風功率時間序列的預測方法
【專利摘要】本發(fā)明涉及一種風功率時間序列的預測方法，包括以下步驟：獲取風電場風功率的歷史統(tǒng)計數(shù)據，并對歷史異常數(shù)據進行處理，獲取風功率時間序列；對風功率時間序列進行小波分解，分解為低頻和高頻分量；對高頻分量的風功率時間序列進行平穩(wěn)性檢驗和平穩(wěn)化處理；對高頻分量的風功率時間序列進行ARMA模型的階數(shù)和參數(shù)擬合；將ARMA模型轉換為Kalman濾波模型并做滾動向前預測，得到高頻預測結果；對低頻分量的風功率時間序列進行斜率滾動向前外推預測，得到低頻預測結果；最后由小波重構得到最終的預測結果。
【專利說明】
風功率時間序列的預測方法
技術領域
[0001] 本發(fā)明屬于電力系統(tǒng)新能源領域，尤其是設及一種利用組合模型預測風功率時間 序列的方法。
【背景技術】
[0002] 近年來，能源枯竭和環(huán)境污染情況日益嚴重，可再生能源逐漸受到了全世界的關 注。風能、太陽能是取之不盡的清潔能源，風力發(fā)電技術已經作為新能源發(fā)電中最成熟的技 術開始了大規(guī)模的應用。
[0003] 然而，由于風速本身具有的波動性、隨機性和間歇性，并且風速受到溫度、濕度、氣 壓等多種物理因素的影響，風力發(fā)電系統(tǒng)的出力狀態(tài)會受到嚴重的影響，呈現(xiàn)出隨時間的 推移而不斷波動、變化、無法較為準確的預知的狀態(tài)。運樣，當大規(guī)模的風力發(fā)電機組接入 電網之后，會對電網運行的穩(wěn)定性和可靠性帶來極大的挑戰(zhàn)。因此，對風速或者風力發(fā)電發(fā) 出的功率進行較為準確的預測，是保證高風電滲透率下電網安全穩(wěn)定運行的關鍵因素之 一，具有十分重要的研究意義。

【發(fā)明內容】

[0004] 綜上所述，確有必要提供一種短時間更準確預測風功率的方法，來有效的減少棄 風，提高風電資源的利用率。
[0005] 本發(fā)明設及一種風功率時間序列的預測方法，包括W下步驟:獲取風電場風功率 的歷史統(tǒng)計數(shù)據，并對歷史異常數(shù)據進行處理，得到風功率時間序列;對風功率時間序列進 行小波分解，分解為低頻分量和高頻分量;對高頻分量的風功率時間序列進行平穩(wěn)性檢驗 和平穩(wěn)化處理;對高頻分量的風功率時間序列進行ARMA模型的階數(shù)的確定和參數(shù)擬合;將 ARMA模型轉換為Kalman濾波模型并做滾動向前預測，得到高頻預測結果;對低頻分量的風 功率時間序列進行斜率滾動向前外推預測，得到低頻預測結果；W及將得到的高頻預測結 果和低頻預測結果由小波重構得到最終的預測結果。
[0006] 相對于現(xiàn)有技術，本發(fā)明所述的風功率預測模型將Kalman濾波模型與ARMA模型相 結合，向離散隨機系統(tǒng)中加入了單向負反饋環(huán)節(jié)，有利于提高ARMA模型的預測精度;另外， 通過利用小波分析方法將原始序列分解為不同的分量，根據不同分量的特點選擇有針對性 的預測方法預測，最后由小波重構得到最終預測結果能夠有效的提高模型預測的精度，減 小誤差。
【附圖說明】
[0007] 圖1為本發(fā)明實施例提供的風功率時間序列的預測方法的流程圖。
[000引圖2為本發(fā)明提供的組合方法風功率時間序列的預測方法的流程框圖。
[0009] 圖3為本發(fā)明提供的卡爾曼濾波離散隨機系統(tǒng)圖。
[0010] 圖4為本發(fā)明提供的卡爾曼濾波優(yōu)化后的離散線性隨機系統(tǒng)的框圖。
【具體實施方式】
[0011] 下面根據說明書附圖并結合具體實施例對本發(fā)明的技術方案進一步詳細表述。
[0012] 請參閱圖1，本發(fā)明提供的利用組合模型進行風功率時間序列的預測方法，包括W 下步驟：
