loading
第一页
答卷编号：
论文题目： A 题 风电功率预测问题
指导教师：
参赛学校：
报名序号：
证书邮寄地址：
（学校统一组织的请填写负责人）
第二页
答卷编号：
阅卷专家 1 阅卷专家 2 阅卷专家 3 论文等级 2
A 题 风电功率预测问题
摘要
风能是一种可再生、 清洁的能源， 风力发电技术的进一步研究和开发对解决 能源危机、 缓解环境压力以及提升经济发展水平具有重大的意义。 据此，本文通 过建立一系列数学模型来研究和探索风电功率的预测以及提高预测精度问题。
针对第一问，本文提出指数平滑法、小波神经网络以及时间序列 ARMA 三 种预测模型对风电功率进行预测。指数平滑法采用平滑公式为： t t 1
sx
(1 )St 1,0 1,t 3
，通过
调整平滑参数 来优化预测精度；小波
神经网络采用的小波基函数为 Morlet 母小波基函数，小波神经修正采用梯度修 正法； ARMA 模型通过确定自回归阶数和移动平均阶数来构造预测表达式。结 果为： 指数平滑法 合格率 准确率 MSE
小波神经网络 0.719 0.688 0.57 ARMR 0.947 0.876 0.194 0.927 0.721 0.076 针对第二问， 本文在第一问所求结果的基础上， 使用熵值赋权法对三种模型 进行归一化处理， 所得权值向量为 w (0.3246,0.3344,0.341) ，得到一组基于以上
三种模型的预测数据。使用拟合与聚类分析得出单机系统对多机系统 P4 的相关 性高于对总机系统的相关性， 据此，使用基于李雅普诺夫中心极限定理的通过假 设相对误差小于题目要求的概率模型，求得单机组和多机组的通过检验概率为： 机组 属性 通过概率 A 77.64% B 62.17% C 78.23% D 77.94% P4 P58 77.94% 80.0% 最后得出普遍性规律为： 由于多机预测较精确， 可以用多机系统的预测结果对单 机进行预测。修正单机系统预测所带来的相对误差，提高精度。
针对问题三，本文建立基于遗传算法的 ARMA 模型，对ARMA 模型的阶数 进行优化。定义平均相对变动值( ARTD )，并令遗传算法的适应度函数为：
f(x) ARTD 。最后得到具有更高预测精度的模型。具体指标值如下表：
机组 属性 准确率(单位：%) A 88.0 B 85.6 C 84.8 D 87.4 P4 90.4 P58 93.4 合格率(单位：%) 95.2 94.6 95.0 95.1 99.0 99.5 本文提出的模型对风电功率的预测具有重大的借鉴意义， 并可将其模型推广应用 至工程预测、股票分析、生产计划等问题上。
关键字 ：风电功率预测、时间序列、指数平滑法、小波神经网络、遗传算法
1