CN103984987A - 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 - Google Patents

Abstract

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。

Description

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

技术领域

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

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。

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。

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。

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

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。

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：

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。

进一步地，所述步骤a，具体包括：

a1、模型训练基础数据输入；

a2、模型定阶；

a3、模型参数估计。

进一步地，所述步骤a1，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。

进一步地，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x_t为需要估计的项，x_t-1,x_t-2,...,x_t-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的图形；残差方差的估计式为：

＝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N-p；

“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1；对于N个观测值的序列，相应ARMA模型的残差估计式为：

进一步地，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x₁,x₂,...,x_t表示，其样本自协方差定义为 ${\widetilde{\mathrm{\γ}}}_k=\frac{1}{n}\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}---\left(2\right);$

其中，k＝0,1,2,...,n-1，x_t和x_t-k均为数据序列x₁,x₂,...,x_t中的数值；

特别的， ${\widehat{\mathrm{\γ}}}_0=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2---\left(3\right);$

则历史功率数据样本自相关函数为：

${\widehat{\mathrm{\ρ}}}_k=\frac{{\widehat{\mathrm{\γ}}}_k}{{\widehat{\mathrm{\γ}}}_0}=\frac{\frac{1}{n}\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}}{\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2}=\frac{\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}}{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2}---\left(4\right);$

其中，k＝0,1,2,...,n-1；

AR部分的矩估计为：

令：

则协方差函数为：

γ_k(y_t)＝E(y_ty_t+k)

用的估计代替γ_k，有：

得到参数

对MA(q)模型系数θ₁,θ₂,...,θ_q采用矩估计有：

${\mathrm{\γ}}_0\left(y_t\right)=(1+{\mathrm{\θ}}_1^2+{\mathrm{\θ}}_2^2+...+{\mathrm{\θ}}_q^2){\mathrm{\σ}}_a^2---\left(9\right);$

……

${\mathrm{\γ}}_k\left(y_t\right)=(-{\mathrm{\θ}}_k+{\mathrm{\θ}}_1{\mathrm{\θ}}_{k+1}+...+{\mathrm{\θ}}_{q-k}{\mathrm{\θ}}_q){\mathrm{\σ}}_a^2---\left(10\right);$

其中k＝1,2,...,m；

以上共包含m+1个方程，对其参数而言，方程为非线性，采用迭代法进行求解。进一步地，所述采用迭代法进行求解的具体步骤如下：

将方程变形为 ${\mathrm{\σ}}_a^2={\mathrm{\γ}}_0/(1+{\mathrm{\θ}}_1^2+{\mathrm{\θ}}_2^2+...+{\mathrm{\θ}}_q^2)---\left(11\right);$

${\mathrm{\θ}}_k=-\frac{{\mathrm{\γ}}_k}{{\mathrm{\σ}}_a^2}+{\mathrm{\θ}}_1{\mathrm{\θ}}_{k+1}+...+{\mathrm{\θ}}_{q-k}{\mathrm{\θ}}_q,$ k＝1,2,...,m(12)；

给定θ₁,θ₂,...,θ_q和的一组初始值，如：

θ₁＝θ₂＝...＝θ_q＝0，(13)；

代入以上两式右边，左边所得到的值为第一步迭代值，记为再将该值依次代入上两式的右侧，便得到第二步迭代值，依次类推，直到相邻两次迭代结果小于给定阈值时，取所得的结果作为参数的近似解。

进一步地，所述步骤b，具体包括：

b1、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。

进一步地，在步骤b1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。

进一步地，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θ₁,θ₂,...,θ_q的值建立自回归滑动平均模型；

自回归滑动平均模型如下：

其中，和θ_j(1≤j≤q)是系数，α_t是白噪声序列；

和/或，

所述步骤b5，具体包括：

通过ARMA预测模型得出，对于风电功率的实时变化，ARMA模型总是具有滞后性，需要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：

