基于arma模型的風(fēng)力機(jī)風(fēng)速和氣溫的實(shí)時(shí)預(yù)測

基于arma模型的風(fēng)力機(jī)風(fēng)速和氣溫的實(shí)時(shí)預(yù)測

0風(fēng)能發(fā)電系統(tǒng)隨著人口的增加和經(jīng)濟(jì)的增長，人類對(duì)能源的需求增加。煤炭、石油和天然氣等化石能源是不可再生的,它們需要經(jīng)過上億年的地質(zhì)作用才能形成。燃燒化石能源會(huì)產(chǎn)生二氧化硫、粉塵等污染物,引起酸雨、光化學(xué)煙霧等問題,同時(shí)燃燒化石能源就是把地底下埋藏的固態(tài)的碳變成氣態(tài)的二氧化碳釋放到大氣層中,使得溫室效應(yīng)增強(qiáng),加速了地球南北極冰融化,對(duì)人類文明造成了致命的威脅。為了應(yīng)對(duì)全球性能源危機(jī)和環(huán)境污染,各國爭相開發(fā)利用可再生能源,風(fēng)能是目前最具大規(guī)模商業(yè)化開發(fā)利用潛力的可再生能源,也是我國能源和電力可持續(xù)發(fā)展戰(zhàn)略的最現(xiàn)實(shí)選擇。2010年全球風(fēng)電裝機(jī)容量達(dá)196.63GW,比去年同期數(shù)據(jù)增長23.6%。2010年全球風(fēng)能新裝機(jī)容量相當(dāng)于430TWh年發(fā)電量,占全球總發(fā)電的2.5%。2010年中國風(fēng)能市場發(fā)展?jié)u漸成型并自成一極,新增裝機(jī)容量18.9GW,占全球總增容量的50.3%至2011年6月底,全球風(fēng)能裝機(jī)容量達(dá)215GW,同比增長15%。2011年總裝機(jī)容量達(dá)239GW,全年風(fēng)能發(fā)電量占全球總發(fā)電的3%。與常規(guī)的化石能源相比,風(fēng)能有能量密度低、隨機(jī)性、不穩(wěn)定性和波動(dòng)性的特點(diǎn),風(fēng)向風(fēng)速變化快,而且受地理?xiàng)l件和周圍環(huán)境的影響大。風(fēng)能的這些特點(diǎn)決定了風(fēng)力發(fā)電在電網(wǎng)中不能占很大的比例,一旦風(fēng)電的穿透功率大于極限比例,將影響電網(wǎng)的穩(wěn)定性和電能質(zhì)量。據(jù)統(tǒng)計(jì),2011年全國風(fēng)電“棄風(fēng)”現(xiàn)象比以往都嚴(yán)重,“棄風(fēng)”量高達(dá)12%,內(nèi)蒙古東部地區(qū)高達(dá)30%。丹麥、德國、美國等風(fēng)電技術(shù)發(fā)達(dá)的國家經(jīng)過研究和探索發(fā)現(xiàn):建設(shè)較高預(yù)測精度、功能較為完備的風(fēng)電功率預(yù)測系統(tǒng),是解決風(fēng)電大規(guī)模并網(wǎng)運(yùn)行問題的關(guān)鍵措施之一。除了有利于提高電力系統(tǒng)的運(yùn)行可靠性,為電網(wǎng)調(diào)度提供可靠依據(jù)以外,實(shí)時(shí)預(yù)測還可以避免風(fēng)電機(jī)組受到強(qiáng)風(fēng)破壞。在中國,夏季的東南沿海地區(qū)是臺(tái)風(fēng)多發(fā)區(qū),冬季的華北地區(qū)是大風(fēng)區(qū),而這兩個(gè)區(qū)域是風(fēng)電場分布密集的區(qū)域,所以實(shí)時(shí)預(yù)測風(fēng)速對(duì)風(fēng)力機(jī)的保護(hù)有重要的意義。