本发明涉及风力发电技术领域，具体地说，涉及一种风速风向预测方法及风力发电机组的偏航控制方法。
背景技术：
当前，随着传统化石燃料的消耗殆尽和对能源需求的日益增大，人们越来越注重可再生的绿色清洁能源的开发和利用。风力发电作为绿色可再生能源的发电方式之一，受到各国工业和学术界的重视，风力发电技术日臻成熟，在可再生能源中成本相对较低，因此有着广阔的发展前景。
偏航调节器是风力发电机组的对风调节装置，它使得风机的风轮轴线始终与风向一致，而调解器的控制精度对风力发电机组的发电性能具有显著的影响。现代大型风力发电机组是在偏航误差存在的前提下运行的。
一方面，偏航误差的存在将导致风能获取量的降低，根据相关资料显示，偏航误差引起的年平均能量损失为2.7％，而当偏航误差为20°时，年损失量可达11％。另一方面，偏航误差的存在还会引起部件载荷的增加，这将导致偏航不稳从而引起发电机组震荡造成停机。
随着现代风机叶片的逐渐增大，偏航调节器所带来的影响也逐渐凸显。相关资料显示偏航系统引起的故障率占12.5％，而由偏航故障所引起的故障停机时间占13.3％。因此，有必要对大型风力发电机组的主动偏航的控制装置和控制策略进行深入研究。
技术实现要素：
为解决上述问题，本发明提供了一种风速风向预测方法，所述方法包括：
步骤一、获取待分析地区的历史风速数据和历史风向数据；
步骤二、根据所述历史风速数据和历史风向数据对风矢量进行分解，得到的历史风矢量横坐标数据和历史风矢量纵坐标数据；
步骤三、利用ARMA模型来根据所述历史风矢量横坐标数据和历史风矢量纵坐标数据确定下一时刻的风矢量横坐标数据和风矢量纵坐标数据；
步骤四、根据下一时刻的风矢量横坐标数据和风矢量纵坐标数据分别确定下一时刻的风速数据和风向数据。
根据本发明的一个实施例，在所述步骤二中，根据如下表达式对风矢量进行分解：
其中，和分别表示t时刻的风矢量横坐标数据和风矢量纵坐标数据，表示风速数据，表示t时刻的风向数据。
根据本发明的一个实施例，所述步骤三包括：
步骤a、对所述历史风矢量横坐标数据进行去趋势化处理，得到去趋势化风矢量横坐标数据；
步骤b、根据所述去趋势化风矢量横坐标数据的自相关函数和偏自相关函数，确定拖尾截尾模式；
步骤c、基于所述拖尾截尾模式，利用预设准则对所述ARMA模型进行定阶，确定自动回归阶数、滑动平均数阶数和差分阶数；
步骤d、基于所述ARMA模型，利用所述自动回归阶数、滑动平均数阶数和差分阶数根据所述去趋势化风矢量横坐标数据计算下一时刻的风矢量横坐标数据。
根据本发明的一个实施例，在所述步骤a中，对去趋势化风矢量横坐标数据进行平稳性检测，如果得到的去趋势化风矢量横坐标数据不是平稳的，则再次对该去趋势化风矢量横坐标数据进行差分并重新进行平稳性检测，直至得到的去趋势化风矢量横坐标数据是平稳的。
根据本发明的一个实施例，在所述步骤b中，
判断所述去趋势化风矢量横坐标数据的自相关函数在达到特定阶后是否能够保持为零，其中，如果能够，则判定所述去趋势化风矢量横坐标数据的自相关函数具有截尾性，否则判定所述去趋势化风矢量横坐标数据的自相关函数具有拖尾性；
判断所述去趋势化风矢量横坐标数据的偏自相关函数在达到特定阶后是否能够保持为零，其中，如果能够，则判定所述去趋势化风矢量横坐标数据的偏自相关函数具有截尾性，否则判定所述去趋势化风矢量横坐标数据的偏自相关函数具有拖尾性。
根据本发明的一个实施例，在所述步骤c中，利用AIC准则选取最小值来对所述ARMA模型进行定阶。
根据本发明的一个实施例，利用ARMA模型来根据所述历史风矢量纵坐标数据确定下一时刻的风矢量纵坐标数据的方式与利用ARMA模型来根据所述历史风矢量横坐标数据确定下一时刻的风矢量横坐标数据的方式相同。
根据本发明的一个实施例，在所述步骤四中，根据如下表达式确定下一时刻的风速数据：
其中，表示t+1时刻的风速数据，和分别表示t+1时刻的风矢量横坐标数据和风矢量纵坐标数据。
根据本发明的一个实施例，在所述步骤四中，根据如下表达式确定下一时刻的风向数据：
其中，表示t+1时刻的风向数据，和分别表示t+1时刻的风矢量横坐标数据和风矢量纵坐标数据。
