风功率曲线多目标综合评价方法、装置及服务器转让专利
申请号 : CN201910743111.4
文献号 : CN110457821B
文献日 : 2021-07-02
发明人 : 胡阳 , 潘晨阳 , 奚芸华
申请人 : 华北电力大学
摘要 :
权利要求 :
1.一种风功率曲线多目标综合评价方法,其特征在于,包括:获取实测数据样本,其中,所述实测数据样本为指定时间段内风电场中风机的风速和功率的实测运行数据;
根据所述实测数据样本绘制所述指定时间段内所述风机的风功率曲线;其中,所述风功率曲线为基于所述风速和所述功率的曲线;
基于所述风功率曲线建立评价模型,计算所述评价模型对应的评价指标;
根据所述评价指标对所述风功率曲线进行多目标综合评价;
其中,所述评价模型包括所述风功率曲线的条件概率不确定模型;所述基于所述风功率曲线建立评价模型,计算所述评价模型对应的评价指标的步骤包括:计算所述风速输入条件下,输出功率的条件概率分布;基于所述条件概率分布,采用相关向量机方法进行条件概率建模,得到所述风功率曲线的条件概率不确定模型;根据所述条件概率不确定模型计算评价指标,其中,所述评价指标包括所述指定时间段内的平均区间覆盖合格率、平均区间覆盖置信误差、输出区间平均带宽;所述评价模型还包括所述风功率曲线的回归曲线模型;
所述基于所述风功率曲线建立评价模型,计算所述评价模型对应的评价指标的步骤包括:基于所述风功率曲线,采用回归曲线的方式进行建模,建立理论功率恢复误差在理论功率恢复值下的条件概率分布模型;根据所述条件概率分布模型计算评价指标,其中,所述评价指标包括:平均区间覆盖合格率、平均区间覆盖置信误差和输出区间平均带宽;
所述根据所述评价指标对所述风功率曲线进行多目标综合评价的步骤,包括:采用核密度估计的概率值分别作为所述条件概率不确定模型和所述条件概率分布模型的各个所述评价指标隶属于对应的评价等级的模糊权重,以得到多目标综合评价的综合评价分数。
2.根据权利要求1所述的方法,其特征在于,所述评价模型包括所述风功率曲线的周期性评价指标模型;
所述基于所述风功率曲线建立评价模型,计算所述评价模型对应的评价指标的步骤包括:
根据所述实测数据样本采用相关向量机进行回归建模,得到基于所述风功率曲线的条件期望确定性模型;
根据所述条件期望确定性模型计算评价指标,其中,所述评价指标包括所述风功率曲线在所述指定时间段内的归一化均方根误差、归一化平均绝对值误差、理论功率恢复合格率、理论功率恢复极值合格率、实际功率与理论恢复功率的互相关系数、实际电量与理论恢复电量的偏差。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:对所述评价指标进行积累统计,生成所述指定时间段的样本序列,根据所述样本序列对所述评价指标进行归一化处理。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:对于归一化处理的所述评价指标,采用特征提取法对具有相关性的评价指标进行降维,以简化所述评价指标对应的指标体系的层次。
5.一种风功率曲线多目标综合评价装置,其特征在于,包括:获取模块,用于获取实测数据样本,其中,所述实测数据样本为指定时间段内风电场中风机的风速和功率的实测运行数据;
绘制模块,用于根据所述实测数据样本绘制所述指定时间段内所述风机的风功率曲线;其中,所述风功率曲线为基于所述风速和所述功率的曲线;
建立模块,用于基于所述风功率曲线建立评价模型,计算所述评价模型对应的评价指标;
评价模块,用于根据所述评价指标对所述风功率曲线进行多目标综合评价;
其中,所述评价模型包括所述风功率曲线的条件概率不确定模型;所述建立模块包括:计算所述风速输入条件下,输出功率的条件概率分布;基于所述条件概率分布,采用相关向量机方法进行条件概率建模,得到所述风功率曲线的条件概率不确定模型;根据所述条件概率不确定模型计算评价指标,其中,所述评价指标包括所述指定时间段内的平均区间覆盖合格率、平均区间覆盖置信误差、输出区间平均带宽;所述评价模型还包括所述风功率曲线的回归曲线模型;所述建立模块包括:基于所述风功率曲线,采用回归曲线的方式进行建模,建立理论功率恢复误差在理论功率恢复值下的条件概率分布模型;根据所述条件概率分布模型计算评价指标,其中,所述评价指标包括:平均区间覆盖合格率、平均区间覆盖置信误差和输出区间平均带宽;
