风电功率预测问题3
风电功率预测研究
风电功率预测研究风电功率预测研究一、引言随着全球环境问题日益凸显，可再生能源逐渐成为替代传统能源的重要选择。
其中，风能被广泛认为是最具发展潜力的可再生能源之一。
然而，由于风能的不稳定性和不可控性，风电功率的预测成为了提高风电场运营效益和电力系统稳定性的关键问题。
本文将介绍风电功率预测的研究现状和挑战，并探讨了一些常用的风电功率预测方法。
二、风电功率预测的重要性风能具有可再生性和清洁性的特点，广泛应用于发电领域。
然而，由于风能的不确定性，风电场的电力输出往往波动较大，影响了系统的稳定性和电力市场的经济效益。
因此，准确预测风电功率成为优化风电场运营和电力系统调度的重要任务。
风电功率的预测可以帮助电力系统运营商优化资源分配和运行策略，减少对传统能源的依赖。
同时，可靠的风电功率预测可以帮助电力市场参与者制定更准确的电力交易计划，降低风电波动给市场造成的不确定性风险。
三、风电功率预测方法风电功率预测方法主要分为数学模型方法和统计模型方法。
数学模型方法基于风力发电机的物理特性和风速、风向等气象数据，采用数学建模的方式进行预测。
统计模型方法则通过对风电场历史数据的统计分析，利用统计学方法构建预测模型。
1. 数学模型方法数学模型方法主要包括基于风力发电机理论的模型和基于风电机组运行状态的模型。
基于风力发电机理论的模型利用风速和风向等气象数据，结合发电机的性能曲线，通过建立数学模型预测风电功率输出。
而基于风电机组运行状态的模型则利用风机机组的运行数据，如转速、功率输出等，通过建立动态模型预测风电功率。
2. 统计模型方法常见的统计模型方法包括时间序列分析、回归分析和人工神经网络。
时间序列分析方法基于历史风电功率数据，利用自回归(AR)、自回归移动平均模型(ARMA)、自回归移动平均模型(ARIMA)等方法进行预测。
回归分析方法则通过建立风速和风电功率之间的数学关系模型，进行预测。
人工神经网络是一种基于神经网络的模型，通过训练网络权重和偏置参数，建立风电功率与气象因素之间的非线性关系。
风电功率预测问题
第一页答卷编号：论文题目：风电功率预测问题指导教师：参赛学校：报名序号：第二页答卷编号：风电功率预测问题摘 要风电功率预测有利于电力系统调度部门及时调整调度计划，从而有效地减轻风电对整个电网的影响，提高风电功率。
本文采用了自回归移动平均法、卡尔曼滤波预测算法和指数平滑法，对风电功率进行了实时预测，并对预测结果进行误差分析。
针对问题一，采用自回归移动平均法、卡尔曼滤波预测算法和指数平滑法分别建立了时间序列模型、卡尔曼滤波模型和指数平滑模型。
实时预测了A P 、B P 、C P 、D P 和4P 及58P 的风电功率，得到了实时预测误差以及均方根误差，并分析了三种方法的准确性。
使用自回归移动平均法能比较精确的预测风电功率。
针对问题二，得到了单台风电机组以及多机总功率的相对误差，分析了风电机组的汇聚对于预测结果误差的影响。
多风电机组的汇聚会改变风电功率波动的属性，从而对预测结果产生较大的影响。
针对问题三，分析了影响风电功率实时预测精度的因素，通过BP 网络神经方法构建了具有更高精度的预测方法，对误差进行分析说明了该方法的有效性。
最后，分析论证了阻碍预测精度的主要因素，如风速、风向、气温等。
并说明了预测精度不能无限提高。
关键词：风电功率预测 时间序列 指数平滑法 卡尔曼滤波法一、问题重述1.1问题背景随着我国经济的迅速发展，能源的消耗日益增加，同时常规能源的利用对我们的环境造成了严重的影响。
所以，发展可再生能源迫在眉睫。
风电是目前可再生能源中唯一可大规模开发利用的洁净能源。
能源问题，至关重要，举世瞩目。
它是工业的血液，生活的必需。
风能与其他能源相比，有其明显的优点：蕴量巨大、可以再生、分布广泛、没有污染。
风能和阳光一样，是取之不尽、用之不竭的再生能源；风力发电没有燃料问题，不会产生辐射或二氧化碳公害，也不会产生辐射或空气污染；而且从经济的角度讲，风力仪器比太阳能仪器要便宜九成多。
中国风能储量很大、分布面广，甚至比水能还要丰富。
风功率预测三种模型
