-ARMA短期风速预测模型

（1.华北电力大学，河北保定071003；2.华能上安电厂，河北石家庄531）采用经验模式分解（EMD）和时间序列相结合的方法进行风电场的短期风速预测。针对风速序列的非平稳性和时序性，利用EMD分析非线性、非平稳信号的特点和自回归滑动平均（ARMA）时间序列的建模方法，建立风电场短期风速预测的EMD-ARMA模型。该模型通过EMD方法将原始风速序列进行分运用ARMA时间序列的方法对各分量分别进行预测。通过对我国某风电场的实际风速序列进行分析预介绍方法的实现过程，证明该方法的有效性。关键词：风速预测；经验模式分解；时间序列中图分类号：TM614文献标识码：文章编号：1004-9649（2009）09-0077-05收稿日期：2009-04-29作者简介：然（1965—）,女，河北晋县人，教授，从事人工智能在电力系统中的应用、电网调度自动化、电网调度运行管理等研究。E-mail:引言风力发电作为一种重要的可再生能源形式，得到了较快的发展目前，国内外对风电场风速预测的研究仍然没有达到令人满意的程度。进行风电场风速预测的方法有自回归滑动平均（ARMA）时间序要求原始序列是平稳时间序列。

经验模式分解（EMD：EmpiricalModeDecomposition）将非平稳信号按不同尺度的波动或趋势逐级分解成若干个内在模式函数（IMF：IntrinsicModeFunction），对信号作了平稳化处理。本文尝试将EMD与时间序列的方法相结合，进行短期风速预测。运用EMD将原始序列分解成一系列不同尺度的IMF。根据各个IMF的变化规律，对每一个内在模式函数进行建模预测。EMD-ARMA模型1.1经验模式分解年代末，美籍华人NordenHuang等人提出了IMF的新概念，给出了将任意信号分解成内在模式函数的方法———经验模式分解（EMD）。近年来人们对EMD方法进行了深入的研究［5-6］EMD方法也在电力系统中得到了广泛的应用［7-8］EMD方法不仅可以分析线性的稳态信号，而且也适用于非线性和非平稳信号分析。EMD方法是通过将原始序列分解为若干IMF实现的。IMF满足个条件：（1）极值点的数目和过零点的数目相等或最多相差一个；（2）在任意点，由局部极大值构成的包络线和由局部极小值构成的包络线的均值为零。X（t）为任意信号序列，可以通过下面的方法进行EMD。（1）确定X（t）所有的局部极值点，然后用样条分别将所有的局部极大值点、局部极小值点连接起来，形成X（t）的上、下包络线线。

上、下包络线线应该包络线所有的数据点。上、下包络线线分别记h（t）是否满足IMF中国电力ELECTRICPOWER第42Sep200977第42函数类型MARMA自相关函数偏相关函数步截尾直到h个条件。这样就得到第（t按照（2中的方法继续进行分解，直到所得的剩余分量满足给定的终止条件，分解过程结束。最终得到若干个I分量及一个剩余分量：原始序列（t可表示为所有的分量与剩余分量之和：r（t为剩余分量，反映信号的平均趋势。1.2自回归滑动平均（ARMA）模型阶自回归q阶滑动平均模型定义为：p，q）模型的随机序列，称为Mp，q）序列。特殊地，若p=0，称作滑动平均模型），记为Mq）；若q=0，称作自回归模型（R，记为p，q）建模方法进行介绍。1）模型识别：根据种随机过程偏相关函数的特点进行模型识别，对时间序列进行相关性分析计算序列的样本自相关函数和样本偏相关函数，通过它们的截尾性和拖尾性初步选择模型的结构见表1）2）模型定阶：M的确定通过kaike信息准则C：kaike’snformationriterion来实现它利用似然函数估计值最大的原则来确定模型阶数对于AI函数AIn，m，则确定ARA模型的阶数为p，q，其中是相应的ARA序列的白噪声方差，的极大似然估计值3模型参数的估计：模型的阶数确定后，运用矩估计、极大似然估计或最小二乘估计的方法计算模型公式5的参数φ4模型检验：计算模型的残差，如果残差序列可以通过白噪声检验，则认为模型是合理的，否则，进一步改进模型方法将非平稳时间序列分解为若干近似平稳的时间序列每个分解序列均有各自的特点，依据所得序列的不同特点建基于EMD-ARMA模型的风速预测方法本文运用方法将原始风速序列自适应的分解成一系列不同尺度的实现风速序列平稳化，然后通过风速预测流程如图1，具体预测步骤如下：1利用方法对原始风速序列进行分解，得到I各分量别进行建模预测；3把2中的预测结果相叠加即可得到风速序列的预测值；4参考文献［2］的方法对预测值进行修正：设t-1的相关性最大风速预测cunzaidewenli，因此做如下修正：yARMA（p，q）模型的序列特征Tab.1PropertiesEMD-ARMA方法建模预测流程Fig.1FlowchartEMD-ARMAmethod78IMF分量（t）与迭代次数Tab.2iterationstep141318C5算例及结果分析本文以我国某风电场2007月的实测风速序列作为数据样本，该序列为每小时采样一个点。

