基于AR与ARIMA模型风速预测研究.pdfVIP

电网技术

基于AR、ARIMA模型的风速预测

，

（华北电力大学，102206）

：介绍了时间序列法四种主要线性模型的基本概念，利用时间序列法对已知的

24小时数据，对下一小时进行预测。基于MATLAB对风速数据进行了建模、定阶

和预测，建立了AR(p)和ARIMA(p,d,q)的风速模型，使用AIC准则对模型定阶。利

用AR(3)和ARIMA(6,1,5)模型比较准确的预测了下一小时风速的大小，说明了时间

序列法在风速预测是有效的。

：风速预测；时间序列；AR模型；ARIMA模型；AIC准则

基金项目：国家自然科学基金项目

作者简介：(1951-),女,教授,研究方向为信息融合及检测新技术。

号：TM715文献标志码：A文章编号：1001-9529(2010)01-0059-05

WindSpeedPredictionBasedonAR,ARIMAModel

CHANGTai-hua,WANGLu,MAWei

(NorthElectricPowerUniversity,Beijing102206)

:Basicconceptsaboutfourmainlinearmodelsoftime-seriesmethodare

described.Known24-hourdateoftimeseriesareusedtopredictthenexthours.Model,

orderdeterminingandpredictionarecarriedoutbaseonMatlab,whichbuiltthewind

speedmodelbyAR(p),ARIMA(p)anddeterminedorderbyAICcriterion.TheAR(3)and

ARIMA(6,1,5)modelisaccurateinpredictingthewindspeedofnexthourrelatively,

whichshowsthatthetimeseriesmethodisvalidinpredictingwindspeed.

Keywords:windspeedpredicting;timeseries;ARmodel;ARIMAmodel;AICcriterion

风力发电随机性很强，风速预测是风电场规划设计的一项重要工作。对风电场风速

或风力发电功率预测准确与否，直接关系到风电场对电力系统的影响，更重要的是

风速与风电机组的控制仍密切相关。风速预测的关键技术和研究方向是改进短期预

测。

目前短期风速预测的基本方法有：持续法、卡尔曼滤波法、时间序列法（Auto

RegressiveMovingAverage，简称ARMA）、小波变换法、人工神经网络法（ANN）、

模糊逻辑法（FuzzyLogic）、空间相关法等。通过上述的基础方法，进一步可以形

成综合的方法，如神经网络和时间序列、小波变换和时间序列、模糊和神经网络等

等。

本文阐述了时间序列法在风力发电短期风速预测方面的应用，风速预测主要集中在

0~3小时的时间段。这个时间范围是电网调度、资源配置所需的时间结合具体实例，

通过已知的24小时内

(500个)数据，提前给出下1小时(30个)的风速预测值。主要介绍了如何建立AR(p)

和ARIMA(p,d,q)模型及利用模型进行风速预测的过程，并对预测结果进行了分析。

1时间序列的主要线性模型概述

时间序列是指同一现象在不同时间上的相继观察值排列而成的一组数字序列[1]。

时间序列预测方法的基本思想是：预测一个现象的未来变化时，用该现象的过去行

为来预测未来。时间序列的三种主要的线性模型为：AR模型（Autoregressive）、

MA模型（MovingAverage）和ARMA模型。还有一种较为特殊的ARIMA

（AutoregressiveIntegratedMovingAverage)模型。

（1）AR模型

在序列{}中，描述序列某一时刻和前个时刻序列值之间的相互关系表示为

=++⋯++