风功率预测三种模型
风电功率预测模型与优化研究
风电功率预测模型与优化研究随着全球能源需求的不断增长和环境问题的日益严重，可再生能源作为一个清洁、可持续的能源选择，受到了越来越多的关注。
风能作为其中一种重要的可再生能源，正逐渐成为国内外能源应用的主流之一。
而针对风电开发和运营过程中的可靠性和经济性问题，风电功率预测模型与优化研究变得格外重要。
1. 风电功率预测模型风电功率预测模型是指通过分析历史风速、风向、温度、湿度等气象参数数据，结合风电场实际发电数据，建立起对未来一段时间内风电场功率输出的预估模型。
根据不同的需求和数据可用性，风电功率预测模型可以分为基于统计学方法、基于物理学方法和基于机器学习方法等多种类型。
基于统计学方法的风电功率预测模型使用历史数据的统计特征来进行预测。
这种方法的优点是简单易实现，但对于风电机组输出功率具有明显季节性和周期性的情况下，预测结果可信度较低。
基于物理学方法的风电功率预测模型则基于风能转换过程的物理方程来进行建模与预测。
这种方法需要精确的风力学和气象学知识，并能较好地根据现场环境参数和风电机组特性进行建模。
但由于模型的复杂性，需要大量的参数和计算资源，并且对于复杂地形和变化环境下的精确预测存在一定困难。
基于机器学习方法的风电功率预测模型是近年来研究的热点之一。
通过训练算法来获得数据之间的潜在关系，并将其泛化到未知数据上，以实现对未来风电功率的预测。
常用的机器学习方法包括支持向量机、神经网络、决策树等。
这些方法可以灵活地适应不同的数据特征，且在较长时间尺度上具有较高的准确性。
2. 风电功率预测优化风电功率预测的准确性对于风电场的运营和规划至关重要。
在实际应用中，预测误差将会导致发电计划的违约、成本的增加以及供电系统的不稳定等问题。
因此，针对风电功率预测的优化研究也变得十分重要。
首先，对于风电功率预测模型本身的优化是一个关键问题。
通过对现有模型进行改进或结合不同的模型方法，可以提高预测的准确性和鲁棒性。
例如，可以引入多种模型的组合方法，使其具备更好的适应性和可靠性；还可以结合其他数据特征，如风能资源的空间分布和设备状态参数等，以提高预测效果。
风电场风功率预测系统的研究与应用
风电场风功率预测系统的研究与应用随着人们对清洁能源需求不断增加，风力发电作为一种绿色能源逐渐成为重要的发电方式。
但是，由于风力的随机性和不稳定性，风电场的发电效率往往难以保证。
为了解决这一问题，风电场风功率预测系统应运而生。
本文将从研究和应用两个方面进行探讨。
一、研究方面1.1 预测方法风电场风功率预测系统的核心之一就是预测方法。
根据预测方法的不同，可分为传统模型和深度学习模型两类。
传统模型主要包括时间序列模型、回归模型和神经网络模型等。
其中，时间序列模型是应用最广泛的一种模型。
它通过对历史数据进行分析和预测，来预测未来的风功率。
回归模型则是通过对各种因素的分析和建模，来预测未来的风功率。
神经网络模型则是通过对历史数据进行学习，来对未来数据进行预测。
这些传统模型虽然预测精度较高，但对于非线性、非平稳的风电场数据，效果并不明显。
深度学习模型则是近年来发展起来的一种新型模型。
它具有非线性、自适应、高容错性等特点，能够更好地适应风电场的复杂变化。
其中，循环神经网络（RNN）和长短时记忆网络（LSTM）是最受欢迎的两种深度学习模型。
它们的优点是可以自适应地处理变长的序列数据，同时还能够处理风电场数据中的时间依赖性等复杂关系。
1.2 数据采集与处理风电场的风速、风向、温度、湿度等变量会影响风力发电的产量。
因此，要想准确预测风功率，就需要采集和处理这些变量数据。
具体来说，数据采集可以采用现场监测仪器或者卫星遥感技术，数据处理则需要对采集到的原始数据进行清洗、去噪和特征提取等处理，以提高数据的质量和预测的准确性。
1.3 模型优化模型优化是风电场风功率预测系统中的重要环节。
主要包括参数调节、结构优化和训练策略等方面。
通过对模型进行优化，可以提高预测的准确性和稳定性。
二、应用方面2.1 风电场发电调度风电场风功率预测系统的应用最广泛的就是风电场发电调度。
通过对未来风速、温度等数据的预测，可以帮助风电场制定更加有效的发电计划。
风电机组功率预测模型
jk
j
4
U
输出层的阈值
k
神经元的输入
p j
u
p层的第j个神经元的输入