设t₁时刻，测风塔监测得到的风电场平均风速为v₁，NWP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，NWP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：

$k=(\frac{v_2-v_1}{v_1}\×100\%)\×p_1$ (v_t≠0时)；

和/或，

所述步骤b6，具体包括：

基于步骤b5，则测风网络实时校正的ARMA模型风电功率超短期预测结果为：

其中，X_t是t时刻风电场出力预测，和θ_j(1≤j≤q)是系数，α_t是白噪声序列，λ是加权系数，v_t是t时刻风电场的平均风速；

通过引入测风塔实时监测数据修正后的预测风速，对ARMA模型下一步预测做出加权调整，解决ARMA模型预测的滞后性问题；将预测结果输出至数据库中，并通过图表及曲线展示预测结果、展示预测与实测结果的对比。

本发明各实施例的测风网络实时校正的ARMA模型风电功率超短期预测方法，由于包括：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；从而可以克服现有ARMA技术中风电功率超短期预测精度低的缺陷，以实现高精度的风电功率超短期预测的优点。

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。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明测风网络实时校正的ARMA模型风电功率超短期预测方法的流程示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

根据本发明实施例，如图1所示，提供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。

本实施例的测风网络实时校正的ARMA模型风电功率超短期预测方法，包括模型训练阶段和功率预测阶段。具体如下：

阶段1：模型训练

步骤1.1：模型训练基础数据输入

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、历史功率数据等。将基础数据输入到预测模型中进行模型训练。

步骤1.2：模型定阶

由于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x_t为需要估计的项，x_t-1,x_t-2,...,x_t-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。假定模型是有限阶自回归模型，如果设置的阶数小于真实阶数，则是一种不足拟合，因而拟合残差平方和必定偏大，此时通过提高阶数可以显著降低残差平方和。反之，如果阶数已经达到真实值，那么再增加阶数，就是过度拟合，此时增加阶数不会令残差平方和显著减小，甚至会略有增加。

这样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的图形。当阶数由小增大时，会显著下降，达到真实阶数后的值会逐渐趋于平缓，有时甚至反而增大。残差方差的估计式为：

＝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N-p。

“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1。对于N个观测值的序列，相应ARMA模型的残差估计式为：

步骤1.3：模型参数估计

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x₁,x₂,...,x_t表示，其样本自协方差定义为

${\widetilde{\mathrm{\γ}}}_k=\frac{1}{n}\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}---\left(2\right);$

其中，k＝0,1,2,...,n-1，x_t和x_t-k均为数据序列x₁,x₂,...,x_t中的数值。

特别的：

${\widehat{\mathrm{\γ}}}_0=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2---\left(3\right);$

则历史功率数据样本自相关函数为：

${\widehat{\mathrm{\ρ}}}_k=\frac{{\widehat{\mathrm{\γ}}}_k}{{\widehat{\mathrm{\γ}}}_0}=\frac{\frac{1}{n}\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}}{\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2}=\frac{\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}}{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2}---\left(4\right);$

其中，k＝0,1,2,...,n-1。

AR部分的矩估计为：

令：

则协方差函数为：

用的估计代替γ_k，有：

可得参数

对MA(q)模型系数θ₁,θ₂,...,θ_q采用矩估计有：

${\mathrm{\γ}}_0\left(y_t\right)=(1+{\mathrm{\θ}}_1^2+{\mathrm{\θ}}_2^2+...+{\mathrm{\θ}}_q^2){\mathrm{\σ}}_a^2---\left(9\right);$

……

${\mathrm{\γ}}_k\left(y_t\right)=(-{\mathrm{\θ}}_k+{\mathrm{\θ}}_1{\mathrm{\θ}}_{k+1}+...+{\mathrm{\θ}}_{q-k}{\mathrm{\θ}}_q){\mathrm{\σ}}_a^2---\left(10\right);$