所述评价模块包括:采用核密度估计的概率值分别作为所述条件概率不确定模型和所述条件概率分布模型的各个所述评价指标隶属于对应的评价等级的模糊权重,以得到多目标综合评价的综合评价分数。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:归一化模块,用于对所述评价指标进行积累统计,生成所述指定时间段的样本序列,根据所述样本序列对所述评价指标进行归一化处理。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:降维模块,用于对于归一化处理的所述评价指标,采用特征提取法对具有相关性的评价指标进行降维,以简化所述评价指标对应的指标体系的层次。
8.一种服务器,其特征在于,所述服务器包括处理器和存储器;其中,所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1‑4任一所述的方法步骤。
说明书 :
风功率曲线多目标综合评价方法、装置及服务器
技术领域
背景技术
优化调度等具有重要意义。因而,获取高保真风功率曲线是当前学界和工业界的一个重要
关注点。
实际值之间的误差统计进行。主要指标有平均绝对值误差(MAE)、均方根误差(RMSE)、平均
绝对百分比误差(MAPE)或者它们的变形。然而,在利用风功率曲线进行理论值计算时,其性
能不仅限于误差方面的指标,还包括极值、理论值与实际值的相关性、一定时间段内的累积
电量偏差等不同角度的性能评价指标。此外,实际风速、功率运行数据富含不确定性,风功
率曲线的不确定性建模及评价等也尚未得到足够关注,使得难以对风功率曲线进行多目标
的综合评价。
发明内容
行数据;根据实测数据样本绘制指定时间段内风机的风功率曲线;其中,风功率曲线为基于
风速和功率的曲线;基于风功率曲线建立评价模型,计算评价模型对应的评价指标;根据评
价指标对风功率曲线进行多目标综合评价。
计算评价模型对应的评价指标的步骤包括:计算风速输入条件下,输出功率的条件概率分
布;基于条件概率分布,采用相关向量机方法进行条件概率建模,得到风功率曲线的条件概
率不确定模型;根据条件概率不确定模型计算评价指标,其中,评价指标包括指定时间段内
的平均区间覆盖合格率、平均区间覆盖置信误差、输出区间平均带宽。
计算评价模型对应的评价指标的步骤包括:根据实测数据样本采用相关向量机进行回归建
模,得到基于风功率曲线的条件期望确定性模型;根据条件期望确定性模型计算评价指标,
其中,评价指标包括风功率曲线在指定时间段内的归一化均方根误差、归一化平均绝对值
误差、理论功率恢复合格率、理论功率恢复极值合格率、实际功率与理论恢复功率的互相关
系数、实际电量与理论恢复电量的偏差。
价模型对应的评价指标的步骤包括:基于风功率曲线,采用回归曲线的方式进行建模,建立
理论功率恢复误差在理论功率恢复值下的条件概率分布模型;根据条件概率分布模型计算
评价指标,其中,评价指标包括:平均区间覆盖合格率、平均区间覆盖置信误差和输出区间
平均带宽。
价指标进行归一化处理。
具有相关性的评价指标进行降维,以简化评价指标对应的指标体系的层次。
功率的实测运行数据;绘制模块,用于根据实测数据样本绘制指定时间段内风机的风功率
曲线;其中,风功率曲线为基于风速和功率的曲线;建立模块,用于基于风功率曲线建立评
价模型,计算评价模型对应的评价指标;评价模块,用于根据评价指标对风功率曲线进行多
目标综合评价。
根据样本序列对评价指标进行归一化处理。
的评价指标进行降维,以简化评价指标对应的指标体系的层次。
时,实现第一方面所述的方法步骤。
据该实测数据样本绘制指定时间段内风机的风功率曲线,进而基于该风功率曲线建立评价
模型,计算评价模型对应的评价指标;以便于根据评价指标对风功率曲线进行多目标综合
评价,进而对风功率曲线的综合性能进行量化评价,较好地解决了风功率曲线性能的综合
评价问题,为后续数据分析奠定了坚实基础。
以及附图中所特别指出的结构来实现和获得。
附图说明
附图是本发明的一些实施方式,对于本领域技术人员来讲,在不付出创造性劳动的前提下,
还可以根据这些附图获得其他的附图。
具体实施方式
全部的实施例。基于本发明中的实施例,本领域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。
综合评价是必要的。根据现有研究,尚未有研究针对风功率曲线性能评价定义多目标指标
体系并基于此进行多目标综合评价。基于此,本发明实施例提供的一种风功率曲线多目标
综合评价方法、装置及服务器,可以有效缓解上述难以对风功率曲线进行多目标的综合评
价的技术问题。
数据进行处理,图1示出了一种计算服务器的硬件实施方案示意图,通常,该计算服务器设
置有风电场SCADA系统数据库、数据模块、计算模块、可视化模块以及缓存模块,其中,风电
场SCADA(Supervisory Control And Data Acquisition,数据采集与监视控制系统)系统
