基于灰关联时间序列的短期风速预测方法
【专利摘要】本发明公开一种基于灰关联时间序列的短期风速预测方法，包括：(10)历史风速时间序列数据形成：按照采集时间顺序排列风电场实测风速，形成历史风速时间序列；(20)训练样本集获取：差分化历史风速时间序列，得到训练样本集；(30)灰关联优化风速预测模型获取：运用灰关联决策分析方法对时间序列模型的阶数进行多目标下的优化决策分析，并运用训练样本集进行灰色时间序列模型训练，得到最优风速预测模型；(40)差分化的短期预测风速获取：利用最优风速预测模型进行风电场短期风速预测，得到差分化的短期预测风速；(50)实际短期预测风速获取：反差分化短期预测风速，得到风电场短期预测风速。本发明的短期风速预测方法，预测误差小。
【专利说明】
基于灰关联时间序列的短期风速预测方法
技术领域
[0001] 本发明属于风电场风速预测技术领域，特别是一种基于灰关联时间序列的短期风 速预测方法。
【背景技术】
[0002] 风电在可再生能源中具有良好的前景和竞争力。但风能受到多种如溫度、气压、地 形、海拔、缔度等因素的影响，是一种间歇性、随机性能源，大规模风电接入电网，势必会给 电力系统的安全稳定运行带来严峻挑战，故对于风速及发电量的预测非常有必要。对风电 场风速和发电功率的准确预测，有利于电力系统调度部口必要时及时调整调度计划，从而 有效地减轻风力发电对整个电网的不利影响。
[0003] 现有采用时间序列预测短期风速的方法多采用AIC准则等应用准则函数进行风速 预测模型定阶，通过选取包含最好的训练拟合数据和最少自由参数的模型来确定最优风速 预测模型。
[0004] 然而运种方法针对预测风速的突变信息处理能力有限，在预测风速和训练风速波 动情况差别较大时，预测模型跟不上实测风速的变化，导致短期风速预测误差较大。
【发明内容】
[0005] 本发明的目的在于提供一种基于灰关联时间序列的短期风速预测方法，预测误差 小。
[0006] 实现本发明目的的技术解决方案为：
[0007] -种基于灰关联时间的短期风速预测方法，包括如下步骤：
[000引（10)历史风速时间序列数据形成:采集风电场的实测风速，按照采集时间的顺序 排列，形成历史风速时间序列；
[0009] (20)训练样本集获取:对历史风速时间序列进行差分化处理，得到灰色时间序列 模型所需的训练样本集；
[0010] (30)灰关联优化风速预测模型获取:运用灰关联决策分析方法对灰色时间序列模 型的阶数进行多目标下的优化决策分析，并运用训练样本集进行灰色时间序列模型训练， 得到最优风速预测模型；
[0011] (40)差分化的短期预测风速获取:利用最优风速预测模型进行风电场短期风速预 测，得到差分化的短期预测风速；
[0012] (50)实际短期预测风速获取:将差分化的短期预测风速进行反差分化处理，得到 风电场实际短期预测风速。
[0013] 本发明与现有技术相比，其显著优点为:预测误差小。
[0014] 其原因在于：
[0015] 1、风速突变或是波动较大都属于存在较多不确定风速变化，而灰关联理论属于灰 色理论，而灰色理论对于不确定信息有较好的描述和预测效果。本发明采用灰关联优化的 时间序列风速预测法，针对存在较大不确定信息的风速变化具有更好的预测精度，并减小 风速预测误差，本发明首先利用灰关联决策对预测模型不确定阶数进行分析，然后根据历 史风速序列训练建立预测模型，将决策目标与模型定量分析形成互补，使得模型的建立更 有针对性，进行短期风速预测时得到的预测结果的精度也更高；
[0016] 2、灰关联决策可引入多目标下的最优决策分析，针对未来风速变化的不确定性， 可灵活调整优化目标，使得预测模型对于未来风速的不确定变化规律具有自适应性，从而 提高预测模型的通用性和预测精度，优化了传统时间序列预测方法；
[0017] 3、采用时间序列法和灰关联决策方法相结合的先进优化建模方式，针对模型阶数 的不确定性分析决策，具有计算简单，效率高和模型拟合精度高等优点。
[0018] 下面结合附图和【具体实施方式】对本发明作进一步的详细描述。
【附图说明】
[0019] 图1为本发明基于灰关联时间序列的短期风速预测方法的主流程图。
[0020] 图2为图1中灰关联优化风速预测模型获取步骤中，运用灰关联决策分析方法对灰 色时间序列模型的阶数进行多目标下的决策分析的流程图。
【具体实施方式】
[0021] 如图1所示，本发明基于灰关联时间的短期风速预测方法，包括如下步骤：