本发明还提供了一种风力发电机组的偏航控制方法，所述偏航控制方法采用如上任一项所述的方法来根据历史风速数据和历史风向数据预测下一时刻的风速数据和风向数据。
与现有将风速和风向作为完全独立的参数来分别单独进行预测的方法不同，本发明所提供的风速风向预测方法将风速和风向视为一个矢量，其不仅能够同时对风速和风向进行预测，还能够提高风速以及风向预测结果的准确性以及精度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要的附图做简单的介绍：
图1是带有主动偏航调节器的风力发电机组的结构示意图；
图2是偏航系统驱动电机正转使得风力机机舱顺时针调向的示意图；
图3是偏航系统驱动电机正转使得风力机机舱逆时针调向的示意图；
图4是现有的偏航逻辑控制算法的实现流程示意图；
图5～图7示出了南方某风电场的风速与风向之间的分布关系图；
图8～图10是传统偏航控制策略下的实际运行结果示意图；
图11是根据本发明一个实施例的风速独立预测方法的实现流程示意图；
图12和图13根据本发明一个实施例的风速序列10s平均值的自相关函数和偏相关函数示意图；
图14是根据本发明一个实施例的风速风向预测方法的实现流程示意图；
图15示出了本发明一个实施例的原始风向以及不同时长下的平均风向的示意图；
图16示出了本发明一个实施例的原始风速以及不同时长下的平均风速的示意图；
图17和图18分别示出了本发明一个实施例的不同预测方法所得到的10s风向预测结果和风速预测结果示意图；
图19和图20分别示出了本发明一个实施例的不同预测方法所得到的30s风向预测结果和风速预测结果示意图；
图21和图22分别示出了本发明一个实施例的不同预测方法所得到的60s风向预测结果和风速预测结果示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本发明实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不用这里的具体细节或者所描述的特定方式来实施。
另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
当前偏航系统的控制主要集中在功率控制方面，如最大功率点追踪(maximum power point tracking，简称为MPPT)控制。由于早期受到测量技术的限制，偏航控制多采用爬山法。但由于风机的MPP不仅与风向有关，而且与风速大小有关，无法准确定位MPP，因此该方法在工业界仍存有争议。
随着测量技术的发展，有学者提出将PID和模糊控制相结合的偏航控制方法以及逻辑控制方法，这些方法是采用基于风向测量的主动偏航控制，这也是目前工业上普遍采用的偏航控制方法。但是因为风向的测量总是夹杂着干扰噪声和异常值，同时，风向又是不断变化的，与未来风向不同。因此，这种基于风向反馈的主动偏航控制不能显著改善偏航系统的控制性能。
近年来，有学者提出借助激光雷达检测叶轮正前方150m处的风速风向，并基于此提出了偏航系统的预测控制。这种基于先进测量技术的偏航控制策略能够提高风能获取量，并减小了某些极端风向下的载荷。但是，由于这种测风技术成本高昂，目前仍处于试验阶段。
风向对风力发电机组获取最大功率也至关重要，基于风向预测的偏航控制为风机轴线与风向保持一致从而为获得最大功率输出提供可能。Bao等人提出了一种基于圆形回归和贝叶斯平均的方法对天气预报模型所得到的预测数据进行偏差校正。Ergin Erdem等人提出了基于ARMA的风速和风向组合的预测方法。Kalsuner等人提出了一种基于“相似日”来预测风矢量的方法。风速和风向的预测对于风能的获取率都至关重要，而风速和风向又是两个截然不同的属性，如今对于如何同时预测多个风属性以及将预测用于偏航系统控制的研究却很少。
本文在原有的基于ARMA的风速和风向独立预测方法基础上，提出了新的基于ARMA模型的风速和风向预测方法。
图1是带有主动偏航调节器的风力发电机组的结构示意图。
