【技术实现步骤摘要】
本专利技术主要涉及风电，具体涉及一种基于arima时间序列模型的风电机组微观风速预测方法及系统。
技术介绍
1、风力发电机组拥有主动控制系统(以下简称主控)，能够根据自身运行情况适时调整运行状态，但基于plc运行的主控系统，由于成本和算力原因，不具有大量数据处理和长期趋势跟踪能力，因此对于运行过程预测能力很弱，尤其是像风速风向变化这样影响风电机组运行的外部因素的预测能力更弱。
2、针对风速预测，风电场站级可以使用风功率预测系统预测整个场站的超短期、短期和中长期风速数据，从而预测全场下个周期内的功率输出，其整体误差将通过个体误差之间的抵消而有着不错的效果，而且全场对于误差的容忍能力也较强，80％左右的正确率即可。还有风资源评估分析方法等可以进行宏观层面的风能分布和发电量预测。但不同的风电机组由于受到地形、机型设计和微观选址等诸多因数影响，表现出较大的个体差异，比如有些机组在某个方向上受到尾流影响比较大，有些机组受地形影响湍流比较大，这些因素均会影响单台风电机组出力和运行情况，而要达到更优的场站级协同智能化控制，就必须知道较短时间周期内的单台风电机组的风速分布情况，从而进行精细化的调控。
技术实现思路
1、针对现有技术存在的技术问题，本专利技术提供一种建模简单、自适应性强、风速预测可靠有效的基于arima时间序列模型的风电机组微观风速预测方法及系统。
2、为解决上述技术问题，本专利技术提出的技术方案为：
3、一种基于arima时间序列模型的风电机组微
4、获取风电机组的微观风速时间序列；
5、使用一阶差分法对微观风速时间序列进行平稳化处理，得到微观风速平稳时间序列；
6、对微观风速平稳时间序列进行自相关性和偏自相关性分析，得到分析结果；
7、根据分析结果对arima时间序列模型进行参数定阶和优化，得到最终的风电机组微观风速预测模型，以对风电机组微观风速进行预测。
8、优选地，对arima时间序列模型进行参数定阶的具体过程为：
9、调整arima时间序列模型arima(p,1,q)中p和q的值，再通过显著性检验得到相对应模型的显著性检验结果；
10、如模型显著性不明显，则直接放弃相对应的模型；如果模型显著成立，则保留相对应的模型；如果有多个模型显著成立，则通过aic准则来选择最优模型。
11、优选地，其中通过aic准则来选择最优模型的具体过程为：
12、计算各模型的aic结果；其中计算各模型的aic结果的函数为：aic＝-2ln(模型的极大似然函数值)+2*(模型中未知参数个数)；
13、再判断各模型的aic结果，选择aic结果最小的模型作为最优模型。
14、优选地，所述显著性检验包括参数显著性检验和模型显著性检验。
15、优选地，参数显著性检验用于检验每一个未知参数是否显著非零；具体地，构造t统计量如下：
16、
17、其中，表示第j个模型参数，表示第j个模型参数的标准差；
18、如即模型参数的绝对值大于模型参数的两倍标准差，则认定模型显著成立。
19、优选地，模型显著性检验用来检测模型的有效性，亦即模型是否对原序列的相关信息提取充分；
20、使用模型拟合原时间序列，原时间序列样本观测值减去模型拟合值得到残差项；由残差项按原时间序列中的原有时间顺序组成的序列即为残差序列；若残差序列为白噪声序列，则模型显著成立。
21、优选地，残差序列包括残差序列图、残差自相关性和残差白噪声显著性，如若符合以下三个特征，则判定模型显著成立：
22、残差序列为白噪声序列，则其均值明显为0，标准差为常数；
23、残差序列自相关性收敛于0附近；
24、残差白噪声检测显著性水平p值超过假设检验设置的显著性α值。
25、优选地，使用如下的一阶差分法对微观风速时间序列{wt}中的样本进行平稳化处理，以得到平稳时间序列一阶差分法具体为：
26、本专利技术还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。
27、本专利技术进一步公开了一种基于arima时间序列模型的风电机组微观风速预测系统，包括相互连接的存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。
28、与现有技术相比，本专利技术的优点在于：
29、本专利技术在不细究影响风电机组微观风速的因素的情况下，能够针对单台机组进行分析和预测，而建立的模型又能够包含这些因素的影响，预测单台风电机组的微观风速是可靠且有效的。
