CN106600055A - 一种基于自激励门限自回归模型的风速预测方法 - Google Patents

Abstract

本发明提供了一种基于自激励门限自回归模型的风速预测方法，属于输配电技术领域，目的是改进原有的风速预测方法，提高风速预测精度，本发明通过SETAR模型将原始的非线性风速序列，通过门限值r和滞后阶数d分为多个序列，并对每段序列建立AR模型，这种模型实际就是l个AR模型，或者说是由门限r控制的l个分段AR模型。最后根据预测结果判断得出最优预测值。本发明充分挖掘风速序列的非线性特性，在此基础上，建立适当的回归模型。实验结果表明，本方法要优于单纯传统ARMA模型和BP模型的预测方法，并且具有更高的预测精度。

Description

一种基于自激励门限自回归模型的风速预测方法

技术领域

本发明涉及一种能够精确预测风速大小进而预测风电场功率的方法，属于输配电技术领域。

背景技术

人类文明的发展离不开能源，能源是我们人类发展的基础。由于化石能源储量有限、不完全燃烧会产生对环境有害的气体等劣势，以化石燃料为主体的时代终将逝去，逐渐被新能源所替代。如今，在不污染环境的前提下，如何发展新能源是人类共同关心的问题，当然，这也是中国现在的发展所关注的重要问题，能源的短缺与温室效应的加剧，使得寻求新的可再生能源，改变能源结构己经成为当今世界的主要话题。根据大量统计数据预测，到2020年中国电力装机将从现在的4亿千瓦上升到11亿千瓦，到2050年将上升到至少25亿千瓦。如此巨大的电力能源需求将不能期望完全由化石能源来解决，可再生能源将扮演重要角色。因此，许多国家都制定了支持可再生能源发展的政策和规划。在所有可再生能源中，风力发电由于技术成熟、成本低廉以及适合大规模开发和利用而得到迅速发展。据统计，在近10年里，全球风力发电装机量平均每年保持在25％以上的增长率。由于风的波动性和间歇性，使得大容量的风电接入电网会对电力系统的安全、稳定运行以及保证电能质量带来严峻挑战。如果我们能对风速或者风力发电功率进行比较准确的预测，就可有效地降低风电的缺点对 电网带来的不利影响，减少电力系统运行成本。

目前，风速预测的方法主要有卡尔曼滤波法，核心优势是能根据最新的测量值修正前一时刻的估计值，具有动态加权修正的特性；人工神经网络法，是基于误差反向传播算法的多层前向神经网络，具有一定的容错性、鲁棒性；模糊逻辑法，具有非凡的处理不确定性的能力，为风速的预测提供了新的思路；支持向量机法，有着良好的预测精度和性能，逐渐得到大范围的应用；空间相关性法，它需要考虑所预测地点以及与之相近的几个地点的风速时间序列，再依据几个地点风速的空间相关性来进行预测，有较好的预测效果。

风是风电机组的主要载荷源，研究风速时间序列的非线性特性，深入分析风电机组的载荷的非线性特征、载荷谱，对于机组优化设计和运行均起到至关重要的作用；此外，深入研究风速时间序列的非线性特性，提出适合的风速和机组发电量预测方法，对于风电机组的预测控制和电网调度优化也可以起到重要作用。因此，研究风速时间序列的非线性特性，对于风力发电具有重要意义。

发明内容

本发明所要解决的技术问题是提供一种基于自激励门限自回归模型(即SETAR模型)的风速预测方法，旨在针对现有预测方法的弊端以及风速序列非线性特征显著，以实现更加精确的风速预测，从而优化电网调度与规划。

为解决上述技术问题，本发明所采取的技术方案是：一种基于自激励门限自回归模型的风速预测方法，通过对历史风速数据序列x(t) 建立基于体制个数l、滞后参数d和门限参数r的SETAR模型，进而预测下一时刻的风速预测值x(t+1)；其特征在于：

