《基于自回归滑动平均模型的风电功率超短期预测方法.pdf》由会员分享，可在线阅读，更多相关《基于自回归滑动平均模型的风电功率超短期预测方法.pdf（13页完整版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103927597 A (43)申请公布日 2014.07.16 CN 103927597 A (21)申请号 201410163064.3 (22)申请日 2014.04.22 G06Q 10/04(2012.01) G06Q 50/06(2012.01) (71)申请人 国家电网公司 地址 100031 北京市西城区西长安街 86 号 申请人 国网甘肃省电力公司 甘肃省电力公司风电技术中心 (72)发明人 汪宁渤 路亮 何世恩 马彦宏 赵龙 周强 马明 张健美 (74)专利代理机构 北京中恒高博知识产权代理 有限公司 11249 代理人 宋敏 (54) 发明名称 。
2、基于自回归滑动平均模型的风电功率超短期 预测方法 (57) 摘要 本发明公开了一种基于自回归滑动平均模型 的风电功率超短期预测方法， 包括输入数据得到 自回归滑动平均模型参数 ； 输入风电功率预测所 需输入数据到根据上述自回归滑动平均模型的参 数确定的自回归滑动平均模型中得到预测结果。 通过对风力发电过程中的风电功率进行预测， 为 新能源发电实时调度、 新能源发电日前计划、 新能 源发电月度计划、 新能源发电能力评估和弃风电 量估计提供关键信息。通过引入复合数据源有效 提高风电功率超短期预测精度， 从而实现在保障 电网安全稳定经济运行的前提下有效提高新能源 上网电量目的。 (51)Int.Cl。
3、. 权利要求书 3 页 说明书 8 页 附图 1 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书3页 说明书8页 附图1页 (10)申请公布号 CN 103927597 A CN 103927597 A 1/3 页 2 1. 一种基于自回归滑动平均模型的风电功率超短期预测方法， 其特征在于， 包括输入 数据得到自回归滑动平均模型参数 ； 输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的自回 归滑动平均模型中得到预测结果。 2. 根据权利要求 1 所述的基于自回归滑动平均模型的风电功率超短期预测方法， 其特 征在于， 所述输入数据得到自回归滑动平均。
4、模型参数包括， 步骤 101、 输入模型训练基础数 据 ； 步骤 102、 模型定阶 ； 步骤 103、 采用矩估计方法对定阶的 ARMA(p,q) 模型参数进行估计。 3. 根据权利要求 2 所述的基于自回归滑动平均模型的风电功率超短期预测方法， 其特 征在于， 所述步骤 101 输入模型训练基础数据， 输入数据包括， 风电场基础信息、 历史风速 数据、 历史功率数据和地理信息系统数据。 4. 根据权利要求 3 所述的基于自回归滑动平均模型的风电功率超短期预测方法， 其特 征在于， 所述步骤 102 模型定阶 ： 采用残差方差图法进行模型定阶， 具体为设 xt为需要估计的项， xt-1,xt。
5、-2,.,xt-n为已 知历史功率序列， 对于 ARMA(p,q) 模型， 模型定阶即确定模型中参数 p 和 q 的值 ； 用系列阶数逐渐递增的模型拟合原始序列， 每次都计算残差平方和然后画出阶 数和的图形， 当阶数由小增大时，会显著下降， 达到真实阶数后的值会逐渐趋于 平缓， 甚至反而增大， 实际观测值个数指拟合模型时实际使用的观察值项数， 对于具有 N 个观察值的序列， 拟合 AR(p) 模型， 则实际使用的观察值最多为 N-p， 模型参数个数指所建立的模型中实际包 含的参数个数， 对于含有均值的模型， 模型参数个数为模型阶数加 1， 对于 N 个观测值的序 列， ARMA 模型的残差估计。
