【《短期风电功率预测仿真与结果评估分析案例》2600字】

短期风电功率预测仿真与结果评估分析案例1.1风电功率预测结果评估指标本文通过采用多个指标来对模型预测结果进行多方面的评估分析[51-63]。通过用来反映了预测的风电功率值和实际的风电功率值之间的差值，同样的也可以反映了样本之间的离散分布程度。和反映了模型的风电功率预测结果与实际的风电功率的真实值之间的误差。和ME值越小无限趋于0时，就代表改进极限学习机模型预测的结果就更加的贴近实际值；同理，和值越大，就代表模型的预测精度越低。反映了模型的预测风电功率结果曲线与真实风电功率曲线的拟合程度。如果越接近于1，就代表所采用的模型的预测风电功率的效果越好；越接近于0，就代表所采取的模型的风电功率预测效果越差。(4-1)(4-2)(4-3)式中表示预测值的平均值；表示预测值；表示实际值。1.2改进极限学习机模型的预测仿真本节采用多种预测模型对风电功率进行预测，其中包括：支持向量机模型、BP神经网络模型、高斯过程回归模型[41-46]。为了验证本文提出的改进极限学习机模型的预测效果。本文将常见的三种预测模型(支持向量机模型、BP神经网络模型、高斯过程回归模型)作为对比模型对风电功率进行预测。首先采用支持向量机模型、BP神经网络模型、高斯过程回归模型和改进极限学习机模型分别对春季风电功率进行预测。将2017年4月15日至2017年4月19日统计的720组风电功率数据作为模型的训练样本。将2017年4月20日统计的144组风电功率数据作为模型的测试数据。将风向、风速和外界温度作为模型的输入变量；将功率作为输出变量。2017年4月24日的风电功率预测效果如图4-1所示。各模型的预测误差分布如表4-1。(a)功率预测曲线(b)风电功率预测误差支持向量机模型BP神经网络高斯回归方程改进极限学习机模型(c)误差统计图4-1.4月20日的风电功率预测结果表4-1.4月20日5种模式风力发电误差分布模型数值支持向量机模型5448131514BP神经网络模型3046431312高斯过程回归模型2041423110改进极限学习机模型90321048图4-1(a)展示了支持向量机模型、BP神经网络模型、高斯过程回归模型和改进极限学习机模型对于4月20日风电功率预测曲线。图4-1(a)中各模型的风电功率预测曲线与实际值曲线基本吻合，基本反映了4月20日24小时的风电变化趋势。四种预测模型都与实际值比较吻合，都展现了较强的预测稳定性，在预测的整个期间都能反映风电功率的波动状态。同时也可以看到改进极限学习机模型的预测风电功率值相对接近风电功率实际值。图4-1(b)展示了四种模型的预测误差。其中，改进极限学习机模型的预测误差相对较小。从0时到20时，改进极限学习机模型的RE值极大部分控制在了-20%到20%以内，实现了较高的预测精度，其他四种模型误差都相对较大。从20时到24时，支持向量机模型、BP神经网络模型、高斯过程回归模型和改进极限学习机模型的预测误差变大，它们的RE值超过了20%。图4-1(c)展示了相对误差绝对值()在各区间所占百分比。表4-1展现了各模型预测值在误差区间的个数。对比表4-1中的值发现，改进极限学习机模型的预测精度最高。在图4-1(c)得出，改进极限学习机模型的预测误差在区间的个数最多达到了63%。改进极限学习机模型的预测误差值全部控制在了22%以内。支持向量机模型、BP神经网络模型、高斯过程回归模型和改进极限学习机模型预测误差超过10%的比例分别为29%、47%、58%和15%。其次，采用支持向量机模型、BP神经网络模型、高斯过程回归模型和改进极限学习机模型分别对秋季风电功率进行预测。将2017年11月21日至2017年11月25日统计的720组风电功率数据作为预测模型的训练样本。将2017年11月26日统计的144组风电功率数据作为模型的测试数据。各模型对秋季26日24小时的风电功率预测效果如图4-1所示。各模型预测值与实际值的相对误差分布如表4-2。(a)秋季功率预测曲线(b)秋季风电功率预测误差向量机模型BP神经网络模型高斯过程回归模型改进极限学习机模型(c)误差统计图4-2在11月26日风电功率预测结果表4-2.在11月26日四种模型的风电功率误差分布模型数值向量机模型4240181529BP神经网络模型5928221520高斯过程回归模型4531291128改进极限学习机模型7033161213图4-2(a)展示的是四种预测模型对秋季风电功率预测结果。四种模型的预测曲线与26日24小时的风电功率值变化趋势一致。整体来看，四种模型的预测值与真实值的拟合度较高。图4-2(b)展示了四种预测对秋季功率的预测误差。从图中可以看到改进极限学习机模型依旧展现出了相对较高的预测精度。大部分误差值控制在20%以内。对于BP神经网络模型最大相对误差超过80%。但改进极限学习机模型最大相对误差超过60%。对于秋季风电功率，改进极限学习机模型的预测稳定性与预测精度都相较其他三种模型有较好的结果。图4-2(c)统计了四种模型对秋季风电功率预测误差。分析图4-2(c)的数据可知，改进极限学习机模型在区间内的误差值占到了总样本的49%。支持向量机模型在区间内的误差值占到了总样本的29%、BP神经网络模型在区间内的误差值占到了总样本的41%，高斯过程回归模在区间内的误差值占到了总样本的31%。通过了与其它三种模型对比可知，改进极限学习机模型预测的风电功率结果与真实值的误差相对较小。表4-2显示了四种模型的预测误差分布。如表4-2所示,对于144个样本点，改进极限学习机模型的70个样本点的误差小于5%，同时有13个样本点的预测误差超过20%。相比较于向量机模型、BP神经网络模型和高斯过程回归模型，改进极限学习机模型的预测误差基本控制在了30%以内。四种模型对春季和秋季风电功率预测的评估结果如表4-3和图4-3。表4-1.模型预测结果的评估季节模型评估指标(%)(%)春季支持向量机模型59.1710.3795.31BP神经网络模型66.5211.7195.33高斯过程回归模型79.7111.2291.40改进极限学习机模型29.935.9698.79秋季支持向量机模型49.4211.1296.11BP神经网络模型46.289.7897.02高斯过程回归模型52.0811.5696.88改进极限学习机模型32.158.4498.10DEVME图4-3四种模型预测风电功率的误差比较表4-3展示了四种预测模型的评估值，图4-3展示了春季和秋季风电功率预测的评估指标比较结果。无论对于春季风电功率预测还是秋季风电功率预测，改进极限学习机模型的ENDEV值控制在30左右。相比较于其它三种模型，改进极限学习机模型的ENDEV值是最低的。如图4-3所示，改进极限学习机模型的ENDEV值同样是最小的。对于春季风电功率预测，改进极限学习机模型的ENME值分别比支持向量机模型、BP神经网络模型和高斯过程回归模型的ENME值小7.26%，5.75%和1.41%。对于秋季风电功率预测，改进极限学习机模型的ENME值分别比支持向量机模型、BP神经网络模型和高斯过程回归模型的ENME值小1.12%，1.34%和1.