[發明專利]一種基于自激勵門限自回歸模型的風速預測方法

在審

• 申請號: 201611142679.3
• 申請日: 2016-12-12
• 公開（公告）號: CN106600055A
• 公開（公告）日: 2017-04-26
• 發明（設計）人: 趙征;王曉亮;汪向碩;張亞剛;勾海芝;楊蕃
• 申請（專利權）人: 華北電力大學（保定）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 石家莊君聯專利代理事務所(特殊普通合伙)13125
• 代理人: 高寶新

技術領域

本發明涉及一種能夠精確預測風速大小進而預測風電場功率的方法，屬于輸配電技術領域。

背景技術

人類文明的發展離不開能源，能源是我們人類發展的基礎。由于化石能源儲量有限、不完全燃燒會產生對環境有害的氣體等劣勢，以化石燃料為主體的時代終將逝去，逐漸被新能源所替代。如今，在不污染環境的前提下，如何發展新能源是人類共同關心的問題，當然，這也是中國現在的發展所關注的重要問題，能源的短缺與溫室效應的加劇，使得尋求新的可再生能源，改變能源結構己經成為當今世界的主要話題。根據大量統計數據預測，到2020年中國電力裝機將從現在的4億千瓦上升到11億千瓦，到2050年將上升到至少25億千瓦。如此巨大的電力能源需求將不能期望完全由化石能源來解決，可再生能源將扮演重要角色。因此，許多國家都制定了支持可再生能源發展的政策和規劃。在所有可再生能源中，風力發電由于技術成熟、成本低廉以及適合大規模開發和利用而得到迅速發展。據統計，在近10年里，全球風力發電裝機量平均每年保持在25％以上的增長率。由于風的波動性和間歇性，使得大容量的風電接入電網會對電力系統的安全、穩定運行以及保證電能質量帶來嚴峻挑戰。如果我們能對風速或者風力發電功率進行比較準確的預測，就可有效地降低風電的缺點對 電網帶來的不利影響，減少電力系統運行成本。

目前，風速預測的方法主要有卡爾曼濾波法，核心優勢是能根據最新的測量值修正前一時刻的估計值，具有動態加權修正的特性；人工神經網絡法，是基于誤差反向傳播算法的多層前向神經網絡，具有一定的容錯性、魯棒性；模糊邏輯法，具有非凡的處理不確定性的能力，為風速的預測提供了新的思路；支持向量機法，有著良好的預測精度和性能，逐漸得到大范圍的應用；空間相關性法，它需要考慮所預測地點以及與之相近的幾個地點的風速時間序列，再依據幾個地點風速的空間相關性來進行預測，有較好的預測效果。

風是風電機組的主要載荷源，研究風速時間序列的非線性特性，深入分析風電機組的載荷的非線性特征、載荷譜，對于機組優化設計和運行均起到至關重要的作用；此外，深入研究風速時間序列的非線性特性，提出適合的風速和機組發電量預測方法，對于風電機組的預測控制和電網調度優化也可以起到重要作用。因此，研究風速時間序列的非線性特性，對于風力發電具有重要意義。

發明內容

本發明所要解決的技術問題是提供一種基于自激勵門限自回歸模型(即SETAR模型)的風速預測方法，旨在針對現有預測方法的弊端以及風速序列非線性特征顯著，以實現更加精確的風速預測，從而優化電網調度與規劃。

為解決上述技術問題，本發明所采取的技術方案是：一種基于自激勵門限自回歸模型的風速預測方法，通過對歷史風速數據序列x(t) 建立基于體制個數l、滯后參數d和門限參數r的SETAR模型，進而預測下一時刻的風速預測值x(t+1)；其特征在于：

其步驟為：以時間序列t為基準獲取待測風電場的歷史風速數據進行預處理形成歷史風速數據序列x(t)，然后以x(t-d)為橫坐標軸，在橫坐標軸上將0～x(t-d)均勻分成s段，對數據對[x(t’),x(t’-d)]中x(t’-d)值落入第i段內的N_i個值所對應的x(t’)所求均值E[x(t)/x(t-d)]_i為縱坐標；以坐標(E[x(t)/x(t-d)]_i)形成點值圖，對點值圖建立分段線性回歸模型；根據分段線性回歸模型的段數確定體制個數l，在分段線性的轉折點處確定各門限值r的局部搜索范圍；根據AIC準則，運用多層尋優法確定具體門限參數r、滯后參數d、各個自回歸模型階數；將歷史風速數據x(t)劃分為體制個數l個子序列，對每個子序列分別建立SETAR模型，并預測下一時刻的風速預測值x(t+1)。

進一步的技術方案在于，

所述SETAR模型一般形式可表示如下：

所述SETAR模型通常記為SETAR(l；p1,...,pl)；其中，l為體制的個數，p_j為各體制中AR模型階數,d稱為滯后參數，r_j稱為門限參數，ε_t為白噪聲序列，φ_jk為第j個體制的模型的自回歸系數；

進一步的技術方案在于，所述均值E[x(t)/x(t-d)]_i公式如下：

進一步的技術方案在于，所述步驟還包括對歷史風速數據序列x(t)進行非線性檢驗，根據歷史風速數據序列x(t)服從非線性特性的檢驗結果建立SETAR模型。