三、模型假设
（1）给出的所有风电机组所测得风电功率数据全部真实可靠； （2）测各个风电机组的风电功率是相互独立的事件；
（3）短期内不会出现大的自然灾害，例如地震、台风、火山爆发等；
（4）预测期间分店机组分布不变，发电机组性能不随时间发生很大的改变；
四、符号说明
Pi5s?tk? 表示机组i采样间隔5秒tk时刻的单机输出功率（单位：kW） Pim(tk) 表示机组i采样间隔1分钟tk时刻的单机输出功率（单位：kW） Pi5m(tk) 表示机组i采样间隔5分钟tk时刻的单机输出功率（单位：kW）
Pi15m(tk) 表示机组i采样间隔15分钟tk时刻的单机输出功率（单位：kW）
P?m?tk? 表示全场风电机组采样间隔1分钟tk时刻的总输出功率（单位：kW） P?5m?tk? 表示全场风电机组采样间隔5分钟tk时刻的总输出功率（单位：kW） P?15m?tk? 表示全场风电机组采样间隔15分钟tk时刻的总输出功率（单位：kW）
m 表示输人单元个数 n 表示隐层单元个数
M 表示输人单元的输人值个数；
wij 表示输人层i单元到隐单元层第j单元的连接权系数； wjk 表示隐单元层第j单元到输出单元层单元的连接权系数
五、模型建立与求解
问题一： 模型建立：
风电功率波动来自不同时间长度下负荷分量波动的叠加。按照通常做法，采用滑动平均法作为分离负荷分量。滚动平均法通过对每一个负荷幅值前、后一段
数值滚动求平均,由此得到一条平滑的负荷曲线。
4
滚动求平均的算式为:
LFt?式中:LF,是经滚动平均法平滑处理后时刻t的负荷值;Lt是原时刻t的负荷值;2M是滚动求平均的负荷幅值的个数。 以7号风电机为例，通过做不同M下的滑动平均线，观察确定合适的M值。
1(Lt?(M?1)?Lt?(M?2)?……?Lt?1?Lt?Lt?1?……?Lt?M)2M
图一 7号电机三十天功率变化图
图一中的蓝色线为实际的功率随时间变化曲线，红色线为M=8时的滑动平均线，黄色线为M=16时的滑动平均线。由于数据较多较杂难以观察，故从中抽样部分数据作图观察。
图二 7号电机第16日0:00:05至0:25:00功率随时间变化图
图二中蓝色线为实际的功率随时间变化曲线，红色线为M=8时的滑动平均线，绿色线为M=16时的滑动平均线。由于红色线直观上看能更好地反应蓝色线随时间的变化趋势，故确定M=8作为滑动平均线的最佳取值。以下的图三至图六均为M=8时的滑动平均线与功率随时间变化曲线，不再详细展示变化情况。
5
图三 9号电机三十天功率变化图 图四 11号电机三十天功率变化图
图五 13号电机三十天功率变化图 图六 14号电机三十天功率变化图
波动的定义式为某时间点处实际功率与滑动平均法处理后的该时间点处的功率值之差。即
Pmt?Pt?PFt。对五个电机均进行处理后得到的数据进行拟合，
拟合效果最好的将视为波动数据符合的分布。
模型求解：
同样地，再次以第7号风电机详细讨论。 在对第七号风电机的数据处理时，从图上可以很明显的看出有部分时间段功率0的区间。可以认为，在该时间段内不存在风，因此不存在风电功率波动。故设计程序先去除掉连续为0的区间后，对于得到的波动数组借助MATLAB DFITTOOL工具箱以很小的区间画出频率分布直方图，看出为很明显的对称单峰分布，然后采取较为典型的三种对称单峰分布进行拟合。拟合效果如下图：
6
图七 7号电机功率概率分布图
其中红色线为正态分布的拟合曲线，蓝色为logistic分布的拟合曲线，棕色为t location-scale分布拟合曲线。从图上直观地反映出t分布比其他两个分布都拟合效果更好。
拟合得到的参数如下：
Distribution: Normal（正态分布） Log likelihood: -2.11114e+006 Domain: -Inf < y < Inf Mean: 0.0304007 Variance: 4340.9
Parameter Estimate Std. Err. mu 0.0304007 0.107372 sigma 65.8855 0.0759236
Estimated covariance of parameter estimates: mu sigma mu 0.0115287 -1.30535e-019 sigma -1.30535e-019 0.0057644
Distribution: Logistic（logistic分布） Log likelihood: -2.05667e+006 Domain: -Inf < y < Inf Mean: -0.938264 Variance: 2938.73
Parameter Estimate Std. Err. mu -0.938264 0.0773422 sigma 29.8876 0.0428326
7
Estimated covariance of parameter estimates: mu sigma mu 0.00598182 1.59867e-005 sigma 1.59867e-005 0.00183463
Distribution: t location-scale（非中心t分布） Log likelihood: -2.00837e+006 Domain: -Inf < y < Inf Mean: -1.2465 Variance: Inf
Parameter Estimate Std. Err. mu -1.2465 0.0483585 sigma 23.1101 0.0674498 nu 1.41802 0.00553961
Estimated covariance of parameter estimates:
mu sigma nu mu 0.00233854 -3.15345e-005 -2.4656e-006 sigma -3.15345e-005 0.00454947 0.000254448 nu -2.4656e-006 0.000254448 3.06873e-005
图八至图十展示了其余电机波动情况频率分布直方图。具体拟合参数不再赘述。从图上看，均直观地可以看出t分布为最佳拟合分布。
图八 9号电机功率概率分布图
8