基于灰關(guān)聯(lián)時(shí)間序列的短期風(fēng)速預(yù)測(cè)方法
【專利摘要】本發(fā)明公開(kāi)一種基于灰關(guān)聯(lián)時(shí)間序列的短期風(fēng)速預(yù)測(cè)方法，包括：(10)歷史風(fēng)速時(shí)間序列數(shù)據(jù)形成：按照采集時(shí)間順序排列風(fēng)電場(chǎng)實(shí)測(cè)風(fēng)速，形成歷史風(fēng)速時(shí)間序列；(20)訓(xùn)練樣本集獲?。翰罘只瘹v史風(fēng)速時(shí)間序列，得到訓(xùn)練樣本集；(30)灰關(guān)聯(lián)優(yōu)化風(fēng)速預(yù)測(cè)模型獲?。哼\(yùn)用灰關(guān)聯(lián)決策分析方法對(duì)時(shí)間序列模型的階數(shù)進(jìn)行多目標(biāo)下的優(yōu)化決策分析，并運(yùn)用訓(xùn)練樣本集進(jìn)行灰色時(shí)間序列模型訓(xùn)練，得到最優(yōu)風(fēng)速預(yù)測(cè)模型；(40)差分化的短期預(yù)測(cè)風(fēng)速獲?。豪米顑?yōu)風(fēng)速預(yù)測(cè)模型進(jìn)行風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)，得到差分化的短期預(yù)測(cè)風(fēng)速；(50)實(shí)際短期預(yù)測(cè)風(fēng)速獲?。悍床罘只唐陬A(yù)測(cè)風(fēng)速，得到風(fēng)電場(chǎng)短期預(yù)測(cè)風(fēng)速。本發(fā)明的短期風(fēng)速預(yù)測(cè)方法，預(yù)測(cè)誤差小。
【專利說(shuō)明】
基于灰關(guān)聯(lián)時(shí)間序列的短期風(fēng)速預(yù)測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)技術(shù)領(lǐng)域，特別是一種基于灰關(guān)聯(lián)時(shí)間序列的短期風(fēng) 速預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 風(fēng)電在可再生能源中具有良好的前景和競(jìng)爭(zhēng)力。但風(fēng)能受到多種如溫度、氣壓、地 形、海拔、締度等因素的影響，是一種間歇性、隨機(jī)性能源，大規(guī)模風(fēng)電接入電網(wǎng)，勢(shì)必會(huì)給 電力系統(tǒng)的安全穩(wěn)定運(yùn)行帶來(lái)嚴(yán)峻挑戰(zhàn)，故對(duì)于風(fēng)速及發(fā)電量的預(yù)測(cè)非常有必要。對(duì)風(fēng)電 場(chǎng)風(fēng)速和發(fā)電功率的準(zhǔn)確預(yù)測(cè)，有利于電力系統(tǒng)調(diào)度部口必要時(shí)及時(shí)調(diào)整調(diào)度計(jì)劃，從而 有效地減輕風(fēng)力發(fā)電對(duì)整個(gè)電網(wǎng)的不利影響。
[0003] 現(xiàn)有采用時(shí)間序列預(yù)測(cè)短期風(fēng)速的方法多采用AIC準(zhǔn)則等應(yīng)用準(zhǔn)則函數(shù)進(jìn)行風(fēng)速 預(yù)測(cè)模型定階，通過(guò)選取包含最好的訓(xùn)練擬合數(shù)據(jù)和最少自由參數(shù)的模型來(lái)確定最優(yōu)風(fēng)速 預(yù)測(cè)模型。
