实时校正的自学习arma模型风电功率超短期预测方法
【专利摘要】本发明公开了一种实时校正的自学习ARMA模型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；输入风资源监测系统数据和运行监测系统数据，并根据运行监测数据实时校正开机容量；建立自回归滑动平均模型从而得到风电功率超短期预测结果；引入实时测风塔数据对风电功率超短期预测结果进行实时校正。通过对风力发电过程中的风电功率进行预测，并通过引入实时测风塔数据对风电功率超短期预测结果进行实时校正，克服现有ARMA技术中风电功率超短期预测精度低的缺陷，达到高精度的风电功率超短期预测的目的。
【专利说明】实时校正的自学习ARMA模型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】，具体地涉及一种测风网络实时校正的自学习ARMA模型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。
[0004]ARMA(自回归滑动平均模型)作为一种成熟的机器学习方法广泛应用于风电功率超短期预测。ARMA模型由自回归模型(AR)和滑动平均模型(MA)组成，采用对历史功率进行自回归运算及对白噪声序列进行滑动平均来预测未来0-4小时内的风电出力。ARMA方法有很多优点，因此广泛用于风电功率超短期预测，但ARMA最大的缺点就是其预测的滞后性，即当风电出力发生改变时，ARMA预测的结果的变化速度普遍慢于实际风电出力变化速度，因此，严重影响ARMA的预测精度。
【发明内容】
[0005]本发明的目的在于，针对上述问题，提出一种实时校正的自学习ARMA模型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。
[0006]为实现上述目的，本发明采用的技术方案是:
[0007]—种实时校正的自学习ARMA模型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；
[0008]输入风资源监测系统数据和运行监测系统数据，并根据运行监测数据实时校正开机容量；
[0009]建立自回归滑动平均模型从而得到风电功率超短期预测结果；
[0010]弓I入实时测风塔数据对风电功率超短期预测结果进行实时校正。
[0011]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，输入模型训练基础数据；[0012]模型定阶；
[0013]采用矩估计方法对定阶的ARMA(p，q)模型参数进行估计。
[0014]根据本发明的优选实施例，所述输入模型训练基础数据，输入数据包括，历史风速数据和历史功率数据。
[0015]根据本发明的优选实施例，所述模型定阶具体为:
[0016]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+ 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；
[0017]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<^2的图形，当阶数由小增大时，σ；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，
[0018]CJ；=拟合误差的平方和/(实际观测值个数-模型参数个数)，
[0019]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Ν-ρ，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:
[0020]
【权利要求】
1.一种实时校正的自学习ARMA模型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； 输入风资源监测系统数据和运行监测系统数据，并根据运行监测数据实时校正开机容量; 建立自回归滑动平均模型从而得到风电功率超短期预测结果； 引入实时测风塔数据对风电功率超短期预测结果进行实时校正。
2.根据权利要求1所述的实时校正的自学习ARMA模型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模型参数包括，输入模型训练基础数据； 模型定阶； 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所述的实时校正的自学习ARMA模型风电功率超短期预测方法，其特征在于，所述输入模型训练基础数据，输入数据包括，历史风速数据和历史功率数据。
4.根据权利要求3所述的实时校正的自学习ARMA模型风电功率超短期预测方法，其特征在于，所述模型定阶具体为: 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； 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，σ2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， CJ；=拟合误差的平方和/ (实际观测值个数-模型参数个数)， 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:
5.根据权利要求4所述的实时校正的自学习ARMA模型风电功率超短期预测方法，其特征在于，所述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
6.根据权利要求5所述的实时校正的自学习ARMA模型风电功率超短期预测方法，其特征在于， 所述风资源监测系统数据包括与待预测风电场相关的测风塔所监测的实时测风数据及数值天气预报数据预测的风电场平均风速，所述运行监测系统数据是待预测风电场风机实时监测信息，包括风机实时停开机情况及机组浆距角状态信息。
7.根据权利要求6所述的实时校正的自学习ARMA模型风电功率超短期预测方法，其特征在于，还包括， 将预测结果输出的步骤； 以及对预测结果后评估及模型修正的步骤。
8.根据权利要求7所述的实时校正的自学习ARMA模型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:
9.根据权利要求8所述的实时校正的自学习ARMA模型风电功率超短期预测方法，其特征在于，所述引入实时测风塔数据对风电功率超短期预测结果进行实时校正具体为: 设h时刻，测风塔监测得到的风电场平均风速为V1，数值天气预报数据预测的风电场平均风速为U1，风电场的实际出力为P1 ;下一个时间点t2时刻，数值天气预报数据预测的风电场平均风速为U2，则风电场平均风速V2为，
V2 = V1+(U2-U1) 则风电场功率预测的参数修正量为
10.根据权利要求9所述的实时校正的自学习ARMA模型风电功率超短期预测方法，其特征在于，输出的最终预测结果为:
【文档编号】G06Q50/06GK103984986SQ201410186902
【公开日】2014年8月13日 申请日期:2014年5月6日 优先权日:2014年5月6日
【发明者】汪宁渤, 路亮, 赵龙, 张金平, 黄蓉 申请人:国家电网公司, 国网甘肃省电力公司, 甘肃省电力公司风电技术中心