如图1所示风力发电机组包括：电机模块101、桨距控制模块102、空气动力系统模块103、变频器控制模块104、偏航控制模块105以及塔架和传动模块。空气中的风通过空气动力系统模块103中的风力机桨叶旋转将风能转化为机械能来驱动电机模块101中的发电机转子转动，再应用空间矢量控制技术通过变频控制模块104将由发电机所产生的可变频率、可变电压转换为电网能够接受的固定频率、固定电压。
由空气动力学中的贝兹理论可知，风力发电机组能够从风中获得并输出的功率Pa为：
Ve＝V0cos(θe)＝V0cos(θw-θnp) (2)
其中，ρ表示空气密度，Ar表示风轮扫略的面积，Cp表示风力机的风能利用系数，Ve表示为有效风速，V0表示自由流风速，θe表示偏航误差，θw和θnp分别表示风向和风力机机舱的对北角度。
根据表达式(1)和表达式(2)可知，风力机捕获的功率Pa与风速有效值Ve的3次方成正比，这表明偏航误差θe越大风力机捕获的功率Pa就越小。
主动偏航系统就是主动地将机舱的轴线与风向对齐，即根据计算得到的风向标检测到的一段时间内的风向平均值通过偏航调向装置将风轮调至迎风位置。当风力机机舱位置发生变化，绝对值编码器将记录当前调整的角度，然后启动偏航制动，通过这一系列的主动偏航调节动作为风力发电机组捕获最大风能提供可能。
因此，为提高风力发电机的效率，偏航系统总是要求按照最短路径通过转动垂直在塔架上的机舱来对准风向，因此偏航调节的最短路径与偏航角之间的关系如下：
(1)在风力机机舱位置与风向的角度差小于180°的情况下，偏航角的计算公式为：
θe＝θw-θnp (3)
此时偏航系统驱动电机正转使得风力机机舱顺时针调向，其示意图如图2所示；
(2)在风力机机舱位置与风向的角度差大于180°的情况下，偏航角的计算公式为：
θe＝360°-|θw-θnp| (4)
此时偏航系统驱动电机反转使得风力机机舱逆时针调向，其示意图如图3所示。
当前，在基于风向反馈的主动偏航控制策略下的偏航误差主要集中分布在[-15°,15°]。当风向变化超出设定范围时，偏航系统则会对机舱位置进行调整。下面以某一1.5MW CMYWP风机为例介绍工业上普遍采用的偏航逻辑控制算法，其实现流程示意图如图4所示。
根据图4可以看出，传统的主动偏航逻辑控制算法在实施过程中首先会对原始的风向测量数据进行滤波处理，随后会根据滤波后的风向数据来计算设定时间内的偏航误差平均值。
具体地，该控制算法会根据如下表达式来计算设定时间内的偏航误差平均值：
其中，表示10s内偏航误差平均值，表示30s内的偏航误差平均值，表示60s内偏航误差平均值。
随后，该算法将会判断计算得到的偏航误差平均值是否超出预先设定的相应范围。其中，如果没有超出预先设定的范围，那么偏航系统不会动作。而如果超出了预先设定的范围，那么该算法则会进一步判断偏航误差平均值超出预先设定范围的时间是否超过设定的延时时长。其中，如果偏航误差平均值超出预先设定范围的时间没有超过设定的延时时长，那么同样的偏航系统不会动作。
而如果偏航误差平均值超出预先设定范围的时间超过了设定的延时时长，那么此时该算法将会计算偏航系统运行时长tyaw。具体地，该算法可以根据如下表达式来计算偏航系统运行时长tyaw：
tyaw＝θe/vyaw (6)
其中，vyaw表示偏航系统的运行速度(即偏航系统的转动速度)。
在得到偏航系统运行时长tyaw后，该算法也就可以根据偏航系统运行时长tyaw来控制偏航系统进行动作。
然而，风是空气相对于地球表面的运动，它的形成受地理位置、气象条件等多种因素的影响，它有着明显的日周期和年周期效应。此外，风速与风向也存在着某种关系，图5～图7示出了南方某风电场的风速与风向之间的分布关系图。
从图5～图7可以看出，在低风速区风向变化较频繁，而随着风速的提高风向也趋于稳定。此外，每个地方的风速和风向有着明显的区域特征，表1示出了该区域风速和风向特征。
表1
从图5～图7以及表1可以看出，在这一时间段内风速主要在9-15m/s，占据了90.48％。对北风向主要集中在280-330°，主要是西北，占据了总量的83.71％。平均风速是10.18m/s，风速的标准偏差是4.02。