[0004] 然而運(yùn)種方法針對(duì)預(yù)測(cè)風(fēng)速的突變信息處理能力有限，在預(yù)測(cè)風(fēng)速和訓(xùn)練風(fēng)速波 動(dòng)情況差別較大時(shí)，預(yù)測(cè)模型跟不上實(shí)測(cè)風(fēng)速的變化，導(dǎo)致短期風(fēng)速預(yù)測(cè)誤差較大。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種基于灰關(guān)聯(lián)時(shí)間序列的短期風(fēng)速預(yù)測(cè)方法，預(yù)測(cè)誤差 小。
[0006] 實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：
[0007] -種基于灰關(guān)聯(lián)時(shí)間的短期風(fēng)速預(yù)測(cè)方法，包括如下步驟：
[000引（10)歷史風(fēng)速時(shí)間序列數(shù)據(jù)形成:采集風(fēng)電場(chǎng)的實(shí)測(cè)風(fēng)速，按照采集時(shí)間的順序 排列，形成歷史風(fēng)速時(shí)間序列；
[0009] (20)訓(xùn)練樣本集獲取:對(duì)歷史風(fēng)速時(shí)間序列進(jìn)行差分化處理，得到灰色時(shí)間序列 模型所需的訓(xùn)練樣本集；
[0010] (30)灰關(guān)聯(lián)優(yōu)化風(fēng)速預(yù)測(cè)模型獲取:運(yùn)用灰關(guān)聯(lián)決策分析方法對(duì)灰色時(shí)間序列模 型的階數(shù)進(jìn)行多目標(biāo)下的優(yōu)化決策分析，并運(yùn)用訓(xùn)練樣本集進(jìn)行灰色時(shí)間序列模型訓(xùn)練， 得到最優(yōu)風(fēng)速預(yù)測(cè)模型；
[0011] (40)差分化的短期預(yù)測(cè)風(fēng)速獲取:利用最優(yōu)風(fēng)速預(yù)測(cè)模型進(jìn)行風(fēng)電場(chǎng)短期風(fēng)速預(yù) 測(cè)，得到差分化的短期預(yù)測(cè)風(fēng)速；
[0012] (50)實(shí)際短期預(yù)測(cè)風(fēng)速獲取:將差分化的短期預(yù)測(cè)風(fēng)速進(jìn)行反差分化處理，得到 風(fēng)電場(chǎng)實(shí)際短期預(yù)測(cè)風(fēng)速。
[0013] 本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)為:預(yù)測(cè)誤差小。
[0014] 其原因在于：
[0015] 1、風(fēng)速突變或是波動(dòng)較大都屬于存在較多不確定風(fēng)速變化，而灰關(guān)聯(lián)理論屬于灰 色理論，而灰色理論對(duì)于不確定信息有較好的描述和預(yù)測(cè)效果。本發(fā)明采用灰關(guān)聯(lián)優(yōu)化的 時(shí)間序列風(fēng)速預(yù)測(cè)法，針對(duì)存在較大不確定信息的風(fēng)速變化具有更好的預(yù)測(cè)精度，并減小 風(fēng)速預(yù)測(cè)誤差，本發(fā)明首先利用灰關(guān)聯(lián)決策對(duì)預(yù)測(cè)模型不確定階數(shù)進(jìn)行分析，然后根據(jù)歷 史風(fēng)速序列訓(xùn)練建立預(yù)測(cè)模型，將決策目標(biāo)與模型定量分析形成互補(bǔ)，使得模型的建立更 有針對(duì)性，進(jìn)行短期風(fēng)速預(yù)測(cè)時(shí)得到的預(yù)測(cè)結(jié)果的精度也更高；
[0016] 2、灰關(guān)聯(lián)決策可引入多目標(biāo)下的最優(yōu)決策分析，針對(duì)未來(lái)風(fēng)速變化的不確定性， 可靈活調(diào)整優(yōu)化目標(biāo)，使得預(yù)測(cè)模型對(duì)于未來(lái)風(fēng)速的不確定變化規(guī)律具有自適應(yīng)性，從而 提高預(yù)測(cè)模型的通用性和預(yù)測(cè)精度，優(yōu)化了傳統(tǒng)時(shí)間序列預(yù)測(cè)方法；
