CN103996079A - 一种基于条件概率的风电功率加权预测方法 - Google Patents

Abstract

本发明提供一种风电功率短期预测方法，该方法包括：用置信带等值曲线法表示机组的风速-功率特性曲线；通过实际数据测试，得到不同历史时刻的权重系数，准确地预测风速；采用系数纠偏预测法，得到最终预测功率。最后通过误差分析比较，证明了此种方法的有效性。此方法创造性地用置信带的思想得出了一条准确的风速一功率曲线，基于实际数据，采用系数纠偏预测法，准确地预测了功率。

Description

一种基于条件概率的风电功率加权预测方法

技术领域

本发明涉及一种风电功率短期预测方法。

背景技术

风力发电是一种新的发电方式。近几年来，我国的能源政策进行了调整，并网风电装机容量快速增长，同时大规模风电集中并网对电网安全运行也带来了冲击。提高风电场出力的可预测性，能够有效减少风电对电网造成的冲击，减轻电网压力，这对充分利用风能，提高并网风电装机比例有积极意义。

风电场出力进行预报，将使电力调度部门能够提前为风电出力变化及时调整调度计划，从而减少供电系统旋转备用容量，降低电力系统运行成本，并为电网系统调度提供可靠的依据。从风电场角度考虑，与其他可控的发电方式相比，风电的间歇性将大大消弱其竞争力，能够提前对风电场出力进行预报，将很大程度上提高风力发电的电力交易竞争力。同时，风电场可以根据预报结果，选择无风或低风时间段，对设备进行维修，从而提高发电量和风电场容量系数。

当前，国外某些国家，如丹麦、西班牙、美国等，已经研发出用于风电场出力预报的系统，且在多个风电场在线运行。这些系统有的使用统计模型，有的使用物理模型。这些模型的预报误差都较大，效果不尽如人意。由于没有充分考虑我国风电场独特性，国外的风电出力预报系统还不能直接应用于国内，或者应用效果很差。而国内这方面研究起步较晚，尚处于初步探索研究阶段，研究工作主要集中在风电场风速短期预测，真正意义上的发电功率研究更少。因此，加快开展风电功率预测研究步伐，尽快研制出适合我国国情的、精度较高的、具有自主知识产权的风电功率预测系统，具有重大意义。

发明内容

发明目的：针对上述现有技术，提供一种新的风电功率短期预测方法。

技术方案：一种基于条件概率的风电功率加权预测方法，包括以下步骤：

1)用置信带等值曲线法表示机组的风速-功率特性曲线；

2)通过实际数据测试，得到不同历史时刻的权重系数，准确地预测风速；

3)、采用系数纠偏预测法，得到最终预测功率。

作为本发明的优选方案，所述步骤1)包括如下步骤：

11)读取一风电场中所有风电机组一年的风速-功率运行数据(V，P)，(V，P)是二维连续型随机向量；

12)将所述风速-功率运行数据(V，P)作为若干次样本点，用所述样本点落在点(v，p)的δ邻域内的平均概率密度表示(V，P)的概率密度f(v，p)：

$f(v,p)\≈\frac{n/N}{S_{\mathrm{\δ}}}---\left(1\right)$

并且：

$\underset{\mathrm{\δ}\→0}{\lim }f(v,p)=\frac{f/N}{S_{\mathrm{\δ}}}---\left(2\right)$

其中，n为落在(v，p)的δ邻域内的样本点的个数，N为样本点总数，S_δ为(v，p)的δ邻域的面积，f表示落在(v，p)这一点的样本点的个数；

13)根据所述(V，P)的概率密度函数f(v，p)，得到功率的条件分布密度函数f_P|V(p|v)为：

$f_{P|V}\left(p\right|v)=\frac{f(v,p)}{f_V\left(v\right)}---\left(3\right)$

其中，f_V(v)为(V，P)关于V的边缘分布密度函数即风速的概率分布函数，f_V(v)为：

$f_V\left(v\right)={\∫}_{-\∞}^{+\∞}f(v,p)\mathrm{dp}---\left(4\right)$

其中，0＜p＜+∞，v＝v₀；

14)根据所述功率的条件分布密度函数f_P|V(p|v)，计算出某一风速下功率的条件分布，并得到该风速下所述统计样本点的样本均值μ_r和方差S²，即功率条件分布参数μ和σ²的无偏估计，从而得到该风速下95％置信度的区间为

