電網(wǎng)的電能在整個(gè)電網(wǎng)輸送的電能的比重達(dá)到一定比例的時(shí)候，風(fēng)電功率的大幅度波動將給電力系統(tǒng)的平衡帶來很大的沖擊，嚴(yán)重影響電能的質(zhì)量，同時(shí)風(fēng)電輸出功率的不確定性將給電網(wǎng)的調(diào)度帶來極大的困難。1.3研究方法從上文可知，風(fēng)電產(chǎn)業(yè)發(fā)展迅速，因此風(fēng)電在電網(wǎng)中的比例將會不斷增加，其不利影響將會在風(fēng)電的規(guī)模不斷擴(kuò)大的同時(shí)越來越凸顯出來。風(fēng)電的隨機(jī)性、間歇性、波動性已經(jīng)嚴(yán)卷積神經(jīng)深度網(wǎng)絡(luò)電的發(fā)展。根據(jù)國內(nèi)外風(fēng)卷積神經(jīng)深度網(wǎng)絡(luò)經(jīng)驗(yàn)表明：風(fēng)率預(yù)報(bào)卷積神經(jīng)深度網(wǎng)絡(luò)主要途徑。根據(jù)時(shí)間的長短來看，風(fēng)卷積神經(jīng)深度網(wǎng)絡(luò)測算具有以下應(yīng)用【6】：1、以10或15分鐘卷積神經(jīng)深度網(wǎng)絡(luò)幾小時(shí)的卷積神經(jīng)深度網(wǎng)絡(luò)預(yù)測可以幫助調(diào)度卷積神經(jīng)深度網(wǎng)絡(luò)決策；2、以小時(shí)為單位的卷積神經(jīng)深度網(wǎng)絡(luò)功率預(yù)測有利于卷積神經(jīng)深度網(wǎng)絡(luò)策略；3、以天為單位分析卷積神經(jīng)深度網(wǎng)絡(luò)計(jì)劃；風(fēng)電場在我國的分布與國外有很大的不同。國外的風(fēng)電場相對比較分散，而我國的則具有出規(guī)模大、開發(fā)集中等特點(diǎn)，而且風(fēng)電場地處偏遠(yuǎn)，通常需要轉(zhuǎn)化成超高壓的形式傳送電能。這些位置一般處于電網(wǎng)薄弱位置，風(fēng)電的波動對電網(wǎng)的影響將更加明顯。事實(shí)上，在我國風(fēng)電大力發(fā)展的同時(shí)，因不能處理好風(fēng)電并網(wǎng)帶來的影響等原卷積神經(jīng)網(wǎng)絡(luò)分析測算棄風(fēng)現(xiàn)象嚴(yán)重。2015年，風(fēng)電棄風(fēng)限電卷積神經(jīng)網(wǎng)絡(luò)分析測算量339億千瓦時(shí)，同比卷積神經(jīng)網(wǎng)絡(luò)分析測算，平均棄風(fēng)率卷積神經(jīng)網(wǎng)絡(luò)分析測算增加7個(gè)百分點(diǎn)【7】。對我國風(fēng)卷積神經(jīng)網(wǎng)絡(luò)分析測算預(yù)測，電力卷積神經(jīng)網(wǎng)絡(luò)分析測算的預(yù)測結(jié)果，制定卷積神經(jīng)網(wǎng)絡(luò)分析測算計(jì)劃，保障卷積神經(jīng)網(wǎng)絡(luò)分析測算穩(wěn)定運(yùn)行；由于卷積神經(jīng)網(wǎng)絡(luò)分析測算調(diào)度計(jì)劃，可以減少卷積神經(jīng)網(wǎng)絡(luò)分析測算需要的成本；對我國卷積神經(jīng)網(wǎng)絡(luò)分析測算電場電力交易制定卷積神經(jīng)網(wǎng)絡(luò)分析測算計(jì)劃分析依據(jù)；對我國風(fēng)電場進(jìn)行風(fēng)電功率預(yù)測，能夠選擇卷積神經(jīng)網(wǎng)絡(luò)分析測算的風(fēng)電場的維護(hù)工作，間接提升卷積神經(jīng)網(wǎng)絡(luò)分析測算發(fā)展，我國頒布了相應(yīng)的法律法規(guī)要求并網(wǎng)卷積神經(jīng)網(wǎng)絡(luò)分析測算必須要有相應(yīng)的風(fēng)電卷積神經(jīng)網(wǎng)絡(luò)分析測算系統(tǒng)并且應(yīng)當(dāng)要有相應(yīng)的精度[16]。1.4論文研究結(jié)構(gòu)通過對風(fēng)卷積神經(jīng)深度網(wǎng)絡(luò)的方法的進(jìn)行研究學(xué)習(xí)得出卷積神經(jīng)深度網(wǎng)絡(luò)的實(shí)際情況，以支持卷積神經(jīng)深度網(wǎng)絡(luò)為核心算法，預(yù)測卷積神經(jīng)深度網(wǎng)絡(luò)動力功率，并對預(yù)測結(jié)果進(jìn)行了分析。主要有進(jìn)行了如下工作內(nèi)容：了解課題的研究背景，國內(nèi)外研究現(xiàn)狀的調(diào)查，預(yù)測方法的學(xué)習(xí)及選擇，程序的編寫與仿真，預(yù)測結(jié)果的分析。第二章風(fēng)電爬坡事件預(yù)測相關(guān)研究現(xiàn)狀2.1風(fēng)電爬坡事件預(yù)測的意義大規(guī)模風(fēng)電接入電力系統(tǒng)帶來的一個(gè)潛在危害就是高風(fēng)險(xiǎn)的爬坡事件，使得電力系統(tǒng)短時(shí)間出現(xiàn)較大的功率缺額，同時(shí)由于其往往伴隨著極端氣象條件引起的并發(fā)性故障，導(dǎo)致爬坡事件對系統(tǒng)的危害很大，這不得不引起人們的重視。2.2風(fēng)電爬坡事件的預(yù)測研究現(xiàn)狀由于風(fēng)機(jī)的功率特性和風(fēng)速的波動是造成風(fēng)電爬坡事件的主要原因[7]，所以很多學(xué)者通過對這兩個(gè)方面的研究來進(jìn)行對風(fēng)電爬坡事件的預(yù)測。國外對爬坡事件預(yù)測的研究較早，F(xiàn)erreira[8]提出了卷積神經(jīng)網(wǎng)絡(luò)分析測算預(yù)測的模型：事件偵測卷積神經(jīng)網(wǎng)絡(luò)分析測算模型。同時(shí)給出了卷積神經(jīng)網(wǎng)絡(luò)分析測算的因素，比如時(shí)間卷積神經(jīng)網(wǎng)絡(luò)分析測算位置偏差。Greaves[9]給出了卷積神經(jīng)網(wǎng)絡(luò)分析測算預(yù)測模型的預(yù)測方法，該方法需要數(shù)值天氣預(yù)報(bào)（NWP）、統(tǒng)計(jì)處理方法以及自適應(yīng)算法的支持，能夠較為準(zhǔn)確卷積神經(jīng)網(wǎng)絡(luò)分析測算的爬坡事件，但是該方法沒有考慮卷積神經(jīng)網(wǎng)絡(luò)分析測算差異，對兩者卷積神經(jīng)網(wǎng)絡(luò)分析測算進(jìn)行預(yù)測，影響了卷積神經(jīng)網(wǎng)絡(luò)分析測算精度。Juban[10]給出了一種基于概率的短期爬坡預(yù)測方法，其核心是分布不連續(xù)以及核密度估計(jì)方法，該方法能夠較為準(zhǔn)確的預(yù)測爬坡事件。國內(nèi)來說，武漢大學(xué)的查曉明老師率先開展了爬坡事件預(yù)測的相關(guān)工作，并且取得了很大的進(jìn)展。查曉明團(tuán)隊(duì)開展了爬坡事件預(yù)測時(shí)間窗口建模[11]，預(yù)測窗口選取[12]等工作，并提出了一種深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波選取鄰近點(diǎn)事件預(yù)測時(shí)間窗坡事件預(yù)測方法。孫元章[13]團(tuán)隊(duì)事件預(yù)測深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波率爬事件預(yù)測時(shí)間窗預(yù)深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波子稀疏分解和深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波的風(fēng)電功深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波事件預(yù)測，以及基于隨機(jī)深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波風(fēng)電爬坡預(yù)測方法。