一种基于时间序列分析的超短期风机功率预测方法

1.本发明涉及风机功率预测技术领域，尤其涉及一种基于时间序列分析的超短期风机功率预测方法。


背景技术：

2.目前对风机功率预测可用的模型很多，根据预测模型使用的预测技术的不同和预测时长的不同进行分类，可以分为物理方法、人工智能方法和统计方法等模型预测方法。物理方法是根据风电场周围的地形、地貌等信息，通过建立完备物理模型、求解高维的非线性方程组，进而预测风机的输出功率，需要大量的计算。人工智能方法是利用历史数据，通过训练学习机来找出输入与输出的关系，如模糊推理法和人工神经网络法，其中基于人工神经网络法的预测模型是目前的主流预测方法。
3.统计方法通过分析历史气象数据以及风机其它运行参数历史数据样本的统计规律，建立这些数据样本之间的非线性映射关系，由于这类方法是基于统计数据的外推模型，可以回避对物理机理掌握不足等困难。
4.现有的预测方法包括以下缺点：
5.①
由于风电场的特殊环境以及其自身的一些物理现象(如地转风等)难以被准确描述，以及对于不同的风机所建立的模型不尽相同，模型无法得到通用，因此物理预测模型很难做出准确的有价值的预测效果。
6.②
人工智能方法中模糊推理法的模糊其实也就是不确定，对信息的模糊处理将导致模型的控制精度和动态品质变差。
7.③
人工智能方法中基于人工神经网络的风机功率短期预测方法多数未对原始数据进行合理的数据预处理，或未考虑风机自身当前的状态，使得风机功率预测精度较低。
8.而统计方法是通过对历史数据样本的统计规律的分析，建立数据样本之间的非线性映射关系，这类方法是基于统计数据的外推模型，可以回避对物理机理掌握不足等困难，因此提出基于时间序列分析模型的统计方法来进行风机功率的短期预测。


技术实现要素：

9.有鉴于现有技术的上述缺陷，本发明提供一种基于时间序列分析的超短期风机功率预测方法，以实现更准确地预测出未来短期内风电场风机发电功率的目的。该方法利用统计法分析平均功率历史数据样本的统计规律进而建立模型。
10.为实现上述目的本发明提供了一种基于时间序列分析的超短期风机功率预测方法，其包括：
11.s1：对预定时间范围内的风机功率数据按分钟进行分组，得到每分钟的子序列ti，组成风机功率序列t1、t2、
…
tn；
12.s2：求取每个子序列ti的十秒平均功率值，组成十秒平均功率数据序列x，其表达式为：
[0013][0014]
s3：判断十秒平均功率数据序列x是否平稳，如果不平稳，则对十秒平均功率数据序列x进行差分得到差分序列；判断得到的差分序列是否平稳，如果不平稳则对差分序列进行差分，得到新的差分序列，直到最终得到的差分序列∈平稳，在此过程中记录差分次数d；
[0015]
s4：根据十秒平均功率数据序列x以及差分序列∈，采用差分整合移动平均自回归模型进行拟合，得到预测模型。
[0016]
本发明的进一步改进在于：步骤s1中对风机功率数据按分钟进行分组的过程中，对重复数据进行删除，对缺失数据采用序列平均值进行补充。
[0017]
本发明的进一步改进在于：差分整合移动平均自回归模型为：
[0018]yt
＝β0 β1y
t-1
β2y
t-2

