[发明专利]基于非对称损失与混合智能优化算法的功率曲线建模方法

说明书

本发明涉及新能源和统计学习领域，特别涉及一种基于非对称损失与混合智能优化算法的功率曲线建模方法。所述方法包括：将风电场数据集划分为训练集、验证集和测试集；选定多个风功率曲线参数拟合模型，并构建非对称损失目标函数；以非对称损失目标函数为适应度函数采用预设的混合优化算法进行参数优化，获得多个待确定非对称损失目标函数参数对应的多个优化模型；采用验证集对所述优化模型进行评估，筛选出最优非对称损失目标函数参数和对应的最优参数模型；最后采用测试集对最优参数模型进行评估。该方法能够提高模型的准确性和可靠性，同时提高模型参数优化的效率和精度。

技术领域

本发明涉及新能源和统计学习领域，特别涉及一种基于非对称损失与混合智能优化算法的功率曲线建模方法。

背景技术

能源是人类赖以生存的基础，但随着社会的快速发展，能源消耗不断增加，人类面临着日益严重的能源短缺和环境破坏等危机，全球变暖已成为国际社会关注的中心问题。在此背景下，发展可再生能源对于保障能源安全、促进环境保护、实现经济可持续发展具有重要意义。考虑到风能的环境友好性，它已经成为发展最快的可再生能源之一。在风力发电的发展过程中，风功率曲线对风力机性能的研究具有重要的意义，它影响着风能利用的质量、风电功率预测的准确性和电网规划的有效性。

风功率曲线是一种表征风机发电性能的曲线，它反映了输入风速与输出功率之间的非线性关系。风功率曲线在风力发电机组状态监测和故障排除、风机选型、风能评估、电网调度规划等方面发挥着重要作用。获取风功率曲线最直接的方法是由生产厂家提供，但他们提供的往往是在封闭环境下获得的理论曲线，无法反映在复杂的实际环境下风电机组的真实性能。在现有研究中，通过风机实际运行数据进行风功率曲线的建模，建模方法可以分为两大类:参数方法和非参数方法。

参数方法是使用数学表达式来描述风速和功率输出之间的映射关系，通常表现为一条S形曲线，典型的参数模型有:多项式模型、修正双曲正切(MHTan)模型、参数逻辑函数(3-PLF,4-PLF,5-PLF,6-PLF)、WERA模型等。非参数建模方法不会对模型表达式做过多的假设，也不会预先设定函数的形式，而是在学习的过程中自动构建风功率曲线模型。例如：人工神经网络(ANN)，支持向量机(SVM)，自适应神经模糊推理系统(ANFIS)等。

所有的参数方法和非参数方法都是基于给定的数据进行模型训练，这使得训练数据的质量对模型的精度有很大的影响。在风机实际运行环境下采集的数据不可避免地存在异常值，它们可能导致风功率曲线建模的结果不准确。研究人员提出了很多关于异常值处理的技术，例如3sigma原则、K均值聚类等。但实际上并不能保证所有异常值都被检测出来，因此经过异常值处理后的数据中仍然可能含有隐藏的异常点，这些异常点将导致功率曲线拟合误差呈非对称分布。在建模时大多文献中并没有考虑这一误差分布特性，而是假设拟合误差呈高斯分布，这影响了功率曲线的准确性和可靠性。为了提高功率曲线建模的精度和可靠性，需要在建模过程中充分考虑误差特性，从而削弱异常值对功率曲线建模准确性的影响。因此，需要提出更好的风功率建模方法来解决异常值对风功率曲线建模精度的影响，并解决收敛速度和寻优精度不平衡的问题。

发明内容

基于此，本发明的目的是解决风功率曲线建模过程中异常值降低模型精度和可靠性的问题，以及解决单一优化算法在收敛速度和寻优精度两方面不能很好平衡的问题，获得了准确可靠的风功率曲线。

本发明提供了一种基于非对称损失与混合智能优化算法的功率曲线建模方法，具体包括：

将获取的风电场数据集随机划分为训练集、验证集和测试集；

选定多个风功率曲线参数拟合模型，并构建非对称损失目标函数；

将所述训练集输入所述风功率曲线参数拟合模型，并以所述非对称损失目标函数为适应度函数采用预设的混合优化算法进行参数优化，获得多个待确定非对称损失目标函数参数对应的多个优化模型；