[0017] 3、采用時(shí)間序列法和灰關(guān)聯(lián)決策方法相結(jié)合的先進(jìn)優(yōu)化建模方式，針對(duì)模型階數(shù) 的不確定性分析決策，具有計(jì)算簡(jiǎn)單，效率高和模型擬合精度高等優(yōu)點(diǎn)。
[0018] 下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述。
【附圖說(shuō)明】
[0019] 圖1為本發(fā)明基于灰關(guān)聯(lián)時(shí)間序列的短期風(fēng)速預(yù)測(cè)方法的主流程圖。
[0020] 圖2為圖1中灰關(guān)聯(lián)優(yōu)化風(fēng)速預(yù)測(cè)模型獲取步驟中，運(yùn)用灰關(guān)聯(lián)決策分析方法對(duì)灰 色時(shí)間序列模型的階數(shù)進(jìn)行多目標(biāo)下的決策分析的流程圖。
【具體實(shí)施方式】
[0021] 如圖1所示，本發(fā)明基于灰關(guān)聯(lián)時(shí)間的短期風(fēng)速預(yù)測(cè)方法，包括如下步驟：
[0022] (10)歷史風(fēng)速時(shí)間序列數(shù)據(jù)形成:采集風(fēng)電場(chǎng)的實(shí)測(cè)風(fēng)速，按照采集時(shí)間的順序 排列，形成歷史風(fēng)速時(shí)間序列；
[0023] 所述（10)歷史風(fēng)速時(shí)間序列形成步驟中，相鄰實(shí)測(cè)風(fēng)速之間的采集時(shí)間間隔為 10min〇
[0024] (20)訓(xùn)練樣本集獲取:對(duì)歷史風(fēng)速時(shí)間序列進(jìn)行差分化處理，得到灰色時(shí)間序列 模型所需的訓(xùn)練樣本集；
[0025] 所述(20)訓(xùn)練樣本集獲取步驟包括：
[0026] (21) -階差分:按下式對(duì)歷史風(fēng)速時(shí)間序列進(jìn)行一階差分化處理，
[0027]
[0028] 式中，:%為各風(fēng)速數(shù)據(jù)點(diǎn)的風(fēng)速一階差分后的時(shí)間序列，（I-B)為差分算子，Xt表 示當(dāng)前時(shí)刻風(fēng)速數(shù)據(jù)點(diǎn)的風(fēng)速值，Xt-I表示前一個(gè)時(shí)刻風(fēng)速數(shù)據(jù)點(diǎn)的風(fēng)速值，歷史風(fēng)速時(shí)間 序列為
[00 巧]X=[xt，t = l，2,.........，N]，
[0030] 式中，X表示歷史風(fēng)速的時(shí)間序列，Xt表示當(dāng)前時(shí)刻時(shí)間序列中每隔10分鐘風(fēng)速數(shù) 據(jù)點(diǎn)的風(fēng)速值，t表示每個(gè)風(fēng)速值按時(shí)間排序后的序號(hào)，N表示時(shí)間序列的風(fēng)速數(shù)據(jù)采樣個(gè) 數(shù)。
[0031] (22)多階差分:按下式對(duì)一階差分后的風(fēng)速時(shí)間序列進(jìn)行多階差分化處理，
[0032]
[0033] 最后得到差分化處理后的歷史風(fēng)速時(shí)間序列，
[0034] 妒Hr^(t)，t=l，2,----------------,.N ]，
[0035] 式中，d表示差分階數(shù)，薩每::表示經(jīng)過(guò)d階差分運(yùn)算處理后的風(fēng)速時(shí)間序列，Xd表示 差分處理后的歷史風(fēng)速時(shí)間序列，為各風(fēng)速數(shù)據(jù)點(diǎn)的風(fēng)速值差分化后的結(jié)果，t表 示每個(gè)風(fēng)速值按時(shí)間排序后的序號(hào)，N表示時(shí)間序列的風(fēng)速數(shù)據(jù)采樣個(gè)數(shù)。