…
β
pyt-p
∈
t
α1∈
t-1
α2∈
t-2

…
αq∈
t-q
[0019]
其中：α1...αq为误差系数，q为滑动平均项数，β0...β
p
为自回归系数，y
t
为预测对象的观测值。
[0020]
本发明提供的装置及方法具有以下技术效果：通过本发明的基于时间序列分析预测的方法，对风机功率预测得出良好的预测效果。以某风电机场f23-3450风机一天的功率参数为例，来验证本发明基于时间序列分析统计预测方法的可行性。
附图说明
[0021]
图1是基于时间序列分析的超短期风机功率预测方法的流程图。
[0022]
图2是十秒平均功率数据序列的时间序列图；
[0023]
图3是一次差分后的差分序列的时间序列图。
具体实施方式
[0024]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0025]
为了阐释的目的而描述了本发明的一些示例性实施例，需要理解的是，本发明可通过附图中没有具体示出的其他方式来实现。
[0026]
如图1所示，本发明的实施例包括一种基于时间序列分析的超短期风机功率预测方法，其具体包括：
[0027]
s1：由于功率数据测量需在实际环境中实时检测，会存在一定的测量失误以及缺失的数据无法做到补测，因此在原始数据输入之前需要进行必要的数据处理。将一天的数据按分钟划分为1440组，得到每分钟的子序列ti，对于序列中时间重复的数据进行删除，时间缺失的数据，采用序列平均值补充。将前1410组数据用作模型拟合，后30组作为预测组用于检验。分钟的子序列ti按照时间先后排序得到风机功率序列t1、t2、...tn。如00∶01、00∶02、00∶03的子序列分别记为t1、t2、t3，01∶00、01∶01、01∶02记为t
60
、t
61
、t
62
，以此类推将一天的功率数据时刻记为t1、t2、......、tn，其中n为组数，最大为1440分钟。
[0028]
s2：分别从每个分钟的子序列中选取相同秒数的数据，求取各分钟的十秒平均功
率值。将数据组成两列，一列是“时间”作为索引，一列是“10秒平均功率值”，在spss软件中输入数据并保存，以“分钟”定义时间变量。设输入的10秒平均功率数据为序列x，完整的10秒平均功率数据序列为：
[0029][0030]
x序列为动态数据。
[0031]
s3：根据导入的功率数据序列，在spss软件中做出序列图，如附图2，观察数据序列的特点。序列图检验发现数据序列x非平稳；判断时间序列是否平稳是现有技术。一次差分后的序列记作序列∈，为：
[0032]
∈＝{∈1，∈2，
…
，∈
t
}
ꢀꢀꢀ
(2)
[0033]
其中：
[0034][0035]
上为滞后算子。一次差分后序列图检验发现差分时间序列基本平稳，确定差分次数d，差分后序列图见附图3。若差分后得到的差分序列不平稳，则继续对得到的差分序列进行差分，直到最终得到的差分序列平稳，每次差分过程中对差分次数d进行累加。
[0036]
s4：本实施例中，根据十秒平均功率数据序列x以及差分序列∈，采用差分整合移动平均自回归模型进行拟合，得到预测模型。得到预测模型后对模型进行验证，若验证失败则调整模型参数，若成功则利用得到的模型进行预测。具体的：
[0037]
假定影响因素x1，x2，......，xk。自回归分析：
[0038]yt
＝β1x1 β2x2
…
β
p
x
p
z
ꢀꢀꢀ
(4)
[0039]
其中y
t
是预测对象的观测值，z为误差，β为自回归系数。预测对象y
t
还受到自身变化的影响，其表达式为：
[0040]yt
＝β1y
t-1
β2y
t-2

…
β
pyt-p
z
t
ꢀꢀꢀ
(5)
[0041]
其中p为自回归项数。误差项z
t
在不同时期具有依存关系，由下式所示
[0042]zt
＝∈
t
α1∈
t-1
α2∈
t-2

…
αq∈
t-q
ꢀꢀꢀ
(6)
[0043]
其中α为误差系数，q为滑动平均项数。
[0044]
最后确定差分整合移动平均自回归(arima)模型为：
[0045][0046]
然后对序列相关图进行分析，并观察自相关系数(acf)和偏自相关系数(pacf)的滞后效果，根据序列的自相关图和偏自相关图确定自回归项数p和滑动平均项数q的值。
[0047]
公式7可变形为：
[0048][0049]
根据上式可确定p、q的关系，通过上述表达式可以得到候选的若干对p、q数值。各参数确定后即可带入上述的arima模型进行预测。
[0050]
模型的验证。模型的验证主要是验证模型的拟合效果，也就是噪声序列的独立性检验。若模型的分析结果不是白噪声数据，说明模型有待改进，则重复2、3步骤，调整p和q的
值，直至检验模型的噪声序列为白噪声序列。
[0051]
模型的预测分析。利用已通过检验的模型去拟合时间序列的功率数据，并预测接下来30个时间区域的功率数据，如若存在较大误差，说明模型不合适。本模型拟合后结果趋势基本吻合，随机选取几个区间预测功率与实际数据比较，发现无明显差异，更加验证了模型的效果良好。
[0052]
本发明采用统计分析法，提出基于时间序列分析的预测方法，相比于传统的物理方法来讲，时间序列分析预测的显著特点就是根据客观事物发展的连续规律性,运用过去的历史数据,通过统计分析,进一步推测未来的发展趋势。时间序列分析把外界各种因素的所有影响归结为一种，根据事物自身变动情况建立动态模型，操作过程也更加简单。因此本文提出的基于时间序列分析的统计预测方法，利用输入的动态数据建立动态模型，能够实时响应，基于时间序列分析，实现了风机功率数据前后的延续性和数据发展变化的随机性的统计。方法更加简单有效，预测结果更加准确。同时由于受过去和现在数据以及各种外界随机因素的影响较大，预测时间越近预测效果越好，所以超短期预测的效果更好。
[0053]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。