基于Johnson分布直接转换法的风速预测

基于Johnson分布直接转换法的风速预测
王娟娟;赵闻蕾;王兴强;靳小钊
【摘要】大部分风速呈现非正态分布特性,因此时间序列法不能准确预测风速.提出一种基于Johnson分布直接转换法的风速预测方法,首先采用时间序列法对平稳的风速数据进行初步预测;然后根据风速数据本身所具有的数字特征,构建合适的Johnson转换曲线;最后应用Johnson转换曲线对初步预测结果进行修正.实例分析结果表明,时间序列法的预测结果经由Johnson变换曲线修正之后更加接近具有非正态分布特性的原始数据,预测精度更高.
【期刊名称】《电力自动化设备》
【年(卷),期】2014(034)006
【总页数】5页(P20-24)
【关键词】风电;Johnson分布直接转换;时间序列法;风速预测;非正态分布;数据转换
【作者】王娟娟;赵闻蕾;王兴强;靳小钊
【作者单位】大连交通大学电气信息学院,辽宁大连116028;大连交通大学电气信息学院,辽宁大连116028;大连交通大学电气信息学院,辽宁大连116028;大连交通大学电气信息学院,辽宁大连116028
【正文语种】中文
【中图分类】TM614
0 引言
当前，我国多个区域电网处于风电大规模开发且计划上网而系统调峰能力有限的环境之下，故风电并网消纳问题引起了众多学者的关注[1-4]。

该问题产生的根源即
风速的波动性和随机性使得风电出力呈现出间歇性和不确定性的特点。

因此，风电预测的精确度直接关系到调度中心机组组合、发电计划、调峰策略、备用容量优化等的计划与安排。

风电预测的精确度越高，风电对电网的影响越小。

风电预测分为风速预测[5]与风电功率预测[6]两大类，因风速与风电功率相比更具
有规律性[7]，故基于风速的风电预测更准确。

在现有的多种风速预测方法中，时
间序列预测法[5，7]是一种较常见的预测方法，虽然基于其得到的风速预测结果可控制在一定误差范围之内，但实际上此预测误差可进一步降低，也即基于该方法的预测结果的精度可进一步提高。

这是因为风速大多呈现非正态分布的特性[8]，而
目前常用的时间序列预测模型的预测对象却为平稳、正态、零均值的时间序列[9]。

虽然将非正态数据序列进行正态化处理的方法有多种，如平方根转换、对数转换、季节性差分等[10-11]，但针对具体数据序列，选择何种转换方法需有较丰富的数
学经验，且需对数据进行多次转换，计算过程复杂。

据此，本文在基于时间序列法对风速进行预测的基础上，采用Johnson分布直接
转换对预测结果进行修正，即采用Johnson分布直接转换法[12]进行风速的预测。

主要内容为：对原始风速数据进行初步处理之后，基于时间序列法建模，得到初步的预测结果；然后基于原始风速数据的四阶距，确定合适的Johnson转换曲线及
其分布参数；最后基于该转换曲线修正初步预测结果，得到更符合实际风速数据的预测结果。

仿真结果表明，在将具有正态概率分布特性的初步预测结果转换为非正态分布序列之后，风速的预测精度有了进一步提高，本文所提出的方法是有效且可行的。

1 基于Johnson分布直接转换法的风速预测算法
时间序列预测法即基于一系列按时间排列的平稳序列，探究其内在的变化规律，然后进行引伸外推，以预测其发展趋势的方法。

而Johnson分布直接转换则是将非正态分布序列转换为正态分布序列的转换方法，其实质即针对非正态分布的时间序列，将由时间序列法得到的预测数据转换为更接近原始数据分布特性的数据序列。

因Johnson分布直接转换可在2个具有相当不同分布的随机序列之间建立联系，使其具有几乎相同的自相关函数[12]，故本文将其应用至呈现非正态分布的风速序列的预测中。

