你奈我何3701
-112.
3701
-111.
3701
-110.
3701
-109.
3701
-108.
3701
-107.
3701
81 82 83 84 85 86 87 88 89 90
-106. 3701 -105.
3701
-104.
3701
-103.
3701
-102.
3701
-101.
3701
-100.
3701
-99.3
701
-98.3
701
-97.3
701
91 92 93 94 95 96
-96.3 701 -95.3
701
-94.3
701
-93.3
701
-92.3
701
-91.3
701
表2 ：A组风电机预测值
时间段b：见附录二
考虑其风电功率均值187.3701，就可以得出未来的风电功率值如下：
时间段a：
2006-5-31
1 2 3 4 5 6 7 8 9 10
251.0 938 349.3
185
362.8
125
321.7
115
338.6
25
411.9
375
364.6
875
405.3
75
496.2
188
375.6
563
11 12 13 14 15 16 17 18 19 20
380.8 125 410.6
25
106.9
688
12
-3.56
25
10.78
125
-1.87
5
-2.25
-3.56
25
5.25
21 22 23 24 25 26 27 28 29 30
27.37 5 13.31
25
1.406
25
17.15
625
49.78
125
45.93
75
60
62.34
375
68.81
25
34.59
375
31 32 33 34 35 36 37 38 39 40
14.62 5 25.03
125
30.18
75
21
19.87
5
1.968
75
56.53
125
55.21
875
95.53
125
74.15
625
41 42 43 44 45 46 47 48 49 50
54.46 875 74.71
875
388.8
75
264.6
563
116.6
25
150.2
813
448.0
313
148.8
75
155.2
5
236.4
375
51 52 53 54 55 56 57 58 59 60
383.9 063 189.7
5
283.6
875
238.4
063
188.6
25
196.5
133.8
75
92.25
118.3
125
79.21
875
61 62 63 64 65 66 67 68 69 70
41.90 625 241.9
688
165.5
625
376.7
813
290.7
188
301.1
25
487.9
688
696.9
375
711.4
688
626.8
125
71 72 73 74 75 76 77 78 79 80
703.7 813 519.0
938
385.5
938
667.5
410.2
5
218.5
313
204.7
5
54.56
25
204.5
625
183.4
688
81 82 83 84 85 86 87 88 89 90 92.8111.43-4.12-1.6811.62-2.0625.0349.4043.6876.68
25 75 5 75 5 25 125 625 75 75 91 92 93 94 95 96
139.3 125 109.5
156.7
5
144.6
563
180.7
5
153.0
938
表3：A组风电机预测功率
时间段b：见附录二。
通过Eviews软件，操作方法同A组风电机，可得其他风电机功率，见附录二。
3.1.3预测方法三：基于神经网络的时间序列预测方法
3.1.3.1模型分析
3.1.3.1.1BP神经网络理论
BP (Back Propagation)神经网络是一种神经网络学习算法，全称基于误差反向传播算法的人工神经网络。
图 11 所示拓扑结构的单隐层前馈网络，一般称为三层前馈网或三层感知器，即：输入层、中间层（也称隐层）和输出层。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，够成具有层次结构的前馈型神经网络系统。单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程。
图11
3.1.3.1.2时间序列定义
从统计意义上讲，所谓时间序列就是某项统计指标按时间顺序记录的指标值数列。从数学意义上讲，时间序列的数学实质12,n X X X 是按时间次序排列的随机变量序列，其观测值序列12,x x 称为12,n X X X 一条轨迹或一次实现，轨迹片段12,x x 称为N 个观测样本。时间序列12,n X X X 简记为{},t X t T ∈或()X t 。从系统意义上看，时间序列就是某一系统在不同时间地点的响应。是系统行为量化数据的有序客观记录，反映了系统的结构特征和运行规律。
3.1.3.1.3 BP 网络的混沌时间序列预测的具体过程
网络结构的设计包括决定网络的隐层数、隐层节点数及输入输出层节点数。。
根据混沌时间序列计算出嵌入维数m ，用m 做为网络的输入个数，按照上文建立网络的输入结点数是m, 输出结点数是1, 则每个样本就是样本集中(m + 1) 个相邻数据。例如, 数据序列为121,,,,,,n n N x x x x x + 则
()121,,,,n n x x x x + 是一个训练样本, ()2312,,,,n n x x x x ++ 是另一个训练样本, 如此可得到全部样本, 其中每个样本前n 个数据是输入数据, 后一个数据是期望输出。
用B P 算法反复训练网络, 直到网络收敛于一定的标准。否则, 可重新改变网络的初始权值甚至网络的拓扑结构, 直至训练得到满意结果。
3.1.3.2模型建立
为了便于说明问题，我们从原始附件中引用2006年5月29日0时0分至2006年5
月30日23时45分的风电功率的历史数据，来预测2006年5月31日0时0分的风电功率。
这是个简单的神经网络模型，对过去192个实时点的风电功率数据来预测5月31日0时0分的风电功率。其输出关系如图 12：
()0030W f x Z Y W ????
→→????