其步骤为：以时间序列t为基准获取待测风电场的历史风速数据进行预处理形成历史风速数据序列x(t)，然后以x(t-d)为横坐标轴，在横坐标轴上将0～x(t-d)均匀分成s段，对数据对[x(t’),x(t’-d)]中x(t’-d)值落入第i段内的N_i个值所对应的x(t’)所求均值E[x(t)/x(t-d)]_i为纵坐标；以坐标(E[x(t)/x(t-d)]_i)形成点值图，对点值图建立分段线性回归模型；根据分段线性回归模型的段数确定体制个数l，在分段线性的转折点处确定各门限值r的局部搜索范围；根据AIC准则，运用多层寻优法确定具体门限参数r、滞后参数d、各个自回归模型阶数；将历史风速数据x(t)划分为体制个数l个子序列，对每个子序列分别建立SETAR模型，并预测下一时刻的风速预测值x(t+1)。

进一步的技术方案在于，

所述SETAR模型一般形式可表示如下：

所述SETAR模型通常记为SETAR(l；p1,...,pl)；其中，l为体制的个数，p_j为各体制中AR模型阶数,d称为滞后参数，r_j称为门限参数，ε_t为白噪声序列，φ_jk为第j个体制的模型的自回归系数；

进一步的技术方案在于，所述均值E[x(t)/x(t-d)]_i公式如下：

进一步的技术方案在于，所述步骤还包括对历史风速数据序列x(t)进行非线性检验，根据历史风速数据序列x(t)服从非线性特性的检验结果建立SETAR模型。

进一步的技术方案在于，所述非线性检验方式采用RESET检验法

进一步的技术方案在于，所述RESET检验法的步骤如下：

第一步用最小二乘法估计线性AR(p)模型方程(2)，计算残差和残差平方和T代表样本容量；

第二步估计下面的辅助线性回归模型：

计算回归残差平方和

第四部判断方程(2)中线性模型AR(p)的充分性，以及方程(3)中的δ_i(i＝2,3,...，q)值；根据判断情况构造F统计量来比较方程(2)与(3)的残差平方和的差异，进而根据差异情况，判断数据非线性特点。

进一步的技术方案在于，所述门限参数r、滞后参数d、各个自回归模型阶数的确定方法为使AIC准则中AIC＝min时所得的门限值、滞后阶数和回归模型的阶数。

进一步的技术方案还在于，所述AIC准则为：

采用上述技术方案所产生的有益效果在于：本发明采用一种全新的非线性时间序列风速预测模型，即自激励门限自回归模型(SETAR模型)。SETAR模型建立过程中的重点是确定体制个数l、滞后参数d和门限参数r，另外各体制下AR模型的阶数p也是保证模型精确的重要条件。这种模型实际就是l个AR模型，或者说是由门限r控制的l个分段AR模型。根据现实情况，风速在白天和黑夜的大小有差异，可以将风速序列划分为两种状态：白天和黑夜。在不同状态下风速表现出不同的特性，一个二体制自激励门限自回归模型结构能够很好的与之相符。仿真结果表明，与传统预测方法进行对比，本发明提出的基于SETAR模型的风速预测方法要优于传统的预测方法，并且具有更高的预测精度。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明实施例中西班牙风电场2月、5月、8月和11月的原始数据；

图2是RESET检验的流程图；

图3是运用本发明所述方法和ARMA模型、BP神经网络模型对2月风速数据预测的对比图；

图4是运用本发明所述方法和ARMA模型、BP神经网络模型对5月风速数据预测的对比图；

图5是运用本发明所述方法和ARMA模型、BP神经网络模型对8 月风速数据预测的对比图；

图6是运用本发明所述方法和ARMA模型、BP神经网络模型对11月风速数据预测的对比图。

图7为11月份的风速实际值和预测值。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

本发明所述SETAR模型介绍如下：

Tong(1990)提出的门限自回归模型一般以原序列的滞后变量当作门限变量，即，用延迟步数d将{x(t)}按{x(t-d)}值的大小分配到不同的门限区间内。在文献中一般将之称为自激励门限自回归模型(Self-exciting Threshold Autoregressive Model)，当把序列分割为