[0036] (30)灰關(guān)聯(lián)優(yōu)化的風(fēng)速預(yù)測(cè)模型獲取:運(yùn)用灰關(guān)聯(lián)決策分析方法對(duì)灰色時(shí)間序列 模型的階數(shù)進(jìn)行多目標(biāo)下的優(yōu)化決策分析，并運(yùn)用訓(xùn)練樣本集進(jìn)行灰色時(shí)間序列模型訓(xùn) 練，得到最優(yōu)風(fēng)速預(yù)測(cè)模型；
[0037] 如圖2所示，所述(30)最優(yōu)風(fēng)速預(yù)測(cè)模型獲取步驟中，運(yùn)用灰關(guān)聯(lián)決策分析方法對(duì) 灰色時(shí)間序列模型的階數(shù)進(jìn)行多目標(biāo)下的決策分析包括：
[0038] (311)灰關(guān)聯(lián)優(yōu)化預(yù)測(cè)模型階次對(duì)策方案集確定：
[0039] 時(shí)間序列預(yù)測(cè)模型，即即ARIMA模型為
[0040] 4) (B)(l-B)^t = 0(B)et
[0041] 其中，B為延遲算子，d表示差分階數(shù)
為模型的自回歸 系數(shù)多項(xiàng)式，e(B) = l-目lB-…目qB9為模型的滑動(dòng)平均系數(shù)多項(xiàng)式；
[0042] 記預(yù)測(cè)模型的階次為事件ai，則事件集A可表達(dá)為：
[0043] A={ai} = {(p，q)}，
[0044] 確定對(duì)策集為模型階次在范圍[1 4]內(nèi)的取值，即
[0045] C= {bi，i = l，2，...，16} = {(p〇，qj)，〇 = 1，2,3,4; j = l，2,3,4}，
[0046] 其中，C為事件集A的對(duì)策集，bi為事件集A的對(duì)策，p。，^為對(duì)策模型階次，
[0047] 確定模型階次事件集A的對(duì)策方案集為：
[004引 s={sj=(ai，bj) IaiGA, bj GBJ = 1,...,16}，
[0049] 其中，S為模型階次的對(duì)策方案集，Sj為模型階次對(duì)策方案，ai為模型階次事件，bj 為模型階次對(duì)策。
[0050] (312))模型階次決策目標(biāo)確定：
[0051 ]確定=個(gè)不同的目標(biāo)，包括，1.模型擬合決策目標(biāo)，模型擬合的殘差平方和；2.最 簡(jiǎn)模型決策目標(biāo)，模型階次和(P+q) ,3.預(yù)測(cè)決策目標(biāo)，預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速的擬合程度； [0052] (313)決策目標(biāo)效果值求?。?br>[0化3]求不同決策方案Sj在k目標(biāo)下的效果值表達(dá)為：
[0化4]

[0055]式中，為決策方案S苗4應(yīng)的ARIMA模型擬合的殘差平方和為決策方案Sj 對(duì)應(yīng)的模型階次和(P+q)，uW為決策方案S苗4應(yīng)的預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速的擬合程度，可表 示為：
[0化6]
[0化7] 式中，f為預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速的擬合程度，y為實(shí)測(cè)風(fēng)速，蒙為預(yù)測(cè)風(fēng)速，此預(yù)測(cè)風(fēng) 速為當(dāng)前模型階次決策方案對(duì)應(yīng)的ARIM模型預(yù)測(cè)值；
[005引得到
[0059]模型擬合決策目標(biāo)的決策方案效果序列
[0060]
