CN112070320A - 一种基于动态谐波回归的超短期风电功率预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于动态谐波回归的超短期风电功率预测方法及系统，系统包括：数据获取与采集系统、模型训练系统、风电功率预测系统和数据上报系统，其中：所述数据获取与采集系统用于获取和采集来自气象局和实测的风电场所处位置不同高度的风速以及采集风电场实测的发电功率数据；所述模型训练系统用于训练预测模型，包括最佳回归子集选择模块、动态回归参数选择模块和傅里叶级数次数选择模块；所述风电功率预测系统用于使用数据和训练得到的模型进行功率预测，包括参数估计和功率预测模块；所述数据上报系统用于上报实时预测数据给上级调度中心。

Description

一种基于动态谐波回归的超短期风电功率预测方法及系统

技术领域

本发明涉及电力系统风力发电超短期预测领域，该方法基于动态谐波回归原理，提供一种基于动态谐波回归的超短期风电功率预测方法及系统。

背景技术

随着能源危机与环境污染问题逐渐突出，世界各个国家大力发展清洁可再生能源，风电渗透率不断提高。但是风能的高随机性使得风电具有高不可调度性，这为电力系统安全稳定运行带来诸多挑战。准确地预测风力发电功率并将预测信息提供给调度部门可以有效地解决上述问题。风电功率的预测精度与预测提前期有关，预测提前期越短，风速变化越小，预测精度也就越高。因此，四到六小时内的超短期预测往往具有较好效果。

在超短期风电功率预测领域，目前业内接受最为广泛的是基于数据的统计方法。传统的ARIMA方法依据风电功率历史值预测未来数小时出力水平，该方法自应用于风电功率超短期预测以来被证实具有较高的预测精度。事实上，风电功率与风速具有强相关性，ARIMA方法仅仅依赖风电功率历史数据，没有充分利用可获得的天气信息进而从风电的本质出发进行预测，其预测精度具有进一步提升空间。依赖数值天气预报信息进行风电功率预测是另一类应用较多的统计预测方法。回归方法由于其良好的可解释性得到广泛应用，但该方法对风速预测值十分敏感，预测效果并不理想。

上述方法忽视了风电功率本身具有的一些数据特点。风电功率能量来源于风，而风能受太阳辐射和地球自传影响具有以日为周期的特性，因而风电功率具有以24小时为周期的日季节特性。然而不同风电场并非均以24小时为周期，受风电场所在地理位置和当地地形影响，其周期往往有所变化。

发明内容

为解决现有技术不同风电场周期变化的问题，本发明的目的在于提供一个充分考虑风电周期性的适用于不同风电场的超短期风电功率预测系统及方法。该系统能充分考虑该特点的风电功率预测方法，构建基于该方法的风电功率预测系统，从而为风电场内部调度以及系统功率控制、实时调度等提供依据。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于动态谐波回归的超短期风电功率预测方法，包括：

获取来自气象局的天气预报信息，并采集风电场不同高度的实时风速数据和风电场实时出力数据；

采用三次多项式的静态回归模型描述风电功率与风速关系，选择具有最佳预测效果的不同高度风速的组合作为最佳回归子集；使用ARIMA方法对静态回归的残差进行模拟，对残差时间序列进行稳定性分析、自相关性分析和偏自相关性分析，确定ARIMA模型三个阶数；采用交叉验证方法选择所在风电场预测效果最佳的傅里叶级数次数，得到最终的动态谐波回归模型；

根据历史实测风速数据、出力数据，使用最小二乘法进行模型剩余参数的估计；根据数值天气预报风速预测数据，采用已确定的动态谐波回归模型进行未来时刻的风电功率预测；

将实时预测数据上报上级调度中心。

作为本发明的进一步改进，所述天气预报信息包括在不同高度的风速预测数据，并将这些数据预处理为常见的风速和风向形式；常见的风速和风向形式按照下式转化：

式中：υ表示合成风速，

表示风向，u、v分别表示沿精度和纬度的风速。

作为本发明的进一步改进，所述动态谐波回归模型由式(1)获得：

式中：P_t表示t时刻风电场的发电功率，P_i(·)表示不同高度风速υ_i,t对风电功率的贡献且满足公式(2)，ΔP_t为静态回归模型的残差且满足公式(3)，K表示选取的傅里叶级数次数，a_k、b_k分别为傅里叶项系数；

