阳江电工培训学校_201哪家好？推荐湖南阳光电子技术学校！我校常年开设：阳江电工培训学校_2014年电工杯数学建、电工培训、焊工培训、电焊工培训实战班、电工培训实战班、电工证考证班、焊工证考证班---面向全国火爆招生。
阳江电工培训学校_2014年电工杯数学建模doc下载内容：
年电工杯数学建模HGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK第一页答卷编号:论文题目:A题、风电功率预测问题姓名专业、班级有效联系电话参赛队员张飒机制B参赛队员王亮机制B参赛队员丽丽机制B指导教师:参赛学校:报名序号:证书邮寄地址:第二页FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK答卷编号:阅卷专家阅卷专家阅卷专家论文等级FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK风电功率预测问题摘要:能源是国民经济的重要基础是现代社会正常运转不可或缺的基本条件他关系到生活的方方面面。世界各国都很注重能源的利用与新能源的开发。一系列事件表明能源不安全带来的隐患与灾难是深远而长久的其重要性不言而喻。风能是一种清洁的、无污染的可再生能源之一对风能利用率的提高将极大的缓解不可再生能源的消耗。据专家们的测估全球可利用的风能资源为亿千瓦约是可利用水力资源的倍。如果利用的风能能量可产生世界现有发电总量,的电量。据有关部门预测我国可利用风能资源约为亿千瓦其中有很好利用价值的约为亿千瓦。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。然而近地风具有波动性、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。因此为了保证电网功率平衡和运行安全有必要对风电功率问题进行实时预测。而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。现在的风力发电机一般是异步发电机必须与电网相连才能产生励磁而发电。早期的风电场采用的是小型恒速风力发电机它的优点在于并网研究相对简单因为感应电机的自然滑动可以轻易的获得很大的阻尼往往只需增加少量的额定功率既可产生很好效果缺点在于它必然受困于电抗储能与释放能量的延时性同并网的瞬时性之间的矛盾。但目前这个问题已经得到解决因为我们总可以通过吸收电抗储能的方法来限制电路中的电压升高。但是随着风力发电机中同步发电机的出现对于如何并网提出了很高的要求。对此人们提出了大量设计方案例如在驱动装置上采用了可拆卸元件或是使用弹簧调节器来反应发电机转子和变速箱结构。在适当的功率下这些装置可以很有效的发挥作用使并网成功。值得一提的是现代风力发电机组主要采用的就是由此装置衍生出来的软并网方式即采用电力电子转换装置在发电机机轴转速同电力网络频率之间建立一种柔性连接。为了解决准确预测的问题我们采用数学建模的形式将其尽可能的预测。方法:时间序列模型、灰色系统模型、平滑模型预测。由于所给的数据太多故通过Matlab软件使用线性回归抽取一些有用的数据。然后主要利用最小二乘法计算。最小二乘法是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最小二乘法来表达。关键词:风电场功率准确预测线性回归最小二乘法FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK一、问题的重述、基本情况: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。、需要解决的问题: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。二、符号说明及基本假设、符号说明P、P、P、P分别表示A、B、C、D四台机组的输出功率数据P该四台机组总输ABCD为出功率及P表示全场台机组总输出功率数据。和T分别表示第j天第k个时间xjkjk段的数据和趋势项、基本假设()、风速的方向在每天的同一时间段变化不大()、数据是在不同天气下收集的()、收集的数据准确无误忽略人员统计数据时产生的误差三、问题分析、对问题的分析给定的历史数据对未来几个小时或几天进行滚动的风电功率实时预测并通过附件中公式检验预测结果的关于预测精度的相关要求。