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。
风电场功率预测系统的实时调度与优化策略
风电场功率预测系统的实时调度与优化策略随着能源需求的增长和环保意识的提高，可再生能源的利用逐渐成为解决能源需求的重要途径。
其中，风能作为一种清洁且可再生的能源，得到了广泛的关注和应用。
然而，由于风速的不稳定性和不可预测性，风力发电场在实际运行过程中存在着一定的挑战。
为了更好地协调风电场的运行和电网的需求，实时调度与优化策略成为了风电场功率预测系统中的关键问题。
一、风电场功率预测系统的概述风电场功率预测系统是基于对风速数据的分析和模型建立，预测未来一段时间内风电场的发电功率，从而实现对风电场的实时调度与优化。
预测的准确性对于实时调度和优化决策具有重要意义。
一般来说，风电功率预测可以通过以下几方面的因素来进行分析和建模：1. 风速数据分析：通过对历史风速数据的统计和分析，可以得到风速的概率分布及其变化规律。
这对于选择适当的风速模型和算法有着重要的指导作用。
2. 外部环境因素：风速的变化除了与内部因素有关外，还受到一系列外部环境因素的影响，例如气象因素、地理位置、季节变化等。
考虑这些因素，可以提高预测模型的准确度。
3. 风电机组特性：不同风电机组有着不同的工作特性和性能指标，例如启动风速、切入风速等。
这些特性对于发电功率的预测具有一定的影响，需要在模型中予以考虑。
二、实时调度策略实时调度在风电场的运行过程中起着至关重要的作用。
通过实时收集和分析风速数据，可以及时调整风电机组的工作状态，以实现最优的发电功率输出。
下面介绍几种常用的实时调度策略：1. 基于强化学习的调度策略：强化学习是一种通过与环境的交互来学习最优行为的方法。
在风电场中，可以通过建立动态规划模型，将风电场的状态和功率输出作为状态和动作空间，通过强化学习算法，不断迭代优化发电功率输出。
2. 模糊控制调度策略：模糊控制是一种基于模糊逻辑推理的控制方法。
在风电场中，通过建立模糊规则库，将风速、风电机组状态等作为输入，发电功率作为输出，通过模糊推理来实现对发电功率的调度。
风电功率预测的发展现状与展望
风电功率预测的发展现状与展望风电功率预测的发展现状与展望近年来，随着全球能源危机和气候变化的严重影响，风电成为了各国重要的清洁能源选择之一。
然而，由于风速的不稳定性和难以预测性，风电的经济性和可靠性一直受到挑战。
为了更好地解决风电的波动性问题，风电功率预测成为了一个备受关注的研究方向。
本文将探讨风电功率预测的发展现状与展望。
一、风电功率预测的原理与影响因素风电功率预测是通过分析风速、风向、温度、气压等气象因素，结合风机的特性参数进行建模预测风电的发电功率。
气象因素是影响风电发电功率的重要因素，而随机风速变化又是导致风电功率波动的主要原因。
风电功率预测的方法主要分为物理模型法和统计学方法两大类。
物理模型法是通过建立描述风场、风机特性和功率输出之间关系的数学模型，进行风电功率预测。
而统计学方法则是通过对历史气象数据进行分析，寻找变量间的关联规律，并利用这些关系进行功率预测。
二、风电功率预测的发展现状目前，风电功率预测的研究已经取得了一定的进展。
物理模型法在风电功率预测中得到了广泛应用，例如基于功率曲线和风速曲线的模型。
这种方法需要考虑到风机的特性参数、风机控制策略和工况等多个因素，能够提供更加准确的功率预测结果。
统计学方法中，回归分析、时间序列分析、神经网络、遗传算法等方法在风电功率预测中也有应用。
其中，神经网络是一种非线性、动态的模型，能够自适应地学习和拟合风机的功率输出，具有较好的预测效果。
同时，近年来，机器学习和人工智能技术的快速发展，如深度学习、支持向量机等，在风电功率预测中也呈现出了广阔的应用前景。
三、风电功率预测的展望尽管在风电功率预测方面已经取得了一些进展，但仍然存在一些挑战和问题。
首先，气象数据的获取和处理是风电功率预测的基础和关键。
现阶段虽然气象观测设备日渐完善，但对于风电场内各个位置的高精度气象数据的获取仍然面临一定的困难。