[0061]
[0062]
[0063]
[0064]
[00 化]
[0066] 疑纖。簽鑛：
[0067]
[006引
[0069]
[0070]
[0071]
[0072]
[0073]
[0074]
[0075]
[0076]
[0077]
[007引
[0079]
[0080] 式中，聲分別為hj山。的始點(diǎn)零化像；
[0081 ] (318)最佳模型階次確定：
[0082] 由maxi《j《6 {> j} = e k，求出Uk為次優(yōu)效果向量，Sk = (Pk，qk)為次優(yōu)決策方案，從而確 定模型ARIMA(p，d，q)中的最佳模型階次P，q值。
[0083] 所述(30)最優(yōu)風(fēng)速預(yù)測(cè)模型獲取步驟中，運(yùn)用訓(xùn)練樣本集進(jìn)行灰色時(shí)間序列模型 訓(xùn)練，得到最優(yōu)風(fēng)速預(yù)測(cè)模型具體為：
[0084] W風(fēng)速訓(xùn)練樣本序列作為ARIMA模型的輸入信號(hào)，WARIMA模型的輸出序列作為輸 出信號(hào)，利用最小二乘法根據(jù)輸入信號(hào)和輸出信號(hào)辨識(shí)出ARIM模型的未知參數(shù)，運(yùn)時(shí)便得 到訓(xùn)練完的最優(yōu)灰關(guān)聯(lián)時(shí)間序列預(yù)測(cè)模型。
[0085] (40)差分化的短期預(yù)測(cè)風(fēng)速獲取:利用最優(yōu)風(fēng)速預(yù)測(cè)模型進(jìn)行風(fēng)電場(chǎng)短期風(fēng)速預(yù) 測(cè)，得到差分化的短期預(yù)測(cè)風(fēng)速；
[0086] 所述(40)差分化短期預(yù)測(cè)風(fēng)速獲取步驟具體為：
[0087] 設(shè)當(dāng)前時(shí)刻為t，W當(dāng)前時(shí)刻前m個(gè)風(fēng)速采樣點(diǎn)組成預(yù)測(cè)輸入數(shù)據(jù)輸入最優(yōu)ARIMA 模型，即輸A獄報(bào)責(zé)
[008引
[0089] 輸出h-個(gè)時(shí)刻，即（t+1)時(shí)刻的M速預(yù)測(cè)值
[0090] 護(hù)邊'裝'("1)，
[0091] 即為風(fēng)電場(chǎng)差分化短期預(yù)測(cè)風(fēng)速。
[0092] (50)短期預(yù)測(cè)風(fēng)速獲取:將差分化的短期預(yù)測(cè)風(fēng)速進(jìn)行反差分化處理，得到風(fēng)電 場(chǎng)短期預(yù)測(cè)風(fēng)速。
[0093] 所述(50)短期預(yù)測(cè)風(fēng)速獲取步驟具體為：
[0094] 將差分化短期預(yù)測(cè)風(fēng)速與輸入數(shù)據(jù)進(jìn)行d次累加還原，即得到風(fēng)電場(chǎng)短期預(yù)測(cè)風(fēng) 速。
[0095] 風(fēng)速突變或是波動(dòng)較大都屬于存在較多不確定風(fēng)速變化，而灰關(guān)聯(lián)理論屬于灰色 理論，而灰色理論對(duì)于不確定信息有較好的描述和預(yù)測(cè)效果。所W采用灰關(guān)聯(lián)優(yōu)化的時(shí)間 序列風(fēng)速預(yù)測(cè)法，針對(duì)存在較大不確定信息的風(fēng)速變化具有更好的預(yù)測(cè)精度，并減小風(fēng)速 預(yù)測(cè)誤差?；谊P(guān)聯(lián)主要針對(duì)不確定風(fēng)速變化效果好，一般風(fēng)速預(yù)測(cè)方法在風(fēng)速變化較大或 是不確定變化時(shí)預(yù)測(cè)效果都比較差。