、对问题的分析风机组的汇聚会对预测结果产生累计误差。由于各个风机之间就有误差。众多的机组将风电功率汇聚就相当于把误差累加了。、对问题的分析一、由于气流瞬息万变因此风的脉动、日变化、季变化以至年际的变化都十分明显波动很大极不稳定。二、由于地形的影响风力的地区差异非常明显。一个邻近的区域有利地形下的风力往往是不利地形下的几倍甚至几十倍。故只能通过建立不同的模型进行预测使得预测值更加准确。四、模型的建立与求解、对问题的模型建立和求解(一)、时间序列的二次曲线趋势()、对数据图P分析A由于所给的数据太多故通过Matlab软件使用线性回归抽取一些有用的数据(一FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK天抽取个)抽取的数据如图:日期时段平均一天平均功率一天中的分布图月日月日功率月日月日时刻从数据图P可以看出数据随着天数的变化有明显的周期t=,数据的趋势项。从A一天平均看出数据是随机的是一条S型曲线可以用二次曲线来拟合图中数据的趋势x项。认为(t)满足二元线性回归模型,是观测样本。xttxt,=abtc,t=,ttFGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJKTx,,,xx,,,定义:X=,,？,,Y=？,,,,,,,？,,,,,T,T$$$abcYYYX,,,(a,b,c)的最小二乘法估计公式决定。$$$经估算得到===abc,,ttT这时趋势项,,的估计值是二次曲线。利用原始数据减去趋TttT势项的估计得到基本只含有时间项和随机项用和分别表示第j天第k个时间xjkjk段的数据和趋势项再用第k项时间段的平均值作为时间S(k)的估计利用公式$SkxT,,()()jk,jk$$$$计算出S(),S(),S(),S(),$$$$S(),S(),S(),S(),$$$$S(),S(),S(),S(),$$$$S(),S(),S(),S(),Sj(),xT这时。从原始数据减去趋势项的估计和时间项后得到,itj,RxTS,,,的数据就是随机项的估计(<t<)tttt$$xkTkSk()()(),最后利用公式,k=,,经计算得到月日(部分数值对比)预测值实测值误差计算得到月日至月日(部分值对比)预测值实测值FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK误差()、对数据图P分析B由于所给的数据太多故通过Matlab软件使用线性回归抽取一些数据(一天抽取个)抽取的数据如图:日期时段平均一天平均从数据图P可以看出数据随着天数的变化有明显的周期t=,数据的趋势项。从B一天平均看出数据是随机的是一条S型曲线可以用二次曲线来拟合图中数据的趋势x项。认为(t)满足二元线性回归模型。txt,=abtc,t=,ttTx,,,xx,,,定义:X=,,？,,Y=？,,,,,,,？,,,,,T,T$$$abcYYYX,,,(a,b,c)的最小二乘法估计公式决定。$$$经估算得到===abc,,ttT这时趋势项,,的估计值是二次曲线。利用原始数据TttFGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK减去趋势项的估计得到基本只含有时间项和随机项用T和分别表示第j天第kxjkjk个时间段的数据和趋势项再用第k项时间段的平均值作为时间S(k)的估计利用公$式SkxT,,()()jk,jk$$$$计算出S(),S(),S(),S(),$$$$S(),S(),S(),S(),$$$$S(),S(),S(),S(),$$$$S(),S(),S(),S(),Sj(),xT这时。从原始数据减去趋势项的估计和时间项后得到的数,itj,RxTS,,,据就是随机项的估计(<t<)tttt$$最后利用公式xkTkSk()()(),k=,,,经计算得到月日(部分数值对比)预测值实测值误差计算得到月日至月日(部分值对比)预测值实测值误差()、对数据图P分析C由于所给的数据太多故通过Matlab软件使用线性回归抽取一些数据(一天抽取个)抽取的数据如图:日期时段平均一天平均FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK从数据图P可以看出数据随着天数的变化有明显的周期t=,数据的趋势项从C一天平均看出数据是随机的是一条S型曲线可以用二次曲线来拟合图中数据的趋势项。