6、式为 ： 其中， Q 为拟合误差的平方和，和 j(1 j q) 是模型系数， N 是观测 序列长度，是模型参数中的常数项。 5. 根据权利要求 4 所述的基于自回归滑动平均模型的风电功率超短期预测方法， 其 特征在于， 所述步骤 103 采用矩估计方法对定阶的 ARMA(p,q) 模型参数进行估计具体步骤 为 ： 将风电场历史功率数据利用数据序列 x1,x2,.,xt表示， 其样本自协方差定义为 权 利 要 求 书 CN 103927597 A 2 2/3 页 3 其中， k 0,1,2,.,n-1， xt和 xt-k均为数据序列 x1,x2,.,xt中的数值 ； 则 则历史功率数据样本自相关。
7、函数为 ： 其中， k 0,1,2,.,n-1 ； AR 部分的矩估计为， 令 则协方差函数为 用的估计代替 k， 可得参数 对 MA(q) 模型系数 1,2,.,q采用矩估计有 权 利 要 求 书 CN 103927597 A 3 3/3 页 4 直到 其中 k 1,2,.,m， 以上 m+1 个方程非线性方程， 采用迭代法进行求解即得到自回归滑动平均模型参数。 6. 根据权利要求 5 所述的基于自回归滑动平均模型的风电功率超短期预测方法， 其特 征在于， 所述输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定 的自回归滑动平均模型中得到预测结果的步骤包括， 步骤 201、 。
8、输入功率预测基础数据 ； 步骤 202、 对输入的基础数据进行噪声滤波及数据预处理 ； 步骤 203、 根据确定的参数建立自回归滑动平均模型， 并将处理后的数据输入从而得到 预测结果。 7. 根据权利要求 6 所述的基于自回归滑动平均模型的风电功率超短期预测方法， 其特 征在于， 还包括， 步骤 204、 将预测结果输出至数据库中， 并通过图表及曲线展示预测结果、 并展示预测 与实测结果的对比。 8. 根据权利要求 7 所述的基于自回归滑动平均模型的风电功率超短期预测方法， 其特 征在于， 所述输入功率预测基础数据包括资源监测系统数据和运行监测系统数据， 所述资 源监测系统数据包含风资源监测数。
9、据 ； 所述运行监测系统数据包括风机监测数据、 升压站 监测数据和数据采集与监视控制系统数据。 9. 根据权利要求 7 所述的基于自回归滑动平均模型的风电功率超短期预测方法， 其特 征在于， 所述噪声滤波及数据预处理具体为 ： 噪声滤波模块对监测系统实时采集得到的带 有噪声的数据进行滤波处理， 去除坏数据和奇异值 ； 数据预处理模块对数据进行对齐、 归一 化处理和分类筛选处理。 10. 根据权利要求 7 所述的基于自回归滑动平均模型的风电功率超短期预测方法， 其 特征在于， 所述自回归滑动平均模型为 ： 其中，和 j(1 j q) 是系数， t是白噪声序列。 权 利 要 求 书 CN 1039。
10、27597 A 4 1/8 页 5 基于自回归滑动平均模型的风电功率超短期预测方法 技术领域 0001 本发明涉及新能源发电过程中风电功率预测技术领域， 具体地， 涉及一种基于复 合数据源自回归滑动平均模型的风电功率超短期预测方法。 背景技术 0002 我国风电进入规模化发展阶段以后所产生的大型新能源基地多数位于 “三北地 区” ( 西北、 东北、 华北 )， 大型新能源基地一般远离负荷中心， 其电力需要经过长距离、 高电 压输送到负荷中心进行消纳。由于风、 光资源的间歇性、 随机性和波动性， 导致大规模新能 源基地的风电、 光伏发电出力会随之发生较大范围的波动， 进一步导致输电网络充电功率 。
11、的波动， 给电网运行安全带来一系列问题。 0003 截至 2014 年 4 月， 甘肃电网并网风电装机容量已达 707 万千瓦， 约占甘肃电网总 装机容量的 22， 成为仅次于火电的第二大主力电源。目前， 甘肃电网风电、 光伏发电装机 超过甘肃电网总装机容量的 1/3。随着新能源并网规模的不断提高， 风电、 光伏发电不确定 性和不可控性给电网的安全稳定经济运行带来诸多问题。 准确预估可利用的发电风资源是 对大规模风电优化调度的基础。对风力发电过程中的风电功率进行预测， 可为新能源发电 实时调度、 新能源发电日前计划、 新能源发电月度计划、 新能源发电能力评估和弃风电量估 计提供关键信息。 发明。