R_j＝{(x₁,x₂,…,x_p):r_j≤x_t-d≤r_j+1,j＝1,…,l}

则，SETAR模型一般形式可表示如下：

模型通常记为SETAR(l；p1,...,pl)。其中，l为体制的个数，p_j为各体制中AR模型阶数,d称为滞后参数，r_j称为门限参数，ε_t为白噪声序列，φ_jk为第j个体制的模型的自回归系数。这种模型实际就是l个AR模型，或者说是由门限r控制的l个分段AR模型。

本发明所述方法为一种非线性预测方法，通过点值法确定预测模型的体制个数并给出门限值的寻优范围，来确定模型的部分参数，确定好体制个数后，对每个体制分别建立自回归模型，自回归模型的阶数要有AIC准则确定，分别用所建的自回归模型对所属序列进行预测，根据预测结果判断得出最优预测值。

其包括以下步骤：

a按时间序列t收集待预测风电场的历史风速数据，并将收集的数据；

b对收集的风速数据进行预处理操作，包括去除粗大值等；然后形成历史风速数据序列x(t)；

c对预处理后的序列x(t)进行非线性检验，检验方法为Ramsey引入的一种最小二乘线性回归分析的函数形式的检验即，RESET检验法；考虑线性AR(p)(本发明中可用p＝4)模型：

RESET检验法检验步骤如下：

第一步用最小二乘法估计方程(2)，计算残差和残差平方和 T代表样本容量；

第二步估计下面的辅助线性回归模型：

计算回归残差平方和RESET检验的指导思想是，如果方程(2)中线性模型AR(p)是很充分的，那么方程(3)中的δ_i(i＝2,3,...，q)应当同时等于零。可以构造F统计量来比较方程(2)与(3)的残差平方和的差异，如果差别较大，则拒绝零假设，说明数据有非线性特点。

d根据c中的检验结果：序列x(t)服从非线性特性则可以确定能建立SETAR模型来进行风速预测；

e建立SETAR模型，首先，应根据点值法确定体制个数l和缩小门限值r的寻优范围；

对于历史风速数据序列x(t)，以x(t-d)为横坐标轴，在横坐标轴上将0～x(t-d)均匀分成s段，对数据对[x(t’),x(t’-d)]中x(t’-d)值落入第i段内的N_i个值所对应的x(t’)所求均值E[x(t)/x(t-d)]_i为纵坐标；其均值

以以x(t-d)为横坐标轴，E[x(t)/x(t-d)]_i为纵坐标轴，以坐标(，E[x(t)/x(t-d)]i)标点形成点值图。当点值图中的点呈线性分布时， 就可以用分段线性模型来描述历史风速数据序列x(t)，而这正是SETAR模型的基本思路。因此点值图不仅可以用于判断模型的性质，而且它还提供了两个信息：第一，根据分段线性的段数确定门限区间的个数l，而不必对l进行寻优；第二，在分段线性的转折点处确定各门限值r的搜索范围，将对r的大范围寻优转变为局部寻优。

f其次，根据AIC准则，运用多层寻优法确定具体门限参数r、滞后参数d、各个自回归模型阶数等；

计算使AIC＝min时，所求的门限值、滞后阶数和回归模型的阶数几位最适数据。

g接着，运用确定的体制个数l将原始数据序列，划分为体制个数l个子序列；

h最后，对每个子序列建立分段线性回归模型，并预测下一时刻的风速预测值x(t+1)。

针对上述步骤，为了检验预测结果的误差，可在一开始的时候收集分为样本数据部分(数据收集较多)和测试数据部分(数据收集较少)两部分的历史风速数据，用样本数据部分基于时间顺序逐一预测，将预测结果逐一与测试数据部分作比较，分析误差性能，校验此预测方法的可行性。

实施例一

实施例使用的数据集来自西班牙风电场，这里四季分明，并且每个季度的三个月份有相似的特征，因此实施例分别选择每个季度的一个月份作为代表。因此实施例采用的实际数据是2015年11月份、2016 年2、5和8月份的采样数据。这四个月数据的实际风速分布如图1所示。表1为所选数据的概况。

图1(a)-(d)分别表示西班牙风电场2016年2月、5月、8月和2015年11月的实际风速情况.