数据库主要用于风电场的运行数据的采集和存储,数据模块、计算模块和可视化模块则用
于运行数据的处理过程,缓存模块用于对其他几个模块的数据进行缓存处理,以便于计算
服务器执行本发明实施例的风功率曲线多目标综合评价方法。
率关系的曲线。
S108的步骤,对风功率曲线进行多目标综合评价。
的评价模型,进而计算多目标的评价指标,实现对风功率曲线的多目标综合评价,以凸显不
同风功率曲线的性能差异。
本绘制指定时间段内风机的风功率曲线,进而基于该风功率曲线建立评价模型,计算评价
模型对应的评价指标;以便于根据评价指标对风功率曲线进行多目标综合评价,进而对风
功率曲线的综合性能进行量化评价,较好地解决了风功率曲线性能的综合评价问题,为后
续数据分析奠定了坚实基础。
概率建模,得到风功率曲线的条件概率不确定模型;根据条件概率不确定模型计算评价指
标,其中,该评价指标包括指定时间段内的平均区间覆盖合格率、平均区间覆盖置信误差、
输出区间平均带宽,其中,为了便于理解,图3示出了一种风功率曲线的概率分布示意图,其
中,横坐标为风速V(m/s),纵坐标为风功率P(KW),如图3所示。
1.5MW变速变桨风机的实测运行数据为例进行说明,在实际使用时,可以设置采样周期为5
分钟/点,示例数据为2017年1月至5月。首先,采用2017年1至4月的风速、功率数据进行建
模,得到风功率曲线的条件概率不确定性模型,然后,构建日评价指标体系,采用5月的日风
速、功率数据对该不确定性模型进行性能评价。因此,上述评价指标包括的指定时间段内的
平均区间覆盖合格率通常是日区间覆盖合格率,通常,表示为:
点较多时,两者具有相同的极限。于是,得到日平均区间覆盖合格率:
一共得到31组指标序列。
率曲线进行理论值计算时,对风功率曲线性能的评价通常基于计算值与实际值的误差统计
及其变形指标。然而,随着应用场景的变化,风功率曲线的理论值计算性能可以从不同角度
得到评价。
述步骤S106中,建立评价模型以及计算评价指标的步骤包括:
在所述指定时间段内的归一化均方根误差、归一化平均绝对值误差、理论功率恢复合格率、
理论功率恢复极值合格率、实际功率与理论恢复功率的互相关系数、实际电量与理论恢复
电量的偏差。
不同角度建立风功率曲线日评价指标。功率计算值与实际值的偏差定义为:
1。
精度要求,则认为该极值是合格的;否则,该极值是不合格的。如果实际功率存在极值,而计
算功率没有极值,则认为该极值被忽略了。如果实际功率无极值,而计算功率有极值,则认
为该极值被误报了。具体地,上述公式中,各个极值的计算过程,可以根据上述风功率曲线
进行计算,具体计算过程可以参考其他相关资料,本发明实施例对此不进行限制。
范围为[0,1],属于越大越优型指标。为了降低指标不同变化范围对综合评价的影响,其归
一化如下:
对应的指标体系的层次。具体地,可以采用主元分析法进行主导特征提取。对比上述评价指
标,其中,基于误差统计得到的IBias、INRMSE、INMAE属于相关性较强的同类指标,需要进行主导
特征提取,得到指标IErr。如果不进行主元分析降维,需要设置两层指标体系并进行模糊综
合评价。
价指标包括:平均区间覆盖合格率、平均区间覆盖置信误差和输出区间平均带宽。
方法,该不确定性建模及评价依赖于风功率曲线的回归曲线建模,在此基础上,对回归值下
回归误差的条件概率分布进行建模。具体地,基于一定短时周期时间段内的风速、功率采样
数据,分别评价该不确定性模型在此周期内的平均区间覆盖合格率、平均区间覆盖置信误
差、输出区间平均带宽等。经过长时周期内若干短时周期的积累形成样本序列。同时,制定
了这些评价指标的归一化方法,以消除不同指标量纲上的差异。需要注意的是,虽然这些不
确定性评价指标直接反映了风功率曲线的不确定性建模性能,但是,其也在某种程度上间
接反映了风功率曲线的确定性建模性能。因而,两者通常可同时使用,以综合反映基于回归
方法的风功率曲线的建模性能。
定性指标通常指的是基于风速和输出功率的条件概率分布,采用相关向量机方法建模得到
风功率曲线的条件概率不确定模型的过程;风功率曲线的回归确定性指标通常指的是采用
回归方法建立风功率曲线的确定性建模过程;风功率曲线的理论功率恢复条件概率的不确
定指标通常指基于理论功率恢复值下恢复误差的条件概率分布的风功率曲线不确定性建
模过程。
步,图5示出了一种综合评价分数的展示图,其中,该图截取了3月份的若干天的评价结果。
复值、恢复误差进行建模,得到风功率曲线确定性建模下理论功率恢复误差在理论功率恢
复值下的条件概率分布模型。然后,构建日评价指标体系,采用5月的日理论功率恢复值、理
论功率恢复误差对该不确定性模型进行性能评价。其中,理论功率恢复的日平均区间覆盖
合格率定义同上述公式(3);理论功率恢复的日平均区间覆盖置信误差定义同上述公式