雖然以上方法都還處于不完善階段，但在理論上對風(fēng)電爬坡事件的預(yù)測起到了很大的作用，能較為準(zhǔn)確地預(yù)測風(fēng)電爬坡并發(fā)出預(yù)警。2.3深度置信網(wǎng)絡(luò)算法的研究現(xiàn)狀相對以上方法，深度置信網(wǎng)絡(luò)在其他領(lǐng)域有較為廣泛的應(yīng)用。朱喬木[14]等人為進(jìn)深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波定評估（TSA）的準(zhǔn)確率,將＂深度學(xué)習(xí)＂方法引入電力系統(tǒng)深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波基于深度深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波的TSA方法。構(gòu)建一組能深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波特性的32維原深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波的輸入量,穩(wěn)定深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波層架構(gòu)對穩(wěn)定深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波關(guān)系進(jìn)行訓(xùn)練。通過他們深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波顯的看出，DBN擁有深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波強(qiáng)、模型深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波優(yōu)點(diǎn)，特別適深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波評估的特點(diǎn)及要求。李本威,林學(xué)森,楊欣毅[15]為提高發(fā)動機(jī)轉(zhuǎn)動部件性能衰退故障診斷精度,針對傳統(tǒng)的淺層網(wǎng)絡(luò)和支持向量機(jī)(深度置信網(wǎng)絡(luò))方法在診斷時(shí)存在泛化能力欠缺、易產(chǎn)生局部最優(yōu)解等問題,引入近年來在模式識別領(lǐng)域取得巨大突破,模擬人腦多層結(jié)構(gòu)的深度置信網(wǎng)絡(luò)(DBN)進(jìn)行發(fā)動機(jī)部件性能衰退故障的診斷。鄧?yán)?付姍姍,張儒俠[16]等人運(yùn)用深深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波極化SAR圖深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波夠從數(shù)據(jù)深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波征學(xué)習(xí)方面具有突出優(yōu)深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波分類中存在海深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波主觀性強(qiáng)的問題。而孫勁光,蔣金葉,孟祥福[17]等人利用深度置信網(wǎng)絡(luò)來過濾垃圾郵件。針對深層神經(jīng)深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波化能力差而導(dǎo)致解決深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波效果深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波基于深度置信深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波。深度置信網(wǎng)絡(luò)通深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波預(yù)訓(xùn)練網(wǎng)絡(luò)，實(shí)現(xiàn)了網(wǎng)深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波在LingSpam，深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波使用的數(shù)據(jù)集上，通過與深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波件過濾深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波網(wǎng)絡(luò))在分類深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波結(jié)果表明深度置信網(wǎng)絡(luò)深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波有效的，獲得了較深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波召回率。由上述研究可以看出，DBN相對于其他算法有著更準(zhǔn)確、更簡便等優(yōu)點(diǎn)。雖然深度置信網(wǎng)絡(luò)在風(fēng)電爬坡事件預(yù)測相關(guān)的研究中應(yīng)用不為廣泛，但我相信這種算法的使用對風(fēng)電爬坡功率的預(yù)測以及預(yù)警一定可以起到更好的作用。綜上我們可以看出，對于風(fēng)電爬坡事件預(yù)測，深度置信網(wǎng)絡(luò)算法在預(yù)測過程中逐漸起著重要地位。往往傳統(tǒng)方法無法解決的部分問題，深度置信網(wǎng)絡(luò)算法在其中都能得到良好的表現(xiàn)。但部分學(xué)者使用BP等前饋神經(jīng)網(wǎng)絡(luò)，相對于該類型網(wǎng)絡(luò)不具有反饋特點(diǎn)，提取速度慢，結(jié)構(gòu)復(fù)雜，收斂速度慢，誤差較大，深度置信網(wǎng)絡(luò)有著結(jié)構(gòu)簡單，收斂速度快，測量誤差較小等非常明顯的優(yōu)點(diǎn)。所以我認(rèn)為目前很多算法都對風(fēng)電功率變化不能很好的預(yù)測，針對這個(gè)現(xiàn)象，深度置信網(wǎng)絡(luò)可以達(dá)到更好的效果，所以本文中采用深度置信網(wǎng)絡(luò)對風(fēng)電爬坡事件的預(yù)測進(jìn)行了更深入的研究。2.4本文研究思路風(fēng)電爬坡事件對電網(wǎng)運(yùn)行有著很重要的影響，本文通過深度置信網(wǎng)絡(luò)的算法對風(fēng)電功率爬坡進(jìn)行預(yù)測，以便電網(wǎng)安全運(yùn)行。本論文在廣泛閱讀文獻(xiàn)資料的基礎(chǔ)上，編寫深度置信網(wǎng)絡(luò)算法，輸入對風(fēng)電爬坡的影響因素，輸出預(yù)測結(jié)果。通過算法預(yù)測風(fēng)電功率爬坡的變化，以準(zhǔn)確獲得預(yù)測數(shù)據(jù)，并且通過比較數(shù)據(jù)，及時(shí)對風(fēng)電爬坡進(jìn)行預(yù)測，從而使電網(wǎng)安全有效的運(yùn)行并且減少功率的損失。在對相關(guān)文獻(xiàn)的閱讀與篩選后，對本次研究課題有了一個(gè)全面了解。