取其中的前600点数据用来建立模型，预测未来30点的风速值。首先，按式（）进行逐次迭代，直到满足IMF个条件。但是满足IMF个条件常常是难以做到的，故需要确定一个终止条件使得这个分离过程可以停下来。文献［9-0］采用Rilling等提出的终止条件。设a（t）为上、下包络线差值的均值，a（t）=［u（t）-的时刻个数与全部持续时间之比不小于1-α，即：为信号的持续范围，#A（A表示集合{tD0.05，α=0.05；（2）对每个时刻=0.5。迭代过程结束获得第个IMF分量程如图2所示。按照同样的方法逐次迭代执行，得到IMF各分（t）和剩余分量。由原始风速序列X分解得到7（见图3）。获得各IMF分量所示。对各个IMF分量ARMA（p，q）模型并进行预测。本文仅给出C-2.386x3，t-2+0.752x3，t-3-2.386x3，t+h-2+0.752x3，t+h-3+0.4984at+h-2本文采用平均绝对百分误差（MAPE：themeanabsolutepercentageerror）作为误差评价指标，计算方法如下：79第42为点预测误差；EMAPE为平均绝对百分误差；N为预测数据点的个数，本文中取30。

预测结果及误差曲线如图风速预测的各个预测点的误差分布情况（即通过对预测数据的统计分析，采用EMD-RM方法进行风电场的短期风速预测的平均绝对百分误差为12.5%。采用单一的RM建模预测，进行对比分析，其预测平均绝对百分误差为4.55%。同时，本文以风电场2007min一个采样点的实测风速序列作为数据样本， 个点作为建模样本，对未来的30 个数据点进行 预测，0 min 的风速预测平均绝对百分误差为 362%。 预测结果及误差曲线如图 所示。通过采用 MD-RM 方法分别进行 min的风电场短期风速预测， 可见风电场风速预 测的精度与预测周期有很大关联， 当预测周期较短 时，风速的变化较缓和，预测误差相对较小；反之，误 差相对较大。由风速序列和误差分布情况可知，预测 精度随着风速序列规律性强弱的变化而发生变化。 EMD 的方法为时间序列的建模提供了良好的数据 处理方法， 风速预测的 EMD-RM 模型可以有效 地进行风电场的短期风速预测。 结语本文考虑风速序列非线性和非平稳性的特点， 运用经验模式分解方法将原始风速序列分解为若干 近似平稳序列， 建立风电场短期风速预测的 EMD- RM 模型。