[0096] 本發(fā)明利用灰關(guān)聯(lián)決策對(duì)預(yù)測(cè)模型不確定階數(shù)進(jìn)行分析，然后根據(jù)歷史風(fēng)速序列 訓(xùn)練建立預(yù)測(cè)模型，將決策目標(biāo)與模型定量分析形成互補(bǔ)，使得模型的建立更有針對(duì)性，進(jìn) 行短期風(fēng)速預(yù)測(cè)時(shí)得到的預(yù)測(cè)結(jié)果的精度也更高。
[0097] W河北某風(fēng)電場(chǎng)取得的歷史風(fēng)速數(shù)據(jù)為原始數(shù)據(jù)，取其中5天的風(fēng)速歷史數(shù)據(jù)，采 集間隔時(shí)間為IOmin隨機(jī)截取5段等維度的歷史數(shù)據(jù)，分別生成5組歷史風(fēng)速的時(shí)間序列，依 次表示為:&龍瓜瓜，乂5。分別驗(yàn)證運(yùn)5組時(shí)間序列的預(yù)測(cè)精度，并與傳統(tǒng)時(shí)間序列短期風(fēng) 速預(yù)測(cè)法相比較。其中，采用相對(duì)均方根誤差函數(shù)(RRMSE)來(lái)度量預(yù)測(cè)精度，函數(shù)形式如下：
[009引
（巧）
[0099]上式(17)中，f為預(yù)測(cè)得到的值，y為風(fēng)速實(shí)測(cè)值，n為預(yù)測(cè)點(diǎn)的個(gè)數(shù)。所得到的相對(duì) 均方根誤差函數(shù)值越小，證明預(yù)測(cè)效果越好，預(yù)測(cè)精度就越高。所得預(yù)測(cè)結(jié)果如表1所示：
[0100]
[0101]由表1中的對(duì)比數(shù)據(jù)可知，本發(fā)明所提出的基于灰關(guān)聯(lián)時(shí)間序列的預(yù)測(cè)方法的相 對(duì)均方根誤差在5組數(shù)據(jù)的預(yù)測(cè)結(jié)果都要低于傳統(tǒng)時(shí)間序列預(yù)測(cè)方法，即本發(fā)明提出的一 種新的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法針對(duì)未來(lái)不確定變化的風(fēng)速預(yù)測(cè)精度優(yōu)于傳統(tǒng)時(shí)間序列 短期預(yù)測(cè)法。
【主權(quán)項(xiàng)】
1. 一種基于灰關(guān)聯(lián)時(shí)間的短期風(fēng)速預(yù)測(cè)方法，其特征在于，包括如下步驟： (10)歷史風(fēng)速時(shí)間序列數(shù)據(jù)形成:采集風(fēng)電場(chǎng)的實(shí)測(cè)風(fēng)速，按照采集時(shí)間的順序排列， 形成歷史風(fēng)速時(shí)間序列； (20)訓(xùn)練樣本集獲取:對(duì)歷史風(fēng)速時(shí)間序列進(jìn)行差分化處理，得到灰色時(shí)間序列模型 所需的訓(xùn)練樣本集； (30)灰關(guān)聯(lián)優(yōu)化風(fēng)速預(yù)測(cè)模型獲取:運(yùn)用灰關(guān)聯(lián)決策分析方法對(duì)灰色時(shí)間序列模型的 階數(shù)進(jìn)行多目標(biāo)下的優(yōu)化決策分析，并運(yùn)用訓(xùn)練樣本集進(jìn)行灰色時(shí)間序列模型訓(xùn)練，得到 最優(yōu)風(fēng)速預(yù)測(cè)模型； (40)差分化的短期預(yù)測(cè)風(fēng)速獲取:利用最優(yōu)風(fēng)速預(yù)測(cè)模型進(jìn)行風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)， 得到差分化的短期預(yù)測(cè)風(fēng)速； (50)實(shí)際短期預(yù)測(cè)風(fēng)速獲取:將差分化的短期預(yù)測(cè)風(fēng)速進(jìn)行反差分化處理，得到風(fēng)電 場(chǎng)實(shí)際短期預(yù)測(cè)風(fēng)速。