基于时间序列模型的风速预测方法研究.docxVIP

摘 要 要建立风电场需具有30年以上的测风数据，且连续性要比较好，要建立这样一个风电场需要很长时间，用时间序列法预测风速能有效减少测风时间。本文利用差分自回归滑动平均模型对风速进行预测，在已知历史风速的基础上对未来风速进行预测。在MATLAB平台先对瓜州气象站1978~2007年的平均风速进行预测，然后对瓜州气象站某一年前144天的日平均风速进行预测，并对其预测结果进行分析。由残差图来看此模型拟合精度较高，拟合效果较为理想。 关键字：差分自回归滑动平均模型；风速；MATLAB § 1 绪 论 1.1课题所研究的意义和目的 风能作为可再生能源和清洁能源且资源丰富，因而风电在世界各地迅速发展。但风力发电也存在着明显的缺点，它的大问题就是风机出力的不稳定性和波动性。风速直接影响风机输出的功率，在风力发电中。风机输出的电功率具有随机性，因为风速含有随机波动性，且无法准确的预测，这种随机性对含有风电并网的电力系统以及风电机组的运行和控制会产生不利影响。而且在建一个风电场需持续测风十年以上，若达到条件才可以建风电场，周期太长，太耗费人力物力。而预测风速便可以很有效的解决这一问题，已知前面几日的风速预测后面几日的风速，已知前几年的风速情况预测后几年的风速，可大大减少风电场建造周期，减少人力物力消耗。 含风电电力系统当中，经常发生风力发电机频繁掉线和电网电压不稳等问题[1]，由于风电容量逐渐增大，对电力系统影响也越大[2]，对风电发展的影响最大的因素就是电网的电能质量还有电网是否能够安全经济稳定的运行，而风电大规模接入电网，会严重影响到这些因素。为了电网能够稳定的运行以及供电系统的安全性和可靠性，比须要对供电系统做出调度，然而风电的特性（即不确定性）却大大提高了电网调度的困难程度。为了解决风电的不确定性这一问题，须要增大供电系统的旋转备用容量，然而这样就会提高系统的运行成本。因此，须对风电场的输出功率做出预测，通过对功率的预测，从而尽最大可能来降低电网的旋转备用容量，这样风电系统的运行成本便能有效降低。综上所述，以下几个方面体现了风电功率预测的意义: (1)：由预测的风电功率调试风电场运行方式，从而达到降低成本和提高风电上网量的目的； (2)：明白功率变化的规律，为提出应对功率变化的措施提供有力的参考依据，近而增大系统的可靠性和安全性； (3)：优化了风电的价值； (4)：风功率预测还能为风电场的运行、维护、检修提供一些参考价值； (5)：减小了测风时长。 风速直接影响风电场输出功率，对于风力发电机，生产商给出一般的是风机的风速—功率曲线。所以，先要对风电场进行风速预测，在预测风电场输出功率的时候，由风电场功率曲线得到风力发电功率，这是预测风电功率途径中的非常有效的一种，这一过程的实现，可以更快捷的预测风电功率。因此，风速预测有着显著的意义。 1.2风速预测现状 风速有很强的随机性。然而，我们可以从相关性的实验中探索风速变化的规律。实验研究表明，风速的变化具有一定的特性，如周期性和连续性。预测风速的方法有很多。如时间序列法[3]、经验模式分解法、卡尔曼滤波法等。 时间序列是基于历史风速数据基础上而实现风速预测的，且得到的预测效果还是很不错的。时间序列模型主要有:自回归滑动平均模型( Autoregressive and Moving Average, ARMA) [4]、滑动平均模型(Moving Average, MA) [5]、自回归模型(Autoregressive, AR)和差分自回归滑动平均模型(differential Autoregressive Moving Average，ARIMA)这四种模型 REF _Re\r \h [6]。Brown等人采用AR模型进行建模计算，而且考虑到了风速数据的非平稳特性。Torres等人使用ARMA模型对西班牙那瓦尔地区进行了风速预测的研究，参考当地很长一段时间的历史风速数据并且进行了超前10个小时的计算模拟。Kamal 和Jafri对巴基斯坦奎塔市的风速数据进行了研究，作者采用ARMA模型，而且对该地区风速数据有进行标准化处理，预测效果很好。由实验结果可表明，与连续性模型相比较，用此模型预测的精度明显得到了提高。时间序列模型能够很好地描述不同时刻风速数据之间的线性关系，计算相对较容易且其模型建立较简单，预测效果良好。然而时间序列模型也并非完美也是有缺点的，预测的风速有一定的延时性，风速突变点之处的预测精度没有想象中那么理想，并且伴随着预测步数的增加，风速预测精度逐渐下降。 卡尔曼滤波算法： 卡尔曼滤波算法是一种状态方程，此算法通过系统的输入输出来观测数据的变化，因此这种算法是对系统状态进行估计最好的一种算法。李艳晴等有基于卡尔曼滤波良好的信息融合能力，用神经网络算