认为(t)满足二元线性回归模型。xtxt,=abtc,t=,ttTx,,,xx,,,定义:X=,,？,,Y=？,,,,,,,？,,,,,T,T$$$abcYYYX,,,(a,b,c)的最小二乘法估计公式决定。$$$经估算得到===abc,,ttT这时趋势项,,的估计值是二次曲线。利用原始数据减去TttT和分别表示第j天第k个时趋势项的估计得到基本只含有时间项和随机项用xjkjk间段的数据和趋势项再用第k项时间段的平均值作为时间S(k)的估计利用公式$SkxT,,()()jk,jk$$$$S(),S(),计算出S(),S(),$$$$S(),S(),S(),S(),$$$$S(),S(),S(),S(),$$$$S(),S(),S(),S(),Sj(),xT这时。从原始数据减去趋势项的估计和时间项后得到的,itj,FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJKRxTS,,,数据就是随机项的估计(<t<)tttt$$最后利用公式,xkTkSk()()(),k=,,经计算得到月日(部分数值对比)预测值实测值误差计算得到月日至月日(部分值对比)预测值实测值误差()、对数据图分析PD由于所给的数据太多故通过Matlab软件使用线性回归抽取一些数据(一天抽取个)抽取的数据如图:日期时段平均一天平均从数据图可P以看出数据随着天数的变化有明显的周期t=,数据的趋势项。从D一天平均看出数据是随机的是一条S型曲线可以用二次曲线来拟合图中数据的趋势x项。认为(t)满足二元线性回归模型。txt,=abtc,t=,ttFGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJKTx,,,xx,,,定义:X=,,？,,Y=？,,,,,,,？,,,,,T,T$$$abcYYYX,,,(a,b,c)的最小二乘法估计公式决定。$$$经估算得到===abc,,ttT这时趋势项,,的估计值是二次曲线。利用原始数据减去趋TttT势项的估计得到基本只含有时间项和随机项用和分别表示第j天第k个时间xjkjk段的数据和趋势项再用第k项时间段的平均值作为时间S(k)的估计利用公式$SkxT,,()()jk,jk$$$计算出S(),S(),S(),$$$$S(),S(),S(),S(),$$$$S(),S(),S(),S(),$$$$S(),S(),S(),S(),时间项的估计数据Sj(),xT这时。从原始数据减去趋势项的估计和时间项后得到的,itj,RxTS,,,数据就是随机项的估计(<t<)tttt$$xkTkSk()()(),最后利用公式,k=,经计算得到月日(部分数值对比)预测值实测值误差计算得到月日至月日(部分值对比)预测值实测值误差FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK()、对数据图P分析由于所给的数据太多故通过Matlab软件使用线性回归抽取一些数据(一天抽取个)抽取的数据如图:日期时段平均一天平均从数据图可P以看出数据随着天数的变化有明显的周期t=,数据的趋势项。从一天平均看出数据是随机的是一条S型曲线可以用二次曲线来拟合图中数据的趋势x项。认为(t)满足二元线性回归模型。txt,=abtc,t=,ttTx,,,xx,,,定义:X=,,？,,Y=？,,,,,,,？,,,,,T,T$$$abcYYYX,,,(a,b,c)的最小二乘法估计公式决定。$$$经估算得到===abc,,ttT这时趋势项,,的估计值是二次曲线。利用原始数据减TttFGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK去趋势项的估计得到基本只含有时间项和随机项用T和分别表示第j天第k个xjkjk时间段的数据和趋势项再用第k项时间段的平均值作为时间S(k)的估计利用公式$SkxT,,()()jk,jk计算出$$$$S(),S(),S(),S(),$$$$S(),S(),S(),S(),$$$$S(),S(),S(),S(),$$$$S(),S(),S(),S(),Sj(),xT这时。