15)根据步骤4)，取若干不同风速，分别统计其样本均值和方差，得到不同风速下95％置信度的区间；

16)分别连接所述不同风速置信区间的下限及上限，得到两条边界风速一功率特性曲线，曲线的纵坐标表示功率值；按所述纵坐标从小到大取不同水平线，依次连接每条水平线与所述两条风速一功率曲线的两个交点的中点，最终得到一条准确的风速一功率特性曲线。

作为本发明的优选方案，所述步骤2中，预测当日24小时风速的具体步骤如下：

21)读取前日0时、6时、12时、18时整点时刻风速数据，并读取昨日0～24时风速数据；

22)预测风速＝k₁×历史时刻1的风速+k₂×历史时刻2的风速+k₃×历史时刻3的风速+k₄×历史时刻4的风速   (5)

其中，k₁、k₂、k₃、k₄为不同历史风速的权重系数，历史时刻1～4的风速分别对应昨日0时、6时、12时、18时整点时刻风速值；

且有：

k₁+k₂+k₃+k₄＝1     (6)；

23)预置k₁＝0.10，k₂＝0.20，k₃＝0.30，k₄＝0.40；

24)根据步骤23)的系数预置值以及前日0时、6时、12时、18时整点时刻风速数据，通过所述步骤22)的预测风速方法，以分钟为单位，得到昨日某一时刻第一次风速估计值；

25)将得到的所述第一次风速估计值与昨日该时刻实际值比较作差，根据误差值调整k₁、k₂、k₃、k₄值，按步骤24)得到某一时刻第二次风速估计值，将所述第二次风速估计值与昨日该时刻实际值作差比较，根据得到的误差值再次调整k₁、k₂、k₃、k₄值，直至预测值与实际值误差范围为小于0.8m/s为止，记录此时k₁、k₂、k₃、k₄值；

26)根据所述步骤23)～25)，以分钟为单位，得到一天中每一分钟时刻的k₁、k₂、k₃、k₄值；

27)将所述步骤26)得到的一天中每一分钟时刻的k₁、k₂、k₃、k₄值以代入式(5)得到当日风速最终预测值。

作为本发明的优选方案，所述步骤3)中，采用系数纠偏预测当日24小时功率的具体步骤如下：

31)读取前日0时、6时、12时、18时整点时刻功率数据，并读取昨日0～24时功率数据；

32)总预测功率＝C₁×基于历史功率的功率预测+C₂×F(x)    (7)

其中，C₁、C₂为通过风电场实际数据测试得出的权重系数，F(x)为基于所述风速一功率特性曲线的功率预测值，x为风速；所述基于历史功率的功率预测方法为：

基于历史功率的功率预测＝m₁×历史时刻1的功率+m₂×历史时刻2的功率+m₃×历史时刻3的功率+m₄×历史时刻4的功率   (8)

其中，m₁、m₂、m₃、m₄为不同历史功率的权重系数，历史时刻1～4的功率分别对应昨日0时、6时、12时、18时整点时刻功率值；

且有：

m₁+m₂+m₃+m₄＝1    (9)

C₁+C₂＝1   (10)；

33)预置m₁＝0.10，m₂＝0.20，m₃＝0.30，m₄＝0.40；预置C₁＝0.50，C₂＝0.50

34)根据步骤33)的系数预置值以及前日0时、6时、12时、18时整点时刻功率数据以及基于所述风速一功率特性曲线的功率预测值F(x)，通过所述步骤32)的总预测功率方法，以分钟为单位，得到昨日某一时刻第一次功率估计值；

35)将得到的所述第一次功率估计值与昨日该时刻实际值比较作差，根据误差值调整m₁、m₂、m₃、m₄、C₁、C₂值，按步骤34)得到某一时刻第二次功率估计值，将所述第二次功率估计值与昨日该时刻实际值再次作差比较，根据得到的误差值再次调整k₁、k₂、k₃、k₄、C₁、C₂值，直至预测值与实际值误差范围为小于500Kw为止，记录下此时k₁、k₂、k₃、k₄、C₁、C₂值；