30、本专利技术属于风电场智能化应用领域，通过单个风力发电机组(简称风电机组或机组)微观风速时间序列数据进行建模，再通过建立后的模型进行风速预测，以支持风电机组超短期内(几分钟到十几分钟)进行运行调整、功率控制和运维计划安排的风电智能化控制等，其具体具有如下优点：
31、1、建模简单
32、模型不探究气象原理，地形地貌，机组微观选址和风资源分布特征，只需要长期观测风电机组的scada数据即可。
33、2、模型自适应性强，易于推广应用
34、得益于建模成本及算法开销低的有利因素，该方法可以在风电场scada系统，智能辅助控制系统中部署应用，而且还能够很轻松地进行适时调整，自适应性很强。
35、3、对风电场智能化控制的有效技术支持
36、当前风电机组的塔架越来越高，叶片越来越长，容量越来越大，因此，若能对风电场和机组实施精准控制，不但能增强电网的友好性，而且对机组的安全性也能有效提升。比如随着叶片的增长，机组在进入额定功率满负荷运行前，先必须提前将桨叶角度部分收回(提前变桨)，以降低运行载荷，避免影响机组的安全。此时若能准确预知风速变化趋势，则既能降低运行风险，又能提升机组性能，增加产能。
本文档来自技高网...【技术保护点】
1.一种基于ARIMA时间序列模型的风电机组微观风速预测方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于ARIMA时间序列模型的风电机组微观风速预测方法，其特征在于，对ARIMA时间序列模型进行参数定阶的具体过程为：
3.根据权利要求2所述的基于ARIMA时间序列模型的风电机组微观风速预测方法，其特征在于，其中通过AIC准则来选择最优模型的具体过程为：
4.根据权利要求2或3所述的基于ARIMA时间序列模型的风电机组微观风速预测方法，其特征在于，所述显著性检验包括参数显著性检验和模型显著性检验。
5.根据权利要求4所述的基于ARIMA时间序列模型的风电机组微观风速预测方法，其特征在于，参数显著性检验用于检验每一个未知参数是否显著非零；具体地，构造t统计量如下：
6.根据权利要求4所述的基于ARIMA时间序列模型的风电机组微观风速预测方法，其特征在于，模型显著性检验用来检测模型的有效性，亦即模型是否对原序列的相关信息提取充分；
7.根据权利要求6所述的基于ARIMA时间序列模型的风电机组微观风速预测方
8.根据权利要求1或2或3所述的基于ARIMA时间序列模型的风电机组微观风速预测方法，其特征在于，使用如下的一阶差分法对微观风速时间序列{Wt}中的样本进行平稳化处理，以得到平稳时间序列一阶差分法具体为：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时执行如权利要求1-8中任意一项所述方法的步骤。
10.一种基于ARIMA时间序列模型的风电机组微观风速预测系统，包括相互连接的存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时执行如权利要求1-8中任意一项所述方法的步骤。
...【技术特征摘要】
1.一种基于arima时间序列模型的风电机组微观风速预测方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于arima时间序列模型的风电机组微观风速预测方法，其特征在于，对arima时间序列模型进行参数定阶的具体过程为：
3.根据权利要求2所述的基于arima时间序列模型的风电机组微观风速预测方法，其特征在于，其中通过aic准则来选择最优模型的具体过程为：
4.根据权利要求2或3所述的基于arima时间序列模型的风电机组微观风速预测方法，其特征在于，所述显著性检验包括参数显著性检验和模型显著性检验。
5.根据权利要求4所述的基于arima时间序列模型的风电机组微观风速预测方法，其特征在于，参数显著性检验用于检验每一个未知参数是否显著非零；具体地，构造t统计量如下：
6.根据权利要求4所述的基于arima时间序列模型的风电机组微观风速预测方法，其特征在于，模型显著性检验用来检测...
【专利技术属性】
技术研发人员：张家友，文坤，胡凯凯，陈刚，李克成，
申请(专利权)人：中车株洲电力机车研究所有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。