从原始数据减去趋势项的估计和时间项后得到的,itj,RxTS,,,数据就是随机项的估计(<t<)tttt$$最后利用公式xkTkSk()()(),,k=,。经计算得到月日(部分数值对比)预测值实测值误差计算得到月日至月日(部分值对比)预测值实测值误差()、对数据图P分析由于所给的数据太多故通过Matlab软件使用线性回归抽取一些数据(一天抽取个)抽取的数据如图:日期FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK时段平均一天平均从数据图P可以看出数据随着天数的变化有明显的周期t=,数据的趋势项。从一天平均看出数据是随机的是一条S型曲线可以用二次曲线来拟合图中数据的趋势x认为(t)满足二元线性回归模型。项。txt,=abtc,t=,ttTx,,,xx,,,定义:X=,,？,,Y=？,,,,,,,？,,,,,T,T$$$abcYYYX,,,(a,b,c)的最小二乘法估计公式决定。$$$经估算得到===abc,,ttT这时趋势项,,的估计值是二次曲线。利用原始数据减去TttT趋势项的估计得到基本只含有时间项和随机项用x和分别表示第j天第k个时jkjk间段的数据和趋势项再用第k项时间段的平均值作为时间S(k)的估计利用公式$SkxT,,()()jk,jk$$$$S(),S(),计算出S(),S(),$$$$S(),S(),S(),S(),$$$S(),S(),S(),$$$$S(),S(),S(),S(),FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJKSj(),xT这时。从原始数据减去趋势项的估计和时间项后,itj,RxTS,,,得到的数据就是随机项的估计(<t<)tttt$$最后利用xkTkSk()()(),,k=经计算得到月日(部分数值对比)预测值实测值误差计算得到月日至月日(部分值对比)预测值实测值误差误差分析:根据附录中的风电场功率预测预报考核指标。,,N,,PP,MKPK,,r,,准确率,,,,,NCap,k,,,,合格率NrB,,kN,k,,,,PPPP,,MKPKMKPK,,,,,,,,,～,,,,,,,,,,,～,,kk,,,,CapCap,,,,P:准确率合格率r,r,r,r,AP:准确率合格率r,r,r,r,Br,P:准确率合格率r,r,r,CP:准确率合格率r,r,r,r,DP:准确率合格率r,r,r,r,P准确率合格率r,r,r,r,(二)、基于灰色理论的预测模型FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK灰色预测法是指通过分析系统内部各因素之间的相关程度根据原始数据的生成处理来寻求系统变化规律以此建立微分方程模型从而预测风电功率的预测方法。GM模型即灰色模型其实质是将原始序列通过累加得到生成新的序列即将原始数据序列的第一个数据作为新序列的第一个数据将原序列的第二个数据加到第一个数据上其和作为新序列的第二个数据将原序列的第三个数据加到第二个数据上其和作为新序列的第三个数据依此类推得到生成序列。具体方法如下:日测风电功率为:()()()()()PPPPP,(),(),(),(n)…()对数列按照传统GM(,)模型的算法进行一次累加生成数列:()()()()()PPPPP,(),(),(),(n)…,即k()()PkPi()(),,,,k,,…n,i()构造GM(,)模型的一阶微分方程:()dP(),aPbdt()其中啊ab是待定系数利用最小二乘法求解得即aTT,,()()ABBBY,,N,,b其中:,,()(),()()PP,,,,()(),,(),()()PP,,P()T,,B,,,(),,P(),,,,Y,N,,,,,,()(),,,,()()PnPn(),,P(n),,,,()解上面微分方程得灰色预测模型微分方程:()^bb,ak()k,,,…()(),,,式中n。