目前實(shí)時(shí)預(yù)測風(fēng)速的方法有很多,大體上可以分為兩類:一種是物理預(yù)測模型,基于風(fēng)速、風(fēng)向、氣溫、氣壓等天氣預(yù)報(bào)數(shù)據(jù),考慮地形及地表粗糙度等情況的影響,預(yù)測精度高,但使用數(shù)據(jù)多,依賴于完善的天氣預(yù)報(bào)服務(wù),成本較高,常用于長期預(yù)測系統(tǒng)中;另一種是數(shù)學(xué)統(tǒng)計(jì)模型,使用歷史風(fēng)速數(shù)據(jù)進(jìn)行建模預(yù)測,實(shí)現(xiàn)簡便,具體有卡爾曼濾波法、時(shí)間序列法、人工神經(jīng)網(wǎng)絡(luò)法和混沌時(shí)間序列法等,常用于短期預(yù)測系統(tǒng)中。本文研究清華大學(xué)建筑設(shè)計(jì)院樓頂?shù)膯闻_(tái)聚風(fēng)型風(fēng)力機(jī)的風(fēng)速預(yù)測系統(tǒng),使用時(shí)間序列法中的ARMA模型進(jìn)行預(yù)測,通過超聲波風(fēng)速儀采集聚風(fēng)型風(fēng)力機(jī)周圍的風(fēng)速風(fēng)向,并與預(yù)測結(jié)果進(jìn)行比較,驗(yàn)證了所開發(fā)的預(yù)測系統(tǒng)的可靠性和精確度。1q階自回歸模型對(duì)于平穩(wěn)、正態(tài)、零均值的時(shí)間序列{yt},可以使用AR模型(AutoRegressionModel)、MA模型(MovingAverageModel)和ARMA模型(AutoRegressionMovingAverageModel)進(jìn)行擬合。下面引入一些模型參數(shù):1)AR(p)模型AR(p)模型即p階自回歸模型,是過去有限項(xiàng)觀測值和現(xiàn)時(shí)隨機(jī)干擾的加權(quán),p階自回歸模型的數(shù)學(xué)表示方法如下:其中φi(i=1,2,……p)是模型的待定系數(shù)(自回歸系數(shù)),εt是均值為零,方差不為零的隨機(jī)干擾項(xiàng)。定義后移算子為B,即Byt=yt-1,Bkyt=yt-k。式(6)可表示為:2)MA(q)模型MA(q)模型即q階滑動(dòng)平均模型,是過去有限項(xiàng)隨機(jī)干擾和當(dāng)前隨機(jī)干擾的加權(quán),q階自回歸模型的數(shù)學(xué)表示方法如下:其中θi(i=1,2,……q)是模型的待定系數(shù),εt是均值為零,方差不為零的隨機(jī)干擾項(xiàng)。式(8)使用后移算子表示為:3)ARMA(p,q)模型式(10)使用后移算子表示為:當(dāng)p=0時(shí),ARMA(p,q)模型即為MA(q)模型,當(dāng)q=0時(shí),ARMA(p,q)模型即為AR(p)模型。模型的階數(shù)可以通過檢驗(yàn)變量的自相關(guān)函數(shù)和偏相關(guān)函數(shù)確定。AR(p)模型的偏相關(guān)系數(shù)是截尾的,即當(dāng)Φkk=0時(shí),可以判斷模型的階數(shù)為p=k-1;MA(q)模型的自相關(guān)系數(shù)是截尾的,即當(dāng)ρk=0時(shí),可以判斷模型的階數(shù)為q=k-1;ARMA(p,q)模型的偏相關(guān)系數(shù)和自相關(guān)系數(shù)都是拖尾的。模型的參數(shù)估計(jì)使用最小二乘方法來確定。2設(shè)計(jì)模型和數(shù)據(jù)采集本文根據(jù)上述ARMA模型編寫程序,并應(yīng)用在實(shí)際的風(fēng)力機(jī)實(shí)時(shí)預(yù)測中。所研究的5kW聚風(fēng)型風(fēng)力機(jī)位于清華大學(xué)建筑設(shè)計(jì)院樓頂,其照片如圖1所示。圖2為三維超聲波風(fēng)速儀81000VRE,用于測量風(fēng)速和溫度,圖3為數(shù)據(jù)采集系統(tǒng)控制室。