表1西班牙风电场2015年11月、2016年2月、5月和8月的风速数据详细统计

Ramsey[]引入了一种最小二乘线性回归分析的函数形式的检验。该检验被称为RESET检验。考虑线性AR(p)(本发明考虑p＝4)模型：

RESET检验步骤如下(检验流程如图2所示)：

第一步用最小二乘法估计方差1，计算残差和残差平方和 T代表样本容量；

第二步估计下面的辅助线性回归模型：

计算回归残差平方和RESET检验的指导思想是，如果方程1中线性模型AR(p)是很充分的，那么方程2中的δ_i(i＝2,3,...，q)应当同时等于零。可以构造F统计量来比较1与2的残差平方和的差异，如果差别较大，则拒绝零假设，说明数据有非线性特点，为了能够正确的拟合时间序列的变动，使用非线性模型较优。由表2可知，F检验量SSR＝|SSR0-SSR1|相差很大，因此拒绝原假设，风速序列存在非线性，使用非线性模型更优。

表2各个数据集的F检验结果

首先，用Matlab编写点值法程序确定体制数l及门限值r范围，结果如图3所示。

其次，Matlab编写寻优程序，寻得使SETAR模型AIC最小的参数如表3所示，其中r为局部寻优，寻优范围是10-12m/s。

最后，根据延迟5步风速序列将原序列以门限值r为界分割为2个体制序列，并对每个体制建立AR(1)模型。

表3 2月、5月、8月和11月数据SETAR模型的建模参数

本发明，我们应用平均绝对误差(MAE)、均方根误差(RMSE)和平均相对误差(MRE)三个误差指标和预测结果仿真曲线对结果进行综合评估，风速预测误差指标的计算结果如表4所示。

其中y(t)和z(t)分别代表预测值和实际值，M为样本数量。

通过分析表4可知，四个月份中基于SETAR模型的风速预测模型各项评价指标均优于时间序列模型法和BP神经网络模型，且ARMA模型的预测效果最差。与ARMA模型相比SETAR模型的平均绝对误差在各个月份中都至少下降了40％，均方根误差至少下降了30％，且平均相对误差至少下降了40％；与BP模型相比SETAR模型的平均绝对误差在各个月份中都至少下降了20％，均方根误差平均 下降了17％，且平均相对误差平均下降了22％；由于十一月份数据较平稳，因此SETAR模型较BP模型提高不多。综上可知，本发明提出的基于SETAR的风速预测模型预测精度均远远高于目前较流行的传统风速预测模型，具有实际应用价值。

图4、5和图6分别表示风速在2月、5月和8月的实际值和预测值。这三个月份的风速波动较大，与SETAR模型相比BP模型和ARMA模型在尖峰位置时预测效果较差，而且有滞后现象。