[0013] 步驟S10,獲取風電場風功率的歷史統(tǒng)計數(shù)據，并對歷史異常數(shù)據進行處理，得到 風功率時間序列；
[0014] 步驟S20,對風功率時間序列進行小波分解，分解為低頻分量和高頻分量；
[0015] 步驟S30,對高頻分量的風功率時間序列進行平穩(wěn)性檢驗和平穩(wěn)化處理；
[0016] 步驟S40，對高頻分量的風功率時間序列進行ARMA模型的階數(shù)的確定和參數(shù)擬合；
[0017] 步驟S50,將ARMA模型轉換為Kalman濾波模型并做滾動向前預測，得到高頻預測結 果；
[0018] 步驟S60,對低頻分量的風功率時間序列進行斜率滾動向前外推預測，得到低頻預 測結果；
[0019] 步驟S70,對步驟S50和步驟S60中得到的高頻預測結果和低頻預測結果進行小波 重構得到最終的預測結果。
[0020] 在步驟S10中，所述風功率時間序列可通過收集前半年至一年時間內風電場風功 率的歷史統(tǒng)計數(shù)據得到，可W根據需要進行選擇。另外，由于風場設備、人為操作和風速本 身容易受到物理因素影響的特點等原因，因此需對歷史數(shù)據進行預處理，W去除特異情況 的影響。例如，歷史數(shù)據中有明顯的突然跳變?yōu)榱泓c的現(xiàn)象，運可能是由人為限電或遇到突 發(fā)事件造成的，對于類似運種情況的數(shù)據，在程序中判定后直接去除?？蒞理解，所述風功 率時間序列的獲取方法可W根據計算精度需要進行選擇。
[0021] 在步驟S20中，所述低頻風量和高頻風量可W由對所述風功率時間序列做小波變 換得到。當對一個信號做小波變換后，通常能將其分解為逼近信號，即低頻信號和細節(jié)信 號，即高頻信號。其中，逼近信號反應了原始信號的趨勢部分，而細節(jié)信號則反應了原始信 號的波動部分、平穩(wěn)部分。因此，通過對所述風功率序列進行小波變換后，可W將非平穩(wěn)的 序列分解為趨勢分量和平穩(wěn)的波動分量，小波變換可W將數(shù)據分解開來，對不同的分量根 據各自的特征有針對性的采用不同的方法進行預測，W得到更高精度的結果。
[0022] 采用小波變換時，選用不同的基函數(shù)iKt)能夠得到不同的結果，常用的小波基函 數(shù)包括化ar小波基函數(shù)、化2小波基函數(shù)、化4小波基函數(shù)等。本實施例中，采用化4小波基函 數(shù)。利用小波分解對所述風功率時間序列進行處理，將其分解為若干層，具體停止分解的判 斷標準為:直到當前層數(shù)的低頻趨勢分量剛好能夠表征原始序列的趨勢信息為止。具體分 解的層數(shù)可為利用小波分解5-6次，即得到6-7個子序列（5-6層高頻數(shù)據，一層低頻趨勢信 息)。
[0023] 在步驟S30中，所述風功率時間序列需要進行平穩(wěn)性檢驗和平穩(wěn)化處理。由于本實 施例中采用ARMA方法，而ARMA模型的建立對數(shù)據的平穩(wěn)性有所要求。
[0024] 所述"平穩(wěn)性"的定義為:對時間序列{rt}，對任意整數(shù)m，如果rt和rt-m的協(xié)方差、rt 的均值都不隨時間改變，則稱時間序列Irt}是滿足弱平穩(wěn)性的。具體地說，若時間序列{rt} 是弱平穩(wěn)的，需要滿足如下的條件：
[0025] (1)期望不隨時間變化；
[0026] (2)方差不隨時間變化；
[0027] (3)任意兩個時間點的協(xié)方差不隨時間變化。
[0028] 為了判斷所述風功率時間序列是否具有平穩(wěn)性，可W使用自相關系數(shù)法，即對序 列做自相關分析，得到自相關系數(shù)曲線，觀察自相關系數(shù)曲線的下降速度，若曲線迅速下 降，則表明原始數(shù)據序列是平穩(wěn)的；否則是非平穩(wěn)的。