2. 根據(jù)權(quán)利要求1所述的短期風(fēng)速預(yù)測(cè)方法，其特征在于，所述（10)歷史風(fēng)速時(shí)間序列 形成步驟中，相鄰實(shí)測(cè)風(fēng)速之間的采集時(shí)間間隔為l〇min。3. 根據(jù)權(quán)利要求1所述的短期風(fēng)速預(yù)測(cè)方法，其特征在于，所述(20)訓(xùn)練樣本集獲取具 體為:按下式對(duì)歷史風(fēng)速時(shí)間序列進(jìn)行一階差分化處理，式中為各風(fēng)速數(shù)據(jù)點(diǎn)的風(fēng)速一階差分后的時(shí)間序列，（1-B)為差分算子，Xt表示當(dāng) 前時(shí)刻風(fēng)速數(shù)據(jù)點(diǎn)的風(fēng)速值，^-:表示前一個(gè)時(shí)刻風(fēng)速數(shù)據(jù)點(diǎn)的風(fēng)速值，歷史風(fēng)速時(shí)間序列 為 X= [xt ,t = 1,2,.........,Ν], 式中，X表示歷史風(fēng)速的時(shí)間序列，xt表示當(dāng)前時(shí)刻時(shí)間序列中每隔10分鐘風(fēng)速數(shù)據(jù)點(diǎn) 的風(fēng)速值，t表示每個(gè)風(fēng)速值按時(shí)間排序后的序號(hào)，N表示時(shí)間序列的風(fēng)速數(shù)據(jù)采樣個(gè)數(shù)。4. 根據(jù)權(quán)利要求1所述的短期風(fēng)速預(yù)測(cè)方法，其特征在于，所述(30)最優(yōu)風(fēng)速預(yù)測(cè)模型 獲取步驟中，運(yùn)用灰關(guān)聯(lián)決策分析方法對(duì)灰色時(shí)間序列模型的階數(shù)進(jìn)行多目標(biāo)下的決策 分析包括： (311)灰關(guān)聯(lián)優(yōu)化預(yù)測(cè)模型階次對(duì)策方案集確定： 時(shí)間序列預(yù)測(cè)模型，即ARIMA模型為 Φ (B)(l-B)dXt=0(B)et 其中，B為延遲算子，d表示差分階數(shù)，中P) = i -夢(mèng)一 一 一％#*為模型的自回歸系數(shù) 多項(xiàng)式，= 為模型的滑動(dòng)平均系數(shù)多項(xiàng)式； 記預(yù)測(cè)模型的階次為事件m，則事件集A可表達(dá)為： A={ai} = {(p，q)}， 確定對(duì)策集為模型階次在范圍[1 4]內(nèi)的取值，即 C={bi，i = l，2，."，16} = {(p〇，qj)，o = l，2,3,4;j = l，2,3,4}， 其中，C為事件集A的對(duì)策集，匕為事件集A的對(duì)策，p。，w為對(duì)策模型階次， 確定模型階次事件集A的對(duì)策方案集為： S = {sj = (ai，bj) | ai e A，bj e B，j = 1，…，16}， 其中，S為模型階次的對(duì)策方案集，為模型階次對(duì)策方案，ai為模型階次事件，bj為模 型階次對(duì)策。 (312) )模型階次決策目標(biāo)確定： 確定三個(gè)不同的目標(biāo)，包括，1.模型擬合決策目標(biāo)，模型擬合的殘差平方和；2.最簡(jiǎn)模 型決策目標(biāo)，模型階次和(P+q)，3.預(yù)測(cè)決策目標(biāo)，預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速的擬合程度； (313) 決策目標(biāo)效果值求?。? 求不同決策方案^在1^目標(biāo)下的效果值，表達(dá)為：式中，u(1)為決策方案Sj對(duì)應(yīng)的ARIMA模型擬合的殘差平方和C?