其中k＝1,2,...,m。

以上共包含m+1个方程，对其参数而言，方程为非线性，采用迭代法进行求解。

具体步骤如下，将方程变形为：

${\mathrm{\σ}}_a^2={\mathrm{\γ}}_0/(1+{\mathrm{\θ}}_1^2+{\mathrm{\θ}}_2^2+...+{\mathrm{\θ}}_q^2)---\left(11\right);$

${\mathrm{\θ}}_k=-\frac{{\mathrm{\γ}}_k}{{\mathrm{\σ}}_a^2}+{\mathrm{\θ}}_1{\mathrm{\θ}}_{k+1}+...+{\mathrm{\θ}}_{q-k}{\mathrm{\θ}}_q,$ k＝1,2,...,m(12)；

给定θ₁,θ₂,...,θ_q和的一组初始值，如：

θ₁＝θ₂＝...＝θ_q＝0，(13)；

代入以上两式右边，左边所得到的值为第一步迭代值，记为再将该值依次代入上两式的右侧，便得到第二步迭代值，依次类推，直到相邻两次迭代结果小于给定阈值时，取所得的结果作为参数的近似解。

通过上述求解过程不难发现，要求解时间序列模型的阶数，就要得到时间序列的预测值；要得到时间序列的预测值，必须先建立具体的预测函数；要建立具体的预测函数，必须知道模型的阶数。这样看起来就陷入了一个死循环，那么如何解决上述问题呢。

根据经验，时间序列模型阶数一般不超过5阶。所以在该算法具体实现时，可以首先假设模型为1阶，利用步骤3中的参数估计方法得到一阶模型的参数，进而建立估计函数便可以求得一阶模型时间序列模型估计得到各个项的预测值，从而求得一阶模型的残差方差；之后，假设模型为二阶，用上述方法求得二阶模型的残差；以此类推，可以得到1到5阶模型的残差，选残差最小的模型的阶数作为最终模型的阶数。确定模型阶数后，便可计算得到参数θ₁,θ₂,...,θ_q的值。

阶段2：功率预测

步骤2.1：风资源监测系统数据输入

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。

步骤2.2：运行监测系统数据输入

运行监测系统数据是指待预测风电场风机实时监测信息，主要包括风机实时停开机情况及机组浆距角等状态信息。

步骤2.3：运行监测数据实时校正开机容量

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。

步骤2.4：基于ARMA模型的风电功率超短期预测

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。根据上述步骤2.2和步骤2.3得出的p和q值，以及θ₁,θ₂,...,θ_q的值建立自回归滑动平均模型；

自回归滑动平均模型如下：

其中，和θ_j(1≤j≤q)是系数，α_t是白噪声序列。

步骤2.5：资源监测数据实时校正风电功率超短期预测结果

通过上述ARMA预测模型可以看出，对于风电功率的实时变化，上述模型总是具有滞后性，本发明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。

设t₁时刻，测风塔监测得到的风电场平均风速为v₁，NWP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，NWP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：

$k=(\frac{v_2-v_1}{v_1}\×100\%)\×p_1$ (v_t≠0时)；

步骤2.6：最终预测结果输出及展示

则测风网络实时校正的ARMA模型风电功率超短期预测结果为：

其中，X_t是t时刻风电场出力预测，和θ_j(1≤j≤q)是系数，α_t是白噪声序列，λ是加权系数，v_t是t时刻风电场的平均风速。

通过引入测风塔实时监测数据修正后的预测风速，可以对ARMA模型下一步预测做出加权调整，从而解决ARMA模型预测的滞后性问题。

将预测结果输出至数据库中，并通过图表及曲线展示预测结果、展示预测与实测结果的对比。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

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：

a1、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a1，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x_t为需要估计的项，x_t-1,x_t-2,...,x_t-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的图形；残差方差的估计式为：