利用前文的数据对在传统偏航控制策略下的实际运行结果进行分析，结果如图8～图10所示。根据图8～图10可以看出，在传统的偏航策略控制下，风机的偏航误差均值和标准差会随着风速的增大而逐渐下降。在低于2.5m/s这段风速区域内由于风速较小，偏航系统未启动，因此该区域内的偏航误差较大；在额定值以下的低风速区，其中2.5-4m/s这段偏航误差平均值较大，随后逐渐稳定；在额定值以上的高风速区，偏航误差平均值较为稳定。
通过分析，发明人发现，现有控制策略是基于风向反馈的控制，完全依赖于风向测量的准确性。然而，风向的准确性除了与自身风向标传感器的测量精度有关，还与风向标的安装位置有着密切的联系。这是由于位于上风向的风力发电机组的风轮旋转会产生尾流湍流，使得位于下风向的风向标不停摆动，从而降低了风向测量的准确度和测风设备的使用寿命，使得偏航控制系统得不到理想的风向输入信号，进而导致机组对风精度较低。
由此可知，由于风速风向测量的不准确性，现有的偏航控制策略效果不尽如人意，因此有必要采用先进的方法对风速风向进行预测。
为此，本发明提供了一种风速、风向预测方法，该方法能够实现对风速和风向进行短时独立预测。由于该方法对风速和风向进行预测的实现原理以及实现流程相同，故在此仅以对风速进行预测为例来进行说明。
图11示出了本实施例中对风速进行独立预测的实现流程示意图。
如图11所示，本实施例中，该方法首先会在步骤S1101中获取历史风速数据。需要指出的是，该方法在步骤S1101中所获取到的历史风速数据所指代的优选地为特定长度(该长度可以根据实际需要配置为不同的合理值)的时段内所包含的多个时刻(包括当前时刻)所对应的预设时长内的风速平均值(例如10s、30s或60s内的风速平均值)。其中，当前时刻所对应的10s内的风速平均值表征的是当前时刻之前10s内的风速的平均值。
当然，在本发明的不同实施例中，上述预设时长可以根据实际需要配置为不同的合理值(例如5s至240s内的合理值等)，本发明并不对上述预设时长的具体取值进行限定。
由于本方法是基于ARMA模型来进行风速预测的，而ARMA模型要求数据是平稳的，因此为了保证数据的平稳性，在得到历史风速数据后，该方法会在步骤S1102中对历史风速数据进行去趋势化处理，从而得到去趋势化风速数据。
具体地，本实施例中，该方法在步骤S1102中优选地根据如下表达式对历史时刻的风速数据进行去趋势化处理：
其中，表示t时刻的去趋势化后的风速数据，表示t时刻的风速数据值，表示历史风速趋势值(即平均值)。
本实施例中，历史风速数据平均值优选地指当前时刻前所有风速数据的平均值或当前时刻以前特定时长内的风速数据的平均值。
在完成一次去趋势化处理过程后，该方法还会在步骤S1102中对去趋势化风速数据进行平稳性检测。其中，如果去趋势化风速数据并不是平稳的，那么该方法则会再次对该去趋势化风速数据进行差分并重新进行平稳性检测，直至得到的去趋势化风速数据是平稳的。
由于风速信号存在不平稳性，为了应用时间序列的方法对其进行预测，就需要将风速信号变为平稳的随机信号。本实施例中，该方法优选地采取引用有序差分算子(即▽＝1-B)的方法，对原非平稳时间序列{yt}施行一阶有序差分变换。即，存在：
▽yt＝(1-B)yt＝yt-yt-1 (8)
其中，▽yt表示t时刻(即当前时刻)和t-1时刻(即前一时刻)的数据的差值，B表示yt和yt-1的比例系数，yt和yt-1分别表示t时刻(即当前时刻)和t-1时刻(即前一时刻)的数据。
d阶数差分后可以得到：
▽dyt＝(1-B)dyt (9)
其中，▽dyt表示d阶差分算子。
差分后得到的平稳序列可以用AR、MA、ARMA模型来描述，则原时间序列可表示为：
其中，表示滞后算子多项式，θ(B)表示预测误差滞后算子多项式，at表示预测误差。
这就是累积式自回归一滑动平均模型ARIMA(p，d，q)。
如果需要使得数据序列保持平稳性，那么也就需要要求方程φ(B)＝0和θ(B)＝0的根均位于单位圆外，即根的模值均大于1。其中，
其中，如果上述方程的根的模值均大于1，那么风速序列是平稳的。而如果平稳可逆性检验未通过，可适当调整差分阶数进行修正，直至调整后的风速序列是稳定的。