训练样本集；
X=[ X 1 ， ........ X Q] X 2, X 3，
X Q =[ X Q1, X Q 2...... X Qn] Y Q =[Y Q1,Y Q 2......Y Qm]
任一训练样本； 样本 X Q 的实际输出 样本 X Q 的期望输出 预测准确度； 预测合格率；
第一页
答卷编号：
论文题目：风电功率预测策略
姓 参赛队员 班级
网络工程 0902 材料物理 0902 建 筑环 境与 设备 工程 0903
有效联系电话 18986016916 13377893909 15927379330
邹奇林 高恒 赵亚洲
指导教师：李明
参赛学校：武汉科技大学
ARIMA( p, q) 的自回归系数； ARIMA( p, q) 的移动平均系数；
2
3
, ，
1
.... ；
p
, ，
1 2
3
..... q
待估参数 ； 样本自相关系数； 样本偏自相关系数； 有零均值和恒定方差的不相关随机误 差项
ACF : PACF
t
w w
ij
神经网络输入层与隐含层的权重; 隐含层与输出层的权重； 隐含层的阈值，
关键词：时间序列分析、BP 神经网络、灰色预测、自适应滤波、广义回归神
经网络、混沌时间序列预测。
3
一、问题的重述
电力调度部门通过风电场的发电功率进行预测，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，现通过建立合理的数学模型解 决以下三个问题： 风电功率的实时预测； 风电机组的汇聚对于预测结果误差的影响分析； 提高风电功率实时预测精度进行探索：
风电功率预测技术综述
风电功率预测技术综述风电功率预测技术综述一、引言随着全球能源需求的增长和对可再生能源的关注度上升，风电作为一种清洁、可持续的能源形式受到了广泛关注。
然而，由于风能的不稳定性和不可控性，风电发电的波动性给电网的稳定运行和电力市场的管理带来了一定的挑战。
因此，准确预测风电功率成为提高风电系统经济性和可靠性的关键技术之一。
本文将综述风电功率预测技术的研究现状和发展趋势。
二、风电功率预测的重要性风电功率预测对电力系统的安全运行和规划具有重要意义。
准确的风电功率预测可以帮助电力系统运营商做出合理调度决策，优化电力资源的配置，降低电网的运行成本。
同时，风电功率预测也对电力市场的管理和规划起到了积极的促进作用，有利于高效利用风能资源，提高市场竞争力。
三、风电功率预测的方法与模型风电功率预测方法主要可以归纳为统计学方法、数学模型方法和人工智能方法。
1. 统计学方法统计学方法是基于历史数据的统计分析，通过时间序列分析、自回归移动平均模型(ARIMA)和指数平滑等方法进行风电功率预测。
这些方法简单易行，但在解释非线性关系和处理时间序列中的噪声方面存在一定的限制。
2. 数学模型方法数学模型方法采用物理学原理和数学方程来描述风电场的发电过程。
基于气象学和风力学模型，如Weibull分布模型、韦伯分布模型和功率曲线模型等，可以实现相对较准确的预测。
3. 人工智能方法人工智能方法包括神经网络、遗传算法、模糊理论等，通过对大量的历史数据进行学习和挖掘，建立预测模型。
这些方法可以处理非线性、非稳态、多变量等问题，具有较高的预测准确度和自适应能力。
四、风电功率预测的挑战与发展趋势尽管已经取得了一定的研究成果，但风电功率预测仍面临一些挑战。
首先，风能的不确定性和波动性导致预测误差较大，限制了预测的准确度。
其次，风电场的复杂多变性增加了预测模型的复杂性和难度。
此外，缺乏高质量的历史数据和标准化的评价指标也限制了预测模型的发展。
为了克服这些挑战，风电功率预测技术将会朝着以下方向进行发展：1. 集成多源数据：利用气象数据、风电场历史数据、机器学习算法等多种数据信息，提高预测精度和稳定性。
电力系统中的风电功率预测模型
电力系统中的风电功率预测模型一、引言电力系统是现代社会的重要基础设施之一，风电作为可再生能源的重要组成部分，具有环保、可持续等特点。
然而，风能的不稳定性和变化性给电力系统的运行带来了一定的挑战。
因此，准确预测风电功率对电力系统的规划、运行和调度具有重要意义。
本文将介绍电力系统中的风电功率预测模型。
二、数据预处理在建立风电功率预测模型之前，首先需要对数据进行预处理。
由于风力的不稳定性，风速、风向和风能之间存在一定的关联关系。