(4);理论功率恢复的日平均输出区间带宽定义同上述公式(5)。基于已建立的风功率确定
性曲线、理论功率恢复值的条件概率不确定性曲线,采用上述指标分别统计5月共31日的评
价指标,一共得到31组指标序列。各指标的归一化方法参考上述公式(6)、(7),在此不再赘
述。
有效凸显不同风功率曲线的性能差异。
能的比较。
结构示意图,包括以下结构:
同的技术效果。
法步骤。
处理器800用于执行存储器801中存储的可执行模块,例如计算机程序。其中,存储器801可
能包含高速随机存取存储器(RAM,RandomAccess Memory),也可能还包括非不稳定的存储
器(non‑volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口803(可以是
有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广
域网,本地网,城域网等。总线802可以是ISA总线、PCI总线或EISA总线等。总线可以分为地
址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅
有一根总线或一种类型的总线。其中,存储器801用于存储程序,处理器800在接收到执行指
令后,执行程序,前述本发明实施例任一实施例揭示的风功率曲线多目标综合评价装置所
执行的方法可以应用于处理器800中,或者由处理器800实现。处理器800可能是一种集成电
路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器800中的
硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器800可以是通用处理器,包括
中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称
NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路
(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field‑
Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑
器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框
图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明
实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器
中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可
编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储
介质位于存储器801,处理器800读取存储器801中的信息,结合其硬件完成上述方法的步
骤。
执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是
两个元件内部的连通。对于本领域技术人员而言,可以具体情况理解上述术语在本发明中
的具体含义。
对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计
算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个
人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read‑Only Memory)、随机存取存
储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、
以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、
“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭
露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变
化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术
方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之
内。因此,本发明的保护范围应以权利要求的保护范围为准。