基于时间序列和神经网络的风功率预测..doc

第2章 基于时间序列和神经网络的风功率预测 2.1 引言 近年来我国加大力度建设基础设施，所以风电装机容量也呈现出日渐扩大的趋势，其发展过程中还要面对一些问题。其问题的根源在于风能其不确定性与波动性，因此风功率输出处于大幅度波动的状态。风速在很大程度上影响着风电功率，本课题以神经网络法和时间序列法为基础，以此构建获得针对风电功率以及风速的预测模型，通过其解决风功率大幅度波动的困扰。我们依据风速数据属于时间序列,所以通过时间序列的方法来构建目标模型；使用神经网络的方法来构建风速与风功率两者关系模型，它可以较好地描绘两个参数的相互非线性关系。通过时间序列模型可获取风速预测的信息，输入该信息后即可得到我们预期的目标预测信息。 2.2 基于时间序列法的风速预测模型 2.2.1时间序列概述 我们把一系列以时间先后次序进行排序的被观测数据（信息）称作时间序列，也常简称为序列或时序，观测时间节点是固定的。现象的时间属性以及在各时间或时段中现象达到的程度，这两个是构成时间序列的重要因素。一般地，我们通过特定的周期对风电场的风速历史数据进行采样并记录，由于风速具有较强的随机性，所以风速数据风速序列即符合随机时间序列的特点。时间序列双可以划分成平稳或是非平稳模型。前者依据不同的因素又可以划分成自回归移动平均混合过程（模型）、移动平均过程（模型)、自回归过程（模型）。对于以上模型，第一，MA模型仅参考随机白噪声序列的作用；第二，AR模型仅将时刻信息纳入考察范围；第三种ARMA模型则将上述两种影响因素纳入考察范畴，其模型构建更为科学，通常情况下，为了预测过程的精度更高，都选取模型。 对于现实中的问题，绝大部分都符合平稳的时间序列。模型的作用范围仅限于平稳过程的时间序列，若需要扩展其功能才能够得到更广泛的应用，通常要执行的操作是作平稳化处理，其实现机理为开展差分运算。该模型称为差分自回归移动平均过程(Auto Regressive Integrated and Moving Average,ARIMA)，模型的表述如下： 引入算子，采用后移算子B，一阶差分后的时间序列可以写为，因此，一个d阶差分后的时间序列就可以写成。若是一个非平稳序列，经过d阶差分后，是一个平稳的ARMA序列，记为： （2-1） 则式（2-1）为一个（p,d,q）阶的差分自回归移动动平均模型，简记为ARIMA（p,d,q）。式中： ， 模型中，d表示差分阶数，q表示其自动平均阶数，P表示其自回归阶数。模型中对于不平稳的时间序列成分，经过差分处理，可转化并使得具有平稳的特性，之后对模型进行估计，之后再次转变成此模型，自此即可得到与差分前相适应的模型。 2.2.2时间序列法建模 若是随机时间序列，第一步要对其平稳性开展审核，若其表现为不平稳需要以执行差分操作，下一步构建模型。如果判别的结果显示为平稳，我们即可直接构建其模型。所以，如下图2-1.我们可划分建模为五步，第一是检验序列平稳性，第二是模型识别，第三是参数估计、第四是模型检验，最后则为构建预测模型。 每一步主要的任务分别是： 1）平稳性检验及其平稳化 结合随机时间序列模型的特征，我们已知、、模型仅在具有平稳性的时间序列中具有作用功能。于是，第一要检验其平稳性，如果判别的结果显示为平稳，我们即可直接构建其模型；如果不平稳需要以差分处理进行平稳化，经过转化可得到平稳随机序列，其均值为零，下一步构建模型。 图2-1 ARIMA建模预测流程 2）模型识别 该项工作的内容包含了选取模型类型和定阶的任务，选取模型类型也就是前文所述的已知时间序列平稳，结合样本值来选择、、模型中的一种。若时间序列数据平稳，可在序列的偏相关函PAC与自相关函数AC的辅助下进行模型的识别： AC： （2-2） PAC： （2-3） 因此，在计算其PAC与AC后，我们即可对其模型类型进行判断，并以下表为例： 表2-1 判别AR、MA和ARMA模型依据 并且，对PAC和AC的截尾性进行评判也可以大概获知模型的阶数，若模型为MA（q）时，可看到果自相关函数处于q步截尾；若模型为时，可看到偏相关函数处于p步截尾；而若模型为，可看到PAC与AC两者皆拖尾。 3）估计模型参数 由上述的识别过程后，已然大致地确定了模型的阶数及类别，之后即开展估计活动，了解其参数。在参数估计方面，一个常用的方法就是最小二乘法，残差的平方和如式（2-4）所示，该方法的目的是使其最小。 （2-4） 4)模型检验 经由上述的识别与估计过程，之后为了确定模型适用与否还必须作检验，只有当检验通过后，才可以反映模型与要求相符，能够胜任预测任务；相反地，