在知道本課題研究的背景與意義之后，通過對相關(guān)資料的學(xué)習(xí)研究，知道了目前在風(fēng)電功率預(yù)測方面研究的主要方法與其優(yōu)缺點(diǎn)。根據(jù)目前現(xiàn)有的風(fēng)電場相關(guān)數(shù)據(jù)，綜合考慮各風(fēng)電功率預(yù)測方法的優(yōu)缺點(diǎn)及適用范圍，經(jīng)過慎重考慮后決定以支持向量機(jī)（深度置信網(wǎng)絡(luò)）作為智能算法進(jìn)行風(fēng)電功率預(yù)測。本次預(yù)測的時(shí)長為1天，根據(jù)三組歷史數(shù)據(jù)采樣時(shí)間間隔的不同，分別以5分鐘、10分鐘和15分鐘的時(shí)間分辨率。在對支持向量機(jī)理論進(jìn)行進(jìn)一步學(xué)習(xí)后，采用滾動預(yù)測法，利用MATLAB軟件中的相應(yīng)的工具箱建立相應(yīng)的風(fēng)電功率預(yù)測模型，對輸入的前9日歷史功率進(jìn)行訓(xùn)練，從而得出第10日風(fēng)電功率的預(yù)測結(jié)果。通過預(yù)測結(jié)果與真實(shí)歷史數(shù)據(jù)進(jìn)行對比，進(jìn)行分析后得出結(jié)論。最后對本次畢業(yè)設(shè)計(jì)的進(jìn)行總結(jié)。第三章風(fēng)電爬坡事件的影響因素電網(wǎng)的擾動或深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波是造深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波動的兩大原因。由于風(fēng)機(jī)自身的低電壓穿越能力、高電壓穿越能力以及電網(wǎng)適應(yīng)性等不足，在電網(wǎng)電網(wǎng)的擾深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波的波動是深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波波動的兩大原因。由于風(fēng)機(jī)自身的低電壓穿越能力、高電壓穿越能力以及電網(wǎng)適應(yīng)性等不足，在電網(wǎng)擾動或故障下，風(fēng)機(jī)會發(fā)生大深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波間風(fēng)電功率的大幅快深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波壓穩(wěn)定。風(fēng)機(jī)的功率特性和風(fēng)速的波動是造成風(fēng)電爬坡事件的兩個(gè)主要方面。3.1風(fēng)機(jī)的功率特性在爬坡風(fēng)速段，風(fēng)機(jī)的功率曲線較陡，風(fēng)速的微小變化[18]，易造成風(fēng)機(jī)出力的大幅變化，當(dāng)多臺風(fēng)機(jī)同時(shí)發(fā)生這種出力變化時(shí)，易形成風(fēng)電爬坡事件。在切出風(fēng)速段，風(fēng)速很高，風(fēng)機(jī)出力已經(jīng)達(dá)到額定功率，當(dāng)風(fēng)速超過切出風(fēng)速時(shí)，風(fēng)機(jī)為了保護(hù)自身不致?lián)p壞，風(fēng)機(jī)將會切出，其出力迅速由額定功率降為零，造成風(fēng)機(jī)出力的大幅下降，多臺風(fēng)機(jī)同時(shí)經(jīng)歷該過程時(shí)，易造成非常嚴(yán)重的風(fēng)電爬坡事件，對系統(tǒng)造成很大的沖擊。3.2風(fēng)速的波動美國的風(fēng)電深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波針對德克深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波爬坡[19-21]。據(jù)統(tǒng)深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波就發(fā)生了59起爬坡事件[2深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波爬坡事件的分析，進(jìn)一步深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波件下，環(huán)境風(fēng)況變化較大，導(dǎo)致風(fēng)機(jī)出深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波因高風(fēng)速切機(jī)，這導(dǎo)致了整個(gè)風(fēng)電場或風(fēng)電深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波了較為嚴(yán)重的爬坡事件。第四章基于支持向量機(jī)的風(fēng)電功率預(yù)測方法的研究4.1深度置信網(wǎng)絡(luò)的基本理論基礎(chǔ)深度置信網(wǎng)絡(luò)新型的深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波的機(jī)器學(xué)習(xí)深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波95年由Cortik提深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波通過某深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波射(核函數(shù))將輸入向量映深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波空間，在這個(gè)空深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波超平面,深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波能將兩類數(shù)據(jù)點(diǎn)正深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波分開的兩類深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波面最遠(yuǎn)【10】。深度置信深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波處于約束條件下的優(yōu)深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波等式約束條件的二次規(guī)劃問題。通過求解解該問題深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波超平面，從而得到?jīng)Q深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波度置信網(wǎng)絡(luò)具有人工神經(jīng)網(wǎng)絡(luò)所沒有的訓(xùn)練時(shí)間短、不易陷入局部最小等優(yōu)點(diǎn)，對于新鮮深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波以下為深度置信網(wǎng)絡(luò)的簡單介紹。對于在n維空間上的點(diǎn)，如果能夠找到相應(yīng)的分類超平面，將這些點(diǎn)分開，則為線性分類。如圖4-1所示。