[0029] 若所述風功率序列的檢驗結果為非平穩(wěn)序列，此時需要進行平穩(wěn)化處理，即可通 過差分方法，將所述風功率非平穩(wěn)原始序列轉換為平穩(wěn)序列。差分是指將原始序列相鄰時 間點的數(shù)據做差得到新的序列的過程，重復對原始序列做差分N次之后得到的序列稱為N階 差分序列?？蓪⑺鲲L功率時間序列做1-2次差分處理后得到平穩(wěn)的序列。
[0030] 在步驟S40中，所述已經平穩(wěn)化處理后的風功率時間需要進行ARMA模型的階數(shù)的 確定和參數(shù)的擬合。
[0031] ARMA時間序列模型，又叫自回歸滑動平均模型，是由自回歸模型(AR模型）和滑動 平均模型(M模型)結合產生的模型。
[0032] 所述ARMA(p，q)模型可具有式(1)的形式：
[0033]
(1)
[0034] 其中P表示模型中AR部分的階數(shù)，q表示MA部分的階數(shù)，丫 t和rt-i分別表示當前和 歷史的數(shù)據，Φι為常數(shù)項，為rt-i的系數(shù)，即AR部分的系數(shù)，at和at-i分別表示對應時間點的 數(shù)據的殘差，01為常數(shù)項，是at-i的系數(shù)，即MA部分的系數(shù)。當P或q為加寸，ARMA模型分別回到 Μ或AR模型的狀態(tài)。
[0035] 接下來判斷擬合的模型的階數(shù)，即確定p、q值。判斷模型階數(shù)的方法可為AIC準則， 即最小信息量準則。具體做法是先大概給定模型的階數(shù)范圍，然后遍歷計算范圍內所有階 數(shù)的模型對應的AIC值，AIC值最小的對應的模型的階數(shù)即為所求。當模型參數(shù)估計方式不 同時，AIC值的計算標準不同，主要包括W下兩式：
[0036] 最大似然估計時:AIC=(n-d)log〇2+2(p+q+2) (2)
[0037] 最小二乘估計時:AIC=(n-d)log〇2+(p+q+l)logn (3)
[0038] 其中η為樣本數(shù)，σ2為擬合殘差平方和，d、P、q為參數(shù)。
[0039] 當模型階數(shù)確定完畢后，模型中未知的系數(shù)個數(shù)和結構就已經確定了，然后根據 歷史數(shù)據確定運些未知的系數(shù)。本實施例中，確定未知系數(shù)的方法為解線性方程組，采用的 是最小二乘方法。求解出所有系數(shù)之后，完成ARMA模型的建立。
[0040] 在步驟S50中，所述高頻分量的預測模型采用通常線性離散卡爾曼濾波系統(tǒng)包含 狀態(tài)方程和測量方程，分別如(4 )、（ 5)所示。
[0041]
(4)
[0042] Z(k+l)=H(k+l)X(k+l)+v化+1) (5)
[0043] 兩式中，X化)表示狀態(tài)向量，ω化)表示干擾向量，Z化)表示觀測向量，V化)表示噪 聲向量，巧法本3JO、?；?l，k)、H化+1)均為常系數(shù)矩陣。由（4)、（5)式確定的離散隨機系 統(tǒng)可W用圖3表示。
[0044] 進一步，為了能夠得到最優(yōu)化的卡爾曼濾波預測模型，可W利用數(shù)學歸納法和正 交定理由（4)、（5)兩式推導出W下公式：
[0049] 式中.致巧表示k時刻的最佳估計值，K表示Kalman增益矩陣，P化+11 k)表示從巧化+ 1時刻的單步預測的誤差協(xié)方差矩陣，P化+l|k+l)表示k+1時刻的濾波預測的誤差協(xié)方差矩 陣，Q是ω化)的協(xié)方差矩陣，R是V化+1)的協(xié)方差矩陣，I是單位矩陣。公式(6)~(9)分別依 次為最優(yōu)濾波估計方程、最優(yōu)增益矩陣方程、單步預測誤差協(xié)方差方程和濾波預測誤差協(xié) 方差方程。通過給定對應的巧fc：)、P化|k)、R、Q的初值，即可根據(6)~(9)四個方程進行迭代 滾動向前的預測。（5)~（9)中的巧《托爭1J0、1^化+1，1〇、化4+1)均為常系數(shù)矩陣，可由歷 史數(shù)據得出。