其次，模型的精确性和稳定性仍然需要进一步提升。
当前主要的预测模型往往是基于单一因素的建模，如只考虑风速因素，而不能考虑到其他环境因素的综合影响。
风电功率预测问题
风电功率预测问题摘要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，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，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。
针对问题1，基于风电功率的历史数据，本文先对时间序列进行平稳性检验，然后建立合理的ARMA 模型（模型一）对风电功率进行了预测；再由ARMA 方程推导出卡尔曼滤波状态方程和测量方程，并利用卡尔曼滤波法（模型二）预测了风电功率；最后运用人工神经网络方法对风电功率进行了预测。
利用风电场预报预测考核指标进行预测精度检验，最后通过比较3 种方法的预测效果，发现卡尔曼滤波法预测精度最高。
针对问题2，考虑到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，通过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，得出汇聚后预测相对误差小于单台风电机组。
针对问题3，从分析功率预测结果的角度，对风电功率进行分级处理，利用机会约束规划方法建立基于预测功率可信度水平的分级模型将预测功率划分，再结合迭代粒子群算法，对分级模型进行求解，最后以24h数据为例进行模拟分级，所得结果验证了分级思想的可行性、有效性。
最后，通过对以上问题的求解，分析论证得出阻碍风电功率实时预测精度进一步改善的主要因素为天气突变，风向的不确定性，由于最基本的随机平稳过程服从正态分布，所以预测精度不能无限提高。
【关键词】预测功率、ARMA、卡尔曼滤波法、人工神经网络方法、机会约束规划一、问题重述风能是一种可再生、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。
风电场输出功率预测分析
94科技资讯 SC I EN C E & TE C HN O LO G Y I NF O R MA T IO N动力与电气工程1 风电短期功率预测对短期功率预测可分为两种,一种是预测风速,然后依据风电机组或者风电场功率曲线获得风电场的功率输出;另一种是直接预测风电场的输出功率。
短期风电功率预测算法分析:短期预测中考虑到粗糙度、地形等因素,进行预测时采用物理方程的方法称为物理方法,依据历史数据统计,进行预测时,分析找出其内在规律的方法称为统计方法。
若同时采用两种方法称为综合方法。
(1)物理方法。
它以天气预报系统的预测数值结果为根据,获得风向、风速、气温、气压等数据。
采用计算流体力学法或者微观气象学理论,计算出风电机组轮毂高度的风向、风速、气温、气压等数据,然后以风电场的功率曲线为依据计算风电场的输出功率。
(2)统计方法。
不将风速变化的物理过程考虑在内,统计方法以历史统计数据为依据找出天气状况和风电场出力的关系,进而以实测数据和天气预报数值数据为依据预测风电场输出功率。
(3)综合方法。
组合模型基本原理采用以计算流体力学方法或者微观气象学理论为基础建立风电场的物理模型,预测风电场的输出功率。
建立风电功率预测系统的统计模型,以天气预报数值数据以及物理模型的输出作为输入,预测风电场输出功率。
组合模型的应用可使预测精度和模型的适用性得到有效提高。
2 风电场输出功率统计模型影响因素分析2.1输出功率和风速的关系风影响风电场的输出功率,即随风波动。
而风力机得出风功率计算式如下式:312pP C A V (2-1)式中:P-风轮输出功率(kW); p C -风轮的功率系数;A－风轮扫掠面积(m 2);ρ－空气密度(kg/m 3);V－风速(m/s)。
某变速型风电机组的功率曲线在标准空气密度下如图1所示。
见图1,处于功率曲线较陡的区域间,风速变化虽然很小,但却能引起很大的功率变化,另外,风速变化为2.5m/s,功率变化约为200kW。