PkPeaa预测的结果序列按下式还原:()()()^^^k,,,…PkPkPk()()(),,式中n()()^^PP()(),其中则预测结果如下所示:PA,PB,PC,PD从月日时分至月日时分的预测结果为:FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK预测PA预测PB预测PC预测PD真实PA真实PB真实PC真实PDP的预测结果为:P原始P预测FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJKP的预测结果为P原始P预测FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJKPA未来天的预测为:月日月日月日月日月日月日月日误差分析:,,N,,PP,MKPK,,r,,准确率,,,,,NCap,k,,,,()()PiPi()(),预测误差为:r,*()Pi()PA的预测误差分析由公式和预测数据可得:预测误差:r=准确率:=r(三)、数据平滑预测法()对一天的预测:应用据数据平滑预测法基于对组历史数据(从到)的分析按下式对一天的个时刻的功率值进行预测:affff,(,,,)设第一天个时刻的功率值为矩阵其中代表第一个时刻点的功fagggg,(,,,)a率值依次代表第n个时刻点的功率值。同理,依次类推。fnnAaaa,()FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJKAaaa,()Aaaa,()Aaaa,()再对以上六组数据求平均如下:AAAA,()(A)以为例说明:PAa的个时刻的功率值对应如下表:a,,(,,,,)即FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK由Aaaa,()可求得:,A(,,,)进而可得:A,(,,,,)A以此(即)作为预测值对月日全天进行预测预测曲线与真实曲线对比图如下:(B)误差分析:由预测曲线与真实曲线的对比可知在小范围的时间内预测值接近真实值。在一些范围内预测值反映出真实值波动趋势。具体分析如下:预测值:真实值:误差:据附表:《风电场功率预测指标》有以下公式:,,N,,PP,MKPK,,r,,准确率:,,,,,NCap,k,,,,N合格率:rB,,kN,kCap,(其中已知每台机组的额定输出功率kW)由以上公式可求得准确率为满足要求。FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK由上式可得合格率为。(C)值的修正:考虑气象因素如当地的温度、气压、相对湿度、风向、气候、季风影响等以当地历年的气象观察数据为基础结合气象分析、天气预报以及经验数据对风速和风电功率进行相应的修正。以使预测值更接近真实值。此外尤其要注重那些数据浮动很大的时刻找到背后的关键因素。()对一周的预测:应用据数据平滑预测法对组(三周)的历史数据(从到)进行分析按下式对一周内的功率值进行预测:说明:先对数据按等时间间隔(先取第一项后面隔三项取一项)进行筛选则每天可选取个时间点设第一周(从到)个时刻的功率值为bmmmm,(,,,)矩阵其中代表第n个时刻的功率值同理第二周(从mnbkkkk,(,,,)到)第三周(从到)bhhhh,(,,,)Bbb,()Bbb,()再对以上六组数据求平均如下:BBB,()(A)以为例说明:Pb的个时刻的功率值(部分)对应如下表:b,(,,,,)FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJKB,(,,,,)B,(,,,,)B以此(即)作为预测值对从月日到月日一周进行预测预测曲线如下:由预测曲线与真实曲线的对比可知在相较于一天的小范围时间预测对一周的预测其预测曲线在较大时间范围内能更好的反映真实值。但在一些范围内也有的较大误差需进行修正。具体分析如下:预测值:真实值:误差:,,N,,PP,MKPK,,r,,准确率:,,,,,NCap,k,,,,FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJKN合格率:rB,,kN,kCap,(其中已知每台机组的额定输出功率kW)由以上公式可求得准确率为满足要求。由上式经计算可得合格率为。()值的修正:同上也要考虑气象因素如当地的温度、气压、相对湿度、风向、气候、季风影响等。以当地历年的气象观察数据为基础结合气象分析、天气预报以及经验数据对风速和风电功率进行相应的修正。以使预测值更接近真实值。对于一周的数据还要考虑天体的运动、太阳粒子、磁场等影响如月球对潮汐的影响。、对问题的求解通过对单台风电机组功率的相对预测误差与多机总功率预测的相对误差进行比较可知:多级总功率的误差大当然其中有累积误差的存在但其主要因素是由风电机组的汇聚使误差增大。