[发明专利]基于自适应的季节性ARIMA模型的太阳能收集功率预测方法

权利要求书

1.一种基于自适应的季节性ARIMA模型的太阳能收集功率预测方法，其特征在于，主要包括以下步骤：

S1：选取若干个参考天，并将每个参考天等分为若干个时刻，收集参考天中各个时刻的太阳能功率值，得到初始训练集T₀；

选取若干个参考天，将每个参考天等分为24个时刻，收集参考天中各个时刻的太阳能功率值，得到初始训练集T₀：

其中，x_i(t)表示第i参考天t时刻的太阳能功率值(i＝1,2,...,D；t＝1,2,...,24)；

S2：收集当天若干个参考时刻的太阳能功率值，根据当天参考时刻与参考天的太阳能功率值的相似度，调整初始训练集T₀中各元素的位置，得到新的训练集T₁，并转换为序列形式的训练集Train；

S21：收集当天若干个参考时刻的太阳能功率值，计算当天参考时刻的太阳能功率值与参考天的太阳能功率值的相似度：

其中，S(i)表示第i参考天与当天的相似度，x(t-j)表示当天已收集到的(t-j)时刻的太阳能功率值，x_i(t-j)表示第i参考天(t-j)时刻的太阳能功率值，j表示第j个参考时刻，D表示有D个参考天，K表示有K个参考时刻；

S22：对S(1),S(2),...,S(D)进行排序，S(i)越大，对应的第i参考天的太阳能功率值就越接近当天：

[S₁,S₂,...,S_D]＝sort[S(1),S(2),...,S(D)]，

其中，sort[]表示对其中的元素进行排序，即S₁＞S₂＞...＞S_D，返回排序后对应的参考天矩阵R＝[k,l,m,...]，即有S₁＝S(k),S₂＝S(l),S₃＝S(m),...；

S23：根据矩阵R＝[k,l,m,..]，自适应调整初始训练集T₀中各元素的位置，得到新的训练集T₁：

S24：将训练集T₁转换为序列形式的训练集Train：

其中T₁(i)表示T₁矩阵的第i行，z(u)表示时间序列；

S3：对训练集Train进行季节性差分和平稳性检验；

S4：根据训练集Train的时间序列性质确定最佳季节性ARIMA模型；

S5：利用最佳季节性ARIMA模型预测当天的若干个时刻的太阳能功率值。

2.根据权利要求1所述的基于自适应的季节性ARIMA模型的太阳能收集功率预测方法，其特征在于，所述步骤S3具体包括：

S31：画出训练集Train的时间序列图，找到季节性周期N；

S32：对时间序列z(u)进行季节性差分，得到季节性周期时间序列：

y(u-N)＝z(u)-z(u-N)(u＝N+1,N+2,...,24D)；

S33：对季节性周期时间序列进行ADF平稳性检验，若季节性周期时间序列是不平稳的，则进行差分，直至差分后的序列是平稳的；若经过d次差分后序列平稳，则得到季节性差分序列：

其中，表示d次差分。

3.根据权利要求2所述的基于自适应的季节性ARIMA模型的太阳能收集功率预测方法，其特征在于，所述步骤S4具体包括：

S41：由自相关函数(ACF)和偏自相关函数(PACF)图判断时间序列z(u)的性质，根据截尾和拖尾初步判断自回归系数p和移动平均系数q的范围；

S42：先采用遍历的方法枚举每一组可能的(p,q)，然后计算每一组(p,q)的AIC值，利用AIC信息准则选取最佳季节性ARIMA(p,d,q)模型；其中，AIC的表示方法为：

AIC＝2Q-2In(L)，

其中L是似然函数，Q是参数的数量；

ARIMA(p,d,q)模型如下：

其中

ε(t)是干扰，p为自回归系数，d为差分系数，q为移动平均系数。