36)根据所述步骤33)～35)，以分钟为单位，得到一天中每一分钟时刻对应的k₁、k₂、k₃、k₄、C₁、C₂值；

37)将所述步骤36)得到的一天中每一分钟时刻对应的k₁、k₂、k₃、k₄、C₁、C₂值代入式(8)得到当日功率最终预测值。

有益效果：与现有技术相比，本发明具有如下有益效果：

1)对于风电场电机组的风速一功率特性曲线的修正，考虑到传统最小二乘法的误差较大，提出了一种置信带等值曲线法。

2)根据实测数据，基于条件概率的思想得出了风速一功率曲线带，进而得出风速一功率特性曲线。

3)根据不同历史时刻的风速对预测风速贡献大小不同，用权重系数进行表征，准确地预测了风速。

4)采用系数纠偏预测法，得到最终预测功率，并与其他方法做了比较和误差分析，证明了此种方法的有效性。

附图说明

图1为本发明的风电功率短期预测方法流程图；

图2为风速一功率95％置信区间特性曲线带；

图3为2013年12月31日凌晨0时至凌晨2时，江苏国华风电场实际风速图；

图4为2013年12月31日凌晨0时至凌晨2时，江苏国华风电场预测风速图；

图5为2013年12月31日凌晨0时至凌晨2时，江苏国华风电场实际功率图；

图6为2013年12月31日凌晨0时至凌晨2时，江苏国华风电场根据过去功率数据预测功率图；

图7为2013年12月31日凌晨0时至凌晨2时，江苏国华风电场根据风速预测功率图；

图8为2013年12月31日凌晨0时至凌晨2时，江苏国华风电场系数纠偏法预测功率图。

具体实施方式

下面结合附图对本发明做更进一步的解释。

如图1所示，一种基于条件概率的风电功率加权预测方法，具体步骤如下：

1)用置信带等值曲线法表示机组的风速-功率特性曲线；具体步骤为：

11)读取2013年江苏国华风电场中所有风电机组一年的风速-功率运行数据(V，P)，(V，P)是二维连续型随机向量；

12)将所述风速-功率运行数据(V，P)作为若干次样本点，用所述样本点落在点(v，p)的δ邻域内的平均概率密度表示(V，P)的概率密度f(v，p)：

$f(v,p)\≈\frac{n/N}{S_{\mathrm{\δ}}}---\left(1\right)$

并且：

$\underset{\mathrm{\δ}\→0}{\lim }f(v,p)=\frac{f/N}{S_{\mathrm{\δ}}}---\left(2\right)$

其中，n为落在(v，p)的δ邻域内的样本点的个数，N为样本点总数，S_δ为(v，p)的δ邻域的面积，f表示落在(v，p)这一点的样本点的个数；

13)根据所述(V，P)的概率密度函数f(v，p)，得到功率的条件分布密度函数f_P|V(p|v)为：

$f_{P|V}\left(p\right|v)=\frac{f(v,p)}{f_V\left(v\right)}---\left(3\right)$

其中，f_V(v)为(V，P)关于V的边缘分布密度函数即风速的概率分布函数，f_V(v)为：

$f_V\left(v\right)={\∫}_{-\∞}^{+\∞}f(v,p)\mathrm{dp}---\left(4\right)$

其中，0＜p＜+∞，v＝v₀；

14)根据所述功率的条件分布密度函数f_P|V(p|v)，计算出某一风速下功率的条件分布，并得到该风速下所述统计样本点的样本均值μ_r和方差S²，即功率条件分布参数μ和σ²的无偏估计，从而得到该风速下95％置信度的区间为

15)根据步骤4)，取若干不同风速，分别统计其样本均值和方差，得到不同风速下95％置信度的区间；

16)分别连接所述不同风速置信区间的下限及上限，得到两条边界风速一功率特性曲线，曲线的纵坐标表示功率值；绝大部分样本点都分布在这两条曲线之间，近似认为两条曲线之间的区域样本点分布均匀，根据这个思想，进行近似等值，按所述纵坐标从小到大取不同水平线，依次连接每条水平线与所述两条风速一功率曲线的两个交点的中点，最终得到一条准确的风速一功率特性曲线，如图2所示。

2)通过实际运行数据进行测试，得到不同历史时刻的权重系数，准确地预测风速；预测当日24小时风速的具体步骤为：

21)读取前日0时、6时、12时、18时整点时刻风速数据，并读取昨日0～24时风速数据；

22)预测风速＝k₁×历史时刻1的风速+k₂×历史时刻2的风速+k₃×历史时刻3的风速+k₄×历史时刻4的风速   (5)