[0022] (10)历史风速时间序列数据形成:采集风电场的实测风速，按照采集时间的顺序 排列，形成历史风速时间序列；
[0023] 所述（10)历史风速时间序列形成步骤中，相邻实测风速之间的采集时间间隔为 10min〇
[0024] (20)训练样本集获取:对历史风速时间序列进行差分化处理，得到灰色时间序列 模型所需的训练样本集；
[0025] 所述(20)训练样本集获取步骤包括：
[0026] (21) -阶差分:按下式对历史风速时间序列进行一阶差分化处理，
[0027]
[0028] 式中，:%为各风速数据点的风速一阶差分后的时间序列，（I-B)为差分算子，Xt表 示当前时刻风速数据点的风速值，Xt-I表示前一个时刻风速数据点的风速值，历史风速时间 序列为
[00 巧]X=[xt，t = l，2,.........，N]，
[0030] 式中，X表示历史风速的时间序列，Xt表示当前时刻时间序列中每隔10分钟风速数 据点的风速值，t表示每个风速值按时间排序后的序号，N表示时间序列的风速数据采样个 数。
[0031] (22)多阶差分:按下式对一阶差分后的风速时间序列进行多阶差分化处理，
[0032]
[0033] 最后得到差分化处理后的历史风速时间序列，
[0034] 妒Hr^(t)，t=l，2,----------------,.N ]，
[0035] 式中，d表示差分阶数，萨每::表示经过d阶差分运算处理后的风速时间序列，Xd表示 差分处理后的历史风速时间序列，为各风速数据点的风速值差分化后的结果，t表 示每个风速值按时间排序后的序号，N表示时间序列的风速数据采样个数。
[0036] (30)灰关联优化的风速预测模型获取:运用灰关联决策分析方法对灰色时间序列 模型的阶数进行多目标下的优化决策分析，并运用训练样本集进行灰色时间序列模型训 练，得到最优风速预测模型；
[0037] 如图2所示，所述(30)最优风速预测模型获取步骤中，运用灰关联决策分析方法对 灰色时间序列模型的阶数进行多目标下的决策分析包括：
[0038] (311)灰关联优化预测模型阶次对策方案集确定：
[0039] 时间序列预测模型，即即ARIMA模型为
[0040] 4) (B)(l-B)^t = 0(B)et
[0041] 其中，B为延迟算子，d表示差分阶数
为模型的自回归 系数多项式，e(B) = l-目lB-…目qB9为模型的滑动平均系数多项式；
[0042] 记预测模型的阶次为事件ai，则事件集A可表达为：
[0043] A={ai} = {(p，q)}，
[0044] 确定对策集为模型阶次在范围[1 4]内的取值，即
[0045] C= {bi，i = l，2，...，16} = {(p〇，qj)，〇 = 1，2,3,4; j = l，2,3,4}，
[0046] 其中，C为事件集A的对策集，bi为事件集A的对策，p。，^为对策模型阶次，
[0047] 确定模型阶次事件集A的对策方案集为：
[004引 s={sj=(ai，bj) IaiGA, bj GBJ = 1,...,16}，
[0049] 其中，S为模型阶次的对策方案集，Sj为模型阶次对策方案，ai为模型阶次事件，bj 为模型阶次对策。
[0050] (312))模型阶次决策目标确定：
[0051 ]确定=个不同的目标，包括，1.模型拟合决策目标，模型拟合的残差平方和；2.最 简模型决策目标，模型阶次和(P+q) ,3.预测决策目标，预测风速与实际风速的拟合程度； [0052] (313)决策目标效果值求取：
[0化3]求不同决策方案Sj在k目标下的效果值表达为：
[0化4]
[0055]式中，为决策方案S苗4应的ARIMA模型拟合的残差平方和为决策方案Sj 对应的模型阶次和(P+q)，uW为决策方案S苗4应的预测风速与实际风速的拟合程度，可表 示为：
[0化6]
[0化7] 式中，f为预测风速与实际风速的拟合程度，y为实测风速，蒙为预测风速，此预测风 速为当前模型阶次决策方案对应的ARIM模型预测值；
[005引得到
[0059]模型拟合决策目标的决策方案效果序列
[0060]
[0061]
[0062]
[0063]
[0064]
[00 化]
[0066] 疑纖。簽鑛：
[0067]
[006引
[0069]
[0070]
[0071]
[0072]
[0073]
[0074]
[0075]