风电场风电功率预测方法研究
风电场风电功率预测方法研究风电场风电功率预测方法研究一、引言随着全球能源需求的不断增长和环境问题的日益凸显，可再生能源成为解决这些问题的重要手段之一。
风能作为一种广泛分布、可再生的能源资源，受到了越来越多的关注。
风电场作为利用风能发电的重要设施，如何准确预测风电功率对于风电场的运营和管理具有重要意义。
二、风电功率预测的重要性风电场的风电功率预测是指根据过去的风速、风向、气象条件等数据，利用数学模型和算法，预测未来一段时间内风电场的发电功率。
准确的风电功率预测可以有效指导风电场的运营和管理，优化发电计划，提高发电效率，降低能源成本。
同时，风电功率预测也对电力系统的调度、储能设备的优化配置和稳定运行等方面有着重要作用。
三、现有的风电功率预测方法目前，风电功率预测方法主要包括物理模型法、统计模型法和混合模型法。
1. 物理模型法物理模型法是基于对风电场发电过程的物理原理进行建模和计算的方法。
常用的物理模型包括功率曲线模型、时间序列模型等。
物理模型法通常需要较多的测量数据和复杂的计算方法，依赖于对发电过程的深入了解，适用于风电场具有相对稳定的运行环境和较长时间的预测。
2. 统计模型法统计模型法通过对历史数据进行统计分析，建立数学模型进行预测。
常用的统计模型包括回归模型、时间序列模型等。
统计模型法不需要对物理过程进行深入研究，建模过程相对简单，适用于风电场具有周期性和规律性的运行环境和中短期预测。
3. 混合模型法混合模型法是将物理模型和统计模型相结合的方法，旨在综合利用两者的优势。
混合模型法通过对不同模型结果的加权综合或者模型融合等方式，提高风电功率预测的准确性和稳定性。
四、风电功率预测方法的研究进展随着风电场规模的不断扩大和数据采集技术的进步，风电功率预测方法也在不断创新和改进。
目前，一些先进的方法和技术已经被应用于风电场的风电功率预测中。
比如，基于神经网络的方法可以通过对大量历史数据的训练，实现更精确的预测结果；基于机器学习算法的方法可以挖掘出隐藏在数据中的规律和趋势，提高预测的准确性；基于气象模型的方法可以通过对气象条件的模拟，优化风电功率的预测。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
关于实时预测风电机组功率的研究摘要能源、环境是当今人类生存和发展所要解决的紧迫问题。
风力发电由于清洁无污染，施工周期短，投资灵活，占地少，具有较好的经济效益和社会效益，己受到世界各国政府的高度重视，成为当今世界增长最快的可再生能源，许多国家已把发展风力发电作为改善能源结构、减少环境污染和保护生态环境的一种措施。
电力系统调度部门必要时及时调整调度计划，这样便可有效的减轻风电对整个电网的影响。
所以，风速和风力发电功率的准确预测对于负荷管理和系统运行便显得十分重要，而且还可以减少电力系统运行成本和旋转备用，提高风电穿透功率极限，并且有利于在电力市场环境下正确制定电能交换计划，以充分利用风力资源，获得更多的经济效益和社会效益。
本文针对风电功率的预测问题进行了一系列的研究建模。
对于风电功率的预测建立了三种不同的模型，然后将其进行误差分析，得出误差最小的人工神经网络模型，并对模型进行进一步的探讨，得出更高精度的模型。
同时，也将单台风电机的输出功率的预测数据与多台风电机的输出功率预测数据进行比较。
得出了相关规律。
对于问题一，我们利用ARIMA模型、灰色模型和人工神经网络模型对风电功率进行了实时预测，并将预测数据与事先准备好的实际数据进行比较，然后分析误差，得出了人工神经网络模型为最优模型的结论。
对于ARIMA模型我们主要采用SPSS软件对数据进行预处理，然后建立。
而灰色模型主要利用EXCEL软件。
至于人工神经网络模型主要利用的MATLAB软件进行模型的建立。
最后利用最小二乘法原理，预测数据并将数据进行拟合修正。
分析误差，得出结论及相应的预测数据。
对于问题二，我们将但台风电机的预测数据与多台风电机的预测数据进行比较，得出多台风电机输出功率并不是单台风电机的输出功率单纯的叠加，而需要利用加权算法进行运算得出总功率，并进行修正，才能得出精度较高的结果。