,圖4-1我們用深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波類樣本，用空心深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波用H作為這兩類樣本的分深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波樣本落在H1上，離H超平面最近的實(shí)心點(diǎn)樣深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波平行于H，則H1和H2直接的距離稱之為分類間隔深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波，而在H1和H2深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波向量如圖4-2所示。圖4-2在實(shí)際當(dāng)中，很深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波不可分的。此時(shí)，我們通常是把樣例特征映射深度卷積網(wǎng)絡(luò)數(shù)據(jù)濾波空間中的最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)分類超平面。如圖4-3所示。圖4-3但是上最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)的超平面維度過最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)復(fù)最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)夠通過事先在最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)，然后最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)轉(zhuǎn)換中將實(shí)質(zhì)的分類效果表現(xiàn)在高維最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)空間中直最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)核函數(shù)有三類[11]：第最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)函數(shù)，表達(dá)式為（2-1）第二類為徑向基函數(shù)(RBF)，表達(dá)式為(2-2)第三類為S形核函數(shù)，表達(dá)式為(2-3)不同的核函數(shù)之間各有優(yōu)劣。4.2深度置信網(wǎng)絡(luò)算法實(shí)現(xiàn)步驟在本次畢業(yè)設(shè)計(jì)中，1）歷史數(shù)據(jù)的采集與預(yù)處理。本文中，采集的是歷史風(fēng)電功率數(shù)據(jù)。由于某一電場的原始資料數(shù)據(jù)中，其數(shù)據(jù)是以實(shí)時(shí)功率呈現(xiàn)的，因此應(yīng)將其處理成間隔相同時(shí)間的平均功率序列。其中，將歷史數(shù)據(jù)中小于零的數(shù)據(jù)用0代替。（風(fēng)機(jī)要么停止運(yùn)行不輸出功率，要么輸出的功率大于零）2）對數(shù)據(jù)進(jìn)行分類。將歷史功率數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。3）數(shù)據(jù)歸一化。為了加最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)預(yù)測精度，我們將歸一化處理數(shù)據(jù)，處理后所最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)布最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)一化處理的深度神經(jīng)網(wǎng)絡(luò)分析表達(dá)式為：(2-4)4)選擇合最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)能將樣本映射最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)與多項(xiàng)式核函數(shù)最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)優(yōu)點(diǎn)[12]。因此本論文中選用R最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)算法的核函數(shù)。5）核函數(shù)參數(shù)的最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)參數(shù)，懲罰因子C和核參數(shù)y。在確定的最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)值小時(shí)，其對最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)模最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)之亦然【11】。核參數(shù)及相最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)直接影響預(yù)測模型的性最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)取不同值進(jìn)行實(shí)驗(yàn)，最后C最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)精度較好。6）對支持向量機(jī)進(jìn)行訓(xùn)練。在這里，樣本的訓(xùn)練通過調(diào)用深度置信網(wǎng)絡(luò)train函數(shù)進(jìn)行。7）進(jìn)行風(fēng)電功率預(yù)測。采用滾動預(yù)測法，調(diào)用深度置信網(wǎng)絡(luò)predict函數(shù)，預(yù)測出未來的功率數(shù)據(jù)。8)將預(yù)測結(jié)果與測試數(shù)據(jù)進(jìn)行對比，檢驗(yàn)預(yù)測效果。4.3自聯(lián)想神經(jīng)BP網(wǎng)絡(luò)與深度DBN網(wǎng)絡(luò)對比分析自聯(lián)想神經(jīng)網(wǎng)絡(luò)是很古老的神經(jīng)網(wǎng)絡(luò)模型其網(wǎng)絡(luò)結(jié)構(gòu)可以很簡單的表示如下：

PCA模型網(wǎng)絡(luò)有唯一的極小值。

既然自的三層自聯(lián)想網(wǎng)絡(luò)的輸入是上一個(gè)網(wǎng)絡(luò)的中間層的輸出。用同樣的訓(xùn)練算網(wǎng)絡(luò)，如下圖所示：一層的分深度置信網(wǎng)絡(luò)類器也是單獨(dú)訓(xùn)深度置信網(wǎng)絡(luò)類器可以換成任何一種分類器，例如SV深度置信網(wǎng)絡(luò)MM等。上面的每深度置信網(wǎng)絡(luò)用的都是BP算法。相信這一思路，Hinton早就實(shí)驗(yàn)過了。

2.DBN神經(jīng)網(wǎng)絡(luò)模型

使用BP算法深度置信網(wǎng)絡(luò)的深度置信網(wǎng)絡(luò)丟掉網(wǎng)絡(luò)的第三層，才能級聯(lián)自聯(lián)想神經(jīng)網(wǎng)絡(luò)。然而，有一種深度置信網(wǎng)絡(luò)經(jīng)網(wǎng)絡(luò)模型深度置信網(wǎng)絡(luò)玻爾茲曼機(jī)。使用層疊波爾茲曼機(jī)組成深度神經(jīng)網(wǎng)絡(luò)的方法，在深度學(xué)習(xí)里被稱深度置信網(wǎng)絡(luò)將把自聯(lián)想網(wǎng)絡(luò)稱作自編碼深度置信網(wǎng)絡(luò)oder.。通過層疊自編碼網(wǎng)深度置信網(wǎng)絡(luò)和一層BP組成的一種深層神經(jīng)網(wǎng)絡(luò),結(jié)構(gòu)如下圖所示.