其中，k₁、k₂、k₃、k₄为不同历史风速的权重系数，历史时刻1～4的风速分别对应昨日0时、6时、12时、18时整点时刻风速值；

且有：

k₁+k₂+k₃+k₄＝1    (6)；

23)预置k₁＝0.10，k₂＝0.20，k₃＝0.30，k₄＝0.40；

24)根据步骤23)的系数预置值以及前日0时、6时、12时、18时整点时刻风速数据，通过所述步骤22)的预测风速方法，以分钟为单位，得到昨日某一时刻第一次风速估计值；

25)将得到的所述第一次风速估计值与昨日该时刻实际值比较作差，根据误差值调整k₁、k₂、k₃、k₄值，按步骤24)得到某一时刻第二次风速估计值，将所述第二次风速估计值与昨日该时刻实际值作差比较，根据得到的误差值再次调整k₁、k₂、k₃、k₄值，直至预测值与实际值误差范围为小于0.8m/s为止，记录此时k₁、k₂、k₃、k₄值；

26)根据所述步骤23)～25)，以分钟为单位，得到一天中每一分钟时刻的k₁、k₂、k₃、k₄值；

27)将所述步骤26)得到的一天中每一分钟时刻的k₁、k₂、k₃、k₄值以代入式(5)得到当日风速最终预测值。

如图4所示为2013年12月31日凌晨0时至凌晨2时，江苏国华风电场风速预测曲线图。

3)、采用系数纠偏预测当日24小时功率，最终得到最终预测功率的具体步骤如下；

31)读取前日0时、6时、12时、18时整点时刻功率数据，并读取昨日0～24时功率数据；

32)总预测功率＝C₁×基于历史功率的功率预测+C₂×F(x)    (7)

这种方法的理论依据：功率的预测，归根到底是风速的预测，如果风速预测准确，通过所述风速一功率特性曲线可以得出准确地预测功率，这种方法具有实际的物理意义，方法繁杂；基于历史功率的功率预测，是一种最直接的预测方法，不具有实际的物理意义，方法简单。将两种方法依据权重系数结合，可以取长补短，功率预测精度大大提高。

其中，C₁、C₂为通过风电场实际数据测试得出的权重系数，F(x)为基于所述风速一功率特性曲线的功率预测值，x为风速；所述基于历史功率的功率预测方法为：

基于历史功率的功率预测＝m₁×历史时刻1的功率+m₂×历史时刻2的功率+m₃×历史时刻3的功率+m₄×历史时刻4的功率   (8)

其中，m₁、m₂、m₃、m₄为不同历史功率的权重系数，历史时刻1～4的功率分别对应昨日0时、6时、12时、18时整点时刻功率值；

且有：

m₁+m₂+m₃+m₄＝1      (9)

C₁+C₂＝1      (10)；

33)预置m₁＝0.10，m₂＝0.20，m₃＝0.30，m₄＝0.40；预置C₁＝0.50，C₂＝0.50

34)根据步骤33)的系数预置值以及前日0时、6时、12时、18时整点时刻功率数据以及基于所述风速一功率特性曲线的功率预测值F(x)，通过所述步骤32)的总预测功率方法，以分钟为单位，得到昨日某一时刻第一次功率估计值；

35)将得到的所述第一次功率估计值与昨日该时刻实际值比较作差，根据误差值调整m₁、m₂、m₃、m₄、C₁、C₂值，按步骤34)得到某一时刻第二次功率估计值，将所述第二次功率估计值与昨日该时刻实际值再次作差比较，根据得到的误差值再次调整k₁、k₂、k₃、k₄、C₁、C₂值，直至预测值与实际值误差范围为小于500Kw为止，记录下此时k₁、k₂、k₃、k₄、C₁、C₂值；

36)根据所述步骤33)～35)，以分钟为单位，得到一天中每一分钟时刻对应的k₁、k₂、k₃、k₄、C₁、C₂值；

37)将所述步骤36)得到的一天中每一分钟时刻对应的k₁、k₂、k₃、k₄、C₁、C₂值代入式(8)得到当日功率最终预测值。

如图8所示为2013年12月31日凌晨0时至凌晨2时，江苏国华风电场采用本发明的系数纠偏法得到的功率预测曲线图。

误差分析：

y_i表示实测数据序列，y′_i表示预测数据序列，预测绝对误差定义如下：

e_i＝y′_i-y_i     (11)