12、内容 0004 本发明的目的在于， 针对上述问题， 提出一种基于自回归滑动平均模型的风电功 率超短期预测方法， 以实现高精度风电功率超短期预测的优点。 0005 为实现上述目的， 本发明采用的技术方案是 ： 0006 一种基于自回归滑动平均模型的风电功率超短期预测方法， 包括输入数据得到自 回归滑动平均模型参数 ； 0007 输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的 自回归滑动平均模型中得到预测结果。 0008 根据本发明的优选实施例， 所述输入数据得到自回归滑动平均模型参数包括， 步 骤 101、 输入模型训练基础数据 ； 0009 步骤 102、 模型定阶 ； 。
13、0010 步骤 103、 采用矩估计方法对定阶的 ARMA(p,q) 模型参数进行估计。 0011 根据本发明的优选实施例， 所述步骤 101 输入模型训练基础数据， 输入数据包括， 风电场基础信息、 历史风速数据、 历史功率数据和地理信息系统数据。 0012 根据本发明的优选实施例， 所述步骤 102 模型定阶 ： 0013 采用残差方差图法进行模型定阶， 具体为设 xt为需要估计的项， xt-1,xt-2,.,xt-n 为已知历史功率序列， 对于 ARMA(p,q) 模型， 模型定阶即确定模型中参数 p 和 q 的值 ； 说 明 书 CN 103927597 A 5 2/8 页 6 001。
14、4 用系列阶数逐渐递增的模型拟合原始序列， 每次都计算残差平方和然后画 出阶数和的图形， 当阶数由小增大时，会显著下降， 达到真实阶数后的值会逐渐 趋于平缓， 甚至反而增大， 0015 0016 实际观测值个数指拟合模型时实际使用的观察值项数， 对于具有 N 个观察值的序 列， 拟合 AR(p) 模型， 则实际使用的观察值最多为 N-p， 模型参数个数指所建立的模型中实 际包含的参数个数， 对于含有均值的模型， 模型参数个数为模型阶数加 1， 对于 N 个观测值 的序列， ARMA 模型的残差估计式为 ： 0017 0018 根据本发明的优选实施例， 所述步骤 103 采用矩估计方法对定阶的 。
15、0019 ARMA(p,q) 模型参数进行估计具体步骤为 ： 0020 将风电场历史功率数据利用数据序列 x1,x2,.,xt表示， 其样本自协方差定义为 0021 0022 其中， k 0,1,2,.,n-1， xt和 xt-k均为数据序列 x1,x2,.,xt中的数值 ； 0023 则 0024 则历史功率数据样本自相关函数为 ： 0025 0026 其中， k 0,1,2,.,n-1。 0027 AR 部分的矩估计为， 0028 说 明 书 CN 103927597 A 6 3/8 页 7 0029 令 0030 0031 则协方差函数为 0032 0033 用的估计代替 k， 0034。
16、 0035 可得参数 0036 对 MA(q) 模型系数 1,2,.,q采用矩估计有 0037 直到 0038 0039 其中 k 1,2,.,m， 0040 以上 m+1 个方程非线性方程， 采用迭代法进行求解即得到自回归滑动平均模型参 数。 0041 根据本发明的优选实施例， 所述输入风电功率预测所需输入数据到根据上述自回 归滑动平均模型的参数确定的自回归滑动平均模型中得到预测结果的步骤包括， 0042 步骤 201、 输入功率预测基础数据 ； 0043 步骤 202、 对输入的基础数据进行噪声滤波及数据预处理 ； 0044 步骤 203、 根据确定的参数建立自回归滑动平均模型， 并将处理。
17、后的数据输入从而 得到预测结果 ； 说 明 书 CN 103927597 A 7 4/8 页 8 0045 步骤 204、 将预测结果输出至数据库中， 并通过图表及曲线展示预测结果、 并展示 预测与实测结果的对比。 0046 根据本发明的优选实施例， 所述输入功率预测基础数据包括资源监测系统数据和 运行监测系统数据， 所述资源监测系统数据包含风资源监测数据 ； 所述运行监测系统数据 包括风机监测数据、 升压站监测数据和数据采集与监视控制系统数据。 0047 根据本发明的优选实施例， 所述噪声滤波及数据预处理具体为 ： 噪声滤波模块对 监测系统实时采集得到的带有噪声的数据进行滤波处理， 去除坏数。