＝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N-p；

“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1；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x₁,x₂,...,x_t表示，其样本自协方差定义为 ${\widetilde{\mathrm{\γ}}}_k=\frac{1}{n}\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}---\left(2\right);$

其中，k＝0,1,2,...,n-1，x_t和x_t-k均为数据序列x₁,x₂,...,x_t中的数值；

特别的， ${\widehat{\mathrm{\γ}}}_0=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2---\left(3\right);$

则历史功率数据样本自相关函数为：

${\widehat{\mathrm{\ρ}}}_k=\frac{{\widehat{\mathrm{\γ}}}_k}{{\widehat{\mathrm{\γ}}}_0}=\frac{\frac{1}{n}\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}}{\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2}=\frac{\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}}{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2}---\left(4\right);$

其中，k＝0,1,2,...,n-1；

AR部分的矩估计为：

令：

则协方差函数为：

用的估计代替γ_k，有：

得到参数

对MA(q)模型系数θ₁,θ₂,...,θ_q采用矩估计有：

${\mathrm{\γ}}_0\left(y_t\right)=(1+{\mathrm{\θ}}_1^2+{\mathrm{\θ}}_2^2+...+{\mathrm{\θ}}_q^2){\mathrm{\σ}}_a^2---\left(9\right);$

……

${\mathrm{\γ}}_k\left(y_t\right)=(-{\mathrm{\θ}}_k+{\mathrm{\θ}}_1{\mathrm{\θ}}_{k+1}+...+{\mathrm{\θ}}_{q-k}{\mathrm{\θ}}_q){\mathrm{\σ}}_a^2---\left(10\right);$

其中k＝1,2,...,m；

以上共包含m+1个方程，对其参数而言，方程为非线性，采用迭代法进行求解。

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 ${\mathrm{\σ}}_a^2={\mathrm{\γ}}_0/(1+{\mathrm{\θ}}_1^2+{\mathrm{\θ}}_2^2+...+{\mathrm{\θ}}_q^2)---\left(11\right);$

${\mathrm{\θ}}_k=-\frac{{\mathrm{\γ}}_k}{{\mathrm{\σ}}_a^2}+{\mathrm{\θ}}_1{\mathrm{\θ}}_{k+1}+...+{\mathrm{\θ}}_{q-k}{\mathrm{\θ}}_q,$ k＝1,2,...,m(12)；

给定θ₁,θ₂,...,θ_q和的一组初始值，如：

θ₁＝θ₂＝...＝θ_q＝0，(13)；

代入以上两式右边，左边所得到的值为第一步迭代值，记为再将该值依次代入上两式的右侧，便得到第二步迭代值，依次类推，直到相邻两次迭代结果小于给定阈值时，取所得的结果作为参数的近似解。

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：

b1、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b1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θ₁,θ₂,...,θ_q的值建立自回归滑动平均模型；

自回归滑动平均模型如下：

其中，和θ_j(1≤j≤q)是系数，α_t是白噪声序列；

和/或，

所述步骤b5，具体包括：

通过ARMA预测模型得出，对于风电功率的实时变化，ARMA模型总是具有滞后性，需要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：

设t₁时刻，测风塔监测得到的风电场平均风速为v₁，NWP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，NWP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：

$k=(\frac{v_2-v_1}{v_1}\×100\%)\×p_1$ (v_t≠0时)；

和/或，

所述步骤b6，具体包括：

基于步骤b5，则测风网络实时校正的ARMA模型风电功率超短期预测结果为：

其中，X_t是t时刻风电场出力预测，和θ_j(1≤j≤q)是系数，α_t是白噪声序列，λ是加权系数，v_t是t时刻风电场的平均风速；

通过引入测风塔实时监测数据修正后的预测风速，对ARMA模型下一步预测做出加权调整，解决ARMA模型预测的滞后性问题；将预测结果输出至数据库中，并通过图表及曲线展示预测结果、展示预测与实测结果的对比。