基于MATLAB系统辨识工具箱的风信号预测.pdfVIP

第29卷第4期 太阳能学报 V01．29，No．4 2008年4月 ACrAENERGIAESOLARIS$I／qlCA Apr．，2lD嘴 基于MATLAB系统辨识工具箱的风信号预测 周世琼1，康龙云1，一，张彦宁1，曹秉刚1 (1．西安交通大学机械工程学院机电系，西安710049；2．华南理工大学汽车工程学院，广州510640) 摘要：利用MATLAB系统辨识工具箱的ARMA模型对主要影响风机输出的风速和风向时间序列分别进行数据 预处理、相关性分析以及AR^n模型参数估计和模型定阶，最后得出风信号预测结果。将MATL墟系统辨识工具 箱用于建立ARMA模型实现对风信号的预测是一种新的尝试，由简单的几行程序就可以达到很好的预测效果。说 明将MATLAB系统辨识工具箱的ARMA模型用于风信号的预测是合适的，能反映出风电场的未来风速和风向分布 特性。 关键词：风速；风向；预测；ARMA；MATI_AB系统辨识工具箱 中图分类号：TK8 文献标识码：A 目前，ARMA是风电场短、长期风信号预测的主 0引言 要方法之一。这种方法利用大量历史数据来建模， 自然界中的风具有高度的非线性和不稳定性的 经过模型识别、参数估计、模型检验来确定一个能够 特点，因此风电穿透功率超过一定值后，会严重影响 描述所研究时间序列的数学模型，进而推导出预测 电能质量和电力系统运行[1]，如果能对风信号和风模型达到预测的目的，实现起来比较简单。 力发电功率进行比较准确的预测，则有利于电力系 ARMA(P，q)的一般形式为： 统调度部门及时调整调度计划，从而可有效减轻风 电对电网的影响，而且还可以减少电力系统运行成 (1) 本，提高风电穿透功率极限，同时为风电场参与发电 其中，五∈N(O，仃：)。用∥表示k步线性推移算 竞价奠定了基础[2]。风电场风信号预测的方法较子，若假设：9(曰)=l—PlB一·一甲，伊，口(B)=1+ 多，如神经网络法(ANN)、时间序列法即自回归滑动 曰1召+…+9。伊，则式(1)可以简记为： Filters)、模 平均模型(ARMA)、卡尔漫滤波法(Ka】m8n 9(曰)置=口(B)互 (2) Correla— 糊逻辑法(FuzzyLogic)和时间相关法(Spatial 这一模型就称作P阶自回归一g阶滑动平均混 fion)等[3-6]。其中ARMA只需知道风电场的单一风 合模型，记为ARMA(P，口)模型。特殊地，若P=0， 速或风向数据就可以建立短期或长期的预测模型， 并且可以达到较好的预测效果。本文首先针对风向 型退化为五=zI，即{置}为白噪声序列。 对风速影响较大(在中风速时这种影响尤为显著)的 这里值得注意的是，由AR，MA和ARMA模型描 特点对风速和风向分别进行预测；其次，将MATLAB述的时间序列称为平稳时间序列。如果所研究的时 系统辨识工具箱用于建立ARMA预测模型实现对风间序列是非平稳的，则必须先对其做平稳化处理。 速和风向的预测是一种新的尝试，由简单的几行程 1．2模型的识别 序就可以达到很好的预测效果。 对时间序列的五(t=1，2，……，Ⅳ)首先要进行． 相关性分析，根据其自相关函数和偏自相关函数的 1 ARMA模型的建立 截尾和拖尾性来初步判断模型是属于AR、MA还是 1．1 ARMA的基本原理‘71