[发明专利]基于RBF核函数的空间多维风电功率数据降维及重构方法

说明书

本发明公开了基于RBF核函数的空间多维风电功率数据降维方法，包括：采集多座风电场连续多个小时级功率数据样本；计算核矩阵；计算核矩阵的特征值与特征向量；将特征值进行降序排列，取特征值序列中前r个特征值和对应的特征向量；利用核矩阵和选出的特征值、特征向量计算降维结果。本发明还公开了对应的数据重构方法，包括：以原始数据降维结果和构造的同质数据降维结果的误差最小为优化目标，搜寻最优核参数；对核主成分分析法降维结果进行重构。­本发明的方法使数据变得更少而特征更加独立，有利于大规模风电数据实现并网运行；本发明的降维数据在可信赖性与连续性方面优于现有的降维方法；本发明方法得到的重构数据与原始数据的误差小。

技术领域

本发明属于可再生能源发电与综合消纳领域，具体涉及一种基于RBF核函数的空间多维风电功率数据降维及重构方法。

背景技术

风能作为一种清洁、低成本和技术成熟的可再生能源，已成为目前开发规模最大的新能源发电形式。然而，由于风能具有的强随机性与间歇性，大量风电接入电网势必会对电网的安全与稳定运行产生巨大影响。当前，有众多学者从风电大规模并网对电网安全运行的影响为对象开展研究，提出了改善风电消纳能力的诸多解决措施，但鲜有文献关注已有风电功率的特征提取和数据降维问题。目前，国内外对风电功率的特征提取和数据降维方法主要包括：线性降维方法如主成分分析法((Principal Component Analysis，PCA)、因子分析法(Factor Analysis,FA)；基于流形学习的非线性降维方法如等距特征映射法(Isometric feature mapping，Isomap)，局部线性嵌入法(Locally Linear Embedding，LLE)；基于神经网络的非线性降维方法如自编码器(AutoEncoder)；基于核函数思想的非线性降维方法如核主成分分析法。这些方法在不同的领域，针对不同的海量数据类型都显示出了各自的优越性，但在针对海量风电数据的时候，却暴露出各自的局限性，例如：线性方法无法提取风电数据的非线性特征；基于流形学习思想的非线性降维方法对数据在高维空间的分布密度有很高的要求；而基于神经网络的非线性降维方法仅仅依靠损失函数进行训练，很难完整地学习到数据的本质特征；基于核函数思想的非线性降维方法对核参数的确定一直是研究的难点。并且非线性降维方法有个共性的问题在于如何对降维结果实现原像重构。

因此，研究空间多维风电功率数据降维及重构方法，依据风电数据本身的特性，对核主成分分析法的核参数确定问题以及原像重构问题加以完善，提出一种最优RBF核主成分分析法实现空间多维风电功率的降维与特征提取。

发明内容

本发明的目的是针对上述问题，深入挖掘空间多维风电功率的内在规律，提供对空间多维风电功率实现特征提取与数据降维的最优RBF核主成分分析法，使得降维数据具有良好的连续性，并提供一种对降维数据重构到原始多维空间的数据重构方法，使得重构的数据与降维前的数据的误差小。

本发明的技术方案是基于RBF核函数的空间多维风电功率数据降维方法，包括以下步骤，

步骤1：采集多座风电场连续多个小时级功率实测数据样本；

步骤2：采用核主成分分析法(Kernel Principal Component Analysis，KPCA)对步骤1的空间多维风电功率数据进行降维；

步骤2.1：针对空间多维风电功率数据矩阵，计算核矩阵；

步骤2.2：计算核矩阵的特征值与特征向量；

步骤2.3：将特征值进行降序排列，取特征值序列中前r个特征值和对应的特征向量，r为降维后的维数；

步骤2.4：利用核矩阵和步骤2.3选出的特征值、特征向量计算降维结果。

进一步地，采用基于RBF核函数的核主成分成分法对空间多维风电功率数据进行降维，所述空间多维风电功率数据降维方法具体包括以下步骤，