对于问题三，我们在问题一的得出人工神经网络模型的精度最高，根据此启示，我们再次利用MATLAB建立了小波神经网络模型，然后对数据进行预测，拟合修正，得出最优解。
关键词：风电功率最小二乘法数据拟合 Matlab 人工神经网络模型§1 问题的重述一、 背景知识1、风力发电的概况目前，可再生能源（尤其是风能）的开发利用已得到世界各国的高度重视。
随着科学技术的发展，风力发电技术也得到快速发展，大中型风电厂相继建成并投入运行。
风力发电已逐渐具备大规模商业开发的技术和经济条件，在电网中所占比例呈不断升高之势。
2、风力发电原理风力发电的原理，是利用风力带动风车叶片旋转，再透过增速机将旋转的速度提升，来促使发电机发电。
是将风能转换为机械功的动力机械，广义地说，是一种以太阳为热源，以大气为工作介质的热能利用发动机。
3、风力发电功率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。
二、 具体试验数据现得到了某个由58台额定功率为850kW 的风电机组成的风电场中指定4台风电机的实际输出功率数据和58台风电机的实际总输出功率。
1、指定的4台风电机输出功率数据指定的4台风电机分别记为A B C D 、、、，其对应的数据为2006年5月10日到200666年月日的实际每个时点的输出功率，分为记为A B C D P P P P 、、、。
2、58台风电机实际总输出功率数据数据58台风电机在2006年5月10日到200666年月日的每个时点的实际输出功率，记为。
三、 要解决的问题1、问题一：利用所提供的数据，对5月31日0时0分至5月31日23时45分和5月31日0时0分至6月6日23时45分风电功率458A B C D P P P P P P 、、、、、进行实时预测，并根据附件1中关于实时预测考核要求分析你所采用方法的准确性，然后推荐出一种最好的方法。
2、问题二：在问题1的预测结果中，试比较单台风电机组功率的相对预测误差和多台风电机组功率的预测的相对误差，分析风电机组的汇聚对于预测结果误差的影响。
3、问题三：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，来实现对进一步提高风电功率实时预测精度的探索。
58P§2 问题的分析风电功率预测问题是一类大样本多数据的统计分析与预测类问题。
对本问题处理要分为三个步骤进行：第一，对风电功率的数据进行预处理建立不同的预测模型；第二，根据不同的预测模型进行预测，得到预测结果与实际结果进行比较，分析得出最优的预测模型；第三，在最优的预测模型的基础上进行探究分析，进一步提高风电功率预测精度。
要合理处理好本问题，关键必须弄清问题的相关知识并对问题作出深入地分析。
一、相关知识的介绍现今风力发电主要利用近地风，而近地风具有波动性、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。
因此，首先我们要明确点，同一台风电机在不同的天各个时点的输出风电功率均不同，且具有波动性。
然后，同一时点不同地方的风电机的输出功率不同，且各风电组功率汇聚通过风电场或风电场群接入电网时，会改变风电功率的波动属性，从而可能影响预测误差。
二、对问题的具体分析1、对问题一的分析：问题要求利用已知数据对5月31日这一天和5月31日至6月6日这一周风电功率458A B C D P P P P P P 、、、、、进行实时预测，且预测方法不能少于三中，并至少选择一种时间序列分析法。
对于风电功率预测的方法，我们首先通过查找资料了解到风电功率的预测方法有持续预测法、卡尔漫滤波法、随机时间序列法、人工神经网络法、模糊逻辑法、灰色模型法等等。
然后我们从中选取了随机时间序列法、灰色模型法和神经网络法三种方法对风电功率进行实时预测。
（1） 随机时间序列法随机时间序列法利用大量的历史数据来建模，经过模型识别、参数估计、模型检验来确定一个能够描述所研究时问序列的数学模型，最后再由该模型推导出预测模型，进而达到预报的目的。