18、据和奇异值 ； 数据预处 理模块对数据进行对齐、 归一化处理和分类筛选处理。 0048 根据本发明的优选实施例， 所述自回归滑动平均模型为 ： 0049 0050 其中，和 j(1 j q) 是系数， t是白噪声序列。 0051 本发明的技术方案具有以下有益效果 ： 0052 本发明的技术方案通过对风力发电过程中的风电功率进行预测， 为新能源发电实 时调度、 新能源发电日前计划、 新能源发电月度计划、 新能源发电能力评估和弃风电量估计 提供关键信息。通过引入复合数据源有效提高风电功率超短期预测精度， 从而实现在保障 电网安全稳定经济运行的前提下有效提高新能源上网电量目的。 0053 下面通过附。
19、图和实施例， 对本发明的技术方案做进一步的详细描述。 附图说明 0054 图 1 为本发明实施例所述的基于自回归滑动平均模型的风电功率超短期预测方 法的原理框图。 具体实施方式 0055 以下结合附图对本发明的优选实施例进行说明， 应当理解， 此处所描述的优选实 施例仅用于说明和解释本发明， 并不用于限定本发明。 0056 一种基于自回归滑动平均模型的风电功率超短期预测方法， 包括输入数据得到自 回归滑动平均模型参数 ； 0057 输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的 自回归滑动平均模型中得到预测结果。 0058 含大规模风电的电力系统运行依赖庞大的、 准确的数。
20、据集， 而风电功率预测若能 将这些数据有效融合利用则可有效提高预测精度。与常规电力系统 SCADA 监测不同， 在各 类电气、 机械和热力等数据之外， 风电监测数据还包含大量的资源监测、 运行监测及地理信 息等。 0059 如图 1 所示， 本发明技术方案提出的风电功率超短期预测可分为两个阶段 ： 模型 训练阶段和功率预测阶段。 0060 阶段 1 ： 模型训练 说 明 书 CN 103927597 A 8 5/8 页 9 0061 步骤 1.1 ： 模型训练基础数据输入 0062 风功率预报系统模型训练所需输入数据包括， 风电场基础信息、 历史风速数据、 历 史功率数据， 地理信息系统 (G。
21、IS) 数据 ( 风电场 / 风机坐标、 测风塔坐标、 升压站坐标等 )。 将基础数据输入到预测模型中进行模型训练。 0063 步骤 1.2 ： 模型定阶 0064 由于事先无法确定需要使用多少已知时间序列的项来建立估计函数， 所以需要对 模型进行定阶判断。 0065 设 xt为需要估计的项， xt-1,xt-2,.,xt-n为已知历史功率序列， 对于 ARMA(p,q) 模 型， 模型定阶就是确定模型中参数 p 和 q 的值。 0066 采用残差方差图法进行模型定阶。假定模型是有限阶自回归模型， 如果设置的阶 数小于真实阶数， 则是一种不足拟合， 因而拟合残差平方和必定偏大， 此时通过提高阶。
22、数可 以显著降低残差平方和。 反之， 如果阶数已经达到真实值， 那么再增加阶数， 就是过度拟合， 此时增加阶数不会令残差平方和显著减小， 甚至会略有增加。 0067 这样用系列阶数逐渐递增的模型来拟合原始序列， 每次都计算残差平方和 然后画出阶数和的图形。当阶数由小增大时，会显著下降， 达到真实阶数后的 值会逐渐趋于平缓， 有时甚至反而增大。残差方差的估计式为 ： 0068 0069 “实际观测值个数” 是指拟合模型时实际使用的观察值项数， 对于具有 N 个观察值 的序列， 拟合 AR(p) 模型， 则实际使用的观察值最多为 N-p。 0070 “模型参数个数” 是指所建立的模型中实际包含的参。
23、数个数， 对于含有均值的模 型， 模型参数个数为模型阶数加 1。对于 N 个观测值的序列， 相应 ARMA 模型的残差估计式 为 ： 0071 ( 式 1)， 0072 其中， 公式中， Q 为拟合误差的平方和，和 j(1 j q) 是 模型系数， N 是观测序列长度，是模型参数中的常数项，的常识值是根据不同 的和 j(1 j q) 进 行 变 化 的 常 数 项， 不 同 的和 j(1 j q) 对照不同的值。 0073 步骤 1.3 ： 模型参数估计 0074 采用矩估计方法对 ARMA(p,q) 的模型参数进行估计。首先， 将风电场历史功率数 据利用数据序列 x1,x2,.,xt表示， 。
