基于时间序列分析的风速短期预测方法研究

发布时间：2020-11-15 04:24

　　 风电场风速预测对风电场规划设计和电力系统的运行具有重要意义。但由于风速序列的高度非平稳性及方差时变性,要得到精度很高的风速预测数据比较困难。而风速序列又具有时序性和自相关性,因此可建立ARIMA模型进行预测。但该模型存在预测延时、多步预测精度较低的不足。为了解决该问题,建立了小波变换和ARIMA模型相结合的混合算法,在一定程度上提高预测的精度。 为了进一步提高模型预测精度,针对风速序列的非平稳性及方差随时间而变化的特性,结合小波变换、ARIMA模型及异方差模型的优点,给出了小波ARIMA-ARCH风速预测模型。首先,针对风速序列的非平稳性,利用小波分解重构算法将其分解重构成概貌部分和细节部分,得到的各部分序列近似为平稳序列,再利用时间序列法分别对各部分进行分析。针对风速序列的方差时变性,在利用时间序列法对各部分建模时,考虑模型残差的异方差效应,建立ARIMA-ARCH模型。最后,将概貌风速和细节风速的预测结果求和即得模型的最终预测风速。通过对样本风速序列分别建立传统ARIMA模型、小波ARIMA模型、ARIMA-ARCH模型和小波ARIMA-ARCH模型进行预测,并对各模型的预测误差进行分析,说明利用小波变换处理风速序列的非平稳性并且考虑了风速序列的异方差效应的小波ARIMA-ARCH模型能有效提高风速预测精度。
【学位单位】：华北电力大学
【学位级别】：硕士
【学位年份】：2012
【中图分类】：TK81
【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 选题背景及研究意义
    1.2 国内外风电场风速预测的研究现状
        1.2.1 国内外对风电研究状况
        1.2.2 国内外风电场风速预测的主要方法
    1.3 论文的主要工作
        1.3.1 论文的主要研究方法
        1.3.2 论文的内容章节安排
第2章 基于ARIMA模型的短期风速预测
    2.1 时间序列法简介
    2.2 时间序列法的统计模型
        2.2.1 自回归模型AR（p）
        2.2.2 移动平均模型MA（q）
        2.2.3 自回归移动平均模型ARMA（p,q）
        2.2.4 求和自回归移动平均模型ARIMA（p,d,q）
    2.3 时间序列的平稳性
        2.3.1 平稳性的定义
        2.3.2 平稳性的检验
    2.4 模型定阶及参数估计
        2.4.1 模型定阶
        2.4.2 模型参数估计
    2.5 模型的适应性检验
    2.6 实例分析
        2.6.1 计算步骤
        2.6.2 建立ARIMA模型
        2.6.3 风速预测及误差分析
    2.7 本章小结
第3章 基于小波ARIMA模型的短期风速预测
    3.1 小波变换介绍
        3.1.1 小波变换简介
        3.1.2 小波分解与重构算法
    3.2 小波ARIMA预测模型
    3.3 实例分析
        3.3.1 最佳小波分解层数的讨论
        3.3.2 建立小波ARIMA模型
    3.4 本章小结
第4章 基于ARIMA-ARCH模型的短期风速预测
    4.1 异方差性介绍
        4.1.1 异方差的概念
        4.1.2 产生异方差性的原因
        4.1.3 忽视异方差的后果
    4.2 异方差性的检验
        4.2.1 图示法
        4.2.2 自相关性检验
    4.3 自回归条件异方差（ARCH）模型原理
    4.4 基于ARIMA-ARCH模型的风速预测
        4.4.1 ARIMA-ARCH模型
        4.4.2 实例分析
    4.5 本章小结
第5章 基于小波ARIMA-ARCH模型的短期风速预测
    5.1 模型的建立步骤
    5.2 实例分析
        5.2.1 样本风速序列的小波分解与重构
        5.2.2 对概貌信号、各细节信号建立ARIMA-ARCH模型
        5.2.3 小波ARIMA-ARCH模型最终风速预测结果
    5.3 各模型预测效果分析比较
    5.4 本章小结
第6章 结论与展望
    6.1 结论
    6.2 展望
参考文献
攻读硕士学位期间发表的论文及其他科研成果
致谢

【相似文献】

相关期刊论文 前10条

1 ;时间序列分析在机械工程中的应用学术讨论会在我院举行[J];华中科技大学学报(自然科学版);1984年01期

2 王百益;吴业森;;路面不平度的AR(P,O)序列模拟法[J];武汉理工大学学报(信息与管理工程版);1987年02期

3 杨建东;于化东;谭云成;;时间序列分析中一些特殊情况的探讨[J];长春理工大学学报;1988年02期

4 冯铁城;吴善勤;周宏;雷振华;;海浪测量的一种新方法[J];上海交通大学学报;1990年04期

5 李鸿杰;杜历;;土壤水、盐、入渗变异特性及其相互关系的空间序列分析[J];水资源与水工程学报;1990年03期

6 刘毅;李爱群;费庆国;丁幼亮;;一种利用时间序列分析的特征提取与损伤预警方法(英文)[J];Journal of Southeast University;2007年01期

7 刘娜;郑小洋;李为平;;基于小波分析的经济数据预测[J];重庆工学院学报(自然科学版);2009年11期

8 李小姣;;基于协整分析的我国货运量预测[J];物流科技;2010年04期

9 陈青;罗志清;吴芸芸;;时间序列在变形监测中的应用[J];江西科学;2011年02期

10 吴雅,杨叔子;时间序列分析及其在机床工业中的应用[J];制造技术与机床;1989年06期

相关博士学位论文 前10条

1 聂淑媛;时间序列分析的早期发展[D];西北大学;2012年

2 王栋;随机与混沌神经放电节律的时间序列分析[D];陕西师范大学;2010年

3 曾高;颅高压数学模型的建立研究[D];北京大学;2008年

4 董科强;分形理论和时间序列分析若干问题研究[D];北京交通大学;2011年

5 金菊良;遗传算法在水资源工程中的应用研究[D];四川大学;2000年

6 岳东杰;水利水电工程变形监测中GPS技术与数据处理研究[D];河海大学;2006年

7 胡锡健;股票量价渐近分布及其变点的统计过程控制监测[D];新疆大学;2008年

8 谭泗桥;支持向量回归机的改进及其在植物保护中的应用[D];湖南农业大学;2008年

9 齐龙;基于多光谱视觉的稻瘟病检测技术研究[D];吉林大学;2009年

10 朱江;频谱感知算法及授权用户用频行为研究[D];华中科技大学;2010年

相关硕士学位论文 前10条

1 梁海啸;青藏铁路大风监测预警系统风速预测算法研究[D];中南大学;2010年

2 张盼;长武塬区地下水位变化特征研究[D];西北农林科技大学;2010年

3 刘菊艳;基于数据挖掘技术的短期风速预测[D];西安科技大学;2010年

4 李程;三峡库区水质时间序列分析与发布[D];武汉大学;2005年

5 岳莉莉;基于时间序列分析的风速短期预测方法研究[D];华北电力大学;2012年

6 孙娜;时间序列分析在教育投资与经济增长方面的研究应用[D];辽宁师范大学;2012年

7 仉新;时间序列分析在经济投资中的研究与应用[D];沈阳工业大学;2013年

8 郝博乾;基于时间序列分析的股票预测模型研究[D];电子科技大学;2011年

9 胡伟明;基于小波和时间序列分析的高速铁路沉降预测方法研究[D];西南交通大学;2011年

10 赵玮英;时间序列分析在气象中的应用[D];扬州大学;2010年

本文编号：2884334