层前馈网络。并将输入变量确定为原始风电功率序列的二阶差分序列。由于风速呈现很强的随机性,在此用滚动式权值调整的手段:①假设第一组训练样本集所用的数据为Zt+1...Zt+2,at+1...at+2,利用这组数据训练好网络之后可以预测出Zt+N+1,进而求出。②随着预测过程的推移,在得到之后,训练样本集所用历史数据也随之不断推移,变成Zt+1...Zt+2,at+1...at+2,并在上一次的权值基础上再次训练网络,训练好网络后可预测出,进而求出,依此类推。根据此方法,我们得出四台机组在5月31日0时0分到6月6日23时45分之间的预测功率。如图2-1:如图2-2:预测5月31日的四台发电机组功率如图2-3:预测58台发电机组总功率方法3——最邻近点插值法(1)分析与建模本题给出了一段时间内若干预报点用两种不同方法进行输出功率预测的预报数据,同时给出了四台风电机组(A、B、C、D)输出功率数据实测值。只能通过对预报点的预报数据进行分析,建立预报模型,通过预报模型预测风电机组的预测值,然后将预测值与实测值进行比较,得到预报准确性的评价方法。我们首先将利用插值算法,建立相关数学模型,对四台风电机组(A、B、C、D)输出功率数据进行预报。然后再利用相关的评价算法。(2)预报算法1(最邻近点插值法)人们最容易想到、最简单的一种算法是“最邻近点插值法”。这种算法的思想是将与A最邻近的点(ai,bj)的预报值Zl(j,k,d,t),Z2(j,k,d,t)作为此风电机组预报值,即拿1(i,d,t)=zl(j,k,d,t),拿2(i,d,t)=z2(j,k,d,t),d=1,2,…,28,t=1,2,3,.....,96)..........(1)我们用此算法对风电机组进行了预报,得到如图1所示的5月31号4四个发电组预测曲线如图2:5月31号P4预测功率图3:5月31号58台机组的预测功率
全文预览