为便于叙述，下文将Johnson分布直接转换简称为Johnson转换。

1.1 算法流程
本文算法具体包括以下步骤。

a.原始数据的预处理。

对风速数据序列首先进行零均值检验，若其均值不为零，则对序列进行零均值化处理；然后，对零均值化序列进行平稳性检验，若其不平稳，则需对不平稳序列进行平稳化处理以改善其平稳性；最后对平稳序列进行正态性检验。

b.模型的识别。

判断处理后序列的自相关函数和偏相关函数的特性，依据其属于截尾还是拖尾确定应选用自回归AR（Auto Regressive）模型、滑动平均MA （Moving Average）模型或者自回归滑动平均ARMA（Auto Regressive Moving Average）模型中的哪一种。

c.模型的定阶。

在模型确定之后，采用试探法进行模型阶数的确定，较常用的评价模型优劣的准则之一为最小信息量准则AIC（Akaike Information Criterion）
[13]。

d.模型参数估计。

模型的阶数即决定了参数的个数，参数估计的常用方法为最小二乘法。

e.准则校验。

模型建立之后即要检验模型误差是否为平稳白噪声，若是平稳白噪声
则通过检验，否则重新进行定阶与参数估计，直至通过检验。

可采用χ2检验法进行准则校验。

f.若原始风速数据不满足正态性检验，且经拟合优度检验之后，也不符合任意一种特殊分布，则需对上述预测结果进行修正，即进行Johnson转换。

算法流程如图1所示。

图1 基于Johnson分布直接转换法的风速预测算法流程图Fig.1 Flowchart of wind speed prediction based on Johnson direct transformation
1.2 Johnson转换
如何根据已知样本数据构建合适的Johnson转换曲线是本文方法需解决的关键问题。

目前已有多种构建Johnson转换曲线的方法，其中样本百分位数法[14]因简单有
效而得到广泛应用，该方法的具体步骤如下。

a.选择一个合适的代表性数值z，通过标准正态分布表找出对应于｛-sz，-z，z，sz｝的分布概率p-sz、p-z、pz、psz，其中s一般取3，使得上述分布概率能在
样本数据累计中得到充分确定。

b.在原始样本数据中找出与上述概率对应的分位数 xsz、xz、x-z、x-sz，并令
m=xsz-xz、n=x-z-x-sz、p=xz-x-z，定义分位数比率rQ=mn/p2。

c.若 rQ＜1，则选择 SB分布；若 rQ=1，则选择 SL分布；其他情况选择SU分布。

d.在确定了Johnson分布类型之后，Johnson转换曲线即可确定，其分布参数δ、λ、γ、ζ也可求得。

e.通过得到的Johnson转换公式，即可对前述由时间序列法得到的预测结果进行
修正。

2 实例分析
以我国某地区风电场的实测风速数据为例进行分析，该风电场的风速具有波动较剧
烈、波动幅值不均匀的特点。

在采样时间间隔为1 h的情况下，某月内12天的原始风速数据，即288点的数据序列见图2。

图2 12 d的风速数据序列Fig.2 Wind speed sequence for 12 days
基于MATLAB模拟软件，以前240个数据作为历史数据，建立预测模型，对后
48个数据进行预测，即以前10天的风速数据预测最后2天的风速。

2.1 基于时间序列法的风速预测
依据前述步骤，首先在MATLAB环境下采用mean（）函数对前240个原始风速数据进行零均值检验，其均值非零，故需进行零均值化处理；然后对初步处理之后的数据采用adftest（）函数进行平稳性检验，检测结果为1，则数据平稳；最后
再对此数据采用ksteat（）或 normplot（）函数进行正态性检验。

由检验结果
可知，此时该序列为非正态分布的随机平稳序列，故需先对该数据序列进行时间序列建模。

首先进行模型的识别。

注意在调用MATLAB自相关函数和偏相关函数时，一方面需将延迟参数定义得大一些，以便更加直观和准确地观察自/偏相关函数的相关变
化特性；另一方面，有时仅凭借观察难以得出自/偏相关函数具有截尾特性还是拖
尾特性，这是因为参数估计具有随机性，故即使数据序列呈现截尾的特性，其相关函数有时也会在0附近上下波动。

因此，为了提高模型识别的准确度，通常还要
用区间检验法加以判断，即若函数呈几何方式衰减，且其在某一范围之内波动变化，则可认为此序列具有截尾性质[15]。

上述序列的前200个自相关函数值和偏相关
函数值及其相应的置信区间的近似上下界如图3和4所示。

由图3、4可见，该序列的自相关函数和偏相关函数均具有拖尾性，故应采用ARMA模型。

模型确定之后即可进行模型的定阶和参数估计，最终确定的模型为 ARMA（5，10）。

经χ2检验法检验可知，该预测模型可行。

则由时间序列预测法所得的预
测结果与原始数据间的对比如图5所示。

图3 原始风速序列的自相关函数Fig.3 Autocorrelation function of originalwind speed sequence
图4 原始风速序列的偏相关函数Fig.4 Partial correlation function of original wind speed sequence
图5 原始数据与基于时间序列法的预测数据对比图Fig.5 Comparison between original data and predicted data by time series method
对预测数据进行chi2检验，可知该预测数据序列近似服从正态分布，而原始数据
序列并不服从正态分布。