式中：υ_i,t为第i个高度的在时刻t的风速，β_i,0、β_i,1、β_i,2、β_i,3为系数，υ_i,min、υ_i,max分别为切入风速和切出风速；当风速小于切入风速时，风机出力为0；当风速大于切出风速时，风机出力达到额定值；

(1-φ₁B-...-φ_pB)(1-B^d)ΔP_t＝c+(1+θ₁B+...+θ_qB)ε_t (3)

式中：B为滞后算子且有BΔP_t＝ΔP_t-1，c为常数，ε_t为ARIMA模型的残差并假设其为一组均值为0、方差为

且相互独立的白噪声，p、d、q为ARIMA模型的阶数，φ_p、θ_q分别为自回归参数和滑动平均参数。

作为本发明的进一步改进，得到所述动态谐波回归模型包括如下步骤：

1)采用静态回归模型确定最佳回归子集，静态回归模型由公式(4)确定：

P_t＝∑P_i(υ_i,t)+ε_t (4)

式中：P_t表示风力发电功率；P_i(·)表示不同高度风速υ_i,t对风电功率的贡献且满足公式(2)；ε_t表示残差并假设其是均值为0，方差为δ²的白噪声；

待选高度的风速为风电场轮毂所在位置的风速及其附近高度的风速，将待选高度的风速进行组合，确定具有最佳预测精度的风速组合，即最佳回归子集；

2)采用动态回归模型确定ARIMA参数，动态回归模型由公式(5)确定：

P_t＝∑P_i(υ_i,t)+ΔP_t (5)

式中：P_t表示风力发电功率；P_i(·)表示不同高度风速υ_i,t对风电功率的贡献且满足公式(2)；ΔP_t为静态回归的残差序列且满足公式(3)；

动态回归模型确定的ARIMA参数包括p、d、q三个超参数；使用单位根检验方法检验静态回归残差平稳性，对于不平稳残差序列，进行一次差分，并再次检验，若依然不平稳，则再进行一次差分，如此循环；经过d次差分，即得到平稳时间序列；绘制具有平稳性的残差时间序列的ACF图和PACF图，观察平稳时间序列的拖尾、截尾特性，初步确定ARIMA模型的p,q两个参数；

3)使用动态谐波回归模型确定傅里叶级数次数，动态谐波回归模型通过式(6)获得：

式中：P_t表示t时刻风电场的发电功率，P_i(·)表示不同高度风速υ_i,t对风电功率的贡献且满足公式(2)，ΔP_t为静态回归模型的残差且满足公式(3)，K表示选取的傅里叶级数次数，a_k、b_k分别为傅里叶项系数；

K值可通过观察时间序列的频域特性进行初步判断，最后使用交叉验证确定具有最高预测精度的K值。

作为本发明的进一步改进，所述风电功率预测包括如下步骤：

采用的数据包括两部分，第一部分为历史实测最佳回归子集的风速与对应时刻风电出力，第二部分为来自气象局的数值天气预报；

预测按照如下步骤进行：

1)使用第一部分数据进行参数估计，经过模型训练，待估计参数为β_i,0,β_i,1,β_i,2,β_i,3,a_k,b_k,φ_p,θ_q，使用最小二乘法可以估计出所有参数；

2)使用第二部分数据进行功率预测；

每次预测均需经过上述两个步骤，至此结束所有预测过程。

作为本发明的进一步改进，第二部分数据进行功率预测中，当数值天气预报更新时，立即更新第二部分数据，使用该数据进行风电出力预测；当数值天气预报数据暂时未更新时，使用上次数据进行风电出力预测。

