CN104050379A - 一种基于arma模型的海洋波浪波高预测方法 - Google Patents
一种基于arma模型的海洋波浪波高预测方法 Download PDFInfo
- Publication number
- CN104050379A CN104050379A CN201410290745.6A CN201410290745A CN104050379A CN 104050379 A CN104050379 A CN 104050379A CN 201410290745 A CN201410290745 A CN 201410290745A CN 104050379 A CN104050379 A CN 104050379A
- Authority
- CN
- China
- Prior art keywords
- data sequence
- wave height
- wave
- arma modeling
- coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明公开了一种基于ARMA模型的海洋波浪波高预测方法,首先利用波高传感器采集历史和当前的海洋波浪波高数据序列,并对历史和当前的海洋波浪波高数据序列依次进行差分运算和标准化处理,之后计算历史和当前的海洋波浪波高数据序列的自相关系数和偏相关系数,从而获得数据序列的固有特性和截尾性,进而建立适当自回归阶数和移动平均阶数的ARMA模型;最后通过ARMA模型计算未来某一时间段内的海洋波浪波高数据序列。获得未来某一时间段内的海洋波浪波高数据序列之后,可以实现海洋波浪发电系统的优化控制,从而可以最大化地把海洋波浪能转换成电能。
Description
技术领域
本发明涉及一种基于ARMA模型(自回归滑动平均模型)的海洋波浪波高预测方法,属于数据处理和预测技术。
背景技术
海洋波浪发电系统的作用是把海洋波浪能转换成电能,然后向海上平台和偏远岛屿上的用电设备进行供电,或者进行远距离并网输电。在较少的资金投入的情况下,如何能够最大化地把海洋波浪能转换成电能,成为当前海洋波浪发电研究领域的热门问题。根据能量传递和机械振荡理论,只有海洋波浪发电系统的运行频率与海洋波浪的运行频率达到共振的条件下,才能够最大化地把海洋波浪能转换成电能。因此,预测未来某一时间段内的海洋波浪波高数据序列,对于实施海洋波浪发电系统的优化控制,尤为重要。
通常情况下,获得未来某一时间段内的海洋波浪波高数据序列,有两种方法:第一种方法是在海洋波浪发电系统的波前某一距离点装设波高传感器采集装置,在采集到当前位置的波高之后,根据波高传感器采集装置与海洋波浪发电系统之间的距离和波浪向前传播的速度,进而对海洋波浪发电系统实施优化控制,从而使海洋波浪发电系统与当前海洋波浪波高的运行频率达到共振;第二种方法是采用AR(Auto-Regressive)模型或Bp神经网络算法等方式,预测未来某一时间段的海洋波浪波高数据序列,进而实现海洋波浪发电系统的优化控制。然而,上述两种获得未来某一时间段内的海洋波浪波高数据序列的方法,均有其难点或不足。针对第一种方法,需要在海洋中独立地安装波高传感器采集装置,不仅增加了安装工程的实施费用,也降低了海洋波浪面积的利用效率,尤其是针对大规模的海洋波浪发电阵列而言;针对第二种方法,由于AR模型是一种线性模型,而海洋波浪波高的变化是非线性的,所以AR模型无法准确地预测未来某一时间段内的海洋波浪波高数据序列。Bp神经网络算法耗时长,且由于海洋波浪波高的周期是非恒定的,所以BP神经网络算法也不适合未来某一时间段的海洋波浪波高预测。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于ARMA模型的海洋波浪波高预测方法,以准确地预测海洋波浪波高的数据序列,使海洋波浪发电系统的运行效率最大化。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于ARMA模型的海洋波浪波高预测方法,包括如下步骤:
(1)利用波高传感器采集海洋波浪波高的历史数据和当前数据,形成一组具有时间顺序的数据序列,该数据序列的时长为8~16秒为宜;
(2)对采集到的数据序列进行差分运算,消除数据序列的不平稳趋势性,使数据序列的变化过程为平稳过程;
(3)对差分运算后的数据序列进行标准化处理,使数据序列之间具有规律性和可比性;
(4)计算标准化处理后的数据序列的自相关系数和偏相关系数,自相关系数可以体现数据序列构成模式的固有特性,偏相关系数可以分析数据序列的截尾性,通过自相关系数和偏相关系数建立具有一定自回归阶数和移动平均阶数的ARMA模型;
