[发明专利]一种基于自激励门限自回归模型的风速预测方法

说明书

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。