当然，在本发明的其它实施例中，该方法还可以采用其它合理方式来检测去趋势化风速数据的平稳性，本发明不限于此。
本实施例中，通过对历史风速数据进行去趋势化处理，该方法还可以确定出ARMA模型中的差分阶数d。
在完成去趋势化处理后，该方法会在步骤S1103中根据步骤S1102中所得到的去趋势化风速数据的自相关函数(autocorrelative function，ACF)和偏自相关函数(partial autocorrelative function，PACF)确定拖尾截尾模式。
具体地，本实施例中，上述自相关函数和偏自相关函数可以分别表示为：
其中，ρk表示求滞后数为k的自相关系数，和分别表示i时刻的去趋势后的数据和i+k时刻的去趋势后的数据时刻，φkk表示滞后数为k的偏相关系数，φk-1,j表示k-1阶自回归过程中第j个回归系数。
具体地，本实施例中，该方法会判断去趋势化风速数据的自相关函数在达到特定阶后是否能够保持为零。其中，如果能够，该方法则可以判定去趋势化风速数据的自相关函数具有截尾性，否则则可以判定去趋势化风速数据的自相关函数具有拖尾性。
类似地，该方法还可以判断去趋势化风速数据的偏自相关函数在达到特定阶后是否能够保持为零。其中，如果能够，该方法则可以判定去趋势化风速数据的偏自相关函数具有截尾性，否则则可以判定去趋势化风速数据的偏自相关函数具有拖尾性。
通过判断去趋势化风速数据的自相关函数和偏相关函数为拖尾型还是截尾型，本实施例所提供的方法也就可以确定出去趋势化风速数据的拖尾截尾模式。
图12和图13分别示出了本实施例中风速序列10s平均值的自相关函数和偏相关函数示意图。从图12和图13中可以看出，该去趋势化风速数据的自相关函数和偏相关函数都是拖尾型。
再次如图11所示，本实施例中，在确定出去趋势化风速数据的拖尾截尾模式后，该方法会在步骤S1104中基于所确定出的拖尾截尾模式，对ARMA模型进行定阶，从而确定给出自动阶数、滑动平均数阶数和差分阶数。其中，该差分阶数即为步骤S1102差分过程中所确定出的差分的次数。如果风速数据比较平稳，那么在去趋势化过程中也就不需要进行差分处理，这样差分的次数(即差分阶数d)也就等于零。
在确定出ARMA模型中的自动回归阶数、滑动平均数阶数和差分阶数后，本实施例中，该方法会在步骤S1105中基于ARMA模型，来利用步骤S1104中所确定出的自动回归阶数、滑动平均数阶数和差分阶数根据去趋势化风速数据对风速数据进行提前一步预测，从而计算得到下一时刻的风速数据。
具体地，本实施例中，该方法优选地根据如下表达式确定下一时刻的风速数据：
其中，yt+1表示t+1时刻(即下一时刻)的数据，yt表示t时刻(即当前时刻)的数据，yt-i表示t-i时刻的数据，δ表示常数项，表示第i个自回归系数，φj表示第j个滑动平均系数，p表示自动回归的阶数，q表示滑动平均数的阶数，et表示t时刻(即当前时刻)的误差项(即t时刻的预测值与观测值之间的差值)。
对于风速数据，即存在：
其中，表示t+1时刻(即下一时刻)的风速数据。
至此也就根据历史风速数据预测出了下一时刻的风速数据。
基于相同原理以及过程，本发明所提供的风速风向预测方法同样可以根据历史风向数据来预测出下一时刻的风向数据。
本发明提供了一种新的风速风向预测方法，该方法将风速和风向视为一个矢量，并给予风矢量来对下一时刻的风速数据和风向数据进行预测。
图14示出了本实施例所提供的风速风向预测方法的实现流程示意图。
如图14所示，本实施例中，该风速风向预测方法会在步骤S1401中获取待分析区域的历史风速数据和历史风向数据。需要指出的是，该方法在步骤S1101中所获取到的历史风速数据所指代的优选地为多个时刻(包括当前时刻)所对应的预设时长内的风速平均值(例如10s、30s或60s内的风速平均值)。其中，当前时刻所对应的10s内的风速平均值表征的是当前时刻之前10s内的风速的平均值。
当然，在本发明的不同实施例中，上述预设时长可以根据实际需要配置为不同的合理值(例如5s至240s内的合理值等)，本发明并不对上述预设时长的具体取值进行限定。