一种基于动态谐波回归的超短期风电功率预测系统，包括：

数据获取与采集子系统，用于获取来自气象局的天气预报信息，采集风电场不同高度的实时风速数据和风电场实时出力数据；

模型训练子系统，包括：

最佳回归子集选择模块，用于采用三次多项式的静态回归模型描述风电功率与风速关系，选择具有最佳预测效果的不同高度风速的组合作为最佳回归子集；

动态回归参数选择模块，用于使用ARIMA方法对静态回归的残差进行模拟，对残差时间序列进行稳定性分析、自相关性分析和偏自相关性分析，确定ARIMA模型三个阶数；

及傅里叶级数次数选择模块，用于采用交叉验证方法选择所在风电场预测效果最佳的傅里叶级数次数，得到最终的动态谐波回归模型；

风电功率预测子系统，包括：

参数估计模块，用于根据历史实测风速数据、出力数据，使用最小二乘法进行模型剩余参数的估计；

及功率预测模块，用于根据数值天气预报风速预测数据，采用已确定的动态谐波回归模型进行未来时刻的风电功率预测；

和数据上报子系统，用于将实时预测数据上报上级调度中心。

与现有技术相比，本发明具有以下优点：

本发明能有效解决现有预测方法预测精度不高、通用性不强的弊端，提供一个简单有效的超短期风电功率预测系统。考虑到不同风电场可获取气象数据的难易程度。本发明在数值天气预报数据中，仅包括不同高度的风速信息，需要获取的数据种类少，为不同情况的风电场均提供了可行的技术方案。为提升预测精度，一方面，由于风电功率与风速存在强相关关系，本发明采用静态回归模型对这种关系进行建模，既利用了历史出力数据又利用了数值天气预报数据，避免了完全的依靠历史出力数据而导致的预测不准确问题。另一方面，针对风电本身普遍具有的周期特性，本发明采用傅里叶级数进行模拟，从风电功率本质出发进行预测提高了预测精度。傅里叶分解可以从频域角度描绘风电功率时间序列的周期特性，对于一切周期性函数，均可以通过傅里叶级数进行逼近。因此即使考虑到不同风电场受地理地形等因素影响而导致的周期特性略有变化的问题，不同的风电场的用户也可以选择各自预测精度最高的傅里叶级数次数进行预测，从而保证了即使不同地区的风电场仍能采用本发明提供的技术方案。本发明采用的动态谐波回归预测方法原理简单，所需要的历史数据少，一旦各模型训练完成则能长期保持不变从而进行实时在线预测。

附图说明

图1为本发明所采用的系统结构与工作流程框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将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一部分的实施例，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本发明公开的概念。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，都应当属于本发明保护的范围。

本发明第一个目的是提供一种基于动态谐波回归的超短期风电功率预测方法，包括：

获取来自气象局的天气预报信息，并采集风电场不同高度的实时风速数据和风电场实时出力数据；

采用三次多项式的静态回归模型描述风电功率与风速关系，选择具有最佳预测效果的不同高度风速的组合作为最佳回归子集；使用ARIMA方法对静态回归的残差进行模拟，对残差时间序列进行稳定性分析、自相关性分析和偏自相关性分析，确定ARIMA模型三个阶数；采用交叉验证方法选择所在风电场预测效果最佳的傅里叶级数次数，得到最终的动态谐波回归模型；

根据历史实测风速数据、出力数据，使用最小二乘法进行模型剩余参数的估计；根据数值天气预报风速预测数据，采用已确定的动态谐波回归模型进行未来时刻的风电功率预测；

将实时预测数据上报上级调度中心。

本发明第二个目的是提供一种基于动态谐波回归方法的预测系统，包括以下子系统：

子系统1：数据获取与采集系统

数据获取与采集系统：获取来自气象局的数值天气预报信息，包括在不同高度的风速预测数据，并将这些数据预处理为常见的风速和风向形式。采集风电场不同高度的实时风速数据和风电场实时出力数据。

子系统2：模型训练系统，包括以下模块：

模块2.1：最佳回归子集选择模块，采用三次多项式的静态回归模型描述风电功率与风速关系，使用最大化可决系数、最小化信息准则或交叉验证等方法选择具有最佳预测效果的不同高度风速的组合作为最佳回归子集。

模块2.2：动态回归参数选择模块，使用ARIMA方法对静态回归的残差进行模拟，对残差时间序列进行稳定性分析、自相关性分析和偏自相关性分析，确定ARIMA模型三个阶数。

模块2.3：傅里叶级数次数选择模块，采用交叉验证方法选择所在风电场预测效果最佳的傅里叶级数次数，得到最终的动态谐波回归模型。

子系统3：风电功率预测系统，包括以下模块：

模块3.1：参数估计模块，根据历史实测风速数据、出力数据，使用最小二乘法进行模型剩余参数的估计。

模块3.2：功率预测模块，根据数值天气预报风速预测数据，采用已确定的动态谐波回归模型进行未来4小时的风电功率预测。

子系统4：数据上报系统

将实时预测数据上报上级调度中心。

实施例

下面将结合附图1对本发明作进一步说明。但本发明的内容不仅仅局限如此。

子系统1：获取系统所需数据，包括来自数值天气预报的不同高度的风速预测数据、风电场实时采集得到的不同高度的历史风速数据和对应时刻总发电功率。需注意，后两项数据由风电场测量得到，因此可以实时获得，而第一项数据来源于气象局，如果气象局对数值天气预报有更新，则相应更新风速预测数据，若没有，则沿用上次更新得到的数据。数值天气预报仅提供沿精度和纬度的风速(即UV风)，因此需要按式(1)转化为常见的风速和风向：