[0076]
[0077]
[007引
[0079]
[0080] 式中，聲分别为hj山。的始点零化像；
[0081 ] (318)最佳模型阶次确定：
[0082] 由maxi《j《6 {> j} = e k，求出Uk为次优效果向量，Sk = (Pk，qk)为次优决策方案，从而确 定模型ARIMA(p，d，q)中的最佳模型阶次P，q值。
[0083] 所述(30)最优风速预测模型获取步骤中，运用训练样本集进行灰色时间序列模型 训练，得到最优风速预测模型具体为：
[0084] W风速训练样本序列作为ARIMA模型的输入信号，WARIMA模型的输出序列作为输 出信号，利用最小二乘法根据输入信号和输出信号辨识出ARIM模型的未知参数，运时便得 到训练完的最优灰关联时间序列预测模型。
[0085] (40)差分化的短期预测风速获取:利用最优风速预测模型进行风电场短期风速预 测，得到差分化的短期预测风速；
[0086] 所述(40)差分化短期预测风速获取步骤具体为：
[0087] 设当前时刻为t，W当前时刻前m个风速采样点组成预测输入数据输入最优ARIMA 模型，即输A狱报责
[008引
[0089] 输出h-个时刻，即（t+1)时刻的M速预测值
[0090] 护边'装'("1)，
[0091] 即为风电场差分化短期预测风速。
[0092] (50)短期预测风速获取:将差分化的短期预测风速进行反差分化处理，得到风电 场短期预测风速。
[0093] 所述(50)短期预测风速获取步骤具体为：
[0094] 将差分化短期预测风速与输入数据进行d次累加还原，即得到风电场短期预测风 速。
[0095] 风速突变或是波动较大都属于存在较多不确定风速变化，而灰关联理论属于灰色 理论，而灰色理论对于不确定信息有较好的描述和预测效果。所W采用灰关联优化的时间 序列风速预测法，针对存在较大不确定信息的风速变化具有更好的预测精度，并减小风速 预测误差。灰关联主要针对不确定风速变化效果好，一般风速预测方法在风速变化较大或 是不确定变化时预测效果都比较差。
[0096] 本发明利用灰关联决策对预测模型不确定阶数进行分析，然后根据历史风速序列 训练建立预测模型，将决策目标与模型定量分析形成互补，使得模型的建立更有针对性，进 行短期风速预测时得到的预测结果的精度也更高。
[0097] W河北某风电场取得的历史风速数据为原始数据，取其中5天的风速历史数据，采 集间隔时间为IOmin随机截取5段等维度的历史数据，分别生成5组历史风速的时间序列，依 次表示为:&龙瓜瓜，乂5。分别验证运5组时间序列的预测精度，并与传统时间序列短期风 速预测法相比较。其中，采用相对均方根误差函数(RRMSE)来度量预测精度，函数形式如下：
[009引
（巧）
[0099]上式(17)中，f为预测得到的值，y为风速实测值，n为预测点的个数。所得到的相对 均方根误差函数值越小，证明预测效果越好，预测精度就越高。所得预测结果如表1所示：
[0100]
[0101]由表1中的对比数据可知，本发明所提出的基于灰关联时间序列的预测方法的相 对均方根误差在5组数据的预测结果都要低于传统时间序列预测方法，即本发明提出的一 种新的风电场短期风速预测方法针对未来不确定变化的风速预测精度优于传统时间序列 短期预测法。
【主权项】
1. 一种基于灰关联时间的短期风速预测方法，其特征在于，包括如下步骤： (10)历史风速时间序列数据形成:采集风电场的实测风速，按照采集时间的顺序排列， 形成历史风速时间序列； (20)训练样本集获取:对历史风速时间序列进行差分化处理，得到灰色时间序列模型 所需的训练样本集； (30)灰关联优化风速预测模型获取:运用灰关联决策分析方法对灰色时间序列模型的 阶数进行多目标下的优化决策分析，并运用训练样本集进行灰色时间序列模型训练，得到 最优风速预测模型； (40)差分化的短期预测风速获取:利用最优风速预测模型进行风电场短期风速预测， 得到差分化的短期预测风速； (50)实际短期预测风速获取:将差分化的短期预测风速进行反差分化处理，得到风电 场实际短期预测风速。2. 根据权利要求1所述的短期风速预测方法，其特征在于，所述（10)历史风速时间序列 形成步骤中，相邻实测风速之间的采集时间间隔为l〇min。3. 