CN106611243A - 一种基于garch模型的风速预测残差修正方法 - Google Patents

Abstract

本发明公开了一种基于GARCH模型的风速预测残差修正方法，属于输配电技术领域，目的是改进原有的风速预测方法，提高风速预测精度，其技术方案是，采用GARCH模型对原始风速序列进行预测，对GARCH模型拟合后的残差建立回归模型，并将该回归模型用于后面残差的预测，最后用该预测值对GARCH模型初步预测的结果进行修正。实验结果表明，本发明要优于单纯传统ARMA的预测方法以及BP神经网络模型的预测方法，并且具有更高的预测精度。

Description

一种基于GARCH模型的风速预测残差修正方法

技术领域

本发明涉及一种能够精确预测风速大小进而预测风电场功率的方法，属于输配电技术领域，具体涉及一种基于GARCH模型的风速预测残差修正方法。

背景技术

能源是各国发展不可或缺的基本要素之一，而随着全球经济的快速发展，对能源的需求也日益增加。但是传统的化石能源储量有限，具有不可再生性，一旦枯竭人类发展将面临巨大危机；另一方面化石能源燃烧释放SO2等对环境有害的气体，还会释放二氧化碳等温室气体导致全球气候变暖，因此各国都意识到摆脱对化石能源的依赖发展新能源是人类持续发展的必要选择。

经过几十年发展，风力发电已成为国际上公认的技术最成熟、开发成本最低、最具发展前景的可再生能源之一，逐渐成为各国着重发展的对象。近年来为了巩固风电的发展，提高风电的竞争力，各国各地区都面临一系列政策的转变。Navigant research发布报告称，未来5～6年，风能将以不容小觑的投资额，成为全球最具代表性的能源产业。2000-2015年，全球风电装机容量从17.4GW发展到432.9GW，增加约23倍。2015年国内风电新增装机容量达到30.5GW，创出新高并且连续六年领跑全球。据国家能源局的规划，2016年全国风电开发建设总规模30.8GW，略高于2015年的规模，预计风电行业将依然维持高景气度。但由于风速具有间歇性和波动性，使得大容量的风电接入电网会对电力***的安全、稳定运行以及保证电能质量带来严峻挑战。因此，准确的预测未来风速大小对电力部门合理安排调度计划，减小瞬间极大风速对发电机组造成的冲击损害具有十分重要的意义，并在一定程度上促进了风电的进一步发展，提高风电的市场竞争力。

发明内容

本发明所要解决的技术问题是提供一种基于GARCH模型的风速预测残差修正方法，旨在为了供消平衡减少弃风现象，获取准确的预测风速至关重要。

为解决上述技术问题，本发明所采取的技术方案是：一种基于GARCH模型的风速预测残差修正方法，其特征在于：

收集待预测风电场历史风速数据，并将其预处理拟合为历史风速序列y_t-1，然后将历史风速序列y_t-1拟合为GARCH模型并对风速进行预测，将以时间序列为基础预测得到的风速预测数据y'_t拟合为预测风速序列根据历史风速序列y_t-1与预测风速序列获得GARCH模型的拟合残差序列并对GARCH模型的拟合残差序列建立回归模型，预测GARCH模型的残差序列预测值最后用GARCH模型的拟合残差序列预测值修正GARCH模型的预测结果得到待预测风电场预测结果修正值即

进一步的技术方案在于，将得到的待预测风电场预测结果修正值作为风速预测数据y'_t，将待预测风电场t时间的风速数据预处理作为历史风速序列的一部分，进而获得t+1时间的风速预测结果修正值

进一步的技术方案在于，所述GARCH模型为

y_t＝x_tβ+ε_t (1)

残差随机过程{ε_t}服从如下过程：

其中，α_j和φ_i为未知参数；

上述，{ε_t}为广义自回归条件异方差过程，记为{ε_t}～GARCH(p,q)。

进一步的技术方案在于，所述GARCH(p,q)中的p、q的选值根据前时刻的方差值h_t与其前一时刻的方差值h_t-1及残差值ε_t-1联系紧密度选择；

其中p＝1；q＝1。

进一步的技术方案还在于，对GARCH模型的拟合残差序列建立回归模型，其中回归模型的阶数AIC准则确定如下：

采用上述技术方案所产生的有益效果在于：本发明选用的是基于统计方法的时间序列方法。在经典时间序列领域，线性模型占据着重要的地位，是其他模型的基础。线性模型结构简单，模型参数估计和预测方法较成熟，在时间序列分析中具有重要意义和地位。本发明与现在用的比较广泛的ARMA模型和BP神经网络模型进行对比，分别对西班牙风电场和中国甘肃风电场数据进行建模分析，应用平均绝对误差(MAE)、均方根误差(RMSE)和平均相对误差(MRE)三个误差指标和预测结果仿真曲线对结果进行综合评估，并对结果进行比较：无论是对西班牙风电场数据还是甘肃风电场数据预测，本发明的各项评价指标均优于时间序列预测模型BP模型和没有进行残差修正的GARCH(1,1)预测模型。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是模型的建模数据；