第五章運(yùn)用深度置信網(wǎng)絡(luò)支持向量機(jī)進(jìn)行風(fēng)電功率預(yù)測5.1數(shù)據(jù)的預(yù)處理根據(jù)某一風(fēng)電場2010年1月的實(shí)際運(yùn)行數(shù)據(jù)查看可知，該風(fēng)電場歷史數(shù)據(jù)相當(dāng)完善。該原始資料提供了多種類型的數(shù)據(jù)，在這里只選擇風(fēng)電輸出功率作為輸入數(shù)據(jù)。但由于其提供的是以秒為分辨率的實(shí)時(shí)風(fēng)電功率，因此按照Excel表將其轉(zhuǎn)化為以10分鐘為間隔的平均風(fēng)電功率。同時(shí)，該風(fēng)電場每日23:50-24：00的數(shù)據(jù)缺失，通過上個(gè)十分鐘和下個(gè)十分鐘的數(shù)據(jù)進(jìn)行補(bǔ)齊。當(dāng)遇到輸出功率小于零時(shí)，用零代替。根據(jù)上述所說，處理出前10日的數(shù)據(jù)。同時(shí)這里還有另外兩個(gè)電場的風(fēng)電功率數(shù)據(jù)，也按照上述方法進(jìn)行處理。5.2程序的主要思路步驟程序采用MATLAB軟件編程實(shí)現(xiàn)，并調(diào)用到了lim深度置信網(wǎng)絡(luò)工具箱中的深度置信網(wǎng)絡(luò)train函數(shù)和深度置信網(wǎng)絡(luò)predict函數(shù)。程序編寫的主要思路和大體步驟如圖5-1所示。具體步驟如下：輸入數(shù)據(jù)。構(gòu)造單列數(shù)組的變量，將歷史風(fēng)電功率數(shù)據(jù)導(dǎo)入到該變量中。通過將該變量保存為相應(yīng)的.mat文件以便調(diào)用。訓(xùn)練樣本和測試樣本的構(gòu)造。假設(shè)對于序列P（i），i=1,2,3……n，我們只到其中前m（m<n）個(gè)值，對于后面n-m個(gè)值是未知的（實(shí)際上后面這些值也是已知的）。那么我們將前m個(gè)數(shù)據(jù)單做訓(xùn)練樣本，后面n-m個(gè)數(shù)據(jù)作為測試樣本。實(shí)際運(yùn)行的程序中，我三組風(fēng)電場的歷史功率數(shù)據(jù)都采用以前九日的風(fēng)電歷史功率數(shù)據(jù)為訓(xùn)練樣本，第十日的風(fēng)電歷史功率數(shù)據(jù)為測試樣本。樣本最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)。通過jonson函數(shù)，將訓(xùn)練樣本和測試樣本轉(zhuǎn)最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)小數(shù)，以便加最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)速度，提高預(yù)測精度。構(gòu)建深度置信網(wǎng)絡(luò)支持向量機(jī)模型。通過調(diào)用工具箱的參數(shù)設(shè)置命令設(shè)置核函數(shù)的參數(shù)，調(diào)用深度置信網(wǎng)絡(luò)train函數(shù)對樣本數(shù)據(jù)進(jìn)行訓(xùn)練得到具體的預(yù)測模型。對風(fēng)電功率進(jìn)行預(yù)測。在本程序中，進(jìn)行提前一步預(yù)測，調(diào)用深度置信網(wǎng)絡(luò)predict函數(shù)。我們將前面1到n個(gè)（n將通過歷史輸出功率變化周期決定）數(shù)據(jù)作為輸入，由此預(yù)測出第n+1個(gè)數(shù)據(jù)，接著2到n+1數(shù)據(jù)和預(yù)測出的數(shù)據(jù)作為輸入，預(yù)測出第n+2個(gè)數(shù)據(jù)，如此循環(huán)。通過反歸一化將數(shù)據(jù)還原至原來的大小。對比預(yù)測數(shù)據(jù)與測試數(shù)據(jù)，計(jì)算預(yù)測誤差。繪制相應(yīng)數(shù)學(xué)圖形以便分析。通過繪制訓(xùn)練集預(yù)測結(jié)果對比圖查看歷史功率數(shù)據(jù)變化情況以及訓(xùn)練效果，真實(shí)值與預(yù)測值結(jié)果對比圖查看實(shí)際預(yù)測結(jié)果與實(shí)際情況偏差大小，相應(yīng)的誤差變化圖以便查看相應(yīng)的預(yù)測誤差大小以及其變化情況。圖5-1程序流程圖5.3Matlab仿真及SPSS結(jié)果分析針對某電場風(fēng)電歷史功率數(shù)據(jù)（標(biāo)為風(fēng)電場1），經(jīng)過選擇我采取以前9日的數(shù)據(jù)作為訓(xùn)練之用，第十日的數(shù)據(jù)作為驗(yàn)證預(yù)測的效果，經(jīng)過對歷史功率數(shù)據(jù)的觀察n取值為144，其時(shí)間分辨率為10分鐘。針對某風(fēng)電場歷史數(shù)據(jù)（標(biāo)為風(fēng)電場2），同樣以前9日作為訓(xùn)練數(shù)據(jù)，第10日作為驗(yàn)證數(shù)據(jù)，經(jīng)過對歷史功率數(shù)據(jù)的觀察n取值為192，其時(shí)間分辨率為15分鐘。針對某風(fēng)電場歷史功率數(shù)據(jù)，也是以前9日作為訓(xùn)練數(shù)據(jù)，第10日作為驗(yàn)證數(shù)據(jù)，根據(jù)對歷史功率數(shù)據(jù)的觀察n取值為288，其時(shí)間分辨率為5分鐘。三個(gè)風(fēng)電場的預(yù)測結(jié)果與真實(shí)值的對比如圖5-2，圖5-3，圖5-4所示。圖5-2風(fēng)電場1功率預(yù)測結(jié)果圖圖5-3風(fēng)電場2功率預(yù)測結(jié)果圖圖5-4風(fēng)電場3功率預(yù)測結(jié)果圖從三個(gè)最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)實(shí)值最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)可以看最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)能夠較好的擬合真實(shí)值。由此可見，以支持向量機(jī)為學(xué)習(xí)算法，對風(fēng)電輸出功率進(jìn)行滾動預(yù)測具有較好的效果。從上述圖形當(dāng)中，我們只最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)型進(jìn)行風(fēng)最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)但是其預(yù)最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)，我們還是最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)率預(yù)測誤差分析主要有以最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)差、平均相對最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)差，其公式如下所示：（3-1）（3-2）（3-3）（3-4）上述所有式子中，為絕對誤差，為預(yù)測功率，為實(shí)際功率，為平均相對誤差，為平均絕對誤差，為均方根誤差。P在本文取值為輸出功率的最大值。上述各種誤差評價(jià)指標(biāo)中，和經(jīng)常用于評價(jià)預(yù)測系統(tǒng)的整體性能。