一种测风网络实时校正的arma模型风电功率超短期预测方法
【专利摘要】本发明公开了一种测风网络实时校正的ARMA模型风电功率超短期预测方法，包括：采用测风网络实时校正的ARMA模型，对待测风电功率进行模型训练处理；基于待测风电功率的模型训练结果，对待测风电功率进行超短期预测。本发明所述测风网络实时校正的ARMA模型风电功率超短期预测方法，可以克服现有ARMA技术中风电功率超短期预测精度低等缺陷，以实现高精度的风电功率超短期预测的优点。
【专利说明】—种测风网络实时校正的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超短期预测【技术领域】，具体地，涉及一种测风网络实时校正的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；光伏发电装机容量已达到435万千瓦，约占甘肃电网总装机容量的13%，同时甘肃成为我国光伏发电装机规模最大的省份。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。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。
[0005]在实现本发明的过程中，发明人发现现有技术中至少存在现有ARMA技术中风电功率超短期预测精度低等缺陷。
【发明内容】
[0006]本发明的目的在于，针对上述问题，提出一种测风网络实时校正的ARMA模型风电功率超短期预测方法，以实现高精度的风电功率超短期预测的优点。
[0007]为实现上述目的，本发明采用的技术方案是:一种测风网络实时校正的ARMA模型风电功率超短期预测方法，包括:
[0008]a、采用测风网络实时校正的ARMA模型，对待测风电功率进行模型训练处理；
[0009]b、基于待测风电功率的模型训练结果，对待测风电功率进行超短期预测。
[0010]进一步地,所述步骤a,具体包括:
[0011]al、模型训练基础数据输入；[0012]a2、模型定阶；
[0013]a3、模型参数估计。
[0014]进一步地,所述步骤al,具体包括:
[0015]风电功率预测系统模型训练所需输入数据，主要包括历史风速数据、历史功率数据；将基础数据输入到预测模型中进行模型训练。
[0016]进一步地,所述步骤a2,具体包括:
[0017]考虑到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: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；
[0018]采用残差方差图法进行模型定阶，用一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(J2的图形；残差方差的估计式为:
，Or
[0019]拟合误差的平方和/(实际观测值个数-模型参数个数)；
[0020]“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Ν-ρ ；
[0021]“模型参数个数”是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I ;对于N个观测值的序列，相应ARMA模型的残差估计式为:
【权利要求】
1.一种测风网络实时校正的ARMA模型风电功率超短期预测方法，其特征在于，包括: a、采用测风网络实时校正的ARMA模型，对待测风电功率进行模型训练处理； b、基于待测风电功率的模型训练结果，对待测风电功率进行超短期预测。
2.根据权利要求1所述的测风网络实时校正的ARMA模型风电功率超短期预测方法，其特征在于，所述步骤a，具体包括: al、模型训练基础数据输入； a2、模型定阶； a3、模型参数估计。
3.根据权利要求2所述的测风网络实时校正的ARMA模型风电功率超短期预测方法，其特征在于，所述步骤al，具体包括: 风电功率预测系统模型训练所需输入数据，主要包括历史风速数据、历史功率数据；将基础数据输入到预测模型中进行模型训练。
4.根据权利要求2所述的测风网络实时校正的ARMA模型风电功率超短期预测方法，其特征在于，所述步骤a2，具体包括: 考虑到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: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； 采用残差方差图法进行模型定阶，用一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d*2的图形；残差方差的估计式为: σ? =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”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Ν-ρ ； “模型参数个数”是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I ;对于N个观测值的序列，相应ARMA模型的残差估计式为:
5.根据权利要求2所述的测风网络实时校正的ARMA模型风电功率超短期预测方法，其特征在于，所述步骤a3，具体包括: 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Xl，X2, , Xt表示，其样本自协方差定义为
6.根据权利要求5所述的测风网络实时校正的ARMA模型风电功率超短期预测方法，其特征在于，所述采用迭代法进行求解的具体步骤如下: 将方程变形为
7.根据权利要求1-6中任一项所述的测风网络实时校正的ARMA模型风电功率超短期预测方法，其特征在于，所述步骤b，具体包括: bl、风资源监测系统数据输入； b2、运行监测系统数据输入； b3、运行监测数据实时校正开机容量； b4、基于ARMA模型的风电功率超短期预测； b5、资源监测数据实时校正风电功率超短期预测结果； b6、最终预测结果输出及展示。
8.根据权利要求7所述的测风网络实时校正的ARMA模型风电功率超短期预测方法，其特征在于，在步骤bl中，风资源监测系统数据，主要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NWP数值天气预报数据预测的风电场平均风速；和/或， 在步骤b2中，运行监测系统数据，是指待预测风电场风机实时监测信息，主要包括至少由风机实时停开机情况及机组浆距角组成的状态信息；和/或， 在步骤b3中，由于风电场运行过程中，总有各种原因所导致的停机情况，比如典型的20万千瓦装机的风电场，包含134台风机，平均有10台左右的风机处于停机状态，因此通过实时风机运行监测数据可以知道风电实际的开机容量，而非用风电场的装机容量进行风电功率超短期预测。
9.根据权利要求7所述的测风网络实时校正的ARMA模型风电功率超短期预测方法，其特征在于，所述步骤b4，具体包括: 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；根据步骤b2和步骤b3得出的P和q值，以及φ1,φ2,；φρQ1, θ 2，...，Qq的值建立自回归滑动平均模型； 自回归滑动平均模型如下:
【文档编号】G06Q50/06GK103984987SQ201410187023
【公开日】2014年8月13日 申请日期:2014年5月5日 优先权日:2014年5月5日
【发明者】汪宁渤, 路亮, 刘光途, 王定美, 吕清泉 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