[发明专利]一种基于ARMA模型的海洋波浪波高预测方法

说明书

技术领域

本发明涉及一种基于ARMA模型(自回归滑动平均模型)的海洋波浪波高预测方法，属于数据处理和预测技术。

背景技术

海洋波浪发电系统的作用是把海洋波浪能转换成电能，然后向海上平台和偏远岛屿上的用电设备进行供电，或者进行远距离并网输电。在较少的资金投入的情况下，如何能够最大化地把海洋波浪能转换成电能，成为当前海洋波浪发电研究领域的热门问题。根据能量传递和机械振荡理论，只有海洋波浪发电系统的运行频率与海洋波浪的运行频率达到共振的条件下，才能够最大化地把海洋波浪能转换成电能。因此，预测未来某一时间段内的海洋波浪波高数据序列，对于实施海洋波浪发电系统的优化控制，尤为重要。

通常情况下，获得未来某一时间段内的海洋波浪波高数据序列，有两种方法：第一种方法是在海洋波浪发电系统的波前某一距离点装设波高传感器采集装置，在采集到当前位置的波高之后，根据波高传感器采集装置与海洋波浪发电系统之间的距离和波浪向前传播的速度，进而对海洋波浪发电系统实施优化控制，从而使海洋波浪发电系统与当前海洋波浪波高的运行频率达到共振；第二种方法是采用AR(Auto-Regressive)模型或Bp神经网络算法等方式，预测未来某一时间段的海洋波浪波高数据序列，进而实现海洋波浪发电系统的优化控制。然而，上述两种获得未来某一时间段内的海洋波浪波高数据序列的方法，均有其难点或不足。针对第一种方法，需要在海洋中独立地安装波高传感器采集装置，不仅增加了安装工程的实施费用，也降低了海洋波浪面积的利用效率，尤其是针对大规模的海洋波浪发电阵列而言；针对第二种方法，由于AR模型是一种线性模型，而海洋波浪波高的变化是非线性的，所以AR模型无法准确地预测未来某一时间段内的海洋波浪波高数据序列。Bp神经网络算法耗时长，且由于海洋波浪波高的周期是非恒定的，所以BP神经网络算法也不适合未来某一时间段的海洋波浪波高预测。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于ARMA模型的海洋波浪波高预测方法，以准确地预测海洋波浪波高的数据序列，使海洋波浪发电系统的运行效率最大化。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于ARMA模型的海洋波浪波高预测方法，包括如下步骤：

(1)利用波高传感器采集海洋波浪波高的历史数据和当前数据，形成一组具有时间顺序的数据序列，该数据序列的时长为8～16秒为宜；

(2)对采集到的数据序列进行差分运算，消除数据序列的不平稳趋势性，使数据序列的变化过程为平稳过程；

(3)对差分运算后的数据序列进行标准化处理，使数据序列之间具有规律性和可比性；

(4)计算标准化处理后的数据序列的自相关系数和偏相关系数，自相关系数可以体现数据序列构成模式的固有特性，偏相关系数可以分析数据序列的截尾性，通过自相关系数和偏相关系数建立具有一定自回归阶数和移动平均阶数的ARMA模型；

(5)通过建立的ARMA模型预测未来某一时间段内(1～3秒为宜)海洋波浪波高的预测数据序列。

具体的，所述步骤(1)中，利用波高传感器采集海洋波浪波高的历史数据和当前数据，其中波高传感器的采集频率要适当，一般情况下波高传感器的采集频率不低于20Hz，只有单位时间内采集足够的历史海洋波浪波高数据和当前海洋波浪波高数据，才能够更加准确地、有效地预测未来某一时间段内海洋波浪波高的预测数据序列，从而为海洋波浪发电系统的优化控制提供参考依据。

具体的，所述步骤(2)中，差分运算的计算公式为H(n)＝X(n)-X(n-1)，其中X(n)为数据序列中的第n个元素，N为数据序列的个数，n＝1,2,…,N；N为大于零的适当整数，N越大，利用ARMA模型预测未来某一时间段内海洋波浪波高的预测数据序列越准确。

具体的，所述步骤(2)中，为了保证数据序列的平稳性，需要对数据序列进行两次差分运算。