超聲波風(fēng)速儀以最低4Hz的頻率測量風(fēng)速、風(fēng)向和氣溫信息,數(shù)據(jù)采集計(jì)算機(jī)通過RS232串口采集超聲波風(fēng)速儀的測量數(shù)據(jù),并根據(jù)需求進(jìn)行統(tǒng)計(jì)平均,實(shí)時(shí)儲(chǔ)存在本地?cái)?shù)據(jù)庫中,同時(shí)通過校園網(wǎng)自動(dòng)傳遞至實(shí)驗(yàn)室內(nèi)部的數(shù)據(jù)庫服務(wù)器。3基于arma的風(fēng)速預(yù)測算法的優(yōu)化從數(shù)據(jù)庫中提取2012年5月1日0時(shí)至2012年5月1日2時(shí)40分的測量數(shù)據(jù),時(shí)間間隔是1min,共160個(gè)數(shù)據(jù),作為輸入數(shù)據(jù),然后使用基于ARMA模型開發(fā)的實(shí)時(shí)預(yù)測系統(tǒng)預(yù)測2時(shí)41分到3時(shí)20分即總共100min的風(fēng)速和溫度,如圖4和圖6,并與實(shí)際測量數(shù)據(jù)進(jìn)行對(duì)比,如圖5和圖7。以上只是展示了前160min的數(shù)據(jù)預(yù)測后100min的速度和溫度情況,實(shí)際操作時(shí)是可以通過改變輸入數(shù)據(jù)的規(guī)模大小來預(yù)測未來不同時(shí)間長度的速度和溫度情況的,通過分析計(jì)算結(jié)果可知:1)此實(shí)時(shí)預(yù)測系統(tǒng)只適合短期預(yù)測,不適合長期預(yù)測,這是由ARMA模型算法的性質(zhì)所決定的。圖5可以看出161min到170min間速度的預(yù)測結(jié)果和實(shí)測數(shù)據(jù)吻合較好,平均誤差為20%,而170min后的誤差越來越大,圖7可以看出161min到210min間溫度的預(yù)測結(jié)果和實(shí)測數(shù)據(jù)吻合較好,平均誤差為0.5%,時(shí)間區(qū)間比速度預(yù)測的長,這是因?yàn)闇囟入S時(shí)間的變化比較平穩(wěn)。此外,大氣的流動(dòng)受很多因素的影響,如溫度和風(fēng)力機(jī)周圍的建筑物等因素都會(huì)引起風(fēng)速的波動(dòng),僅采用歷史數(shù)據(jù)不能預(yù)測長期的風(fēng)速變化,所以溫度的預(yù)測結(jié)果要比風(fēng)速的預(yù)測結(jié)果好。2)所開發(fā)的預(yù)測系統(tǒng)在進(jìn)行預(yù)測前進(jìn)行去除周期性和趨勢操作,在預(yù)測后進(jìn)行恢復(fù)周期性和趨勢的操作,從而減小數(shù)列中的周期性和趨勢對(duì)預(yù)測結(jié)果的影響,而且保證其不會(huì)在預(yù)測過程中被抵消掉。這種數(shù)據(jù)處理方法對(duì)預(yù)測周期性或趨勢性強(qiáng)的數(shù)列有明顯的優(yōu)勢,但對(duì)于周期性或趨勢不強(qiáng)的數(shù)列,由于記憶了前面的周期性和趨勢,反而引起預(yù)測的不合理。圖7中溫度的預(yù)測結(jié)果有逐漸偏低的趨勢,是因?yàn)閳D6的輸入數(shù)據(jù)有類似的趨勢,但圖7的實(shí)測數(shù)據(jù)并沒有該趨勢,這就大大增加了預(yù)測的誤差,以后可以通過深入研究數(shù)據(jù)的記憶性來降低誤差。4應(yīng)用高精度的實(shí)時(shí)預(yù)測系統(tǒng)是智能電網(wǎng)的實(shí)從以上的預(yù)測結(jié)果和實(shí)測數(shù)據(jù)比較可以看出,基于ARMA模型開發(fā)的單臺(tái)風(fēng)