基于自回归移动平均模型建立风电功率预测模型，利用区间分布表征预测误差的分布，通过Matlab实现模型表达和仿真程序，最终通过仿真

n = 6600; Data = xlsread('wind shuju.xlsx');%数据库 SourceData = Data(1:n);%训练集 step=600;%后1000个测试 origin=Data(6001:6600);%error1准备参数 TempData=SourceData; TempData=detrend(TempData);%去趋势线 TrendData=SourceData-TempData;%趋势函数 figure('name', '箱型图') boxplot(Data); title('箱型图'); H=adftest(TempData); difftime=0; SaveDiffData=[]; while ~H SaveDiffData=[SaveDiffData,TempData(1,1)]; TempData=diff(TempData);%差分，平稳化时间序列 difftime=difftime+1;%差分次数 H=adftest(TempData);%adf检验，判断时间序列是否平稳化 end u = iddata(TempData); test = []; for p = 1:5 for q = 1:5 m = armax(u,[p q]); AIC = aic(m); test = [test;p q AIC]; end end test1=[]; n=Data(6001:6600,1); n1=iddata(n); m = armax(u,[1 1]); %由上一步的值得出最合适的p,q P1=predict(m,n1,1); PreR=P1.OutputData PreR=PreR' %此就是预测值 if size(SaveDiffData,2)~=0 for index=size(SaveDiffData,2):-1:1 PreR=cumsum([SaveDiffData(index),PreR]) end end x=[1:1:600]; a=[1:1:600]; plot(x,PreR,'r-o',a,Data(6001:6600,1),'b--+'); figure plot(PreR,':og') hold on plot(origin,'-*'); legend('预测输出','期望输出') title('AMRA预测输出','fontsize',12) ylabel('风速(m/s)','fontsize',12) xlabel('样本','fontsize',12) xlswrite('E:\MA\bin\hunhe\predict.xlsx', PreR); error=PreR-origin;%预测误差 error1=(origin-PreR)./origin; %相对误差 y1=diag(error); y2=diag(error1); xlswrite('E:\MA\bin\hunhe\error.xlsx', y1); xlswrite('E:\MA\bin\hunhe\error1.xlsx', y2); MAE=(sum(abs(y1)))/600; %绝对平均误差 24对误差 RMSE=sqrt((sum(y1.^2))/600);%RMSE 均方根误差公式 n = length(TempData); meanTempData = mean(TempData); varTempData = var(TempData); ACF = zeros(1, 21); % 初始化ACF向量，只包括前20滞后 lags = 0:20; % 创建滞后向量，只包括前20滞后 % 计算ACF for k = 0:20 sum = 0; for t = (k+1):n sum = sum + (TempData(t) - meanTempData) * (TempData(t-k) - meanTempData); end ACF(k+1) = sum / ((n-k) * varTempData); % 计算ACF值 end % 初始化PACF向量 PACF = zeros(1, 21); % 计算PACF for k = 0:20 if k == 0 PACF(1) = ACF(1); % 0滞后是ACF的第一个值 else % 准备回归数据 Y = TempData(k+1:end); % 当前时间点及其之后的值 X = [ones(length(Y), 1), TempData(1:end-k)]; % 包含常数项和滞后值的矩阵 % 执行回归 beta = regress(Y, X); residuals = Y - X * beta; % 计算残差 PACF(k+1) = var(residuals) / var(Y); % 计算PACF值 end end % 绘制ACF和PACF图 figure; subplot(2,1,1); stem(lags, ACF, 'filled'); title('自相关函数 (ACF)'); xlabel('滞后阶数'); ylabel('ACF值'); subplot(2,1,2); stem(lags, PACF, 'filled'); title('偏自相关函数 (PACF)'); xlabel('滞后阶数'); ylabel('PACF值'); % 创建一个新的图形窗口 figure; % 在第一个子图中绘制绝对误差 subplot(1, 2, 1); % 1行2列的第一个子图 plot(y1); % 绘制绝对误差数据 title('绝对误差'); % 设置子图标题 grid on; % 开启网格 % 在第二个子图中绘制相对误差 subplot(1, 2, 2); % 1行2列的第二个子图 plot(y2); % 绘制相对误差数据 title('相对误差'); % 设置子图标题 grid on; % 开启网格