序列的一阶滞后项、滞后差分项,实际操作中,滞后阶数p的选择可根据保证εt 是白噪声过程的最小p值的标准进行选择,在每种情况下,单位根检验都对回归式中pt-1的系数进行检验,如果系数显著不为零,那么pt包含单位根的假设将被拒绝,pt序列即是平稳。Р将风电功率时间序列pt识别为 ARMA(p,q)结构, 鉴于模型 ARMA(p,q) 的识别具有很大的灵活性,为了得到最合理的模型,本文采取了定阶步骤,根据时间序列的自相关、偏相关函数分析图,对 p=1, 2, 3, 4;q=1, 2, 3, 4, 5 多组可行阶数进行了参数估计,对所有备选模型进行模型诊断,筛选出备选模型集由于许瓦兹信息准则(SIC )的强一致性,在理论层面上能够渐进地选择真实模型,所以计算备选模型集中所有模型的 SIC 考虑到模型满足可逆性和稳定性条件,最终确定p和q,依照经典时间序列分析的步骤,在完成模型阶数识别后,使用极大似然估计法获得模型的参数估计模型如下:Р对于风电机组A:Р对于风电机组B:Р对于风电机组C:Р对于风电机组D:Р对于四个风电机组的和:Р对于58个风电机组的和:Р 运用 ARMA 模型对2006年 5月31日的96个时点及5月31日0时0分到6月6日23点45分风电功率进行预测,得到原始风电功率和预测风电功率曲线如图 1 所示由图 1 可以看出,模型的预测结果曲线和实际功率曲线在形状上比较接近,但在变化规律发生改变时,预测曲线常常不能提前变化,而是存在一个“时滞”,所以,虽然 ARMA 模型基本能捕捉到风电功率数据的变化规律,但该预测存在明显的延时性,而且预测精度不高Р(2)、卡尔曼滤波模型Р要实现卡尔曼滤波法预测风电功率,首先必须推导出正确的状态方程和测量方程因已通过时间序列分析建立了风电功率时间序列的 ARMA 模型,故可将 ARMA模型转换到状态空间,建立卡尔曼滤波的状态方程和测量方程
全文预览