在得到历史风速数据和风向数据后，该方法会在步骤S1402中根据历史风速数据和历史风向数据对风矢量进行分解，从而得到历史风矢量横坐标和风矢量纵坐标。
具体地，本实施例中，该方法优选地根据如下表达式对风矢量进行分解：
其中，和分别表示t时刻的风矢量横坐标数据和风矢量纵坐标数据，表示风速数据，表示t时刻的风向数据。
基于表达式(17)，该方法可以得到当前时刻以及当前时刻之前各个时刻的风矢量横坐标数据和风矢量纵坐标数据。
当然，在本发明的其它实施例中，该方法还可以采用其它合理方式来对风矢量进行分解，本发明不限于此。
在得到历史风矢量横坐标和风矢量纵坐标后，该方法会在步骤S1403中利用ARMA模型来根据历史风矢量横坐标和历史风矢量纵坐标确定下一时刻的风矢量横坐标和风矢量纵坐标
本实施例中，该方法利用ARMA模型确定下一时刻的风矢量横坐标和风矢量纵坐标的具体原理以及过程与上述图11所示的内容类似，在图11所示的方法的基础上将历史风速数据替换为历史风矢量横坐标和历史风矢量纵坐标，即可分别确定出下一时刻的风矢量横坐标和风矢量纵坐标在此不再对该过程进行赘述。
如图14所示，本实施例中，该方法会在步骤S1404中根据步骤S1403中所得到的下一时刻的风矢量横坐标和风矢量纵坐标确定下一时刻的风速数据和风向数据。
具体地，本实施例中，该方法优选地根据如下表达式确定下一时刻的风速数据
根据如下表达式确定下一时刻的风向数据：
其中，表示t+1时刻(即下一时刻)的风向数据。
需要指出的是，在本发明的其它实施例中，该方法还可以采用其它合理方式来根据下一时刻的风矢量横坐标和风矢量纵坐标确定下一时刻的风速数据和风向数据，本发明不限于此。
为了验证本发明所提供的风速风向预测方法的有效性以及优点，本实施例使用南方某风场的SCADA(Supervisory Control and Data Acquisition System)所记录的24小时内的风速和风向数据，共86400个点。
其中，原始风向以及不同时长下的平均风向如图15所示，原始风速以及不同时长下的平均风速如图16所示，图17和图18分别示出了不同预测方法所得到的10s风向预测结果和风速预测结果，图19和图20分别示出了不同预测方法所得到的30s风向预测结果和风速预测结果，图21和图22分别示出了不同预测方法所得到的60s风向预测结果和风速预测结果。
根据图15和图16可知，由于风速原始数据和风向原始数据的波动比较大，因此计算10s、30s以及60s的平均值有利于滤波和减小异常值的影响。此外，在风向标在测量风向超过360°时，数值将从0开始。这就造成图15所示的风向在20-22H这段事件内波动比较大，使用ARMA模型单独预测风向时精度不高(尤其是图17、图19和图21的圆圈处)。
为评估所提出的短时风速和风向预测方法的精确性，本实施例中，可以采用绝对误差平均值(MAE)、平均绝对百分误差(MAPE)和均方差(MSE)三个表达式来对比其预测结果，其统计结果如表2所示。其中，绝对误差平均值(MAE)、平均绝对百分误差(MAPE)和均方差(MSE)的计算表达式分别为：
其中，N表示数据个数，xi表示实际值，表示预测值。
表2
结合图15～图22以及表2可知，对于风向预测而言，单独使用ARMA预测模型所得到的风向风速预测结果的精度低于本实施例所提供的基于风矢量法进行风速和风向预测的结
从上述描述中可以看出，与现有将风速和风向作为完全独立的参数来分别单独进行预测的方法不同，本发明所提供的风速风向预测方法将风速和风向视为一个矢量，其不仅能够同时对风速和风向进行预测，还能够提高风速以及风向预测结果的准确性以及精度。
应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构或处理步骤，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
虽然上述示例用于说明本发明在一个或多个应用中的原理，但对于本领域的技术人员来说，在不背离本发明的原理和思想的情况下，明显可以在形式上、用法及实施的细节上作各种修改而不用付出创造性劳动。因此，本发明由所附的权利要求书来限定。