一种风功率的概率密度评估方法、装置、设备及介质

技术领域

本发明涉及电力系统运行与规划技术领域，尤其涉及一种风功率的概率密度评估方法、装置、设备及介质。

背景技术

随着接入电力系统的风电场规模越来越大，风电场出力的随机特性在系统分析方面已经不能忽略。采用风电场出力的概率密度函数的能够准确估计风电场出力。因此，研究风电场出力的概率密度函数的计算方法具有重要的现实意义。

对于风电场出力的概率密度函数的估计方法有多种，如参数估计法、非参数估计方法，目前以非参数估计方法中的核密度估计方法为主流方法。但是现有技术中的核密度估计方法均没有考虑到风功率是有界的随机变量的事实，现有的核密度估计方法在用于有界区间变量的概率密度估计时，区间边界处往往由于没有良好的收敛性会产生边界偏差问题，从而影响概率密度估计的准确性。

发明内容

本发明实施例提供一种风功率的概率密度评估方法、装置、设备及介质，考虑风功率的随机变量的有界性，减少概率密度函数的边界偏差，提高概率密度估计的准确性。

本发明一实施例提供一种风功率的概率密度评估方法，所述方法包括：

获取风电场的出力样本数据和所述风电场的风功率上下限数据，建立所述风电场的风功率的基于对数核微分同胚估计原理的概率密度函数估计模型；

根据概率模型与数据观测分布之间的差异检验、卡方检验和KS检验，建立所述概率密度函数估计模型的窗宽的多目标优化计算模型；

利用多目标粒子群算法求解所述多目标优化计算模型，得到所述概率密度函数估计模型的窗宽最优解集；

根据所述窗宽最优解集和所述概率密度函数估计模型求解最终概率密度函数，并根据所述最终概率密度函数对所述风电场的风功率进行评估。

优选地，所述获取风电场出力的样本数据和所述风电场的风功率上下限数据，建立所述风电场的概率密度函数估计模型，具体包括：

获取所述风电场出力的样本数据P

根据对数核微分同胚估计原理，计算所述风电场的风功率的概率密度估计模型：

其中，P为风电场的实际出力的风功率，P∈[P

优选地，所述以概率模型与数据观测分布之间的差异检验、卡方检验和KS检验建立多目标优化求解模型，具体包括：

将所述出力样本数据P

将所述样本数据样本P

将所述风功率上下限数据[P

建立所述窗宽的多目标优化求解模型：目标函数

其中，

h

优选地，所述利用多目标粒子群算法求解所述多目标优化计算模型，得到所述概率密度函数估计模型的窗宽最优解集，具体包括：

建立粒子群组，所述粒子群组包括：主粒子群

建立外部储备集，初始化所述粒子群组、所述粒子群组中每个粒子的速度，根据所述多目标优化求解模型的优化变量h

根据粒子的优化更新公式对所述粒子群组的粒子进行一次更新，并从三个从粒子群中得到的非劣极值粒子加入到主粒子群中，将三个从粒子群中的非劣粒子加入到外部储备群中，将主粒子群中得到的非劣粒子加入到外部储备集中，把外部储备群中的对应目标函数f