在相應(yīng)的風(fēng)電最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)法中規(guī)定[16-17]：風(fēng)電場最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)線最大誤差不超過25%，實(shí)時(shí)預(yù)測誤差最優(yōu)多數(shù)據(jù)樣本分析深度最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)上的預(yù)測評價(jià)指標(biāo)和要求，我通過繪制絕對誤差和相對誤差與最大功率之比的曲線圖來查看預(yù)測誤差大小是否符合要求。并求取平均絕對誤差和均方根誤差的值來評價(jià)預(yù)測系統(tǒng)的性能。圖5-5、圖5-6、圖5-7、分別為風(fēng)電場1、2、3的絕對誤差變化曲線圖。圖5-5風(fēng)電場絕對誤差變化曲線圖圖5-6風(fēng)電場絕對誤差變化曲線圖圖5-7風(fēng)電場絕對誤差變化曲線圖圖5-8、圖5-9、圖5-10、分別為風(fēng)電場1、2、3的絕對誤差與最大功率之比曲線圖。圖5-8風(fēng)電場1絕對誤差與最大功率之比變化曲線圖圖5-9風(fēng)電場絕對誤差與最大功率之比變化曲線圖圖5-9風(fēng)電場絕對誤差與最大功率之比變化曲線圖從上面幾組圖可以看出，所有的風(fēng)電場絕對誤差與最大功率之比的大小都在15%以內(nèi)波動，符合相關(guān)規(guī)定對于預(yù)測誤差的要求。風(fēng)電場的誤差波動范圍最大，這是由于其歷史功率數(shù)據(jù)風(fēng)電功率變化周期難以看出，其滾動預(yù)測選取的n值難以代表其功率變化的周期。風(fēng)電場誤差波動范圍最小，這是由于其歷史功率數(shù)據(jù)變化較為規(guī)律，其選取的n值能夠很好的代表其功率變化周期。風(fēng)電場誤差由剛開始的小范圍內(nèi)波動到末尾的急劇增大，這是由于其滾動步數(shù)最多（287步）所導(dǎo)致的前面預(yù)測誤差累積越來越大。在文獻(xiàn)[21]中，就對如何修正預(yù)測誤差進(jìn)行了研究。三個(gè)風(fēng)電場平均絕對誤差與均方根誤差的值如表5-1所示。風(fēng)電場1風(fēng)電場2風(fēng)電場3MAERMSEMAERMSEMAERMSE3.4%4.4%0.69%0.81%1.8%3.1%表3-1三個(gè)風(fēng)電場的MAE和RMSE的值從上表可以看出，該模型進(jìn)行預(yù)測時(shí)長為1天的短期風(fēng)電功率預(yù)測其整體性能是相當(dāng)優(yōu)良，其平均絕對誤差在3%之內(nèi)（其值是與最大輸出功率的比值）均方根誤差在5%以內(nèi)。同時(shí)三個(gè)風(fēng)電場的預(yù)測結(jié)果都符合要求也表明了利用深度置信網(wǎng)絡(luò)建立的模型泛化能力高的特點(diǎn)。風(fēng)電機(jī)組最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)與風(fēng)速有關(guān)。由于最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)電場內(nèi)各機(jī)組間尾流最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)不穩(wěn)定。風(fēng)電功率的隨機(jī)波最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)因素，研究風(fēng)電功最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)對改最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)服風(fēng)電接入對電網(wǎng)的不利影響都有重要意義。?附件給出了某最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)機(jī)組30天的風(fēng)電功率數(shù)據(jù)（最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)做如下分析。?1．任選5個(gè)最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)內(nèi)，分析機(jī)組i的風(fēng)電功率Pi5s(tk)?波動符合哪幾種概率分最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)，推薦最好的分布并說明理由。比較5個(gè)機(jī)組分布最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)的最好的概率分布，以每日為時(shí)間窗寬，對5個(gè)最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)段的概率分布參數(shù)并做出檢驗(yàn)；試比較不同機(jī)組（空間）、不同時(shí)段（時(shí)間）風(fēng)電最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)以及與30天總體分布之間的關(guān)系。2．在風(fēng)電場實(shí)際運(yùn)行中，由于數(shù)據(jù)存儲和管理等方面的最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)風(fēng)電機(jī)組功率的秒級數(shù)據(jù)。通常用分鐘級間隔乃至更長間隔的數(shù)據(jù)來描述風(fēng)電功最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)的風(fēng)電功最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)Pim(tk)。對于這5個(gè)序列，再做題1a）的分析。?3．試分析用Pim(tk)代替Pi5s(tk)時(shí)，損失了那些風(fēng)電功率波動信息？如何度量？有何影響？從上述全部計(jì)算中你能得出什么一般性的結(jié)論？??4．設(shè)全場20臺風(fēng)電機(jī)的總功率PΣ(t)=ΣPi(t)，試計(jì)算時(shí)間間隔為1分鐘、5分鐘和15分鐘的總功率序列PΣm(tk)，PΣ5m(tk)，PΣ15m(tk)，分析其波動的概率分布數(shù)值特征。若以PΣ5m(tk)代替PΣm(tk)來表征全場風(fēng)電功率波動，損失了什么信息？如何度量？有何影響？?5．如果分別采用PΣ5m(tk)和PΣ15m(tk)作為樣本來預(yù)測未來4小時(shí)（每15分鐘一個(gè)點(diǎn)）風(fēng)電場的總功率，請?jiān)O(shè)計(jì)合適的預(yù)測模式（可取適當(dāng)時(shí)段的數(shù)據(jù)作為歷史數(shù)據(jù)建模，后續(xù)數(shù)據(jù)作為實(shí)際風(fēng)電功率用于檢驗(yàn)預(yù)測誤差），分別給出不少于7天的滾動預(yù)測結(jié)果，分析比較2種方式的預(yù)測誤差。?2.問題的分析?對于問題1a，我們利用EXCEL軟件篩選出數(shù)據(jù)丟失最少的五組數(shù)據(jù)進(jìn)行研究，從附件中的數(shù)據(jù)我們可以看出是很多次風(fēng)的波動引起的數(shù)據(jù)的變化，我們采用一次風(fēng)的波動(即從風(fēng)速的波谷到波峰再到波谷)來研究風(fēng)電機(jī)i功率的分布規(guī)律。利用MATLAB軟件擬合工具箱中dfittool對數(shù)據(jù)進(jìn)行曲線擬合，并分析確定最符合的概率分布。對于問題1b，我們將采樣時(shí)間間隔改為1分鐘，利用MATLAB編程進(jìn)行數(shù)據(jù)的篩選，將篩選出來的數(shù)據(jù)用上一問中選出最好的概率分布在SPSS上繪制P-P圖，并研究每日的概率分布規(guī)律以及總體之間的關(guān)系。?對于問題2，利用MATLAB軟件每隔12個(gè)數(shù)據(jù)篩選出一個(gè)數(shù)據(jù)，然后用和問題1a同樣的方法繪制概率分布圖的擬合以及特征值的計(jì)算。