式中：υ表示合成风速，

表示风向，u、v分别表示沿精度和纬度的风速。

子系统2：模型训练系统，若为第一次使用此预测系统，或有必要进行模型超参数的重新训练则执行这一步骤，否则跳过。包括以下步骤：

1)采用静态回归模型确定最佳回归子集

风机出力与风速具有明显的三次多项式关系，即：

式中：β₀、β₁、β₂、β₃为系数，υ_min、υ_max分别为切入风速和切出风速。当风速小于切入风速时，风机出力为0；当风速大于切出风速时，风机出力达到额定值。

每一个高度的风速均满足一个式(2)，只不过系数有所不同，因此可以得到多个三次多项式。静态回归模型是这些三次多项式的线性组合，可以表示为式(3)：

P_t＝∑P_i(υ_i,t)+ε_t (3)

式中：P_t表示风力发电功率；P_i(·)表示不同高度风速υ_i,t对风电功率的贡献且满足公式(2)。ε_t表示残差并假设其是均值为0，方差为δ²的白噪声。

选择合理高度的风速作为预测变量是提高静态回归模型预测精度的重要手段。待选高度的风速一般可以为风电场轮毂所在位置的风速及其附近高度的风速，将这些高度的风速进行组合，采用最大化可决系数、最小化信息准则或交叉验证方法可以确定具有最佳预测精度的风速组合，即最佳回归子集。

2)采用动态回归模型确定ARIMA参数

静态回归模型仅仅依赖预测变量，而没有考虑风电功率本身的动态变化过程。由于该预测模型没有充分利用风电功率时间序列的已知信息，因此静态回归的残差通常具有显著的自相关性。

为解决上述问题，ARIMA动态回归模型使用ARIMA方法对静态回归的残差项进行建模，从而能够有效地考虑风电功率时间序列的自相关性。

动态回归模型可以表示为式(4)：

式中：ΔP_t为静态回归的残差序列，B为滞后算子且有BΔP_t＝ΔP_t-1，c为常数，ε_t为ARIMA模型的残差并假设其为一组均值为0、方差为

且相互独立的白噪声，p、d、q为ARIMA模型的阶数，φ_p、θ_q分别为自回归参数和滑动平均参数。这一步骤即是确定p、d、q三个超参数。

ARIMA方法要求残差时间序列具有平稳性，即该时间序列应具有不随时间改变的固定均值和方差。使用单位根检验方法(例如KPSS单位根检验方法)可以检验静态回归残差平稳性，对于不平稳残差序列，进行一次差分，并再次检验，若依然不平稳，则再进行一次差分，如此循环。经过d次差分，即可得到平稳时间序列。

绘制平稳的残差时间序列的ACF图和PACF图，观察平稳时间序列的拖尾、截尾特性，可以初步确定ARIMA模型的p,q两个参数，必要时可采用最小化信息准则或交叉验证等方法从多个待选参数中选取具有最佳预测精度的参数值。

3)确定傅里叶级数次数

本发明采用的动态谐波回归模型可表示为式(5)：

式中：K表示选取的傅里叶级数次数，这一步骤即是确定该超参数值。

K值可通过观察时间序列的频域特性进行初步判断，进而得到大致取值。一般的，由于风电的周期性由太阳辐射决定，受地形等地理条件影响，因此风电周期性在24小时附近波动，故K可以从1到4进行选取，最后使用交叉验证可以确定具有最高预测精度的值。

经过上述三个步骤即得到了动态谐波回归的所有超参数。

子系统3：对风电功率进行预测。本步骤采用的数据包括两部分，第一部分为历史实测最佳回归子集的风速与对应时刻风电出力，第二部分为来自气象局的数值天气预报。预测按照如下步骤进行。

1)使用第一部分数据进行参数估计，经过模型训练，待估计参数为β_i,0,β_i,1,β_i,2,β_i,3,a_k,b_k,φ_p,θ_q，使用最小二乘法可以估计出所有参数。

2)使用第二部分数据进行功率预测。由于数值天气预报来源于气象局，更新间隔较长。为满足在线预测需求，当数值天气预报更新时，立即更新第二部分数据，使用该数据进行风电出力预测；当数值天气预报数据暂时未更新时，使用上次数据进行风电出力预测。