[0050] 請一并參閱圖4,為最優(yōu)化后的離散線性隨機系統(tǒng)的框圖。
[0化1]對所述卡爾曼濾波最優(yōu)化預測模型，通過確定3個常系數(shù)矩陣巧(fc奪1,段，「化+ 1，k)、mk+l)，W及4個初值秀(jk)、P化I k)、R、Q，即可進行迭代滾動向前的預測。
[0052] 對于風功率時間序列預測來說，ARMA模型本身有著模型參數(shù)確定容易，方法成熟 規(guī)范的優(yōu)點。與之相反的是，Kalman濾波模型單獨預測時模型參數(shù)的確定比較困難，但其優(yōu) 點在于，模型中存在負反饋的過程，能夠實時的對最優(yōu)估計值進行調整。因此，ARMA模型與 Kalman濾波模型正好形成了優(yōu)良的互補關系，將兩者結合進行預測，有利于提高預測結果 的精度。
[0053] 作為具體的實施例，兩者具體的結合方法如下（WARMA(2,3)為例說明）：
[0054] (1)首先寫出ARMA(2,3)的模型形式為：
[0055] X(t) = Φ〇+ΦιΧ(?-!)+Φ 巧（t_2)+目ia(t-l)+目2a(t_2)+目3a(t_3)+a(t) (10)
[0056] 為了將（10)式中的各個參數(shù)與數(shù)據轉變?yōu)榭柭鼮V波模型中的矩陣與向量的形 式，現(xiàn)做W下變換：
[0化7]
[0058] (2)做好(1)中的變換后，根據(10)的計算關系，在忽略殘差a(t)的情況下，有W下 關系：
[0化9]
[0060] (5-16)式即為卡爾曼濾波模型中的狀態(tài)方程，此處從（11)式可W十分簡單的看到 系數(shù)矩陣聲蘇.4 移、?；?l，k)的值。
[0061] (3)確定完「化+l，k)的值后，考慮測量方程，從
中取出X(t)加上之前被忽略的殘差a(t)就是最佳直接觀測值，因此取V化+l)=a(t)得到 (5-17)式：
[0062]
[0063] 由此也就確定了 Η矩陣的值。
[0064] 到此，卡爾曼濾波模型中所有的系數(shù)矩陣都已經確定，只需要根據實際情況選擇 適當?shù)某踔?，即可帶入方?6)~(9)進行迭代滾動向前的預測，得出結果。
[0065] 在步驟S20中所述的小波變換方法中，將風功率時間序列分解成了高頻分量和低 頻分量。其中高頻分量(波動分量）比較平穩(wěn)，適合ARMA_Kalman模型。再由上述迭代滾動預 巧。，即可得出高頻分量預測的結果。
[0066] 在步驟S60中，對于所述風功率時間序列經小波變換后得到的低頻分量(趨勢分 量）。對所述的低頻趨勢分量，在相當一短時間尺度內，都是有規(guī)律的按照幾乎固定的斜率 單調的變化，因此對于運一部分分量的預測，可W直接采用按照斜率外推的方法預測，由于 短期預測數(shù)據和實測數(shù)據具有相似的趨勢信息，因此可W在外推的過程中借助短期預測曲 線中的趨勢分量對拐點進行判斷，防止出現(xiàn)預測的失誤。
[0067] 在步驟S70中，將步驟S50中所述的高頻分量的預測結果和步驟S60中所述的低頻 分量的預測結果由小波重構的方法綜合得到最終的預測結果，具體方法如下：
[0068] 為了能夠將分解開來的各個數(shù)據分量還原，可W采用小波重構的方法。將S50中所 述的高頻分量預測結果和步驟S60中所述的低頻分量預測結果進行小波重構，可W得到最 后的預測結果，可采用Mai lat算法，該算法為小波變換領域熟知。
[0069] 本發(fā)明所述的風功率預測模型將Kalman濾波模型與ARMA模型相結合，向離散隨機 系統(tǒng)中加入了單向負反饋環(huán)節(jié)，有利于提高ARMA模型的預測精度;ARMA模型模型參數(shù)計算 簡單，又能夠快捷的為Kalman濾波模型提供參數(shù)信息。本方法通過利用小波分析方法將原 始序列分解為不同的分量，根據不同分量的特點選擇有針對性的預測方法預測，最后由小 波重構得到最終預測結果能夠有效的提高模型預測的精度，減小誤差，比W往的方法更加 準確全面。