因此，需要采集历史风速、风向和风能数据，并进行清洗、对齐和归一化处理，以便用于后续建模。
三、基于统计方法的预测模型基于统计方法的预测模型是最常见的风电功率预测方法之一。
其中，基于时间序列分析的模型是较为常用的方法之一。
该方法使用历史风电功率数据，并结合多种统计技术和算法，通过拟合历史数据的趋势和周期性，来预测未来一段时间内的风电功率。
常用的时间序列分析方法包括ARIMA模型、回归模型等。
四、基于人工智能的预测模型近年来，随着人工智能技术的迅速发展，基于人工智能的风电功率预测模型也得到了广泛的研究和应用。
其中，基于神经网络的模型是较为常见的方法之一。
该方法通过建立多层神经网络，将历史风电功率数据作为输入，通过网络的训练和学习，得到一个能够较为准确预测未来风电功率的模型。
此外，还可以利用支持向量机、遗传算法等人工智能技术进行风电功率预测。
五、模型评估与改进模型的评估是模型建立的一个重要环节，它可以评估模型的预测能力和准确性。
常用的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）等。
在评估模型的基础上，可以对模型进行改进。
例如，可以引入外部因素（如天气状况、季节变化等）来改进预测模型的准确性，也可以通过提高数据质量和模型参数调整等方法来改进模型的性能。
六、模型应用与展望风电功率预测模型在电力系统中具有广泛的应用前景。
它可以为电力系统提供可靠的风电功率预测结果，为电力系统的运行和调度提供决策支持，同时也可以为电力市场的交易和电价的制定提供参考。
风功率预测的方法
风功率预测的方法风功率预测是指对风力发电厂产生的风能进行预测，以便更好地管理和规划风力发电系统的运营。
准确的风功率预测对于风电场的安全运行、电网调度和电力市场交易等方面至关重要。
虽然风力是一种不稳定的自然资源，但通过利用合适的方法和技术，我们可以提高风功率预测的准确性。
风功率预测方法可以分为统计方法、基于物理原理的方法和机器学习方法。
统计方法是最常用的风功率预测方法之一。
它通过对历史风速数据进行分析和建模来预测未来的风力发电情况。
常用的统计方法包括时间序列分析、谱分析和回归分析等。
时间序列分析是一种将历史数据的趋势和周期性考虑在内的预测方法。
谱分析则是通过对信号进行频谱分析，提取出信号的频率特征来进行预测。
回归分析是一种通过建立线性或非线性回归模型来预测风功率的方法。
统计方法的优点是简单易实现，但对于复杂的非线性系统来说，可能会有一定的局限性。
基于物理原理的方法是另一类常用的风功率预测方法。
这种方法是基于对风力发电系统的建模和仿真来进行预测的。
它通常使用复杂的物理方程和机器学习算法来考虑风的传输特性、涡旋动力学等因素。
基于物理原理的方法的优点是可以对复杂的非线性系统进行较准确的预测，但是需要大量的风速、风向等实测数据来进行模型的校准和验证。
机器学习方法是近年来风力发电预测领域的热点研究领域。
这种方法利用机器学习算法对大量历史数据进行训练，建立预测模型。
常用的机器学习算法包括支持向量机、人工神经网络、决策树等。
机器学习方法的优点是可以灵活地适应不同场景下的预测需求，并能够处理大量的输入特征，比如温度、湿度、气压等。
但机器学习方法也存在一些挑战，比如需要大量的数据来进行模型训练，模型的解释性较差等。
除了上述方法外，还有一些辅助方法可以提高风功率预测的准确性。
比如数据融合方法可以结合多种数据源，比如气象卫星数据、雷达回波数据等，来提高预测的准确性。
时间尺度的选择也是一个关键因素，短期预测可以通过近实时的数据来进行，而中长期预测则可以通过气象模型来进行。
短期风电功率的预测方法
短期风电功率的预测方法短期风电功率预测是指对未来1-48小时内的风速变化进行预测，并从中推导出未来的风电功率。
在风电发电方面，预测未来的风电功率具有重要意义，这有助于降低风电发电的成本，优化风电发电的规划，增强风电系统的运行效率。
以下是短期风电功率预测的几种常用方法。
1.统计学方法先将历史气象数据和风电功率数据表格化，再进行数据处理和分析。
通过建立一个统计模型来预测未来的风速，并通过这个模型得到未来的风能利用率和风电功率。
2.神经网络方法神经网络是一种模拟大脑的计算方法，该方法可以处理大量数据，发现数据中的未知关系，进而进行预测。