(5)通过建立的ARMA模型预测未来某一时间段内(1~3秒为宜)海洋波浪波高的预测数据序列。
具体的,所述步骤(1)中,利用波高传感器采集海洋波浪波高的历史数据和当前数据,其中波高传感器的采集频率要适当,一般情况下波高传感器的采集频率不低于20Hz,只有单位时间内采集足够的历史海洋波浪波高数据和当前海洋波浪波高数据,才能够更加准确地、有效地预测未来某一时间段内海洋波浪波高的预测数据序列,从而为海洋波浪发电系统的优化控制提供参考依据。
具体的,所述步骤(2)中,差分运算的计算公式为H(n)=X(n)-X(n-1),其中X(n)为数据序列中的第n个元素,N为数据序列的个数,n=1,2,…,N;N为大于零的适当整数,N越大,利用ARMA模型预测未来某一时间段内海洋波浪波高的预测数据序列越准确。
具体的,所述步骤(2)中,为了保证数据序列的平稳性,需要对数据序列进行两次差分运算。
具体的,所述步骤(3)中,标准化处理的计算公式为B(n)=(H(n)-Ux)/m,其中Ux为数据序列的平均值,
具体的,所述步骤(4)中:自相关系数的计算公式为其中为ARMA模型的自回归阶数系数,p为ARMA模型的自回归阶数;偏相关系数通过求解耶尔-瓦克尔(Yule-Walker)方程组获得,结合偏相关系数获得ARMA模型的移动平均阶数系数θj(j=1,2,…,q)和ARMA模型的移动平均阶数q。
具体的,所述步骤(4)中:首先根据数据序列的自相关系数和偏相关系数,可以分析数据序列的截尾性,进而初步估计ARMA模型的自回归阶数和移动平均阶数;接着利用最小二乘法和AIC(Akaike information criterion)准则来最终确定ARMA模型的自回归阶数和移动平均阶数。
具体的,所述步骤(5)中:通过建立的ARMA模型预测未来某一时间段内(1~3秒为宜)海洋波浪波高的预测数据序列,具体依据的公式为其中εt为独立的误差项,Wt为平稳、正态和零均值的未来某一时间段内海洋波浪波高的预测数据序列。
有益效果:本发明提供的基于ARMA模型的海洋波浪波高预测方法,在现有装备的前提下,能够准确预测未来某一时间段内海洋波浪波高数据序列,从而可以通过控制器促使海洋波浪发电系统的运行频率与海洋波浪的运行频率达到共振,进而可以最大化地把海洋波浪能转换成电能。
附图说明
图1为本发明的实现流程图;
图2为历史和当前海洋波浪波高的数据序列;
图3为两次差分运算后的数据序列与原始数据序列比较;
图4为标准化后的数据序列与原始数据序列比较;
图5为原始数据序列的自相关系数;
图6为原始数据序列的偏相关系数;
图7为基于ARMA模型的未来某一时间段内海洋波浪波高预测结果与实际结果的比较。
具体实施方式
下面结合附图对本发明作更进一步的说明。
海洋波浪发电系统的优化控制前提条件是合理地预测未来某一时间段内的海洋波浪波高数据序列,从而可以通过控制器促使海洋波浪发电系统的运行频率与海洋波浪的运行频率达到共振,进而可以最大化地把海洋波浪能转换成电能。如图1所示为一种基于ARMA模型的海洋波浪波高预测方法,包括如下步骤:
(1)利用波高传感器采集海洋波浪波高的历史数据和当前数据,形成如图2所示的一组具有时间顺序的数据序列,该数据序列的时长为8~16秒为宜;其中波高传感器的采集频率要适当,一般情况下波高传感器的采集频率不低于20Hz,只有单位时间内采集足够的历史海洋波浪波高数据和当前海洋波浪波高数据,才能够更加准确地、有效地预测未来某一时间段内(1~3秒为宜)海洋波浪波高的预测数据序列,从而为海洋波浪发电系统的优化控制提供参考依据。
以X(n)作为数据序列中的第n个元素,N为数据序列的个数,n=1,2,…,N;N为大于零的适当整数,N越大,利用ARMA模型预测未来某一时间段内海洋波浪波高的预测数据序列越准确。
(2)对采集到的数据序列进行差分运算,消除数据序列的不平稳趋势性,使数据序列的变化过程为平稳过程;差分运算的计算公式为H(n)=X(n)-X(n-1),为了保证数据序列的平稳性,需要对数据序列进行两次差分运算;两次差分运算后的数据序列与原始数据序列比较如图3所示。
(3)对差分运算后的数据序列进行标准化处理,使数据序列之间具有规律性和可比性;标准化处理的计算公式为B(n)=(H(n)-Ux)/m,其中Ux为数据序列的平均值,标准化后的数据序列与原始数据序列比较如图4所示。
(4)计算标准化处理后的数据序列的自相关系数和偏相关系数,自相关系数可以体现数据序列构成模式的固有特性,偏相关系数可以分析数据序列的截尾性,通过自相关系数和偏相关系数建立具有一定自回归阶数和移动平均阶数的ARMA模型。