每次预测均需经过上述两个步骤，至此结束所有预测过程。

子系统4：上报预测数据，将预测结果上报调度部门以供进一步决策。

为使本发明的目的、技术方案和优点更加清楚，下面结合实际数据对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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。

本实施例数据来自Global Energy Forecasting Competition 2014。该数据包括澳大利亚10个风电场自2012年1月1日起共计24个月的每日风电出力数据与数值天气预报数据，时间分辨率为1h，数值天气预报数据提供了10米与100米处的沿精度和纬度的风速。本实施例选取了一号风电场的数据进行超短期风电功率的预测。从原数据取2012年1月1日至2012年12月30日共8760h作为训练集，用于模型估计，取2012年12月31日至2013年1月31日共一个月作为测试集用于预测精度评估。本实施例选用RMSE对预测精度进行评价，预测提前期从h＝1到h＝4。

首先运行子系统2对动态谐波回归模型超参数进行训练，各参数使用交叉验证进行确定，交叉验证的数据窗大小为1008h。最终得到的各超参数为：最佳回归子集为高度10米和100米的风速，p、d、q取值分别为2、0、0，傅里叶级数次数为2。

然后在测试集上运行子系统3进行发电功率预测并进行预测效果评价。为了对比本发明与已有方法的预测效果，此处选择应用广泛的一般回归方法与ARIMA方法进行对比，结果如表1所示：

表2三种预测模型的RMSE

表1中h表示预测提前期，h＝1即表示预测提前为1小时。由表1可以发现ARIMA方法与动态谐波回归方法均优于一般回归方法，但由于动态谐波回归考虑到风电功率的周期特性，提高了预测的精度，当h＝4时，动态谐波回归与ARIMA方法相比，RMSE减小了5.6％，具有更好的预测效果。

本发明第三个目的是提供一种计算机存储介质，用于存储程序，所述程序被执行时，用于实现所述的基于动态谐波回归的超短期风电功率预测方法。

本发明第四个目的是提供一种电子设备，包括存储器和处理器；其中，所述存储器用于存储程序；所述处理器用于执行所述程序，所述程序被执行时，具体用于实现所述的基于动态谐波回归的超短期风电功率预测方法。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (7)

1.一种基于动态谐波回归的超短期风电功率预测方法，其特征在于，包括：

获取来自气象局的天气预报信息，并采集风电场不同高度的实时风速数据和风电场实时出力数据；

采用三次多项式的静态回归模型描述风电功率与风速关系，选择具有最佳预测效果的不同高度风速的组合作为最佳回归子集；使用ARIMA方法对静态回归的残差进行模拟，对残差时间序列进行稳定性分析、自相关性分析和偏自相关性分析，确定ARIMA模型三个阶数；采用交叉验证方法选择所在风电场预测效果最佳的傅里叶级数次数，得到最终的动态谐波回归模型；

根据历史实测风速数据、出力数据，使用最小二乘法进行模型剩余参数的估计；根据数值天气预报风速预测数据，采用已确定的动态谐波回归模型进行未来时刻的风电功率预测；

将实时预测数据上报上级调度中心。

2.如权利要求1所述的一种基于动态谐波回归的超短期风电功率预测方法，其特征在于：所述天气预报信息包括在不同高度的风速预测数据，并将这些数据预处理为常见的风速和风向形式；常见的风速和风向形式按照下式转化：

式中：υ表示合成风速，

表示风向，u、v分别表示沿精度和纬度的风速。

3.如权利要求1所述的一种基于动态谐波回归的超短期风电功率预测方法，其特征在于：所述动态谐波回归模型由式(1)获得：

式中：P_t表示t时刻风电场的发电功率，P_i(·)表示不同高度风速υ_i,t对风电功率的贡献且满足公式(2)，ΔP_t为静态回归模型的残差且满足公式(3)，K表示选取的傅里叶级数次数，a_k、b_k分别为傅里叶项系数；

式中：υ_i,t为第i个高度的在时刻t的风速，β_i,0、β_i,1、β_i,2、β_i,3为系数，υ_i,min、υ_i,max分别为切入风速和切出风速；当风速小于切入风速时，风机出力为0；当风速大于切出风速时，风机出力达到额定值；

(1-φ₁B-...-φ_pB)(1-B^d)ΔP_t＝c+(1+θ₁B+...+θ_qB)ε_t (3)