图7为11月份的风速实际值和预测值。这个月风速相对平稳，因此比较容易预测，三个模型的预测结果相差不多，但总体上还是SETAR模型预测效果较好。

随着全球经济的快速发展以及能源的变革，清洁能源的开发和利用已经走入人们的视野。在所有的清洁能源中风电是最有发展潜力的。然而，由于风的波动性和间歇性，使得风力发电的弃风现象显著，风资源的利用率不高，甚至会对电力系统的安全、稳定运行造成影响，因此为保证电能质量，我们要对风速或者风力发电功率进行比较准确的预测，有效地降低风速的不稳定现象对电网带来的不利影响，减少电力系统运行成本。根据现实情况，风速在白天和黑夜的大小有差异，可以将风速序列划分为两种状态：白天和黑夜。本发明采用一个二制度的SETAR模型来进行风速预测，即采用分段线性的思想将风速序列做线性化处理。此前，并没有将此模型应用于风速预测的研究。分别取西班牙风电场全年四个季度2、5、8、11月份的数据作为样本。预测结果表明，与传统的BP模型和ARMA模型相比，本发明采用的SETAR 模型预测精度更高。其中SETAR模型的建立难点在于门限值和各个AR模型阶数的确定，为此本发明采用AIC准则进行多层寻优，从而确定模型的结构。从实际预测结果可以看出预测误差能够达到要求，且比流行的ARMA预测模型和BP神经网络模型预测精度高。

该发发体现了非线性模型的优势，有效提高了预测精度。由于此处SETAR模型的体制个数不是固定，因此在后续工作中会增加体制个数以求更好的预测效果。

Claims (8)

1.一种基于自激励门限自回归模型的风速预测方法，通过对历史风速数据序列x(t)建立基于体制个数l、滞后参数d和门限参数r的SETAR模型，进而预测下一时刻的风速预测值x(t+1)；其特征在于：

其步骤为：以时间序列t为基准获取待测风电场的历史风速数据进行预处理形成历史风速数据序列x(t)，然后以x(t-d)为横坐标轴，在横坐标轴上将0～x(t-d)均匀分成s段，对数据对[x(t’),x(t’-d)]中x(t’-d)值落入第i段内的N_i个值所对应的x(t’)所求均值E[x(t)/x(t-d)]_i为纵坐标轴；以坐标形成点值图，对点值图建立分段线性回归模型；根据分段线性回归模型的段数确定体制个数l，在分段线性的转折点处确定各门限值r的局部搜索范围；根据AIC准则，运用多层寻优法确定具体门限参数r、滞后参数d、各个自回归模型阶数；将历史风速数据x(t)划分为体制个数l个子序列，对每个子序列分别建立SETAR模型，并预测下一时刻的风速预测值x(t+1)。

2.根据权利要求1所述的一种基于自激励门限自回归模型的风速预测方法，其特征在于：所述SETAR模型一般形式可表示如下：

所述SETAR模型通常记为SETAR(l；p1,...,pl)；其中，l为体制的个数，p_j为各体制中AR模型阶数,d称为滞后参数，r_j称为门限参数，ε_t为白噪声序列，φ_jk为第j个体制的模型的自回归系数。

3.根据权利要求1所述的一种基于自激励门限自回归模型的风速预测方法，其特征在于：所述均值E[x(t)/x(t-d)]_i公式如下：

。

4.根据权利要求1所述的一种基于自激励门限自回归模型的风速预测方法，其特征在于：所述步骤还包括对历史风速数据序列x(t)进行非线性检验，根据历史风速数据序列x(t)服从非线性特性的检验结果建立SETAR模型。

5.根据权利要求4所述的一种基于自激励门限自回归模型的风速预测方法，其特征在于：所述非线性检验方式采用RESET检验法 。

6.根据权利要求4所述的一种基于自激励门限自回归模型的风速预测方法，其特征在于：所述RESET检验法的步骤如下：

第一步用最小二乘法估计线性AR(p)模型方程(2)，计算残差和残差平方和T代表样本容量；

第二步估计下面的辅助线性回归模型：

计算回归残差平方和

第四部判断方程(2)中线性模型AR(p)的充分性，以及方程(3)中的δ_i(i＝2,3,...，q)值；根据判断情况构造F统计量来比较方程(2)与(3)的残差平方和的差异，进而根据差异情况，判断数据非线性特点。

7.根据权利要求1所述的一种基于自激励门限自回归模型的风速预测方法，其特征在于：所述门限参数r、滞后参数d、各个自回归模型阶数的确定方法为使AIC准则中AIC＝min时所得的门限值、滞后阶数和回归模型的阶数。

8.根据权利要求7所述的一种基于自激励门限自回归模型的风速预测方法，其特征在于：所述AIC准则为：

。