为了使预测数据更接近原始数据的分布特性，需对预测数据进行修正，即采用Johnson转换曲线对预测数据进行转换。

2.2 Johnson转换对预测结果的修正
2.2.1 z值的选择
因Johnson转换的原始转换式是要将非正态数据序列转换为正态序列，故理论上
z的选取应以转换后数据序列的正态性最好为原则。

因此要考虑分位值的代表性，但为了减少计算量，也需考虑样本量，故一般采用多次重复尝试的方式[14]。

Chou等建议最理想的 z值范围为 0.25、0.26、…、1.25，即从 0.25 增长至 1.25，步长为 0.01[16]。

因本实例中原始数据较多，故在采用上述重复尝试方法确定z值之前，先借鉴文献[14]的思路，将z的上限控制为0.89，以缩小理想z值的搜索范围。

经反复验证，本实例中z的取值为0.56时，经Johnson转换之后的数据的正态性最好。

2.2.2 分位数的确定
z值确定之后，根据分布概率，即可求得分位数。

但在样本数据中并不是每次都可以直接得到分位数，此时，可采用内插法[14]得到近似的分位数。

2.2.3 Johnson转换曲线的选择
由分位数的计算结果可知rQ＞1，故选择SU分布。

此时，对应的Johnson转换
曲线为：
则非正态数据序列x转换为标准正态分布数据序列y的转换式为：
因本文需将预测得到的正态数据序列转换为更符合原始数据序列分布特性的非正态分布序列，故所需要的Johnson转换公式为：
其中，y为时间序列法的预测结果；x为经Johnson转换之后的非正态数据序列。

2.2.4 Johnson转换的转换结果
时间序列法的预测数据、原始数据及Johnson转换的结果所对应的正态概率图如
图6所示。

由图可见，因Johnson转换曲线是根据原始数据的数据特性确定的，故时间序列法的预测结果经由Johnson转换之后更加接近原始数据的非正态特性。

图6 时间序列预测结果与原始数据及预测修正结果的正态概率图Fig.6 Normal probability chart of predicted data by time series method，original data and predicted data by proposed method
综上所述，原始数据与预测结果及预测修正结果如图7所示。

图7 原始数据与预测结果及预测修正结果的对比图Fig.7 Comparison among original data，predicted data by time series method and predicted data by proposed method
2.2.5 误差分析
文献[7]定义了风速预测的绝对平均误差e：
其中，N为被预测的数据序列的采样点数；为第n个采样点的预测值；yn为第n
个采样点的原始值。

根据此定义，由时间序列预测法和Johnson转换法得到的预测结果与原始数据的绝对平均误差分别为29.5%与22.33%。

由此可见，利用Johnson转换对时间序列法的预测结果进行修正之后，预测精度有了进一步提高。

3 结论
风速预测对于风电的大规模发展以及电力系统的稳定运行具有重要意义。

时间序列法用于风速预测是有效的，但其预测结果多为正态分布的数据序列，而大多数的原始风速数据呈现出非正态分布的特性。

故本文将Johnson转换法应用在风速预测中，即根据原始数据的四阶距，构建合适的Johnson转换曲线，对时间序列法得到的预测结果进行修正，从而使得风速预测精度进一步提高。