式中：B为滞后算子且有BΔP_t＝ΔP_t-1，c为常数，ε_t为ARIMA模型的残差并假设其为一组均值为0、方差为

且相互独立的白噪声，p、d、q为ARIMA模型的阶数，φ_p、θ_q分别为自回归参数和滑动平均参数。

4.如权利要求2所述的一种基于动态谐波回归的超短期风电功率预测方法，其特征在于：得到所述动态谐波回归模型包括如下步骤：

1)采用静态回归模型确定最佳回归子集，静态回归模型由公式(4)确定：

P_t＝∑P_i(υ_i,t)+ε_t (4)

式中：P_t表示风力发电功率；P_i(·)表示不同高度风速υ_i,t对风电功率的贡献且满足公式(2)；ε_t表示残差并假设其是均值为0，方差为δ²的白噪声；

待选高度的风速为风电场轮毂所在位置的风速及其附近高度的风速，将待选高度的风速进行组合，确定具有最佳预测精度的风速组合，即最佳回归子集；

2)采用动态回归模型确定ARIMA参数，动态回归模型由公式(5)确定：

P_t＝∑P_i(υ_i,t)+ΔP_t (5)

式中：P_t表示风力发电功率；P_i(·)表示不同高度风速υ_i,t对风电功率的贡献且满足公式(2)；ΔP_t为静态回归的残差序列且满足公式(3)；

动态回归模型确定的ARIMA参数包括p、d、q三个超参数；使用单位根检验方法检验静态回归残差平稳性，对于不平稳残差序列，进行一次差分，并再次检验，若依然不平稳，则再进行一次差分，如此循环；经过d次差分，即得到平稳时间序列；绘制具有平稳性的残差时间序列的ACF图和PACF图，观察平稳时间序列的拖尾、截尾特性，初步确定ARIMA模型的p,q两个参数；

3)使用动态谐波回归模型确定傅里叶级数次数，动态谐波回归模型通过式(6)获得：

式中：P_t表示t时刻风电场的发电功率，P_i(·)表示不同高度风速υ_i,t对风电功率的贡献且满足公式(2)，ΔP_t为静态回归模型的残差且满足公式(3)，K表示选取的傅里叶级数次数，a_k、b_k分别为傅里叶项系数；

K值可通过观察时间序列的频域特性进行初步判断，最后使用交叉验证确定具有最高预测精度的K值。

5.如权利要求1所述的一种基于动态谐波回归的超短期风电功率预测方法，其特征在于：所述风电功率预测包括如下步骤：

采用的数据包括两部分，第一部分为历史实测最佳回归子集的风速与对应时刻风电出力，第二部分为来自气象局的数值天气预报；

预测按照如下步骤进行：

1)使用第一部分数据进行参数估计，经过模型训练，待估计参数为β_i,0,β_i,1,β_i,2,β_i,3,a_k,b_k,φ_p,θ_q，使用最小二乘法可以估计出所有参数；

2)使用第二部分数据进行功率预测；

每次预测均需经过步骤1)和2)，至此结束所有预测过程。

6.如权利要求5所述的一种基于动态谐波回归的超短期风电功率预测方法，其特征在于：第二部分数据进行功率预测中，当数值天气预报更新时，立即更新第二部分数据，使用该数据进行风电出力预测；当数值天气预报数据暂时未更新时，使用上次数据进行风电出力预测。

7.一种基于动态谐波回归的超短期风电功率预测系统，其特征在于，包括：

数据获取与采集子系统，用于获取来自气象局的天气预报信息，采集风电场不同高度的实时风速数据和风电场实时出力数据；

模型训练子系统，包括：

最佳回归子集选择模块，用于采用三次多项式的静态回归模型描述风电功率与风速关系，选择具有最佳预测效果的不同高度风速的组合作为最佳回归子集；

动态回归参数选择模块，用于使用ARIMA方法对静态回归的残差进行模拟，对残差时间序列进行稳定性分析、自相关性分析和偏自相关性分析，确定ARIMA模型三个阶数；

及傅里叶级数次数选择模块，用于采用交叉验证方法选择所在风电场预测效果最佳的傅里叶级数次数，得到最终的动态谐波回归模型；

风电功率预测子系统，包括：

参数估计模块，用于根据历史实测风速数据、出力数据，使用最小二乘法进行模型剩余参数的估计；

及功率预测模块，用于根据数值天气预报风速预测数据，采用已确定的动态谐波回归模型进行未来时刻的风电功率预测；

和数据上报子系统，用于将实时预测数据上报上级调度中心。

Images