1 简介
风电功率预测结果的准确性,不仅关系到风力发电厂的综合运行效率,也与区域运行成本具备直接联系,基于BP神经网络、LSTM、GRNN实现风电功率预测。经过实例分析,证明设计的方法对风电功率的预测结果误差均在最优误差范围内,预测的数值具有更高的价值。
2 部分代码
%% ARMA 预测
clc,clear,close all
load data%导入数据
T=30;
buchang=size(unnamed,1)-T;%预测步长
y = unnamed(1:T);
[m,n]=size(y);
%% %% 3.确定ARMA模型阶数
% ACF和PACF法，确定阶数
figure
subplot(211),autocorr( y );
subplot(212),parcorr( y );
figure
dy = diff( y );
subplot(211),autocorr( dy );
subplot(212),parcorr( dy );
%% ARIMA 模型
Mdl = arima(5,1,0);
EstMdl = estimate(Mdl,y);
res = infer(EstMdl,y); %res即残差
% 模型验证
figure
subplot(2,2,1)
plot(res./sqrt(EstMdl.Variance))
title('Standardized Residuals')
subplot(2,2,2),qqplot(res)
subplot(2,2,3),autocorr(res)
subplot(2,2,4),parcorr(res)
% 预测
[yF,yMSE] = forecast(EstMdl,buchang,'Y0',y);
UB = yF + 1.96*sqrt(yMSE); %95置信区间下限
LB = yF - 1.96*sqrt(yMSE); %95置信区间下限
yF=[unnamed(1:T);yF];
figure(4)
h4 = plot(unnamed,'b');
hold on
h5 = plot(yF,'r','LineWidth',2);
h6 = plot(m+1:m+buchang,UB,'k--','LineWidth',1.5);
plot(m+1:m+buchang,LB,'k--','LineWidth',1.5);
legend('实际幅值','预测幅值');
xlabel('时间序列')
ylabel('幅值')
title('arma预测图')
bp_mse = mean((yF-unnamed).^2);%mse
disp(['ARMA预测的mse=',num2str(bp_mse)])
bp_mae = mean(abs(yF-unnamed));%mae
disp(['ARMA预测的mae=',num2str(bp_mae)])
bp_rmse = sqrt(mean((yF-unnamed).^2));%均方差
disp(['ARMA预测的rmse=',num2str(bp_rmse)])
3 仿真结果
4 参考文献
[1]丁宇宇, 陈颖, 周海. 基于MATLAB语言的BP神经网络风电功率超短期预测模型[C]// 中国电机工程学会电力系统自动化专业委员会三届一次会议暨学术交流会. 中国电机工程学会, .
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