常见的误差指标有以下4种：

1)ME，指标定义如下式所示，可以用来衡量预测结果是否无偏。

$e_{\mathrm{ME}}=\frac{\mathrm{\Σ}{e}_i}{\mathrm{nP}}---\left(12\right)$

式中：P为风电场额定容量；n为样本数量。

2)MRE，指标定义如下式所示，该指标将误差除以相应的真值进行规范化，以便相互比较。

$e_{\mathrm{MRE}}=\frac{\mathrm{\Σ}\left|\frac{e_i}{y_i}\right|}{n}---\left(13\right)$

3)MAE，指标定义如下式所示，该指标是对预测误差平均幅值的评价。

$e_{\mathrm{MAE}}=\frac{\mathrm{\Σ}\left|e_i\right|}{\mathrm{nP}}---\left(14\right)$

4)RMSE，指标定义如下式所示，可以用来衡量误差的分散程度。

$e_{\mathrm{RMSE}}=\frac{1}{P}\sqrt{\frac{\mathrm{\Σ}{e_i}^2}{n}}---\left(15\right)$

结合附图5，附图6，附图7，附图8，进一步分析三种功率预测方法的误差，得出如下表格：

	历史功率预测功率	风速预测功率	系数纠偏法预测功率
				ME	0.0043	-0.0089	0.0017
MRE	2.6235	2.3845	1.9994
				MAE	0.0257	0.0195	0.0234
RMSE	0.0045	0.004	0.0026

可见，采用系数纠偏法预测功率，ME，MRE和RMSE这三个误差评价指标数值都是最小的，得出结论，采用系数纠偏预测法，与实际功率的误差最小。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于条件概率的风电功率加权预测方法，其特征在于，包括以下步骤：

1)用置信带等值曲线法表示机组的风速-功率特性曲线；

2)通过实际数据测试，得到不同历史时刻的权重系数，准确地预测风速；

3)、采用系数纠偏预测法，得到最终预测功率。

2.根据权利要求1所述的一种基于条件概率的风电功率加权预测方法，其特征在于，所述步骤1)包括如下步骤：

11)读取一风电场中所有风电机组一年的风速-功率运行数据(V，P)，(V，P)是二维连续型随机向量；

12)将所述风速-功率运行数据(V，P)作为若干次样本点，用所述样本点落在点(v，p)的δ邻域内的平均概率密度表示(V，P)的概率密度f(v，p)：

$f(v,p)\≈\frac{n/N}{S_{\mathrm{\δ}}}---\left(1\right)$

并且：

$\underset{\mathrm{\δ}\→0}{\lim }f(v,p)=\frac{f/N}{S_{\mathrm{\δ}}}---\left(2\right)$

其中，n为落在(v，p)的δ邻域内的样本点的个数，N为样本点总数，s_δ为(v，p)的δ邻域的面积，f表示落在(v，p)这一点的样本点的个数；

13)根据所述(V，P)的概率密度函数f(v，p)，得到功率的条件分布密度函数f_P|V(p|v)为：

$f_{P|V}\left(p\right|v)=\frac{f(v,p)}{f_V\left(v\right)}---\left(3\right)$

其中，f_V(v)为(V，P)关于V的边缘分布密度函数即风速的概率分布函数，f_V(v)为：

$f_V\left(v\right)={\∫}_{-\∞}^{+\∞}f(v,p)\mathrm{dp}---\left(4\right)$

其中，0＜p＜+∞，v＝v₀；

14)根据所述功率的条件分布密度函数f_P|V(p|v)，计算出某一风速下功率的条件分布，并得到该风速下所述统计样本点的样本均值μ_r和方差S²，即功率条件分布参数μ和σ²的无偏估计，从而得到该风速下95％置信度的区间为

15)根据步骤4)，取若干不同风速，分别统计其样本均值和方差，得到不同风速下95％置信度的区间；

16)分别连接所述不同风速置信区间的下限及上限，得到两条边界风速一功率特性曲线，曲线的纵坐标表示功率值；按所述纵坐标从小到大取不同水平线，依次连接每条水平线与所述两条风速一功率曲线的两个交点的中点，最终得到一条准确的风速一功率特性曲线。