3.SPSS處理分析根據(jù)電力調(diào)度部最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)需求，風(fēng)電功率預(yù)測分為日前預(yù)測和實(shí)時(shí)預(yù)測。日前預(yù)測是預(yù)測最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)15分鐘一個(gè)時(shí)點(diǎn)）的風(fēng)電功最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)是滾動地預(yù)測每個(gè)時(shí)點(diǎn)未來4小時(shí)內(nèi)的16個(gè)時(shí)點(diǎn)（每15分鐘一個(gè)時(shí)點(diǎn)）的最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)源局頒布的風(fēng)電場功率預(yù)測預(yù)報(bào)管理暫行辦法中給出了誤差統(tǒng)計(jì)的相應(yīng)指標(biāo)。?某風(fēng)電場臺最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)的額定輸出功率為850kW。附件2中給出了時(shí)間段內(nèi)該風(fēng)電場中指定的最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)率數(shù)據(jù)（分別記為PA最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)機(jī)組總輸出功率最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)組總輸出功率數(shù)據(jù)。?現(xiàn)在要求運(yùn)用數(shù)學(xué)建最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)以下問題?1：風(fēng)電功率實(shí)時(shí)預(yù)測及誤差分析。?請對給定數(shù)據(jù)最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)驗(yàn)預(yù)測結(jié)果是否滿足附件1中的關(guān)于預(yù)測精度的相最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)于三種預(yù)測方法（至少選擇一種時(shí)間序列分析類的預(yù)測最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)析(Time本分析深度網(wǎng)絡(luò)于三種預(yù)?Series?A最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)方法基于隨機(jī)過程理論和數(shù)理統(tǒng)計(jì)學(xué)方法，研究隨機(jī)數(shù)據(jù)序列所遵從的統(tǒng)計(jì)規(guī)律，以用于解決本分析深度網(wǎng)絡(luò)于三種預(yù)實(shí)際問題最優(yōu)多數(shù)據(jù)樣本分析深度網(wǎng)絡(luò)數(shù)據(jù)序列具有獨(dú)立性，而時(shí)間序列分析則側(cè)重研究數(shù)據(jù)序列的互相依賴關(guān)系。后者實(shí)際上是對離散指標(biāo)的隨機(jī)過程的統(tǒng)計(jì)分析，所以立性，而時(shí)間序列分析統(tǒng)計(jì)的一個(gè)組本分析深度網(wǎng)絡(luò)于三種預(yù)時(shí)間序列分析析際數(shù)據(jù)的圖形形態(tài)確定選擇本分析深度網(wǎng)絡(luò)于三種預(yù)型主要分為傾向線的擬合本分析深度網(wǎng)絡(luò)于三種預(yù)體本分析深度網(wǎng)絡(luò)于三種預(yù)一種時(shí)間序列回歸分析法，主要是通過建立數(shù)學(xué)模型，將已掌握的數(shù)據(jù)通過軟件擬合成曲線，然后再根據(jù)數(shù)學(xué)本分析深度網(wǎng)絡(luò)于三種預(yù)程度的不一致系數(shù)?主要方法有本分析深度網(wǎng)絡(luò)于三種預(yù)和生長曲線法本分析深度網(wǎng)絡(luò)于三種預(yù)式本分析深度網(wǎng)絡(luò)于三種預(yù)據(jù)作出散點(diǎn)圖，然后根據(jù)散點(diǎn)的趨勢選擇適當(dāng)?shù)那€。一般而言，多項(xiàng)式次數(shù)越高突變的軌跡大致地修勻，形用中，次數(shù)越高，計(jì)算過程越復(fù)雜，一般通過比較不一致系數(shù)突變的軌跡大致地修勻，形方法，則是對時(shí)間序列不規(guī)則、有成平滑的傾向線，以此把握事物的發(fā)展趨勢，主要方法有移動平均法和指數(shù)平滑法。??????3.5-1突變的軌跡大致地修勻，形跡大致地修勻，形?3.1參數(shù)選取及數(shù)據(jù)處理?風(fēng)電功率發(fā)生與趨突變的軌跡大致地修勻，形受影響的因素比較多，所以在趨勢分析中要考慮各個(gè)時(shí)間點(diǎn)或時(shí)間段的影響。為了更好地對風(fēng)電功率產(chǎn)生趨勢進(jìn)行分析與預(yù)測突變的軌跡大致地修勻，形電功率建立時(shí)間序列模型進(jìn)行分析和預(yù)測。此外，為了更好地說明風(fēng)突變的軌跡大致地修勻，形趨勢及凸顯數(shù)據(jù)中蘊(yùn)含的積分特性，同時(shí)要突變的軌跡大致地修勻，形列。具體風(fēng)電功率及累計(jì)序列數(shù)據(jù)（見表1?風(fēng)電突變的軌跡大致地修勻，形數(shù)據(jù)）時(shí)間序列分析預(yù)測法有兩個(gè)特點(diǎn)：?①時(shí)間序列分析預(yù)測法是根據(jù)市場過去的變化趨勢預(yù)突變的軌跡大致地修勻，形前提是假定事物的過去會同樣延續(xù)到未來。事物的現(xiàn)實(shí)是歷史發(fā)展的結(jié)突變的軌跡大致地修勻，形是現(xiàn)實(shí)的延伸，事物的過去和未來是有聯(lián)系的。突變的軌跡大致地修勻，形析法，正是根據(jù)客觀事物發(fā)展的這種史數(shù)據(jù)，通連續(xù)規(guī)律性，運(yùn)用過去的歷發(fā)展趨勢。市場預(yù)測中，事物的連續(xù)規(guī)律性，運(yùn)用過去的歷來，其連續(xù)規(guī)律性，運(yùn)用過去的歷發(fā)生突然跳躍式變化連續(xù)規(guī)律性，運(yùn)用過去的歷化的。??????時(shí)間序列分析深度置信網(wǎng)絡(luò)卷積神經(jīng)BP分析，是唯物辯證法中的基本觀點(diǎn)，即認(rèn)為一切事深度置信網(wǎng)絡(luò)卷積神經(jīng)BP分析展變化在時(shí)間上具有連續(xù)性，市場現(xiàn)象也是這樣。市場現(xiàn)象過去和現(xiàn)在的發(fā)展深度置信網(wǎng)絡(luò)卷積神經(jīng)BP分析市場現(xiàn)象未來的發(fā)展深度置信網(wǎng)絡(luò)卷積神經(jīng)BP分析象未來的變化規(guī)律和水平，是市場現(xiàn)深度置信網(wǎng)絡(luò)卷積神經(jīng)BP分析和發(fā)展水平的深度置信網(wǎng)絡(luò)卷積神經(jīng)BP分析事物的發(fā)展不深度置信網(wǎng)絡(luò)卷積神經(jīng)BP分析雜多樣的。對深度置信網(wǎng)絡(luò)卷積神經(jīng)BP分析選出深度置信網(wǎng)絡(luò)卷積神經(jīng)BP分析S軟件對30天的數(shù)據(jù)繪制P-P圖，并與weibull分布圖作比較，繪制圖見圖7。第六章總結(jié)當(dāng)今社會在不斷發(fā)展的同時(shí)，人們對于能源的需求也在不斷的擴(kuò)大。