论文总字数：23446字

摘 要

本文用python实现的自回归滑动平均模型（英语：Auto Autoregressive moving average model，简称：ARMA模型），通过对于风能发电功率历史数据的分析，来预测未来短时间内的发电功率。

对风能发电功率历史数据进行预处理和分析。结果表明处理后的时间序列数据，是一个平稳序列且非白噪声序列，可以使用ARMA模型进行数据训练和预测。

最后，根据AIC和BIC准则确定ARMA模型的阶数，建立了适用于风力发电功率预测的模型并进行未来数据的预测。

关键词：自回归滑动平均模型，平稳序列，非白噪声序列，AIC准则，BIC准则

Abstract

In this thesis, the autoregressive moving average model (ARMA model) implemented by Python is used to predict the future power generation in a short time by analyzing the historical data of wind power generation.

The historical data of wind power generation are preprocessed and analyzed. The results show that the processed time series data is a stationary and non-white noise sequence, and ARMA model can be used for data training and prediction.

Finally, according to AIC and BIC criteria, the order of ARMA model is determined, and the model suitable for wind power prediction is established, and the future data are predicted.

KEY WORDS: Autoregressive Moving Average Model, stationary sequence, nonwhite noise sequence, AIC criterion, BIC criterion

目 录

摘要 ………………………………………………………………………………Ⅰ

Abstract ……………………………………………………………………………Ⅱ

第一章 绪论 5

1.1课题背景及意义 5

1.2相关研究 5

1.2.1国外风电预测现状 5

1.2.2国内风电预测现状 6

1.3论文主要工作 6

1.4论文结构 6

第二章 背景知识及相关应用 7

2.1背景知识 7

2.1.1 时间序列 7

2.1.2自回归滑动平均模型 8

2.2相关应用 9

2.1.1销量问题 9

2.2.2语音信号问题 9

2.2.3金融问题 10

第三章 预测方法 11

3.1自回归模型（AR模型） 11

3.1.1模型介绍 11

3.1.2模型方法 11

3.1.3确定阶数 14

3.2滑动平均模型（MA模型） 15

3.2.1模型介绍 15

3.2.2模型方法 16

3.2.3确定阶数 17

3.3自回归滑动平均模型（ARMA模型） 18

3.1.1模型介绍 18

3.1.2模型方法 19

3.1.3确定阶数 20

3.4本章小结 23

第四章 模型构建及预测实验分析 24

4.1数据集及软硬件环境 24

4.1.1软硬件环境 24

4.1.2数据缺失值预处理 24

4.1.3自相关、偏自相关系数 26

4.1.4平稳性检验 27

4.1.5白噪声检验 28

4.2模型定阶 28

4.3建立模型及预测 29

4.4实验结果 29

4.3结果分析 30

4.3.1同期风电功率变化率比较 30

4.3.2通过滑动窗口方式预测 32

4.4本章小结 33

第五章 总结与展望 34

5.1总结与收获 34

5.2有待改进之处 34

参考文献 ……………………………………………………………………………36

致谢 ………………………………………………………………………………37

第一章 绪论

1.1课题背景及意义

风能作为一种可再生的清洁能源，在早期就被人通过风车进行利用，在现代国内外均有大型风力发电厂，风力发电机组将风能转化为电能进行利用，是目前世界上主流的发电方式之一。随着风力发电技术的发展，风力发电功率预测成为了重要研究课题之一，发电站并网难的问题也逐渐显现。并网就是指将发电机组的输电线路与输电网接通的过程，如果不适用并网技术，就会遇到发电效率较低，电力供应不稳定的情况。如果使用并网技术，就会遇到电能的存储问题，由于风力发电的不稳定性较高，所以要想实时进行风力发电难度极大，必须要对风力发电功率进行预测，才能提高风力发电的效率和稳定性。

在欧洲发达国家，电网公司限制预测精确度不高的风电场电量或采取处罚措施，优先购买预测准确度较高的风电场的电力。而我国风电功率预测研究相对滞后，再加上天气变化性、地形特殊性、历史数据的缺失，我国还没有能够完全满足国内需求的风力发电预测模型。目前已有统计预测模型也并不完全适用于国内风电功率预测。所以必须要根据具体的天气、地质等环境因素，建立合适的风电功率预测模型。

短期风力发电功率预测以“小时”为预测单位，一般会提前48或72小时进行预测，以便于风电场对发电机组进行优化调度，这样就可以降低运行成本，同时还能保证供电质量。另外还有超短期风力发电功率预测，这种预测以“分钟”为预测单位，一般会提前数小时进行预测。《国家电网风电场接入电网技术规定》明确表示要求风电场向电网调度部门提供短期风力发电功率预测和超短期风力发电功率预测。因此，开展风力发电功率预测研究，特别是短期风力发电功率预测和超短期风力发电功率预测研究，对于发电效率、调度效率、系统稳定性都有十分重要的意义[1]。

1.2相关研究

1.2.1国外风电预测现状

在欧美发达国家，很早就开始了对于风电预测研究，许多国家已经有了自己设计开发的风电预测模型，能够很好地适应于本国内的风电预测需求。

欧盟资助的“SafeWind”项目从各个不同时间和地点尺度针对极端天气情况的风电功率预测开展研究。与陆地风电场相比，海上风电场的地形变得更加平坦、光滑，而其风速和热效应变化相对敏感，且现有的预测模型多针对于陆地风电场，因此如何建立合适的海上风电场预测模型还需要更多的研究[2]。

最新研究表明，风电预测发的误差与发电区域大小有着紧密的联系，所以在建立模型的过程中可以根据这个研究进行合理的区域划分，这样就可以提高风电预测的准确性，极大地减小系统误差 [3]。

1.2.2国内风电预测现状

我国风电功率预测系统包括几大机构:中国电力科学研究院、华北电力大学、中国气象局国家气象中心等，同时我国也与多国开展了国际合作，共同研究风电功率预测项目。有研究建立了基于人工神经网络以数值天气预报为基础的风电功率预测系统，并应用于吉林电网调度中心，该系统具有良好的人机交互界面，实现了与能量管理系统((EMS)的无缝连接[4]。

剩余内容已隐藏，请支付后下载全文，论文总字数：23446字