输入输出权值
20日时分日23时45分
图 12
然后滚动代入，得到5月31日0时0分至5月31日23时45分及5月31日0时0分至6月6日23时45分的每15分钟一个时点的风电功率预测数据。
3.1.3.3模型求解
这个网络是两层的网络结构，其输出原理：网络的输入是一个有192个元素的状态矢量，每个元素由所选历史日期的时刻点数据的到，一般输入被归一化成[]01p i ≤≤；用 Y 表输入与相应权值[]w i 的内积，即
[][]
1921Y=i w i p i =∑；
网络的输出 Z 由这个内积值经过一个非线性函数如S 形函数获得，该函数体现了神经网络的非线性性质，S 形函数有界限()01f x ≤≤，保证Z 在一定范
围内变化。
（P,Z ）表示输入输出对，在此过程中，所有的权值的调整都将向这使得网络预测输出值与实际值之间的误差最小的方向进行。
用()x t 表示时间序列，[]x i 为网络输入，则网络的工作形式为
[]()x i x t i τ=-
输入神经元的个数，
[][]11,2,,n i z f w i x i i N
=??== ???∑
f (x) 为非线性的Sigmoidal 函数，如
()11x f x e -=+
Sigmoidal 函数的图13：
图13： Sigmoidal 函数
为构成状态空间的各个坐标，该状态空间的维数时N ，等于输入元的个数，如本例中取N=192。实际上究竟N 取多大为合适，主要看能否取得好的效果，我们从大量的数值实验发现：N 取混沌时间序列的重构相空间的饱和嵌入维数为最佳。从而我们能够得到我们需要的预测结果。
由于B p ，C p ，D p ，4p ，58p 的预测过程和A p 的预测过程相似，所以在此以A p 的风电功率预测为例。利用MATLAB 里的neural network 工具箱， 将上述数据输入[574.9688,516.75...195.1875]详见原始附件,选择相应函数，对A p 5月31日0时0分的数据进行预测，并滚动预测5月31日0时0分至23时45分的风电功率数据及5月31日0时0分至6月6日23时45分的风电功率数据，与原始数据进行对比，进行误差计算，得到该模型的准确率为81.866%。
3.1.4对比误差，挑选最优方案
通过对三种预测模型的误差计算得到模型一的误差为12.3456%，模型二的误差为10.8582%（由图x 得到），模型三的误差为8.134%，从而得知，模型三基于神经网络的时间序列预测方法的误差最小，所以被推介为最优模型预测方法。
3.2风电机组的汇聚对于预测结果误差的影响
在问题1的预测结果中，通过对单台风电机组功率（PA ，PB ，PC ，PD ）的相对预测误差与多机总功率（P4，P58）预测的相对误差的对比，发现由于多台机组合收到一个共同的牵制因素影响，例如波长，频率等，使得多机总功率（P4，P58）预测的相对误差要大于对单台风电机组功率（PA ，PB ，PC ，PD ）的相对预测误差，因此在以后的风电功率预测中，电力调度部门应该采取单台风阻功率预测以减小风电功率的误差，以便预先安排最好的调度计划，保证电网的功率平衡和运行安全。
3.3提高风电功率实时预测精度的探索
由问题一的分析得知，模型三基于神经网络的时间序列预测方法属于最优推介，
因此在模型三的基础上，我们对其进一步分析。
3.3.1模型的检验与修正
误差修正规则，它的工作原理是使实际的输出值与期望值的误差达到最小。其数学表达
式为
()()13--=?j j i ij a c aa w 其中i a ，j a 是神经元的实际输出，
j c 是神经元的期望输出,a 是常数。 在实验中，首先随机地取各个[]i w ，根据输入计算出z ，与实际值()τ+t x 比较，求出
两者间的误差平方
()[]()232--+=z t x E τ
计算出相对于权值的误差的偏差 []i w E
??，然年后照梯度下降的方向改变权值，若增加加权值引起误差加大，则权值减小，否则权值增加，反复进行知道误差控制在允许的范围内，或权值的改变不能进一步提高精度
[][][]()331-?+=+i w i w i w n n η
[][]()
43-??-
=?i w E i w []n i w 表示第n 次迭代的权值,η 为测量速率，着类似于用一般的牛顿法去寻找多项式的根，它是通过不断估计偏差函数的值来逼近根。测量η 一般应取较小的值，以抑制震荡，保证收敛。
3.3.2组合神经序列用于实时预测
为了减小预测误差, 这里我们用现有网络的误差作为训练数据, 训练另一个神经网络, 以此揭示并移去系统的关联作用从而校正原来的预测。
按上节所述, 构造并训练一个网络后, 我们得到其实际输出与期望输出的偏差:
N i x x d i i i ,,2,1,
=-=∧ N 是样本个数,i x 为期望输出, ∧i x 为预测值即网络的输出。i d 将被第二个
网络(校正网络) 处理。我们希望能发现这些数据的关联作用, 这一关联作用反映了网络与实际解的系统偏差。
一般地, 我们希望发现这种类型的关系存在:
()
j i i i j i i i t x x x d d d f d ------=,,,,,21,21
