Distribution: Normal Log likelihood: -442127
Domain: -Inf < y < Inf Mean: 6443.75 Variance: 4.53976e+07
Parameter Estimate Std. Err. mu 6443.75 32.4171 sigma 6737.77 22.9228
Estimated covariance of parameter estimates: mu sigma mu 1050.87 1.06786e-11 sigma 1.06786e-11 525.453
Distribution: t Location-Scale Log likelihood: -441674
Domain: -Inf < y < Inf Mean: 4823.77 Variance: 5.46851e+07
Parameter Estimate Std. Err. mu 4823.77 48.43 sigma 5015.64 49.1373 nu 3.7039 0.118706
Estimated covariance of parameter estimates: mu sigma nu mu 2345.47 1820.74 4.54274 sigma 1820.74 2414.48 5.10162 nu 4.54274 5.10162 0.0140911
14
图十八 5分钟的总功率概率分布图
Distribution: Normal Log likelihood: -88428.9
Domain: -Inf < y < Inf Mean: 6443.12 Variance: 4.54395e+07
Parameter Estimate Std. Err. mu 6443.12 72.5204 sigma 6740.88 51.2841
Estimated covariance of parameter estimates: mu sigma mu 5259.2 -1.19508e-12 sigma -1.19508e-12 2630.06
Distribution: t Location-Scale Log likelihood: -88338.5
Domain: -Inf < y < Inf Mean: 4811.03 Variance: 5.49845e+07
Parameter Estimate Std. Err.
15
mu 4811.03 108.417 sigma 5006.14 110.152 nu 3.67506 0.262519
Estimated covariance of parameter estimates: mu sigma nu mu 11754.3 9152.84 22.5145 sigma 9152.84 12133.4 25.3079 nu 22.5145 25.3079 0.0689163
图十九 15分钟的总功率概率分布图
Distribution: Normal Log likelihood: -29472.9
Domain: -Inf < y < Inf Mean: 6434.67 Variance: 4.5344e+07
Parameter Estimate Std. Err. mu 6434.67 125.477 sigma 6733.8 88.7487
16
Estimated covariance of parameter estimates: mu sigma mu 15744.5 1.21148e-13 sigma 1.21148e-13 7876.33
Distribution: t Location-Scale Log likelihood: -29443.3
Domain: -Inf < y < Inf Mean: 4832.97 Variance: 5.41943e+07
Parameter Estimate Std. Err. mu 4832.97 189.542 sigma 5033.31 191.922 nu 3.75566 0.475291
Estimated covariance of parameter estimates: mu sigma nu mu 35926.1 27969.7 71.5576 sigma 27969.7 36833.9 79.9869 nu 71.5576 79.9869 0.225901
由于整体在运算中相互影响，故每个风电机发电波动情况的信息被忽略了。同样可以使用问题三中类似的方法定义信息损失率。数据的好处是容易体现出大数据所体现的规律，坏处是不能反映每个发电机处的风力情况而采取相应的调度措施而发出更多电力，也不容易估计尾流效应对于风电并网的影响。
问题五： 问题分析：
风电机组发出的功率主要与风速有关。由于风的不确定性、间歇性以及风电场内各机组间尾流的影响，所以很难用线性分析等预测风电功率，神经网 络具有自组织、自学习和自适应的能力，对非线性映射问题具有很好的处理能力，适合风电场功率的预测问题。
建立BP神经网络模型：
BP（误差逆传播）神经网络是目前广泛使用的一种网络模型，在函数逼近、模式识别等方面具有广泛应用。 BP网络的模型介绍：
m为输人单元个数；n为隐层单元个数；q为输出单元个数；xp1?xpt?xpm为第p个样本M个输人单元的输人值；wij为输人层i单元到隐单元层第j单元的
17
连接权系数；wjk为隐单元层第j单元到输出单元层单元的连接权系数；
op1?opt?opq为样本模式p的网络输出。BP算法的基本思想是整个学习过程由
信号的正向传播和误差的反向传播过程组成。正向传播时，模式作用与输入层，经营层处理后传想输出层。若输入层未能得到期望的输出，则转人误差的反向传播阶段，将输出误差按照某种形式通过隐层向输人层逐层返回，并“分摊”给各层的所有单元，从而获得各层单元的参考误差或称误差信号，以作为修改各层单元权值的依据。这种信号正向传播与误差反向传播的各层权值矩阵的修改过程，是周而复始地进行的。权值不断修改的过程就是网络的学习过程。此过程一直进行到网络输出的误差逐渐减少到可接受的程度或达到设定的学习次数为止。用BP算法实现网络的学习训练关系式为：
（1） 输入单元
opi?xpi i?1,2?,m,
（2） 隐层单元
opj?f(netpj) j?1,2?,n,n;etpj?i?1mij w?o?,n,p?i jj?1,2（3） 输出单元
opj?f(netpj) k?1;netpj?wjkopj??k k?1
j?1m其中：oj、ok为神经元阈值；作用函数f(net)为默认为S型函数，且有。 f(net)?1/[1?exp(?net)]（4） 输入层与输出层神经元之间的权值
wi?j(t?1)?wi?j(t)???jxi???wi?j(t);?j?opj(1?opj)?kwj?k
（5） 隐层与输出层神经元之间的权值
wj?k(t?1)?wj?k(t)???kyj???wj?k(t);?k?opk(1?opk)?tpk?opk?
式中：?为学习率；?为动量因子。
（6） 误差指标函数
E???(tpk?op)2k/
pk2其中：tpk为希望输出，opk为实际输出。
神经网络在负荷预测中的应用十分广泛，但对于神经网 络的输人元素的选取一
18