风电场随机时间序列法功率预测的探究

2013-07-12张千

电子测试 2013年21期

张千

（郑州华信学院机电工程学院，河南郑州 451150）

0 引言

目前，风电进入了大规模开发阶段，我国许多风电场是集中的、大容量的。由于风能的随机性和时有时无的特点，所以风力发电如果并入电网，势必会造成对电网的冲击和扰动，影响整个电网的稳定运行。对风电场的功率进行预测和控制是解决风电大规模应用的重要方法，而我国在风电场功率预测方面的研究还处于初期阶段，有待进一步的深入研究。下面主要阐述采用随机时间序列法进行功率预测的研究。

1 随机时间序列法原理

因变量和自变量均可以是随机变量，通常因变量是一随机变量，自变量是可控变量。实际问题中，多数预测目标的观测值构成的序列表现为（广义）平稳的三间序列或可以转化为平稳的三间序列。虽然在某一给定时刻预测目标的观测知是随机的，但从整个观测序列看，却呈现出某种随机过程（如平稳随机过程）的特性。随机时间序列预测方法正是依据这一规律性区建立和估计城市设计线路的随机过程的模型，然后用这些模型去进行预测。

一个随着变量t变化的量y(t)，在

时间序列又有平稳时间序列、非平稳时间序列。如果一个时间序列是平稳随机过程的取样值，则称这个时间序列是平稳随机时间序列或平稳时间序列，否则为非平稳时间序列。在许多预测的实际问题中，预测目标所形成的序列是非平稳的，在处理这些问题时，其中有一部分非平稳序列问题可以通过数学上的处理，借助于平稳时间序列问题进行解决。也就是说，如果能从非平稳随机过程Y(t)中提出趋势向f(t)和周期项p(t)，只剩下X(t)，那就成为平稳的了。

风速和风力发电功率为随机变量，Box.Jenkins法是随机时间序列分析的主要方法之一，已被用于风速和风力发电功率的预测。它利用大量的历史数据来建模，经过模型识别、参数估计、模型检验来确定一个能够描述所研究时间序列的数学模型，再由该模型推导出预测模型。根据Box-Jenkins方法，可将随机时间序列的模型分类为∶自回归模型(AR),滑动平均模型(MA)、自回归一滑动平均模型(ARMA)、累积式自回归一滑动平均模型(ARIMA)。对于AR模型，当前时刻的观测值由过去几个历史时刻的观测值和一个当前时刻的随机干扰来表示;对于MA模型，当前时刻的观测值由称作随机干扰的白噪声序列的线性组合来时刻的观测值由称作随机干扰的白噪声序列的线性组合来表示;AR模型与MA模型结合起来。由AR、MA、ARMA模型描述的时刻的观测值由称作随机干扰的白噪声序列的线性组合来时间序列称为平稳时间序列,累积式自回归一滑动平均模型ARIMA(p,d,q)如式(1)∶

引入季节性差分算子∶

RIMA模型为∶

综合上述两种差分变换，所得模型为 (p,d,q)x(P,D,Qs ARIMA 即

其中p为自回归项，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。为了确定模型的阶数，考察yt，∇yt、∇syt,或者更高次差分以后变量的自协方差和自相关函数，来确定d和D，将模型简化为相应的AR,MA或ARMA模型，进而确定p,q,P,Q；之后，通过最小二乘估计法等，计算其他各参数；最后，进行误差校验。

2 实例分析

将我国某风电场1号测风点实测数据(每分钟采样t点)作为样本序列{Zt}，运用时间序列法进行建模t先取得样本序列的{Zt}前20t个数据，记为序列{Xt}，t图所示。求得序列{Xt}的前20个自相关系数，如图1、2所示。由图1可以看出，自相关系数不能快速衰减为零，可初步推断原始风速序列t平稳。同时对序列{Xt}运用非参数游轮检验法检验平稳性，得出的结论与通过分析其自相关系数得出t结论一致，即序列{Xt}数据非平稳。