[發明專利]基于無限混合高斯和樣條回歸的風電功率曲線擬合方法

有效

• 申請號: 201810023362.0
• 申請日: 2018-01-10
• 公開（公告）號: CN108090323B
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 胡清華;汪運
• 申請（專利權）人: 天津大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06Q50/06
• 代理公司: 北京東方盛凡知識產權代理事務所(普通合伙) 11562
• 代理人: 宋平

本發明公開了一種基于無限混合高斯和樣條回歸的風電功率曲線擬合方法，包括進行數據預處理、構造魯棒的樣條回歸模型、利用變分貝葉斯優化魯棒的樣條回歸模型、得出功率曲線以及概率功率曲線的步驟，本發明的風電功率曲線擬合方法只需要設置一些初始化參數，方法簡單，能夠容忍訓練數據中存在一些非一致樣本，精度高、誤差小，可以進一步提高風電預報的精度。

技術領域

本發明涉及新能源領域和機器學習領域，特別涉及一種基于無限混合高斯和樣條回歸的風電功率曲線擬合方法。

背景技術

當前，隨著全球的能源危機的出現以及使用傳統能源如煤，石油等帶來的日趨嚴峻的環境問題，找到替代原有的傳統能源的任務越來越緊迫。風電作為一種清潔、可再生的能源受到了越來越多的關注。大規模的風電并網將會在一定程度上緩解能源危機，并且能帶來經濟效益和減少緩解污染。然而，由于風電本身的隨機性和間歇性，從而導致在大規模風電并網后對整個電力系統的完全性和穩定性產生巨大影響。因此，從風電并網的角度來說，準確的功率預報是很有必要的，此外還可以減少電力系統的運行成本。

由于風速和功率之間的關系可以用功率曲線來表示。因此風電預報常用兩步法，第一步先得到風速的預報值，第二步是利用功率曲線得到功率的預報。通常情況下，功率曲線是由風機的生產廠商提供的。然而，該功率曲線是一條理論的功率曲線，沒有考慮環境等因素(如氣溫和濕度等)的影響。在實際中，隨著地理環境和氣候的不同，實際功率曲線會產生變化。因此，直接利用理論功率曲線來實現功率預報會帶來額外的預報誤差。因此，很多學者也研究如何去得到一個準確的實際功率曲線來進一步提高風電預報的精度。除此以外，準確的功率曲線還能夠在線監測風機的運行狀態和減少風機的運行和維護成本等。

目前，可以將風電功率曲線建模技術分成兩大類：參數模型和非參數模型。一般地，參數模型主要由帶有幾個參數的數學表達式構成，主要包括線性分割法、多項式功率曲線、理想功率曲線、概率模型、動態功率曲線、4參數、5參數logistics模型以及修正的雙曲正切模型等。對于多項式模型而言，常用三次功率曲線、二次功率曲線、6階以及9階多項式模型來擬合功率曲線。參數模型的缺點是在描述功率曲線的動態特性上其性能有限。與參數模型不同，非參數模型不需要利用一些數學表達式也不需要對功率曲線的形狀有先驗知識，僅僅利用歷史的功率以及風速數據就可以擬合出各種各樣的功率曲線。非參數模型主要包括樣條回歸，人工神經網絡法，模糊法和一些數據挖掘的方法如支持向量機，隨機森林和K近鄰等。盡管非參數模型比參數模型靈活，但是其計算量也相對較大。

除了功率曲線的建模方法外，另一個影響我們獲得一個精確的功率曲線的因素是數據的質量。然而，在實際中，獲得的風速與功率的數據中經常會存在很多不一致的樣本。造成以上現象的原因包括傳感器誤差、停機維護、棄風限電以及環境因素如結冰等。不一致樣本的特性是在給定一個風速，真實的功率數據遠離功率曲線。為了提高數據的質量，通常用提前去除這些不一致樣本，然后再利用處理后的數據構建功率曲線模型。然而，此類方法的缺陷在于我們無法保證所有的不一致樣本都能被檢測到。

在數據中存在一些非一致樣本時，由于實際功率與功率曲線上的功率距離較遠，因此此處的誤差較大，誤差分布呈現出非高斯特性，具有長尾現象。此種情況下高斯分布很難描述以上特性的誤差分布。然而，當前的一些模型如樣條回歸、多項式模型等都假設誤差服從高斯分布，在訓練數據中存在一些非一致樣本時，真實的誤差分布特性與假設的誤差分布之間并不一致。因次，在存在非一致樣本的情況下，假設誤差服從高斯分布的功率曲線模型并不合適。

發明內容

本發明的目的是解決現有風電功率曲線的精度較低誤差較大的技術問題，本發明提供一種基于無限混合高斯和樣條回歸的風電功率曲線擬合方法。

本發明解決技術問題采用如下技術方案：

一種基于無限混合高斯和樣條回歸的風電功率曲線擬合方法，包括以下步驟：

1)數據預處理：