/，u (2)為決策方案對(duì)應(yīng) 的模型階次和(p+q)，u(3)為決策方案~對(duì)應(yīng)的預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速的擬合程度，可表示為：式中，f為預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速的擬合程度，y為實(shí)測(cè)風(fēng)速，f為預(yù)測(cè)風(fēng)速，此預(yù)測(cè)風(fēng)速為 當(dāng)前模型階次決策方案對(duì)應(yīng)的ARIMA模型預(yù)測(cè)值； 得到 模型擬合決策目標(biāo)的決策方案效果序列最簡(jiǎn)模型決策目標(biāo)的決策方案效果序列預(yù)測(cè)決策目標(biāo)的決策方案效果序列(314) 均值效果序列求?。? 利用下式求k目標(biāo)下決策方案效果序列的均值像，得均值效果序列辦氣#氣#氣(315) 效果向量求?。? 決策方案sj的效果向量Uj，j = 1，…，16，表示為：(316) 最優(yōu)效果向量求?。? 求不同決策目標(biāo)下的理想最優(yōu)效果向量表示為得到理想最優(yōu)效果向1(317) 灰色絕對(duì)關(guān)聯(lián)度計(jì)算： 計(jì)算Uj與UjQ的灰色絕對(duì)關(guān)聯(lián)度，表示為式中，為灰色絕對(duì)關(guān)聯(lián)度，hj，hjQ表示為式中，分別為hj，hjQ的始點(diǎn)零化像； (318) 最佳模型階次確定： 由maxisyssUj} = ek，求出uk為次優(yōu)效果向量，sk= (pk，qk)為次優(yōu)決策方案，從而確定 模型ARIMA(p，d，q)中的最佳模型階次p，q值。5. 根據(jù)權(quán)利要求4所述的短期風(fēng)速預(yù)測(cè)方法，其特征在于，所述(30)最優(yōu)風(fēng)速預(yù)測(cè)模型 獲取步驟中，運(yùn)用訓(xùn)練樣本集進(jìn)行灰色時(shí)間序列模型訓(xùn)練，得到最優(yōu)風(fēng)速預(yù)測(cè)模型，具體 為： 以風(fēng)速訓(xùn)練樣本序列作為AR頂A模型的輸入信號(hào)，以ARMA模型的輸出序列作為輸出信 號(hào)，利用最小二乘法根據(jù)輸入信號(hào)和輸出信號(hào)辨識(shí)出ARMA模型的未知參數(shù)，得到訓(xùn)練完的 最優(yōu)灰關(guān)聯(lián)時(shí)間序列預(yù)測(cè)模型。6. 根據(jù)權(quán)利要求1所述的短期風(fēng)速預(yù)測(cè)方法，其特征在于，所述(40)差分化的短期預(yù)測(cè) 風(fēng)速獲取步驟具體為： 設(shè)當(dāng)前時(shí)刻為t，以當(dāng)前時(shí)刻前m個(gè)風(fēng)速采樣點(diǎn)組成預(yù)測(cè)輸入數(shù)據(jù)輸入最優(yōu)AR頂A模型， 即輸入數(shù)據(jù)為輸出下一個(gè)時(shí)刻，即（t+Ι)時(shí)刻的風(fēng)速預(yù)測(cè)值 即為風(fēng)電場(chǎng)差分化短期預(yù)測(cè)風(fēng)速。7. 根據(jù)權(quán)利要求1所述的短期風(fēng)速預(yù)測(cè)方法，其特征在于，所述(50)短期預(yù)測(cè)風(fēng)速獲取 步驟具體為： 將差分化短期預(yù)測(cè)風(fēng)速與輸入數(shù)據(jù)進(jìn)行d次累加還原，即得到風(fēng)電場(chǎng)短期預(yù)測(cè)風(fēng)速。
【文檔編號(hào)】G06Q50/06GK105956708SQ201610310910
【公開(kāi)日】2016年9月21日
【申請(qǐng)日】2016年5月12日
【發(fā)明人】李迺璐, 王世杰, 邱松, 徐燕, 徐慶
【申請(qǐng)人】揚(yáng)州大學(xué)