其中，(a)为西班牙风电场的风速数据；(b)为甘肃风电场的建模数据；

图2是西班牙风电场风速数据的实际值和预测值

其中，(a)为基于残差修正的GARCH模型与ARMA模型的对比图；(b)为基于残差修正的GARCH模型与BP模型的对比图；

图3是甘肃风电场风速数据的实际值和预测值

其中，(a)为基于残差修正的GARCH模型与ARMA模型的对比图；(b)为基于残差修正的GARCH模型与BP模型的对比图；

图4是实施例2本发明的修正流程；

图5是实施例3本发明的修正流程。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

本发明提供了一种基于GARCH模型的风速预测残差修正方法，在此，ARCH模型最基本的特征在于它假设一个基本线性回归模型的误差项的条件方差呈现自相关特性，它把时间序列动态模型加以推广，用ARCH模型来描述扰动项的条件方差随时间变化的特征。由于ARCH模型实际中的不足，将模型进一步推广至一般ARCH模型，即GARCH模型。GARCH模型比ARCH模型需要更小的滞后阶数。为提高风速预测精度本发明对GARCH模型拟合后的残差建立回归模型，并将该回归模型用于后面残差的预测，最后用该预测值对GARCH模型初步预测的结果进行修正。所述方法包括如下步骤：

a.收集待预测风电场的历史风速数据；

为了获得未来某一时间的风速序列预测值，需收集的数据不能只包括历史风速数据，还要包括风速预测数据；

b.对历史风速数据进行预处理操作形成实际建模用的历史风速序列y_t-1；

可检验序列的平稳性，判断数据序列的非线性特性等。

c.对历史风速序列y_t-1建立一般自回归条件异方差模型，即(GARCH)模型，拟合并风速预测数据y'_t；

根据时间的连续性原则可知，当前时刻的方差值h_t与其前一时刻的方差值ht_-1及残差值联系最为紧密，因此条件异方差模型可选择GARCH(1,1)模型，即阶数为1；

d.对GARCH模型的拟合残差建立回归模型，其中回归模型的阶数AIC准则如下：

如果当n＝n₀时，AIC(n,n-1)＝min,则表明适用的拟合模型为ARMA(n₀,n₀-1)；

e.用GARCH模型的拟合残差序列预测值即，d中回归模型的预测值，修正GARCH模型的预测结果得到即

其中，GARCH模型建模如下：

其中ARCH模型最基本的特征在于它假设一个基本线性回归模型的误差项的条件方差呈现自相关特性。Engle提出的ARCH(p)模型定义如下：

y_t＝x_tβ+ε_t (1)

若残差随机过程{ε_t}的服从如下过程，即

其中，α_j为未知参数。为了保证条件方差是正数，要求α_j≥0,j＝0,1,…,q；为了保证{ε_t}平稳，要求α₁+α₂+…+α_q＜1。

由于ARCH模型实际中的不足，当p较大时参数估计不再精确，不能保证方差为正。Bollerslev将模型进一步推广至一般ARCH(Generalized ARCH,GARCH)模型。GARCH模型比ARCH模型需要更小的滞后阶数。GARCH模型若残差随机过程{ε_t}服从如下过程，即

其中，α_j和φ_i为未知参数。则称{ε_t}为广义自回归条件异方差过程，记为{ε_t}～GARCH(p,q)。

根据时间的连续性原则及式(3)可知，当前时刻的方差值h_t与其前一时刻的方差值h_t-1及残差值ε_t-1联系最为紧密，因此选择GARCH(1,1)模型。最后，对以上AR(1)-GARCH(1,1)模型的拟合残差建立回归模型，检验残差的自相关和偏相关性，同时结合AIC准则确定回归模型的最优拟合阶数。

本发明提出了一种基于残差修正的GARCH模型的风速预测的方法，所提方法与现在用的比较广泛的ARMA模型和BP神经网络模型进行对比。下面结合实例对本发明进行详细的说明：

步骤一：选取了国内外两个风电场数据进行验证。一个是西班牙风电场的风速数据，共150个数据，其中100个样本数据，50个待预测数据；另一个是中国甘肃风电场风速数据，共300个数据，其中250个样本数据，50个待预测数据。