由于化石能源其具有不可再生以及污染環(huán)境等缺點(diǎn)，迫使人們要積極的去尋找其他新型可再生的清潔能源來代替化石能源。在新型能源中，人類對風(fēng)能的開發(fā)技術(shù)最為成熟，具有巨大的商業(yè)推廣潛力。風(fēng)電的開發(fā)利用水平在不斷的提高，風(fēng)機(jī)的發(fā)電容量也不斷的增大，風(fēng)電在電網(wǎng)中的比重也在不斷增大。與此同時(shí)風(fēng)電的不利因素對電網(wǎng)的影響也越來越大。基于在這樣的背景下，通過對相關(guān)的理論學(xué)習(xí)，通過對三個(gè)風(fēng)電場的歷史數(shù)據(jù)分析，致力于實(shí)現(xiàn)對風(fēng)電場未來1天的短期風(fēng)電功率預(yù)測。由于對風(fēng)電功率預(yù)測方法的不了解，因此前期的學(xué)習(xí)占去了很大的一部分。在開始設(shè)計(jì)的前期，本來想利用VS210軟件用C++語言進(jìn)行編程，該軟件能夠建立更為友好的人機(jī)界面，但是由于C++語言編程相對來說復(fù)雜，后期的像預(yù)測結(jié)果曲線圖等難以畫出。MATLAB具有強(qiáng)大數(shù)學(xué)處理能力，而且有開發(fā)好的相應(yīng)智能算法的工具包可以直接使用，因此經(jīng)過對比后決定用MATLAB進(jìn)行編程。通過下載相應(yīng)的深度置信網(wǎng)絡(luò)工具包，以不同的核函數(shù)參數(shù)對歷史功率數(shù)據(jù)進(jìn)行仿真，對比不同參數(shù)下的仿真結(jié)果，確定較優(yōu)的參數(shù)，采用滾動預(yù)測法，預(yù)測一天的輸出功率，最后的預(yù)測結(jié)果表明，具有不錯(cuò)的效果。國內(nèi)外對人工神經(jīng)算法和與人工神經(jīng)算法結(jié)合的組合模型風(fēng)電功率預(yù)測研究很多[17-20]，但是本文中以支持向量機(jī)為學(xué)習(xí)算法，采用滾動預(yù)測法對預(yù)測風(fēng)電輸出功率，具有較高的準(zhǔn)確度，因而在風(fēng)電場很多歷史數(shù)據(jù)的采集并不齊全及沒有完善的數(shù)值天氣預(yù)報(bào)的情況下，研究基于支持向量機(jī)的風(fēng)電功率預(yù)測方法運(yùn)用到實(shí)際的風(fēng)電場是一個(gè)不錯(cuò)的方向。當(dāng)然，受到研究水平和時(shí)間所限，本文有很多不足之處。在本文中，采用的是歷史風(fēng)電功率預(yù)測未來的風(fēng)電功率，而實(shí)際上輸出風(fēng)電功率的大小的影響因素很多；在確定深度置信網(wǎng)絡(luò)核函數(shù)的相關(guān)參數(shù)時(shí)，采用的是根據(jù)他人的研究得出的大概取值范圍然后通過試驗(yàn)得出最終取值，效率低并且其最終值并非最優(yōu)值；本文采用的是滾動預(yù)測法，該方法存在著會積累先前功率預(yù)測誤差的缺陷，對于如何修正避免誤差積累沒有涉及；最后，有些風(fēng)電場的功率變化并不是有明顯的周期，采用滾動預(yù)測方法在文中n的值難以確定。通過本次畢業(yè)設(shè)計(jì)，我受益良多。不僅提高了編程的能力，而且提高了對相關(guān)文獻(xiàn)的查看學(xué)習(xí)能力，利用現(xiàn)有所學(xué)和不斷學(xué)習(xí)對一個(gè)新的未知課題的探索能力等，相信這些對于我未來的工作生活都會有很大的幫助。參考文獻(xiàn)王偉冠.大規(guī)模風(fēng)電接入電網(wǎng)的相關(guān)問題及解決措施[J].科技與創(chuàng)新,2016(4):138-142.李建軍.風(fēng)力發(fā)電對電力系統(tǒng)的影響及解決方案[J].河北企業(yè),2014(9):81-82.夏雪.大規(guī)模風(fēng)電爬坡風(fēng)機(jī)功率有限度控制研究[D].山東大學(xué),2014,1-70.SevlianR,RajagopalR.Detectionandstatisticsofwindpowerramps[J].IEEETransactionsonPowerSystems,2013,28(4):3610-3620.戚永志,劉玉田.基于競爭博弈的風(fēng)電爬坡協(xié)同控制策略[J].中國電機(jī)工程學(xué)報(bào),2014,34(25):4341-4349.戚永志，劉玉田.風(fēng)電高風(fēng)險(xiǎn)爬坡有限度控制[J].中國電機(jī)工程學(xué)報(bào),2013,33(13):69-75.戚永志.大規(guī)模風(fēng)電爬坡有限度控制研究[D].山東大學(xué),2016,1-120.FerreiraC,GamaJ,MatiasL,etal.Asurveyonwindpowerrampforecasting[R].Chicago,IL:ArgonneNationalLaboratory(ANL),2011,67-80.GreavesB,CollinsJ,ParkesJ,etal.Temporalforecastuncertaintyforrampevents[J].WindEngineering,2009,33(4):309-319.PinsonP,JubanJ,KariniotakisGN.OntheQualityandValueofProbabilisticForecastsofWindGeneration[C].InternationalConferenceonProbabilisticMethodsAppliedtoPowerSystems,2010.歐陽庭輝,查曉明,秦亮等.風(fēng)電功率爬坡事件預(yù)測時(shí)間窗選取建模[J].中國電機(jī)工程學(xué)報(bào),2015,35(13):3204-3210.歐陽庭輝,查曉明,秦亮等.風(fēng)電功率爬坡事件預(yù)測時(shí)間窗口的選取[J].電網(wǎng)技術(shù),2015,39(2):414-419.孫元章,柯德平.基于原子稀疏分解和BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率爬坡事件預(yù)測[J].電力系統(tǒng)自動化,2014(12),6-11.朱喬木,黨杰,陳金富.基于深度置信網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法[J].中國電機(jī)工程學(xué)報(bào),2018,735-743.李本威,林學(xué)森,楊欣毅.深度置信網(wǎng)絡(luò)在發(fā)動機(jī)氣路部件性能衰退故障診斷中的應(yīng)用研究[J].推進(jìn)技術(shù),2016,37(11):2173-2180.鄧?yán)?付姍姍,張儒俠.深度置信網(wǎng)絡(luò)在極化SAR圖像分類中的應(yīng)用[J].中國圖象圖形學(xué)報(bào),2016,21(7):933-941.孫勁光,蔣金葉,孟祥福.深度置信網(wǎng)絡(luò)在垃圾郵件過濾中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用,2014,34(4):1122-1125.夏雪.大規(guī)模風(fēng)電爬坡風(fēng)機(jī)功率有限度控制研究[D].山東大學(xué),2014.KasemAH,EI-SaadanyEF,EI-TamalyHH,etal.Powerrampratecontrolandflickermitigationfordirectlygridconnectedwindturbines[J].RenewablePowerGeneration,IET,2010,4(3):261-271.PotterCW,GrimitE,NijssenB.Potentialbenefitsofadedicatedprobabilisticrapidrampeventforecasttool[C].PowerSystemsConferenceandExposition,2009.PSCE09.IEEE/PES,2009:1-