24、其样本自协方差定义为 说 明 书 CN 103927597 A 9 6/8 页 10 0075 ( 式 2) 0076 其中， k 0,1,2,.,n-1， xt和 xt-k均为数据序列 x1,x2,.,xt中的数值。 0077 特别的， 0078 ( 式 3) 0079 则历史功率数据样本自相关函数为 ： 0080 ( 式 4) 0081 其中， k 0,1,2,.,n-1。 0082 AR 部分的矩估计为 0083 ( 式 5) 0084 令 0085 ( 式 6) 0086 则协方差函数为 0087 0088 用的估计代替 k， 有 说 明 书 CN 103927597 A 10 7/8。
25、 页 11 0089 ( 式 8) 0090 可得参数 0091 对 MA(q) 模型系数 1,2,.,q采用矩估计有 0092 ( 式 9) 0093 0094 0095 ( 式 10) 0096 其中 k 1,2,.,m。 0097 以上共包含 m+1 个方程， 对其参数而言， 方程为非线性， 采用迭代法进行求解。 0098 具体步骤如下， 将方程变形为 ： 0099 ( 式 11) 0100 (式12) 0101 给定 1,2,.,q和的一组初始值， 如 0102 ( 式 13) 0103 代入以上两式右边， 左边所得到的值为第一步迭代值， 记为再 将该值依次代入上两式的右侧， 便得到第。
26、二步迭代值，依次类推， 直到相邻两次迭代结果小于给定阈值时， 取所得的结果作为参数的近似解。 0104 通过上述求解过程发现， 要求解时间序列模型的阶数， 就要得到时间序列的预测 值 ； 要得到时间序列的预测值， 必须先建立具体的预测函数 ； 要建立具体的预测函数， 必须 知道模型的阶数。 0105 根据实践得出， 时间序列模型阶数一般不超过 5 阶。所以在该算法具体实现时， 可 以首先假设模型为1阶， 利用步骤1.3中的参数估计方法得到一阶模型的参数， 进而建立估 计函数便可以求得一阶模型时间序列模型估计得到各个项的预测值， 从而求得一阶模型的 残差方差 ； 之后， 假设模型为二阶， 用上述。
27、方法求得二阶模型的残差 ； 以此类推， 可以得到 1 到 5 阶模型的残差， 选残差最小的模型的阶数作为最终模型的阶数。确定模型阶数后， 便可 计算得到参数 1,2,.,q的值。 0106 阶段 2 ： 功率预测 0107 步骤 2.1 ： 功率预测基础数据输入 说 明 书 CN 103927597 A 11 8/8 页 12 0108 风电功率预测所需输入数据包括资源监测系统数据和运行监测系统数据两部分， 其中， 资源监测系统数据包含风资源监测数据 ； 运行监测系统数据包括风机监测数据、 升压 站监测数据和数据采集与监视控制系统 (SCADA) 数据等。 0109 步骤 2.2 ： 噪声滤波。
28、及数据预处理 0110 噪声滤波模块对实时监测系统采集得到的带有噪声的进行滤波处理， 去除坏数据 和奇异值 ； 数据预处理模块对数据进行对齐、 归一化处理和分类筛选等操作， 以便使得输入 的数据可以为模型所用。 0111 步骤 2.3 ： 超短期功率预测 0112 将模型参数估计出来之后， 结合已估计的模型阶数， 便可得到用于风电功率超短 期预测的时间序列方程。根据上述步骤 2 和步骤 3 得出的 p 和 q 值， 以及 1,2,.,q的值建立自回归滑动平均模型 ； 0113 自回归滑动平均模型如下 ： 0114 ( 式 14) 0115 其中，和 j(1 j q) 是系数， t是白噪声序列。。
29、 0116 步骤 2.4 ： 预测结果输出及展示 0117 将预测结果输出至数据库中， 并通过图表及曲线展示预测结果、 展示预测与实测 结果的对比。 0118 最后应说明的是 ： 以上所述仅为本发明的优选实施例而已， 并不用于限制本发明， 尽管参照前述实施例对本发明进行了详细的说明， 对于本领域的技术人员来说， 其依然可 以对前述各实施例所记载的技术方案进行修改， 或者对其中部分技术特征进行等同替换。 凡在本发明的精神和原则之内， 所作的任何修改、 等同替换、 改进等， 均应包含在本发明的 保护范围之内。 说 明 书 CN 103927597 A 12 1/1 页 13 图 1 说 明 书 附 图 CN 103927597 A 13 。