自相关系数的计算公式为其中为ARMA模型的自回归阶数系数,p为ARMA模型的自回归阶数,如图5所示;偏相关系数通过求解耶尔-瓦克尔(Yule-Walker)方程组获得,结合偏相关系数获得ARMA模型的移动平均阶数系数θj(j=1,2,…,q)和ARMA模型的移动平均阶数q,如图6所示。
首先根据数据序列的自相关系数和偏相关系数,可以分析数据序列的截尾性,进而初步估计ARMA模型的自回归阶数和移动平均阶数;接着利用最小二乘法和AIC(Akaike information criterion)准则来最终确定ARMA模型的自回归阶数和移动平均阶数。
(5)通过建立的ARMA模型预测未来某一时间段内(1~3秒为宜)海洋波浪波高的预测数据序列,具体依据的公式为其中εt为独立的误差项,Wt为平稳、正态和零均值的未来某一时间段内海洋波浪波高的预测数据序列;基于ARMA模型的未来某一时间段内海洋波浪波高预测结果与实际结果的比较如图7所示。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于ARMA模型的海洋波浪波高预测方法,其特征在于:包括如下步骤:
(1)利用波高传感器采集海洋波浪波高的历史数据和当前数据,形成一组具有时间顺序的数据序列;
(2)对采集到的数据序列进行差分运算,消除数据序列的不平稳趋势性,使数据序列的变化过程为平稳过程;
(3)对差分运算后的数据序列进行标准化处理,使数据序列之间具有规律性和可比性;
(4)计算标准化处理后的数据序列的自相关系数和偏相关系数,自相关系数可以体现数据序列构成模式的固有特性,偏相关系数可以分析数据序列的截尾性,通过自相关系数和偏相关系数建立具有一定自回归阶数和移动平均阶数的ARMA模型;
(5)通过建立的ARMA模型预测未来某一时间段内海洋波浪波高的预测数据序列。
2.根据权利要求1所述的基于ARMA模型的海洋波浪波高预测方法,其特征在于:所述步骤(1)中,利用波高传感器采集海洋波浪波高的历史数据和当前数据,其中波高传感器的采集频率不低于20Hz。
3.根据权利要求1所述的基于ARMA模型的海洋波浪波高预测方法,其特征在于:所述步骤(2)中,差分运算的计算公式为H(n)=X(n)-X(n-1),其中X(n)为数据序列中的第n个元素,N为数据序列的个数,n=1,2,…,N。
4.根据权利要求3所述的基于ARMA模型的海洋波浪波高预测方法,其特征在于:所述步骤(2)中,为了保证数据序列的平稳性,需要对数据序列进行两次差分运算。
5.根据权利要求3所述的基于ARMA模型的海洋波浪波高预测方法,其特征在于:所述步骤(3)中,标准化处理的计算公式为B(n)=(H(n)-Ux)/m,其中Ux为数据序列的平均值,
6.根据权利要求5所述的基于ARMA模型的海洋波浪波高预测方法,其特征在于:所述步骤(4)中:自相关系数的计算公式为其中为ARMA模型的自回归阶数系数,p为ARMA模型的自回归阶数,i=1,2,…,p;偏相关系数通过求解耶尔-瓦克尔方程组获得,结合偏相关系数获得ARMA模型的移动平均阶数系数θj和ARMA模型的移动平均阶数q,j=1,2,…,q。
7.根据权利要求6所述的基于ARMA模型的海洋波浪波高预测方法,其特征在于:所述步骤(4)中:首先根据数据序列的自相关系数和偏相关系数,可以分析数据序列的截尾性,进而初步估计ARMA模型的自回归阶数和移动平均阶数;接着利用最小二乘法和AIC准则来最终确定ARMA模型的自回归阶数和移动平均阶数。
8.根据权利要求7所述的基于ARMA模型的海洋波浪波高预测方法,其特征在于:所述步骤(5)中:通过建立的ARMA模型预测未来某一时间段内海洋波浪波高的预测数据序列,具体依据的公式为其中εt为独立的误差项,Wt为平稳、正态和零均值的未来某一时间段内海洋波浪波高的预测数据序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410290745.6A CN104050379A (zh) | 2014-06-25 | 2014-06-25 | 一种基于arma模型的海洋波浪波高预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410290745.6A CN104050379A (zh) | 2014-06-25 | 2014-06-25 | 一种基于arma模型的海洋波浪波高预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104050379A true CN104050379A (zh) | 2014-09-17 |
