風(fēng)功率預(yù)測(cè)論文

1、0答卷編號(hào)：論文題目：風(fēng)功率預(yù)測(cè)問(wèn)題姓名專業(yè)、班級(jí)有效聯(lián)系電話參賽隊(duì)員1張畢心自動(dòng)化218782996154參賽隊(duì)員2陳光磊自動(dòng)化213568800366參賽隊(duì)員3占子赫自動(dòng)化218782994352指導(dǎo)教師：參賽學(xué)校：西南交通大學(xué)報(bào)名序號(hào)：2476證書(shū)郵寄地址：（學(xué)校統(tǒng)一組織的請(qǐng)?zhí)顚?xiě)負(fù)責(zé)人）2摘要本文對(duì)風(fēng)功率的預(yù)測(cè)問(wèn)題作出了研究，并在題目提供的數(shù)據(jù)參考下給出了幾種預(yù)測(cè)方案，接著對(duì)，最后對(duì)最優(yōu)進(jìn)行了優(yōu)化。本文對(duì)風(fēng)電場(chǎng)發(fā)電功率數(shù)據(jù)進(jìn)行了研

2、究，在此基礎(chǔ)上建立了預(yù)測(cè)模型，并且進(jìn)行了誤差分析以及最優(yōu)模型的建立。針對(duì)問(wèn)題一，首先我們選擇了對(duì)a時(shí)間范圍進(jìn)行預(yù)測(cè)，由于這屬于短期預(yù)測(cè)，短時(shí)間內(nèi)風(fēng)功率收外因影響較小，所以經(jīng)分析，我們采用了三種模型，分別是時(shí)間序列分析模型、灰色預(yù)測(cè)模型以及bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。時(shí)間序列指數(shù)平滑模型中，指數(shù)平滑法相當(dāng)于通過(guò)對(duì)過(guò)去觀測(cè)值的加權(quán)平均進(jìn)行預(yù)測(cè)，第一次預(yù)測(cè)的16數(shù)據(jù)統(tǒng)一用一個(gè)數(shù)據(jù)，而后每過(guò)一個(gè)時(shí)段覆蓋一次。灰色預(yù)測(cè)模型中，考慮到短期預(yù)測(cè)所用數(shù)據(jù)較少

3、，灰色模型中，將所要用到的歷史數(shù)據(jù)組成時(shí)間序列，建立灰色預(yù)測(cè)模型GM（11）模型，通過(guò)matlab軟件編程，從而求解到需要預(yù)測(cè)的數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)模型中，以前5個(gè)時(shí)間點(diǎn)的風(fēng)功率為輸入值、預(yù)測(cè)下一時(shí)間點(diǎn)的風(fēng)功率為輸出值，并建立單隱層bp神經(jīng)網(wǎng)絡(luò)。并且為了縮短訓(xùn)練時(shí)間同時(shí)更加精確的預(yù)測(cè)，首先根據(jù)經(jīng)驗(yàn)公式初步確定隱含層神經(jīng)元個(gè)數(shù)，然后通過(guò)對(duì)不同神經(jīng)元數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練對(duì)比，再最終確定神經(jīng)元數(shù)。并且設(shè)定網(wǎng)絡(luò)最大迭代次數(shù)和學(xué)習(xí)精度。最后通過(guò)matlab

4、編寫(xiě)程序，得出預(yù)測(cè)波形，與真實(shí)波形進(jìn)行對(duì)比。針對(duì)問(wèn)題二，我們通過(guò)對(duì)問(wèn)題一中數(shù)據(jù)的圖像的分析和綜合，我們根據(jù)他們之間的均方誤差得出結(jié)論。針對(duì)問(wèn)題三，我們采用了基于小波理論的神經(jīng)網(wǎng)絡(luò)模型。將小波多分辨率分析技術(shù)和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合提出一種新的預(yù)測(cè)方法即用小波分解技術(shù)將風(fēng)速序列分解成概貌分量和各個(gè)細(xì)節(jié)分量然后對(duì)各分量分別用BP網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)最后經(jīng)重構(gòu)得到原始風(fēng)速序列的預(yù)測(cè)值。在網(wǎng)絡(luò)訓(xùn)練中采用自動(dòng)調(diào)整學(xué)習(xí)速率的方法即自適應(yīng)學(xué)習(xí)速率法，檢查權(quán)值的修