首先，通过历史气象数据和风电功率数据训练神经网络的参数，然后将训练好的神经网络应用于新的预测场景。
3.时间序列方法时间序列法是一种通过观察历史数据来进行未来预测的方法。
首先将历史数据统计分析，得到趋势、季节性等信息。
然后建立数学模型进行预测。
例如，可以使用ARMA模型，预测未来的风速。
4.物理模型方法这种方法是基于风能转换的物理原理进行预测的。
先将历史数据与风机性能和气象条件相关的物理模型相结合，再运用一些经验公式和气象学规律，建立预测模型。
最终，计算模型可以给出未来1-48小时的风能利用率和风电功率。
短期风电功率预测方法的选择取决于多种因素，如该地区风电系统的规模、历史数据可靠程度、气象条件等。
对于较小规模的风电系统，统计学方法和时间序列方法是最适合的预测方法。
但是针对以太阳能和风能资源为主的多元可再生能源电力系统，结合多模型综合预测可能更加完善，同时可以包括多个子模型的结果，以提高预测精度。
无论选用哪种方法，关键是要收集足够可靠的历史数据，建立准确的预测模型，以确保风电系统在未来的发电中能够更有效率、高效稳定。
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。
- 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)。
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。
同时，这些波动性、间歇性和随机性的特点，也会严重影响风机的发电效率和使用寿命。
2、风功率原理介绍风功率预测系统技术，是根据风电场气象信息有关数据，利用物理模拟计算和科学统计方法，对风电场的风力风速进行短期预报，而预测出风电场的功率，从而也可实现电力调度部门对风电调度的要求。
二、具体试验数据PA、PB、PC、PD、P4和P58数据附件1：风电场功率预测预报管理暂行办法附件2：风功率数据PA风功率数据PB风功率数据PC风功率数据PD58台机总风功率数据P58三、要解决的问题1、问题一：风电功率实时预测及误差分析。
请对给定数据进行风电功率实时预测并检验预测结果是否满足附件1中的关于预测精度的相关要求。
具体要求：1）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）；2）预测量：a．PA , PB,PC,PD； b．P4； c．P58。
3）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。
4）试根据附件1中关于实时预测的考核要求分析你所采用方法的准确性；5）你推荐哪种方法？2、问题二：试分析风电机组的汇聚对于预测结果误差的影响。
在我国主要采用集中开发的方式开发风电，各风电机组功率汇聚通过风电场或风电场群（多个风电场汇聚而成）接入电网。
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。
在问题1的预测结果中，试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，其中有什么带有普遍性的规律吗？从中你能对风电机组汇聚给风电功率预测误差带来的影响做出什么样的预期？3、问题三：进一步提高风电功率实时预测精度的探索。
提高风电功率实时预测的准确程度对改善风电联网运行性能有重要意义。
请你在问题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。
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。
风电功率预测精度能无限提高吗？问题的分析一、相关知识的介绍：模型的介绍：1.指数平滑法：即根据历史资料的上期实际数和预测值，用指数加权的办法进行预测。
此法实质是由内加权移动平均法演变而来的一种方法2.bp神经网络：BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。
3.Gaussian拟合函数模型推求一个解析函数y=f(x)使其通过或近似通过有限序列的资料点(xi，yi)，通常用多项式函数通过最小二乘法求得此拟合函数。