3.根据权利要求2所述的一种基于条件概率的风电功率加权预测方法，其特征在于，所述步骤2中，预测当日24小时风速的具体步骤如下：

21)读取前日0时、6时、12时、18时整点时刻风速数据，并读取昨日0～24时风速数据；

22)预测风速＝k₁×历史时刻1的风速+k₂×历史时刻2的风速

+k₃×历史时刻3的风速+k₄×历史时刻4的风速   (5)

其中，k₁、k₂、k₃、k₄为不同历史风速的权重系数，历史时刻1～4的风速分别对应昨日0时、6时、12时、18时整点时刻风速值；

且有：

k₁+k₂+k₃+k₄＝1    (6)；

23)预置k₁＝0.10，k₂＝0.20，k₃＝0.30，k₄＝0.40；

24)根据步骤23)的系数预置值以及前日0时、6时、12时、18时整点时刻风速数据，通过所述步骤22)的预测风速方法，以分钟为单位，得到昨日某一时刻第一次风速估计值；

25)将得到的所述第一次风速估计值与昨日该时刻实际值比较作差，根据误差值调整k₁、k₂、k₃、k₄值，按步骤24)得到某一时刻第二次风速估计值，将所述第二次风速估计值与昨日该时刻实际值作差比较，根据得到的误差值再次调整k₁、k₂、k₃、k₄值，直至预测值与实际值误差范围为小于0.8m/s为止，记录此时k₁、k₂、k₃、k₄值；

26)根据所述步骤23)～25)，以分钟为单位，得到一天中每一分钟时刻的k₁、k₂、k₃、k₄值；

27)将所述步骤26)得到的一天中每一分钟时刻的k₁、k₂、k₃、k₄值以代入式(5)得到当日风速最终预测值。

4.根据权利要求3所述的一种基于条件概率的风电功率加权预测方法，其特征在于，所述步骤3)中，采用系数纠偏预测当日24小时功率的具体步骤如下：

31)读取前日0时、6时、12时、18时整点时刻功率数据，并读取昨日0～24时功率数据；

32)总预测功率＝C₁×基于历史功率的功率预测+C₂×F(x)    (7)

其中，C₁、C₂为通过风电场实际数据测试得出的权重系数，F(x)为基于所述风速一功率特性曲线的功率预测值，x为风速；所述基于历史功率的功率预测方法为：

基于历史功率的功率预测＝m₁×历史时刻1的功率+m₂×历史时刻2的功率+m₃×历史时刻3的功率+m₄×历史时刻4的功率    (8)

其中，m₁、m₂、m₃、m₄为不同历史功率的权重系数，历史时刻1～4的功率分别对应昨日0时、6时、12时、18时整点时刻功率值；

且有：

m₁+m₂+m₃+m₄＝1    (9)

C₁+C₂＝1     (10)；

33)预置m₁＝0.10，m₂＝0.20，m₃＝0.30，m₄＝0.40；预置C₁＝0.50，C₂＝0.50

34)根据步骤33)的系数预置值以及前日0时、6时、12时、18时整点时刻功率数据以及基于所述风速一功率特性曲线的功率预测值F(x)，通过所述步骤32)的总预测功率方法，以分钟为单位，得到昨日某一时刻第一次功率估计值；

35)将得到的所述第一次功率估计值与昨日该时刻实际值比较作差，根据误差值调整m₁、m₂、m₃、m₄、C₁、C₂值，按步骤34)得到某一时刻第二次功率估计值，将所述第二次功率估计值与昨日该时刻实际值再次作差比较，根据得到的误差值再次调整k₁、k₂、k₃、k₄、C₁、C₂值，直至预测值与实际值误差范围为小于500Kw为止，记录下此时k₁、k₂、k₃、k₄、C₁、C₂值；

36)根据所述步骤33)～35)，以分钟为单位，得到一天中每一分钟时刻对应的k₁、k₂、k₃、k₄、C₁、C₂值；

37)将所述步骤36)得到的一天中每一分钟时刻对应的k₁、k₂、k₃、k₄、C₁、C₂值代入式(8)得到当日功率最终预测值。