欢迎来到天天文库
浏览记录
ID:24564038
大小:70.00 KB
页数:4页
时间:2018-11-14
《基于arma模型的风功率数据缺失值估计方法》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库。
1、基于ARMA模型的风功率数据缺失值估计方法吕清泉汪宁渤张健美王明松甘肃省电力公司风电技术中心摘要:随着风电急速发展,风电功率预测准确性更加重要。而这些技术严重依赖于风电出力,测风等基础数据,然而,在数据采集到存储过程中存在各种各样的原因会导致数据缺失或异常。由于风功率数据具有时间序列的平稳特性,而ARMA模型只有良好的对时间序列进行建模的能力,木文将利用ARMA模型对风功率数据进行建模,并用来对序列中缺失的数据进行估计预测。实验结果验证了该数据估计方法的有效性。关键词:ARMA模型;功率数据;估计预测;0引言目前,我国电网企业屮风功率、风速、风向等棊础数据采集大多通
2、过FTP、102协议进行有线传输,在企业服务器中进行存储。甘肃省作为新能源大省,其管理200多个风电场光伏电站数据,由于风电场站自身原因和通信网络的不稳定性,数据也会出现断点或者突变数据。木文用ARMA模型对风力发电中的时间序列数据进行建模,并根据建立的模型对序列屮的缺失数据进行估计并恢复。1自回归移动平均模型风力发电所依赖的风力是随时间变化的,是一种随机时间序列,并且数据传输是等时间间隔的,因此可以建立时间序列模型进行分析。Box-Jenkins方法是随机时间序列分析的主要方法之一。它利用历史数据来建立模型,通过一定准则来确定模型的参数和阶数,再用该模型来对时间序
3、列屮的未知数据进行预测。ARMA模型是研宂时间序列的重要方法,在Box-Jenkins方法中我们选用ARMA模型来进行风力发电的时间序列分析。ARMA模型由自回归模型(简称AR模型)与移动平均模型(简称MA模型)为基础混合构成。它有AR模型,MA模型和ARMA模型三种基本形式。1.1AR模型AR模型描述的是系统对过去自身状态的记忆,是自回归的过程。AR模型假设当前的观测值可以表示为其以前的P个观测值的线性组合加上一个随机误差项。如果时间序列表示为xHx2,…,xt,AR模型可以表示为1.2MA模型MA模型描述的是系统对过去时刻进入系统的噪声的记忆,是移动平均的过程。
4、MA模型假设当前的观测值可以表示为当前和先前的q个随机误差项的线性组合。即1.3ARMA模型ARMA模型是AR模型和MA模型的混合模型,是系统对过去自身状态以及进入系统的噪声的记忆。ARMA模型假设当前的观测值可以表示为其以前的p个观测值及q个随机误差项的线性组合,即模型参数求解方法可以结合AR模型和MA模型的参数求解方法。通过ARMA模型可以对时间序列中的缺失值进行估计。2时间序列缺失值估计由于对ARMA模型的参数估计需要完整的时间序列,我们先根据近期的较完整的数据估计ARMA模型,然后将ARMA模型用于缺失值估计和预测。ARMA模型的建立和缺失值估计流程如图1所
5、示。图1利用ARMA模型进行时间序列缺失值估计流程下载原图3风功率数据分析本文选用甘肃哲某风电场一年的有功出力数据,利用MatlabI:具箱SystemIdentification工具箱进行分析。3.1ARMA模型的建立由于ARMA模型要求时间序列是平稳的,因此,在进行时间序列建模时,首先需要对观测数据序列进行平稳化检验,如果检验结果不满足平稳性条件,需要对原始数据进行差分。对数据进行平稳性检验ADF单位根检验,得到显著性0.039,说明数据在0.05显著性水平下,风电场有功出力是平稳的,可以用来建立ARMA模型。八RMA模型定阶需要确定p,q的值,我们利用ATC准
6、则来确定ARMA模型的阶,即P和q的值。我们选取不同的P,q值,建立不同的ARMA模型,根掘AIC准则,AIC值最小的模型就是最佳的模型。在我们的实验中,最佳模型为ARMA(63,32)。模型的残差及自相关函数和偏相关函数如图2所示。图2残差序列及其自相关函数和偏自相关函数下载原图从阁2可以发现,残差在0上下波动,自相关函数和偏自相关函数都趋近于0,并且通过DW检验,残差不存在自相关,因此该ARMA模型可用。3.2缺失值估计本文分别用ARMA模型,线性插值,样条插值等方法分别对某一天的缺失值进行估计,进行比较。我们选一天实际值已知的数据,删除一些点作为缺失值,利用不
7、同方法进行比较,为保证实验的有效性,本文将数据集其中部分作为缺失以能够将真实的观测数据和通过算法进行重构的数据进行比较。同时,为对算法的误差进行对比分析,釆用了均方根误差RMSE,RMSE的具体计算如公式(1)所示,其中E,表示第i个点的估计值,0:表示第i个点的真实值:当缺失值为随机缺失点时,和缺失值为连续缺失点时,分别进行恢复估计,估计的误差值如表1所示。从表1可以看出,基于ARMA模型的缺失值估计方法比传统的线性插值和样条插值有更小的误差,基于ARMA模型的缺失值估计更接近于真实值。由此可知,ARMA模型对风力发电中的吋序估计具有更好的估计效果。4结论本文
此文档下载收益归作者所有