步骤二：对收集的所有数据进行预处理操作，包括去除粗大值等。

步骤三：对样本数据建立GARCH(1,1)模型，拟合样本数据并计算下一步预测值y'_t然后拟合为预测风速序列

步骤四：利用拟合残差建立回归模型，计算拟合残差的下一步预测值

步骤五：利用步骤四中回归模型的预测值修正GARCH模型的预测风电场预测结果修正值即

实验结果分析

本发明通过西班牙某风电场数据以及中国甘肃风电场风速数据对本发明所提出的方法进行实例验证，附图展示了本发明的主要实验结果。特此说明，下述实验分析仅为示范，而不是将此方法局限在特定应用环境中。本文所提方法与现在用的比较广泛的ARMA模型和BP神经网络模型进行对比，分别对西班牙风电场和甘肃风电场数据进行建模分析，应用平均绝对误差(MAE)、均方根误差(RMSE)和平均相对误差(MRE)三个误差指标和预测结果仿真曲线对结果进行综合评估，风速预测误差指标的计算结果如表2所示。

表2算法误差指标对比

通过分析表2可知，无论是对西班牙风电场数据还是甘肃风电场数据预测，基于残差修正的GARCH的风速预测模型各项评价指标均优于时间序列预测模型和没有进行残差修正的GARCH(1,1)预测模型。对西班牙和甘肃风电场数据建立误差修正GARCH模型，与ARMA模型相比平均绝对误差分别下降了53.87％和64.09％，均方根误差下降了47.88％和67.79％，平均相对误差下降了58.57％和69.47％。与BP模型相比平均绝对误差分别下降了52.52％和60.43％，均方根误差下降了43.15％和58.81％，平均相对误差下降了57.73％和61.01％。与GARCH(1,1)模型相比平均绝对误差下降了47.81％和59.98％，均方根误差下降了43.33％和60.01％，平均绝对误差下降了49.79％和59.96％。由图2知，由于甘肃风电场数据波动范围较小、较平稳，因此各模型的预测精度较西班牙风电场更高。综上可知，本文提出的基于残差修正的GARCH的风速预测模型预测精度均远远高于单纯的传统风速预测模型，具有实际应用价值。

Claims (5)

1.一种基于GARCH模型的风速预测残差修正方法，其特征在于：

收集待预测风电场历史风速数据，并将其预处理拟合为，然后将历史风速序列y_t-1拟合为GARCH模型并对风速进行预测，将以时间序列为基础预测得到的风速预测数据y'_t拟合为预测风速序列根据历史风速序列y_t-1与预测风速序列获得GARCH模型的拟合残差序列并对GARCH模型的拟合残差序列建立回归模型，预测GARCH模型的残差序列预测值最后用GARCH模型的拟合残差序列预测值修正GARCH模型的预测结果得到待预测风电场预测结果修正值即

2.根据权利要求1所述的一种基于GARCH模型的风速预测残差修正方法，其特征在于：将得到的待预测风电场预测结果修正值作为风速预测数据y'_t，将待预测风电场t时间的风速数据预处理作为历史风速序列的一部分，进而获得t+1时间的风速预测结果修正值

3.根据权利要求1所述的一种基于GARCH模型的风速预测残差修正方法，其特征在于：所述GARCH模型为

y_t＝x_tβ+ε_t (1)

残差随机过程{ε_t}服从如下过程：

$\left\{\begin{array}{c}{\mathrm{\ϵ}}_t=\sqrt{h_t}{v}_t\\ h_t={\mathrm{\α}}_0+\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\φ}}_i{h}_{t-q}+\underset{j=1}{\overset{q}{\Σ}}{\mathrm{\α}}_j{\mathrm{\ϵ}}_{t-j}^2\\ v_t~N(0,1)i.i.d\end{array}\right.---\left(3\right)$

其中，α_j和φ_i为未知参数；

上述，{ε_t}为广义自回归条件异方差过程，记为{ε_t}～GARCH(p,q)。

4.根据权利要求3所述的一种基于GARCH模型的风速预测残差修正方法，其特征在于：所述GARCH(p,q)中的p、q的选值根据前时刻的方差值h_t与其前一时刻的方差值h_t-1及残差值ε_t-1联系紧密度选择；

其中p＝1；q＝1。

5.根据权利要求1所述的一种基于GARCH模型的风速预测残差修正方法，其特征在于：对GARCH模型的拟合残差序列建立回归模型，其中回归模型的阶数AIC准则确定如下：

$AIC(n,n-1)=log\widehat{{\mathrm{\σ}}^2}+\frac{4n}{N}$