Family
ID=51503201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410290745.6A Pending CN104050379A (zh) | 2014-06-25 | 2014-06-25 | 一种基于arma模型的海洋波浪波高预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104050379A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326526A (zh) * | 2016-07-29 | 2017-01-11 | 陈柏宇 | 一种无窄谱约束条件下海浪设计波高的推算方法 |
CN107357170A (zh) * | 2017-07-14 | 2017-11-17 | 山东大学 | 一种基于自抗扰状态观测器的海浪模型预测方法 |
CN108301963A (zh) * | 2018-01-24 | 2018-07-20 | 东南大学 | 一种基于移动平均分析模型的海洋波浪发电装置控制方法 |
CN111199270A (zh) * | 2019-12-30 | 2020-05-26 | 福建省海洋预报台 | 一种基于深度学习的区域波高预报方法及终端 |
CN113344275A (zh) * | 2021-06-15 | 2021-09-03 | 上海交通大学 | 一种基于lstm模型的浮式平台波浪爬升在线预报方法 |
US11802537B2 (en) | 2018-08-13 | 2023-10-31 | International Business Machines Corporation | Methods and systems for wave energy generation prediction and optimization |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4882526A (en) * | 1986-08-12 | 1989-11-21 | Kabushiki Kaisha Toshiba | Adaptive process control system |
CN103530521A (zh) * | 2013-10-22 | 2014-01-22 | 东南大学 | 基于傅立叶级数和arma模型的日照温度时程模拟方法 |
-
2014
- 2014-06-25 CN CN201410290745.6A patent/CN104050379A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4882526A (en) * | 1986-08-12 | 1989-11-21 | Kabushiki Kaisha Toshiba | Adaptive process control system |
CN103530521A (zh) * | 2013-10-22 | 2014-01-22 | 东南大学 | 基于傅立叶级数和arma模型的日照温度时程模拟方法 |
Non-Patent Citations (4)
Title |
---|
刘楠: "波高采集及数据处理分析系统", 《中国优秀硕士学位论文全文数据库》 * |
安潇潇: "ARMA相关模型及其应用", 《中国优秀硕士学位论文全文数据库》 * |
李卫民: "ARMA-广义回归神经网络技术在股票预测中的应用研究", 《中国优秀硕士学位论文全文数据库》 * |
王世明等: "ARMA模型在浮标压力测量误差问题中的研究", 《计算机测量与控制》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326526A (zh) * | 2016-07-29 | 2017-01-11 | 陈柏宇 | 一种无窄谱约束条件下海浪设计波高的推算方法 |
CN107357170A (zh) * | 2017-07-14 | 2017-11-17 | 山东大学 | 一种基于自抗扰状态观测器的海浪模型预测方法 |
CN108301963A (zh) * | 2018-01-24 | 2018-07-20 | 东南大学 | 一种基于移动平均分析模型的海洋波浪发电装置控制方法 |