[0070] 另外，本領域技術人員還可在本發(fā)明精神內作其它變化，都應包含在本發(fā)明所要 求保護的范圍內。
【主權項】
1. 一種風功率時間序列的預測方法，包括以下步驟： 獲取風電場風功率的歷史統(tǒng)計數(shù)據，并對歷史異常數(shù)據進行處理，得到風功率時間序 列； 對風功率時間序列進行小波分解，分解為低頻分量和尚頻分量； 對高頻分量的風功率時間序列進行平穩(wěn)性檢驗和平穩(wěn)化處理； 對高頻分量的風功率時間序列進行ARMA模型的階數(shù)的確定和參數(shù)擬合； 將ARMA模型轉換為Kalman濾波模型并做滾動向前預測，得到高頻預測結果； 對低頻分量的風功率時間序列進行斜率滾動向前外推預測，得到低頻預測結果；以及 將得到的高頻預測結果和低頻預測結果由小波重構得到最終的預測結果。2. 如權利要求1所述的風功率時間序列的預測方法，其特征在于，對風功率時間序列進 行小波分解采用的小波基函數(shù)為Haar小波基函數(shù)、db2小波基函數(shù)、db4小波基函數(shù)中的一 種。3. 如權利要求1所述的風功率時間序列的預測方法，其特征在于，所述ARMA模型表示為 ARMA(p，q)，形式為：其中P表示模型中AR部分的階數(shù)，q表示MA部分的階數(shù)，rt和^，分別表示當前和歷史的 數(shù)據，Ψ?為常數(shù)項，為^-，的系數(shù)，即AR部分的系數(shù)，at和&0分別表示對應時間點的數(shù)據的 殘差， 9,為常數(shù)項，是at-,的系數(shù)，即MA部分的系數(shù)；當p或q為0時，ARMA模型分別回到MA或AR 模型的狀態(tài)。4. 如權利要求3所述的風功率時間序列的預測方法，其特征在于，利用最小信息量準則 AIC確定p、q值，先給定模型的大概階數(shù)范圍，然后遍歷計算范圍內所有階數(shù)的模型對應的 AIC值，AIC值最小的對應的模型的階數(shù)即為所求。5. 如權利要求4所述的風功率時間序列的預測方法，其特征在于，AIC值的計算標準包 括以下兩式： 最大似然估計時410=(]1-(1)1(^〇2+2(?+9+2); 最小二乘估計時： AIC= (n-d)log〇2+(p+q+l)l〇gn； 其中η為樣本數(shù)，σ2為擬合殘差平方和，d、p、q為參數(shù)。6. 如權利要求1所述的風功率時間序列的預測方法，其特征在于，所述高頻預測結果采 用通常線性離散卡爾曼濾波系統(tǒng)，包含狀態(tài)方程和測量方程：Z(k+l)=H(k+l)X(k+l)+v(k+l)； 兩式中，X(k)表示狀態(tài)向量，ω (k)表示干擾向量，Z(k)表示觀測向量，v(k)表示噪聲向 量， Γ仏+1，1〇、!1(1^1)均為常系數(shù)矩陣。7. 如權利要求6所述的風功率時間序列的預測方法，其特征在于，對狀態(tài)方程和測量方 程利用數(shù)學歸納法和正交定理推導：式中歎fc)表示k時刻的最佳估計值，K表示Kalman增益矩陣，P(k+11 k)表示從k到k+1時 刻的單步預測的誤差協(xié)方差矩陣，P(k+l|k+l)表示k+1時刻的濾波預測的誤差協(xié)方差矩陣， Q是ω (k)的協(xié)方差矩陣，R是v(k+l)的協(xié)方差矩陣，I是單位矩陣。8.如權利要求1所述的風功率時間序列的預測方法，其特征在于，采用Mallat算法對所 述高頻分量的預測結果和步低頻分量的預測結果進行小波重構。
【文檔編號】G06Q10/04GK105825289SQ201510956093
【公開日】2016年8月3日
【申請日】2015年12月17日
【發(fā)明人】沈紅宇, 蔡暉, 喬穎, 魯宗相, 吳問足
【申請人】國網江蘇省電力公司經濟技術研究院, 清華大學, 國家電網公司