本文中而此多项式为gaussian函数。
二、对问题的具体分析：1、问题一的具体分析：利用历史数据进行研究，利用相关的模型进行模拟，找到合适的规律，再利用相应的模型进行对未来的预测。
2、问题二的具体分析：单个的风电机和整体的风电机有不同，单个的波动大，整体波动相对较小，但是同时影响整体的因素更加多，相对比起单个更加复杂，同时单个的不稳定，分析他们之间的差距，找到其中的规律，进行分析。
3、问题三的具体分析：在问题一的基础上，想要构建准确率更加高的模型，便可以采取3个模型的组合模型，而对于不同的模型有不同的准确率，于是分配不同的比重，使预测的结果更加接近真实值。
模型的假设1，根据实时预测要求，真实值出现后，便能运用其对将来进行相应的预测；2，所有数据都是真实可靠的；3，预测的几天内，没有出现异常天气；4 名词解释和符号说明一、名词解释1、风力发电：将风所蕴含的动能转换成电能的工程技术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。
2、风功率预测：风功率预测是指风电场风力发电机发电功率预测。
3、日前预测：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。
4、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。
二、符号说明模型1：模型2：模型3：13 p 输入的时刻14 t 输出的风功率模型的建立与求解从所要解决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1、2和3.1、模型1 指数平滑模型(时间序列方法的一种)对于单个风电机的预测功率和P4，采用二阶指数平滑方法；而对于58台总得风功率预测，我们采用三阶指数平滑方法。
在EXCEL中，分别对预测变量的实际数值进行指数平滑计算，最后得出预测值，对其进行误差分析和准确度的计算。
2、模型2 BP神经网络模型利用一定量的历史数据作为输入，选择适当的传递函数，用matlab进行仿真，得到相应的关系，再运用其对未来的风功率进行相关的预测。
3、模型3 guassion函数拟合回归模型对于30号的数据进行分析，用matlab的工具箱“cftool”选择高斯函数进行拟合，找到适应的函数，求出参数，再根据得到的函数，进行预测风功率。
一、问题一的分析与求解对问题的分析风电功率实时预测及误差分析，利用附件中的历史数据进行预测分析，根据题目要求，需要采用3个模型分析，并进行比较得出预测最精确的模型。
准确度：4合格率：模型1 指数平滑方法1）对于a. 5月31日0时0分至5月31日23时45分预测的16个点；（1）模型的准备1历史数据的取样现在对30号的最后23组数据进行分析，举58台机器总功率的例子，数据如下：图1-12三次指数平滑计算公式三次指数平滑预测是二次平滑基础上的再平滑。
其预测公式是：S=(3*S1-3*S2+S3)+[(6-5a)*S1-(10-8a)*S2+(4-3a)*S3]*a/2(1-a)2*T+(S1-2*S2+S3)*a2/2(1-a)2 *T2令A=3*S1-3*S2+S3,B=[(6-5a)*S1-(10-8a)*S2+(4-3a)*S3]*a/2(1-a)2C=(S1-2S2+S3)*a2/2(1-a)2.式中，S1是对实际数值的一次指数平滑值S2是对实际数值的二次指数平滑值S3是对实际数值的三次指数平滑值a是阻尼系数它们的基本思想都是：预测值是以前观测值的加权和，且对不同的数据给予不同的权，新数据给较大的权，旧数据给较小的权。
(2)模型的建立与求解1对实际数据的分析并确定阻尼系数a如下图，数据的波动不大不小，选择阻尼系数为0.5图1-22对实际数据进行1、2、3次的指数平滑计算。
图1-33确定A、B、C三个未知中间量A=3*S1-3*S2+S3,B=[(6-5a)*S1-(10-8a)*S2+(4-3a)*S3]*a/2(1-a)2 C=(S1-2S2+S3)*a2/2(1-a)2.4得出预测值并和实际值进行误差分析图1-45准确度的计算图1-5上边5个步骤在EXCEL附件中有体现。
分别得到31号的前4个小时的16个点得实时预测值、相对误差和准确度。