【相关文献】
[1]贾文昭，康重庆，李丹，等.基于日前风功率预测的风电消纳能力评估方法[J].电网技术，2012，36（8）：69-75.
JIA Wenzhao，KANG Chongqing，LI Dan，et al.Evaluation on capability of wind power accommodation based on its day-ahead forecasting[J].Power System Technology，2012，36（8）：69-75.
[2]陈建华，吴文传，张伯明，等.消纳大规模风电的热电联产机组滚动调度策略[J].电力系统自动化，2012，36（24）：21-27，48.
CHEN Jianhua，WU Wenchuan，ZHANG Boming，et al.A rolling generation dispatch strategy for co-generation units accommodating large-scale wind power
integration[J].Automation of Electric Power Systems，2012，36（24）：21-27，48.
[3]孙惠娟，彭春华，易洪京.大规模风电接入电网多目标随机优化调度[J].电力自动化设备，2012，32（5）：123-128.
SUN Huijuan，PENG Chunhua，YI Hongjing.Multi-objective stochastic optimal dispatch
of power system with wind farms[J].Electric Power Automation Equipment，2012，32（5）：123-128.
[4]李丰，张粒子.大规模风电跨省消纳与交易机制的研究[J].电力自动化设备，2013，33（8）：
119-124.
LI Feng，ZHANG Lizi.Accommodation and transaction mechanism of transprovincial
large-scale wind power[J].Electric Power Automation Equipment，2013，33（8）：119-124.
[5]丁明，张立军，吴义纯.基于时间序列分析的风电场风速预测模型[J].电力自动化设备，2005，
25（8）：32-34.
DING Ming，ZHANG Lijun，WU Yichun.Wind speed forecast model for wind farms based on time series analysis[J].Electric Power Automation Equipment，2005，25（8）：32-34. [6]凌武能，杭乃善，李如琦.基于云支持向量机模型的短期风电功率预测[J].电力自动化设备，2013，33（7）：34-38.
LING Wuneng，HANG Naishan，LI Ruqi.Short-term wind power forecasting based on cloud SVM model[J].Electric Power Automation Equipment，2013，33（7）：34-38.
[7]杨秀媛，肖洋，陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报，2005，25（11）：1-5.
YANG Xiuyuan，XIAO Yang，CHEN Shuyong.Wind speed and generated power forecasting in wind farm[J].Proceedings of the CSEE，2005，25（11）：1-5.
[8]程炳岩，丁裕国，汪方.非正态分布的天气气候序列极值特征诊断方法研究[J].大气科学，2003，27（5）：920-928.
CHENG Bingyan，DING Yuguo，WANG Fang.A diagnosis method of the extreme features of weather and climate in time series based on non-normal distribution[J].Chinese Journal of Atmospheric Sciences，2003，27（5）：920-928.
[9]张树京，齐立心.时间序列分析简明教程[M].北京：清华大学出版社，2003：40-50.
[10]陈学君，苏仲岳，李仲龙，等.年降水量数据的正态变换方法对比分析[J].干旱气象，2012，30（3）：459-464.
CHEN Xuejun，SU Zhongyue，LI Zhonglong，et parative analysis of the normal transformation methods about annual precipitation[J].Journal of Arid Meteorology，2012，30（3）：459-464.
[11]赵宽，陈建军，闫彬，等.含随机参数的多体系统动力学分析[J].力学学报，2012，44（4）：802-806.
ZHAO Kuan，CHEN Jianjun，YAN Bin，et al.Dynamic analysis of multibody systems with probabilistic parameters[J].Chinese Journal of Theoretical and Applied Mechanism，2012，44 （4）：802-806.
[12]顾新建，黄逸云.一种非正态分布随机序列建模和模拟的新方法[J].浙江大学学报：自然科学版，1991，25（2）：225-233.
GU Xinjian，HUANG Yiyun.A new simulation method for random series with non-normal distribution[J].Journal of Zhejiang University：Natural Science，1991，25（2）：225-233.
[13]郭鹏.自回归滑动平均模型风速预测最大风能追踪策略研究[J].华北电力大学学报，2010，37
（2）：89-93.
GUO Peng.Research of a new MPPT strategy based on ARMA model wind
prediction[J].Journal of North China Electric Power University，2010，37（2）：89-93. [14]卓德保，刘晓芬.用约翰逊曲线拟合非正态过程数据的质量控制[J].系统工程理论与实践，1999，19（11）：97-101，123.
ZHUO Debao，LIU ing Johnson curves to control non-normal
process[J].Systems Engineering-Theory&Practice，1999，19（11）：97-101，123.
[15]唐启义.DPS数据处理系统：实验设计、统计分析及数据挖掘[M].2版.北京：科学出版社，2010：849-855.
[16]周群艳，田澎，田志友.基于Johnson转换体系的非正态过程能力指数估计[J].系统工程，2004，22（5）：98-102.
ZHOU Qunyan，TIAN Peng，TIAN Zhiyou.Estimation of nonnormal process capability index based on Johnson system of transformations[J].Systems Engineering，2004，22（5）：98-102.。