基于arma模型的风力机风速和气温的实时预测.docxVIP

基于arma模型的风力机风速和气温的实时预测 0 风能发电系统 随着人口的增加和经济的增长，人类对能源的需求增加。煤炭、石油和天然气等化石能源是不可再生的,它们需要经过上亿年的地质作用才能形成。燃烧化石能源会产生二氧化硫、粉尘等污染物,引起酸雨、光化学烟雾等问题,同时燃烧化石能源就是把地底下埋藏的固态的碳变成气态的二氧化碳释放到大气层中,使得温室效应增强,加速了地球南北极冰融化,对人类文明造成了致命的威胁。 为了应对全球性能源危机和环境污染,各国争相开发利用可再生能源,风能是目前最具大规模商业化开发利用潜力的可再生能源,也是我国能源和电力可持续发展战略的最现实选择。2010年全球风电装机容量达196.63 GW,比去年同期数据增长23.6%。2010年全球风能新装机容量相当于430 TWh年发电量,占全球总发电的2.5%。2010年中国风能市场发展渐渐成型并自成一极,新增装机容量18.9GW,占全球总增容量的50.3%至2011年6月底,全球风能装机容量达215 GW,同比增长15%。2011年总装机容量达239 GW,全年风能发电量占全球总发电的3%。 与常规的化石能源相比,风能有能量密度低、随机性、不稳定性和波动性的特点,风向风速变化快,而且受地理条件和周围环境的影响大。风能的这些特点决定了风力发电在电网中不能占很大的比例,一旦风电的穿透功率大于极限比例,将影响电网的稳定性和电能质量。据统计,2011年全国风电“弃风”现象比以往都严重,“弃风”量高达12%,内蒙古东部地区高达30%。丹麦、德国、美国等风电技术发达的国家经过研究和探索发现:建设较高预测精度、功能较为完备的风电功率预测系统,是解决风电大规模并网运行问题的关键措施之一。 除了有利于提高电力系统的运行可靠性,为电网调度提供可靠依据以外,实时预测还可以避免风电机组受到强风破坏。在中国,夏季的东南沿海地区是台风多发区,冬季的华北地区是大风区,而这两个区域是风电场分布密集的区域,所以实时预测风速对风力机的保护有重要的意义。 目前实时预测风速的方法有很多,大体上可以分为两类:一种是物理预测模型,基于风速、风向、气温、气压等天气预报数据,考虑地形及地表粗糙度等情况的影响,预测精度高,但使用数据多,依赖于完善的天气预报服务,成本较高,常用于长期预测系统中;另一种是数学统计模型,使用历史风速数据进行建模预测,实现简便,具体有卡尔曼滤波法、时间序列法、人工神经网络法和混沌时间序列法等,常用于短期预测系统中。 本文研究清华大学建筑设计院楼顶的单台聚风型风力机的风速预测系统,使用时间序列法中的ARMA模型进行预测,通过超声波风速仪采集聚风型风力机周围的风速风向,并与预测结果进行比较,验证了所开发的预测系统的可靠性和精确度。 1 q阶自回归模型 对于平稳、正态、零均值的时间序列{yt},可以使用AR模型(Auto Regression Model)、MA模型(Moving Average Model)和ARMA模型(Auto Regression Moving Average Model)进行拟合。下面引入一些模型参数: 1) AR(p)模型 AR(p)模型即p阶自回归模型,是过去有限项观测值和现时随机干扰的加权,p阶自回归模型的数学表示方法如下: 其中φi(i=1,2,……p)是模型的待定系数(自回归系数),εt是均值为零,方差不为零的随机干扰项。 定义后移算子为B,即Byt=yt-1,Bkyt=yt-k。式(6)可表示为: 2) MA(q)模型 MA(q)模型即q阶滑动平均模型,是过去有限项随机干扰和当前随机干扰的加权,q阶自回归模型的数学表示方法如下: 其中θi(i=1,2,……q)是模型的待定系数,εt是均值为零,方差不为零的随机干扰项。 式(8)使用后移算子表示为: 3) ARMA(p,q)模型 式(10)使用后移算子表示为: 当p=0时,ARMA(p,q)模型即为MA(q)模型,当q=0时,ARMA(p,q)模型即为AR(p)模型。 模型的阶数可以通过检验变量的自相关函数和偏相关函数确定。AR(p)模型的偏相关系数是截尾的,即当Φkk=0时,可以判断模型的阶数为p=k-1;MA(q)模型的自相关系数是截尾的,即当ρk=0时,可以判断模型的阶数为q=k-1;ARMA(p,q)模型的偏相关系数和自相关系数都是拖尾的。模型的参数估计使用最小二乘方法来确定。 2 设计模型和数据采集 本文根据上述ARMA模型编写程序,并应用在实际的风力机实时预测中。所研究的5 kW聚风型风力机位于清华大学建筑设计院楼顶,其照片如图1所示。图2为三维超声波风速仪81000VRE,用于测量风速和温度,图3为数据采集系统控制室。 超声波风速仪以最低4Hz的频率测量风速、风向和气温信息,数据采集计算机通过