但由于预测不可能太准确，所以相对误差有时很大也难免，属于正常情况。
（3）其他机组情况的预测1PA、PB、PC、PD和P4总预测分析图1-6 PA预测值、误差及准确度图1-7 PB预测值、误差及准确度图1-8 PC预测值、误差及准确度图1-9 PD预测值、误差及准确度图1-10 P4总预测值、误差及准确度2）对于b. 5月31日0时0分至6月6日23时45分的预测。
采用相同的方法，取相关的历史数据，进行滚动预测，便可以得到每个时刻的风功率预测值。
具体不在进行说明。
模型2：Gaussian拟合函数模型1）对a. 5月31日0时0分至5月31日23时45分的预测。
模型的准备：选取的历史数据为之前5月30号整天的数据。
1.（1）对于P模型的建立A在matlab中输入=96:1[[30号全天的数据] ，利用matlab中的cftool 工具箱，=yx];把x作为横轴坐标，y为纵轴坐标，得到其散点图，然后选择相应的gaussian 函数，使复合率最高。
对于P如图2-1所示：A图2-1P的30号A函数为：f(x) =a1*exp(-((x-b1)/c1)^2) + a2*exp(-((x-b2)/c2)^2) +a3*exp(-((x-b3)/c3)^2) + a4*exp(-((x-b4)/c4)^2) +a5*exp(-((x-b5)/c5)^2) + a6*exp(-((x-b6)/c6)^2) +a7*exp(-((x-b7)/c7)^2) + a8*exp(-((x-b8)/c8)^2) Coefficients (with 95% confidence bounds):a1 = 465.4 (262.3, 668.5)b1 = 43.08 (42.51, 43.65)c1 = 1.469 (0.6424, 2.295)a2 = 540 (373.4, 706.5)b2 = 21.18 (20.56, 21.8)c2 = 2.364 (1.413, 3.316)a3 = 488.8 (345.6, 632.1)b3 = 11.19 (9.72, 12.65)c3 = 5.879 (2.855, 8.902)a4 = 348.1 (140.8, 555.3)b4 = 47.77 (47.17, 48.37)c4 = 1.256 (0.3722, 2.14)a5 = 507.3 (322.1, 692.4)b5 = 2.567 (1.656, 3.478)c5 = 2.746 (0.9547, 4.537)a6 = 367.4 (318.7, 416.1)b6 = 64.72 (57.7, 71.74)c6 = 48.5 (30.88, 66.11)a7 = 5220 (-2.111e+019, 2.111e+019)b7 = 53.02 (-3.76e+013, 3.76e+013)c7 = 0.01028 (-1.507e+013, 1.507e+013)a8 = 326.5 (188.9, 464.1)b8 = 37.72 (36.39, 39.04)c8 = 3.431 (1.175, 5.687)相关的数据：Goodness of fit:SSE: 7.874e+005R-square: 0.6757Adjusted R-square: 0.572RMSE: 104.6（2）模型的求解：图2-2 31号预测接下来的几个时刻2.（1）对P模型的建立：4方法如上，得到：图2-3 30号的风功率拟合图函数为：附录一Goodness of fit:SSE: 6.691e+006R-square: 0.744Adjusted R-square: 0.6622RMSE: 304.8（2）模型的求解：图2-4 31号预测接下来的几个时刻P模型的建立：3.（1）对58方法如上得到：图2-5 30号风功率拟合图Goodness of fit:SSE: 6.271e+008R-square: 0.8352Adjusted R-square: 0.7825RMSE: 2951模型求解：图2-6 31号预测的接下来的几个时刻误差分析：·图2-7P的误差分析表格A图2-8P的误差分析表格4P的误差分析表格图2-9582）对于5月31日0时0分至6月6日23时45分的预测：采用上述模型，依次预测便可，具体细节，不在陈述。