对未来 min进行风速预测，验 EMD-RM模型进行风电场短期风速预测的 有效性，分析了风电场风速预测与预测周期的关系。 风的形成受气压高低、 气温冷暖等大气运动客 观规律的支配， 运用这些规律与目前的气象预报技 术相结合，是加大风电场风速预测周期，提高风速预 测精度的有效途径。 同时目前进行的风电场短期风 速预测均为风电场平均风速预测， 未考虑风电场地 形、地貌特征对风速的影响。 通过Internet 技术实现 电力部门与气象部门的数据交互， 建立以气象预报 为依托的精细化风速预测模型，将为风电场的安全、 稳定运行提供保证。 参考文献： 雷亚洲与风电并网相关的研究课题［J］ 电力系统自动化, 2003 27（8）: 8489 Ya-zhou.Studies windfarm integration powersystem［J］ utomation lectricPower Systems 27（8）:84-89 基于时间序列分析的风电场风速预测模型［J］电力自动化设备 25（8）:32-34 DING Ming，ZHNG Li-jun WU Yi-chun Wind speed forecast model windfarms based timeseries analysis［J］ Electric Power 80 Short-termwindspeed forecasting windfarms based empiricalmode decomposition model LI Ran （.NorthChina Electric Power University, Baoding 07003, China; HPIINGShang-an Power Plant, Shijiazhuang 0500, China） Abstract: ccurate wind speed forecasting windfarmis necessary powersystem. canrelieve disadvanta-geous impact electricnetwork. newtechnique windspeed forecasting based empiricalmode decomposition （EMD） RM.EMD newmethod analyzingnonlinear non-stationarysignal. candecompose non-stationary signals somesmooth stationaryintrinsic mode function （IMF） differentfrequency differentscale space siftingprocess. EMD-RMmodel fullyused. ctual wind speed data were used resultsindicate effectivemethod windspeed forecasting. Key words: wind speed forecasting EMD time series utomation Equipment, 2005, 25（8）:32-34. Windpower forecasting using advanced neural network models［J］. IEEE Transactions EnergyConversion, 996, LEXIDISMC etal. fuzzyexpert system windspeed powergeneration windfarms using spatial correlation［J］. IEEE Transactions EnergyConversion, 200, etal. certaintheoretical development underlying Hilbert-Huangtransform［C］//erospace Conference IEEE.Big Sky, MT, 2006 ZHNGHai-yong, Qiang.Research empiricalmode decomposition method［C］//Proceeding 6thWorld Congress IntelligentControl utomation.Dalian, 2006：000-0004. etal. Empirical mode decomposition powerquality monitoring 2005IEEE/ PES Transmission DistributionConference &Exhibition. Dalian，005：-5. 基于EMD Hilbert变换应用于暂态 信号分析［J］. 电力系统自动化, 005, 9-5.LI Yun-tian, ZHO Yan, LI Nan. pply empirical mode decomposi- tion based Hilbert transform powersystem transient signal analysis ElectricPower Systems, 005, 经验模式分解算法的探讨和改进［J］.中山大学 学报（自然科学版）, 00, -6.ZHENG Tian-xiang, YNG Li-hua. Discussion empiricalmode decomposition algorithm［J ctaScientiarum NaturaliumUniversitatis Sunyatseni, 00, RILLINGG，FLNDRIN P风速预测cunzaidewenli，GONCLVES empiricalmode decomposition itsalgorithms［C］//IEEE-EURSIP Workshop NonlinearSignal ImageProcessing（I）. Grado，Italy 003：-5.（责任编辑 电力科技信息我国首个 10 GW 级风电基地在酒泉启动 建设 西部大开发的又一标志性工程—— —酒泉 风电场建设启动。

酒泉风能资源富集，境内的瓜州县被称为“世界风库”，玉门市被称为“世界风口”。 据气象部门评估， 风能资源总储量 1．5 40.0GW 以上，占全省储量的 85％以上，适宜建设大 型并网风力发电场。 酒泉规划建设的 30 多个风电场均位于戈壁荒滩，不占 用耕地，不存在拆迁安置，土地成本低，适合连片建设大型 风电场。并且规划建设的风电场绝大多数分布于兰新铁路、 敦煌铁路、连霍高速公路及 312 国道两侧，有利于风电设备 运输。 酒泉境内酒嘉电网通过永嘉 330 kV 输电线路与西北 电网联网运行， 规划建设的 750 kV 超高压输变电工程，前 期工作正在加紧开展，即将正式动工建设。 按照国家和甘肃省规划，酒泉市 年风电装机规模将达到 5.16 GW，2015 年将达到 12.71 GW。 根据发展趋势 和前景，2010 年风电装机规模可以达到 以后，可以逐步形成40.0 GW 的规模。 进入主汛期三峡电站日发电量达到 kWh由于持续降雨，已进入主汛期的长江三峡水库入 库流量大增，三峡电站 26 台机组 12日同时并网发电， 当日发电量达到 kWh。三峡工程共计划安装 32 700MW 水轮发电机组，是 当今世界最大规模的水电机组。

其中初步设计安装 26 包括左岸14 26台机组于 2008 底全部投入商业运行；地下电站 台尚处于金属结构和机组安装阶段。 12日，三峡电站 26 台机组全部同时并网发电，最 大总出力达 16.90 GW。 三峡巨型机组满负荷发电时，每台 机组过流量约 900 以上时，才能满足 26 台机组全部同时并网发电的要求。 截至 20：00三峡电站累计发电 kWh，其中今年以来累计发电362．68 kWh。三峡电站 今年前 月累计发电322．3 月以来的日均发电量在 3．3 kWh以上。 81