US11802537B2 (en) | 2018-08-13 | 2023-10-31 | International Business Machines Corporation | Methods and systems for wave energy generation prediction and optimization |
CN111199270A (zh) * | 2019-12-30 | 2020-05-26 | 福建省海洋预报台 | 一种基于深度学习的区域波高预报方法及终端 |
CN111199270B (zh) * | 2019-12-30 | 2023-04-18 | 福建省海洋预报台 | 一种基于深度学习的区域波高预报方法及终端 |
CN113344275A (zh) * | 2021-06-15 | 2021-09-03 | 上海交通大学 | 一种基于lstm模型的浮式平台波浪爬升在线预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104050379A (zh) | 一种基于arma模型的海洋波浪波高预测方法 | |
CN102148701B (zh) | 用于监控系统中监控指标的趋势分析方法及装置 | |
CN102930358B (zh) | 一种光伏电站发电功率的神经网络预测方法 | |
CN104131950B (zh) | 一种风电机组温度特征量的阈值分区确定方法 | |
CN101793907A (zh) | 一种风电场短期风速预测方法 | |
CN106384170A (zh) | 基于小波分解与重构的时间序列风速预测方法 | |
CN105426956A (zh) | 一种超短期光伏预测方法 | |
CN102609766B (zh) | 一种风电场风速智能预测方法 | |
CN105184679A (zh) | 一种风电场功率多时间尺度联合预测方法 | |
CN109840691A (zh) | 基于深度神经网络的非侵入式分项电量估计方法 | |
CN104809532A (zh) | 一种光伏系统发电量的预测方法 | |
CN103761420A (zh) | 一种火电设备性能逐步回归评测方法 | |
CN103984986B (zh) | 实时校正的自学习arma模型风电功率超短期预测方法 | |
CN105654189B (zh) | 基于时间序列分析与卡尔曼滤波算法的覆冰短期预测方法 | |
CN103927597A (zh) | 基于自回归滑动平均模型的风电功率超短期预测方法 | |
Yu et al. | The short-term forecasting of wind speed based on EMD and ARMA | |
CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
CN104200280A (zh) | 一种用于风电功率预测的方法及系统 | |
Kumar et al. | Iot and data mining techniques to detect and regulating of solar power system | |
Drisya et al. | Deterministic prediction of surface wind speed variations | |
CN106503828B (zh) | 一种光伏输出功率超短期混沌预测方法 | |
Li et al. | Short-term wind speed forecasting for wind farm based on empirical mode decomposition | |
CN103065049A (zh) | 一种基于coif5小波实时分解的风电功率实时预测计算方法 | |
CN113489026B (zh) | 一种广域电力系统宽频振荡辨识方法及定位方法 | |
Prasetyowati et al. | Comparison Accuracy W-NN and WD-SVM Method In Predicted Wind Power Model on Wind Farm Pandansimo |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140917 |
|
WD01 | Invention patent application deemed withdrawn after publication |