如彼此影响的阻抗作用、涡流效应等。由于风速变化是随机性的因此风电场的出力也是随机的。风电本身这种特点使其容量可信度低给电网有功、无功平衡调度带来困难。众多风电机组的汇聚不仅改变了各个机组的功率状况而且汇聚时把各组预测结果的误差都积累了在一起从而产生了较大的累计误差。在风电容量比较高的电力网中可能会产生质量问题。例如电压波动和闪变、频率偏差、谐波等问题。更重要的是:系统静态稳定、动态稳定、暂态稳定、电压稳定都需要验证。当然相同装机容量的风电场在不同的接入点对电网的影响也是不同的。在短路容量大的接入点对系统影响小。反之影响就大。定量分析风电场对主电网运行的影响要从稳态和动态两方面进行分析。稳态分析就是对含风电场的电力系统进行潮流计算。在稳态潮流分析中风电场高压母线不能简单视为PQ节点或PU节点。含风电场的电力系统对平衡节点的有功、无功平衡能力提出更高要求要分别分析含风电场电网在电网大、小运行方式下是否满足系统的安全稳定运行的各种约束。分析风电并网对主电网的影响还需考虑风电场无功问题。风电场无功消耗包括:异步风力发电机消耗双馈异步发电机和直流永磁同步机没有此部分风机出口升压变压器由于整个风电场升压变数目众多有成百上千台叠加起来数量不小风电场升压变电站主变压器消耗等。对于由异步风力发电机组成的风电场应考虑电压稳定性问题。如有必要可采用动态电压控制设备。、对问题的求解:BP型人工神经网络BP神经网络(BackpropagationNeuralNetwork)是指基于误差反向传播算法的多层前向神经网络具有如下特点:()能够以任意精度逼近任何非线性映射给复杂系统的建模带来一种新的非线性的表达工具()它可以学习和自适应未知信息如果系统发生了变化可以通过修改网络的联接值而改变控制效果()分布式信息存储与处理结构具有一定的容错性因此构造出来的系统具有较好的鲁棒性()多输入、多输出的结构模型适合处理复杂问题。风电功率预测原理:FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK其中()风电功率与风速的关系风电场的输出功率随风的波动而波动。风力机捕获的风功率可以用以下公式表示:PCAV,ρp()风电功率与空气密度的关系()PP,w空气密度还是气压、气温和湿度的函数其计算公式为:ρ=,t阻碍风电功率预测精度的分析与论证:阻碍风电功率实时预测精度进一步改善的主要因素有:模型的制约环境的影响详细的气象分析。即在全面考虑各因素的条件下建立合理精确的模型风电场所处的环境如地势、周围建筑等其中影响风电功率的因素有当地的温度、气压、相对湿度、风向等而对于以上因素的预测也必然存在误差。此外对于偶然因素因只可定性分析却无法精确量化估值而带来误差如天体的运动其导致的结果无法精确估计有些还是未知或不可预计。另外理想化因素与实际情况的不同。我们先假设风电机组在预测期内性能不变且不会出现大的故障。即影响因素只是与外因有直接关系。也没考虑决定因素带来的综合效果影响。因此风电功率预测精度是有限定的在现有的科学发展水平下只能是特定精度范围内的提升却并不能无限提高。因为人类并没有完全了解自然天气变化仍是千变万化的。要想建立高精度的风电功率预测也受限于气象学、空气动力学等的发展。五、基于风电功率预测的建议:风电功率的预测是为了保证电网的功率平衡和安全运行。我们可以以预测作为解决问题的一种手段。此外以新的思路在建造风电场的时候我们就可以在考虑发电的同时综合考虑其所处地形、温度、湿度、风向、降水等。即在源头做好预防。比如说光照的影响我们可以将太阳能与风能的利用结合起来。如在风力架上安装太阳能板等。另外在俩山之间会形成风洞风速很大很有破坏力。可考虑不同功率、不同性能风力场最大限度的有效的利用。FGKJGLLKGLGJHJGKJGJJGJGHJGJGJKHGFHFKKHJKGHLHKJKLHLKLKHKLHKLHLJK针对于问题二风电机组汇聚使得误差增大为减小误差可考虑电容的利用减小涡流。在建模时考虑累积误差使得总的风电功率预测误差尽可能减小。六、参考文献、数学建模的实践高等教育出版社版、MATLAB实用教程(第二版)电子工业出版社、数学建模案例分析高等教育出版社、MATLAB在数学建模中的运用电子工业出版社、百度文库FGKJGLLKGLGJHJGKJGJJGJGHJGJGJK
阳江电工培训学校_2014年电工杯数学建模doc下载
