[发明专利]基于高斯过程回归的风电机组输出功率的建模方法和系统

说明书

本发明公开了一种基于高斯过程回归的风电机组输出功率的建模方法，包括以下步骤：首先，确定高斯过程结构；然后，基于输入变量与输出变量的特性关系，构造核函数；最后，基于高斯过程结构和构造出的核函数，建立风电机组输出功率模型。此外，还提供了一种基于高斯过程回归的风电机组输出功率的建模系统。上述基于高斯过程回归的风电机组输出功率的建模方法和系统，改进了高斯过程的模型结构，提高了风电机组输出功率模型的可理解性，且根据输入变量与输出变量之间的特性关系，当输入变量输入时，构造出一种与输入、输出变量特性关系相符的核函数，作为新的协方差函数，使得输入变量对输出变量的贡献更清晰。

技术领域

本发明涉及电力领域，特别是涉及一种基于高斯过程回归的风电机组输出功率的建模方法和系统。

背景技术

风电机组发电性能的好坏标志着风电企业经济效益的高低，风电机组的输出功率能够反映机组的发电性能。但风电企业需要通过风电机组输出功率判断风电机组的发电性能是否发生异常，这一问题属于机器学习中的监督学习问题，通常使用机器学习建模，根据训练集来学习输入-输出之间的映射关系，使得给定新的输入得到相应的预测值，属于回归问题。进一步，对于学习输入-输出之间的映射关系首先需要确定映射函数，传统的技术中一般采用两类方法来确定映射函数，第一类是参数化回归，即寻找一组使数据得到“最优”诠释的参数，此类方法引入的问题是致力于最小化损失函数，使模型容易发生过拟合；若为了避免过拟合，则模型过于简单，会忽略复杂特征和噪声，造成预测性能差。第二类方法为极大似然法，它不需要损失函数，首先由假定的噪声分布得到训练集的联合概率密度即似然函数，再找到使似然函数最大化的参数来获得回归模型。为了避免过拟合，采用第二类方法，即贝叶斯回归。

高斯过程回归是近年发展起来的一种贝叶斯回归方法，对处理高维数、小样本、非线性等复杂的问题具有很好的适应性，且泛化能力强，适用于噪声强、随机性大的风电数据建模。传统的高斯过程建模为：

f(x)＝f(x₁,x₂,...,x_D)

即是将D维向量同时输入进高斯过程模型中，不需要关心中间过程，只需要通过优化边际似然函数获得模型的超参数即可，其中的变量如何作用无需关心，此外，对于高斯过程中经常采用简单的协方差函数定义输入变量之间的相似度，使得输入变量对输出变量的贡献很难被体现出来，这些均导致了得出的风电机组模型存在可理解性差的问题。

针对上述相关技术问题，目前尚未提出有效地解决方案。

发明内容

基于此，有必要针对风电机组的输出功率的建模问题，提供一种基于高斯过程回归的风电机组输出功率的建模方法和系统。

一种基于高斯过程回归的风电机组输出功率的建模方法，包括以下步骤：

确定高斯过程结构；

基于输入变量与输出变量的特性关系，构造核函数；

基于高斯过程结构和构造出的核函数，建立风电机组输出功率模型。

在其中一个实施例中，所述确定高斯过程结构包括确定高斯过程中的协方差函数，其中，

所述高斯过程中的协方差函数为构造出的核函数的总和。

在其中一个实施例中，所述基于输入变量与输出变量的特性关系，构造核函数包括以下步骤：

将风电机组的风速、转速、桨距角作为输入变量；

将风电机组的输出功率作为输出变量；

引入平方指数核函数和线性核函数；

基于引入的平方指数核函数和线性核函数以及风电机组的风速、转速以及桨距角分别与风电机组的输出功率的关系，分别构造风电机组的风速、转速、桨距角在高斯过程回归中所使用的核函数。