对于此方法，我们首先需要对于数据进行预处理：a 、利用SPSS 软件对已知数据作出相应的时序图，可发现该数据具有一定趋势。
所以，我们首先应该对数据进行差分使数据趋于平稳。
b 、在利用SPSS 做时序图的时候，数据中的负数和零会自动默认为缺省值，所以，我们利用差值法把所有数据统一加上一个数使数据全为正数。
（2）灰色模型法灰色模型预测风速的基本原理在于两个方面：A、风速在短时间内难以发生剧烈变化，这使风速的超短期预测具有可行性；B、灰色理论不同于其他预测理论和方法的区别在于：在样本数据很少、信息量极少的情况下也可以有效预测。
当然首先我们对于数据也还是要进行一定的预处理后，才进行试验。
处理方法与随机时间序列模型类似。
（3）神经网络法人工神经网络概念及发展概述人工神经网络(Artificial NeuralNetwork，简称ANN)，又称为连接机制模型(Connectionism Model)或称为并行分布处理模型(Parallel ProcessingMedel)，由大量简单元件一神经元广泛连接而成。
它是在现代神经科学研究的基础上提出的，反映了人脑的基本特征，模仿人脑结构及其功能。
但它并不是人脑的真实描写，而只是它的某种抽象、简化和模拟。
对于神经网络法的数据，我们只是进行了略微的整理，并不需要太大的整理2、对问题二的分析：问题要求利用问题1的预测结果中，比较单台风电机组功率的相对预测误差与多机总功率的相对误差，分析分电机组汇聚对预测结果的误差的影响。
对于此问题，我们可以通过对单台电机和多台电机的预测结果进行预测曲线的绘制，然后对结果进行较，来发现其相关规律，然后对风电机组汇聚给风电功率预测误差带来的影响作出一定的预期。
3、对问题三的分析：问题三要求我们建立一个更高精度的预测模型，在要求提升高风电功率实时预测的准确程度这一问题上，我们想到了一BP神经网络结构为基础的模型——小波神经网络模型。
我们决定通过建立这一模型来对尝试对风电机组进行更高精度的预测，然后比较器预测结果与问题一的差别，从而的得出结论。
§3 模型的假设1、假设风电机组的在无缺省值的条件下的结果无太大偏差的数据均为准确数据；2、假设风电机组中每台电机的工作是独立的；3、规定5月10日到6月6日编排序号为第1-28 天；4、所有数据均为原始数据，来源真实可靠。
§4 符号说明C风电场开机容量apP风发电机组A的输出功率AP风发电机组B的输出功率BP风发电机组C的输出功率CP风发电机组D的输出功率DP风发电机组A,B,C,D的输出功率之和4P全场58台机组总输出功率58P k时刻实际平均功率PkP k时刻预测平均功率mkR风发电机组i的预测曲线准确率iH风发电机组i的预测曲线合格率i§5 模型的建立与求解从所要解决的的问题和对问题所做的假设出发，我们对问题一建立了模型Ⅰ，模型Ⅱ和模型Ⅲ，对问题三建立了模型Ⅳ。
1、模型Ⅰ ARIMA 模型本模型从时间序列的分析上，对于数据建立模型，把数据进行差值法处理后，进行差分到平稳状态，然后对于数据建立相应的ARMA 模型。
然后按照题目要求进行预测，分析其结果，算出其误差。
2、模型Ⅱ 灰色模型本模型对数据进行预处理后，利用少量数据，建立灰色模型。
然后按照题目要求进行预测，分析其结果，算出其误差。
3、模型Ⅲ 人工神经网络模型本模型将数据进行一定整理后，建立模型，对要求的数据进行相关预测，然后与实际值对于相应的比较，得出结论，并根据误差分析，判断出本模型与上两种模型的优劣。
4、模型Ⅳ小波神经网络模型本模型要求建立更高精度的预测模型，小波神经网络权值参数修正算法类似于 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， 使小波神经网络预测输出不断逼近期望输出。
从而达到试验目的。
一、问题一的分析与求解1、对问题的分析由于利用附件的数据，用三种以上的方法预测风电机组的实时输出功率，然后根据附件中的要求进行误差分析，判断出最优的方法。
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。