根据权利要求1所述的短期风速预测方法，其特征在于，所述(20)训练样本集获取具 体为:按下式对历史风速时间序列进行一阶差分化处理，式中为各风速数据点的风速一阶差分后的时间序列，（1-B)为差分算子，Xt表示当 前时刻风速数据点的风速值，^-:表示前一个时刻风速数据点的风速值，历史风速时间序列 为 X= [xt ,t = 1,2,.........,Ν], 式中，X表示历史风速的时间序列，xt表示当前时刻时间序列中每隔10分钟风速数据点 的风速值，t表示每个风速值按时间排序后的序号，N表示时间序列的风速数据采样个数。4. 根据权利要求1所述的短期风速预测方法，其特征在于，所述(30)最优风速预测模型 获取步骤中，运用灰关联决策分析方法对灰色时间序列模型的阶数进行多目标下的决策 分析包括： (311)灰关联优化预测模型阶次对策方案集确定： 时间序列预测模型，即ARIMA模型为 Φ (B)(l-B)dXt=0(B)et 其中，B为延迟算子，d表示差分阶数，中P) = i -梦一 一 一％#*为模型的自回归系数 多项式，= 为模型的滑动平均系数多项式； 记预测模型的阶次为事件m，则事件集A可表达为： A={ai} = {(p，q)}， 确定对策集为模型阶次在范围[1 4]内的取值，即 C={bi，i = l，2，."，16} = {(p〇，qj)，o = l，2,3,4;j = l，2,3,4}， 其中，C为事件集A的对策集，匕为事件集A的对策，p。，w为对策模型阶次， 确定模型阶次事件集A的对策方案集为： S = {sj = (ai，bj) | ai e A，bj e B，j = 1，…，16}， 其中，S为模型阶次的对策方案集，为模型阶次对策方案，ai为模型阶次事件，bj为模 型阶次对策。 (312) )模型阶次决策目标确定： 确定三个不同的目标，包括，1.模型拟合决策目标，模型拟合的残差平方和；2.最简模 型决策目标，模型阶次和(P+q)，3.预测决策目标，预测风速与实际风速的拟合程度； (313) 决策目标效果值求取： 求不同决策方案^在1^目标下的效果值，表达为：式中，u(1)为决策方案Sj对应的ARIMA模型拟合的残差平方和C?/，u (2)为决策方案对应 的模型阶次和(p+q)，u(3)为决策方案~对应的预测风速与实际风速的拟合程度，可表示为：式中，f为预测风速与实际风速的拟合程度，y为实测风速，f为预测风速，此预测风速为 当前模型阶次决策方案对应的ARIMA模型预测值； 得到 模型拟合决策目标的决策方案效果序列最简模型决策目标的决策方案效果序列预测决策目标的决策方案效果序列(314) 均值效果序列求取： 利用下式求k目标下决策方案效果序列的均值像，得均值效果序列辦气#气#气(315) 效果向量求取： 决策方案sj的效果向量Uj，j = 1，…，16，表示为：(316) 最优效果向量求取： 求不同决策目标下的理想最优效果向量表示为得到理想最优效果向1(317) 灰色绝对关联度计算： 计算Uj与UjQ的灰色绝对关联度，表示为式中，为灰色绝对关联度，hj，hjQ表示为式中，分别为hj，hjQ的始点零化像； (318) 最佳模型阶次确定： 由maxisyssUj} = ek，求出uk为次优效果向量，sk= (pk，qk)为次优决策方案，从而确定 模型ARIMA(p，d，q)中的最佳模型阶次p，q值。5. 根据权利要求4所述的短期风速预测方法，其特征在于，所述(30)最优风速预测模型 获取步骤中，运用训练样本集进行灰色时间序列模型训练，得到最优风速预测模型，具体 为： 以风速训练样本序列作为AR頂A模型的输入信号，以ARMA模型的输出序列作为输出信 号，利用最小二乘法根据输入信号和输出信号辨识出ARMA模型的未知参数，得到训练完的 最优灰关联时间序列预测模型。6. 根据权利要求1所述的短期风速预测方法，其特征在于，所述(40)差分化的短期预测 风速获取步骤具体为： 设当前时刻为t，以当前时刻前m个风速采样点组成预测输入数据输入最优AR頂A模型， 即输入数据为输出下一个时刻，即（t+Ι)时刻的风速预测值 即为风电场差分化短期预测风速。7. 根据权利要求1所述的短期风速预测方法，其特征在于，所述(50)短期预测风速获取 步骤具体为： 将差分化短期预测风速与输入数据进行d次累加还原，即得到风电场短期预测风速。
【文档编号】G06Q50/06GK105956708SQ201610310910
【公开日】2016年9月21日
【申请日】2016年5月12日
【发明人】李迺璐, 王世杰, 邱松, 徐燕, 徐庆
【申请人】扬州大学