重复进行粒子群组的更新优化过程，直到迭代次数达到预设的最大值，将最新的外部储备集作为所述概率密度函数估计模型的窗宽最优解集；

其中，稀疏度的定义如下，对于外部储备群的粒子i，衡量粒子i的稀疏度DP

N

其中，N’为所述主粒子群的粒子数，N为每个从粒子群的粒子数，所述优化更新公式为

优选地，所述根据所述窗宽最优解集和所述概率密度函数估计模型求解最终概率密度函数，并根据所述最终概率密度函数对所述风电场的风功率进行评估，具体包括：

选择所述窗宽最优解集中任一解作为窗宽的最终解，将窗宽的最优解代入所述概率密度函数估计模型得到风电场出力的最终概率密度函数；

并根据所述最终概率密度函数对所述风电场的风功率进行评估。

本发明实施例还提供一种风功率的概率密度评估装置，所述装置包括：密度模型模块、优化模型模块、求解模块和评估模块；

所述密度模型模块用于获取风电场的出力样本数据和所述风电场的风功率上下限数据，建立所述风电场的风功率的基于对数核微分同胚估计原理的概率密度函数估计模型；

所述优化模型模块用于根据概率模型与数据观测分布之间的差异检验、卡方检验和KS检验，建立所述概率密度函数估计模型的窗宽的多目标优化计算模型；

所述求解模块用于利用多目标粒子群算法求解所述多目标优化计算模型，得到所述概率密度函数估计模型的窗宽最优解集；

所述评估模块用于根据所述窗宽最优解集和所述概率密度函数估计模型求解最终概率密度函数，并根据所述最终概率密度函数对所述风电场的风功率进行评估。

作为一种优选方式，所述密度模型模块具体用于：

获取所述风电场出力的样本数据P

根据对数核微分同胚估计原理，计算所述风电场的风功率的概率密度估计模型：

其中，P为风电场的实际出力的风功率，P∈[P

作为一种优选方式，所述优化模型模块具体用于：

将所述出力样本数据P

将所述样本数据样本P

将所述风功率上下限数据[P

建立所述窗宽的多目标优化求解模型：目标函数

其中，

h

作为一种优选方式，所述求解模块具体用于：

建立粒子群组，所述粒子群组包括：主粒子群

建立外部储备集，初始化所述粒子群组、所述粒子群组中每个粒子的速度，根据所述多目标优化求解模型的优化变量h

根据粒子的优化更新公式对所述粒子群组的粒子进行一次更新，并从三个从粒子群中得到的非劣极值粒子加入到主粒子群中，将三个从粒子群中的非劣粒子加入到外部储备群中，将主粒子群中得到的非劣粒子加入到外部储备集中，把外部储备群中的对应目标函数f

重复进行粒子群组的更新优化过程，直到迭代次数达到预设的最大值，将最新的外部储备集作为所述概率密度函数估计模型的窗宽最优解集；

其中，稀疏度的定义如下：对于外部储备群的粒子i，衡量粒子i的稀疏度DP

N

N’为所述主粒子群的粒子数，N为每个从粒子群的粒子数，所述优化更新公式为

作为一种优选方式，所述评估模块具体用于：

选择所述窗宽最优解集中任一解作为窗宽的最终解，将窗宽的最优解代入所述概率密度函数估计模型得到风电场出力的最终概率密度函数；

并根据所述最终概率密度函数对所述风电场的风功率进行评估。

本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的风功率的概率密度评估方法。

本发明另一实施例提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的风功率的概率密度评估方法。

本发明提供的一种风功率的概率密度评估方法、装置、设备及介质，通过获取风电场的出力样本数据和所述风电场的风功率上下限数据，建立所述风电场的风功率的基于对数核微分同胚估计原理的概率密度函数估计模型；根据概率模型与数据观测分布之间的差异检验、卡方检验和KS检验，建立所述概率密度函数估计模型的窗宽的多目标优化计算模型；求解所述多目标优化计算模型，得到所述概率密度函数估计模型的窗宽最优解集；求解最终概率密度函数，并根据所述最终概率密度函数对所述风电场的风功率进行评估。能够考虑到适风功率是有界的随机变量，并根据风功率概率密度函数模型对风电场出力的风功率进行评估，为含大规模风电电力系统的运行与规划提供技术支持。

附图说明

图1是本发明实施例提供的一种风功率的概率密度评估方法的流程示意图；

图2是本发明实施例提供的粒子群优化过程的原理图；

图3是本发明实施例提供的一种风功率的概率密度评估装置的结构示意图；

图4是本发明实施例提供的一种终端设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

本发明实施例提供一种风功率的概率密度评估方法，参见图1，是本发明实施例提供的一种风功率的概率密度评估方法的流程示意图，所述方法步骤S101～S104：

S101，获取风电场的出力样本数据和所述风电场的风功率上下限数据，建立所述风电场的风功率的基于对数核微分同胚估计原理的概率密度函数估计模型；

S102，根据概率模型与数据观测分布之间的差异检验、卡方检验和KS检验，建立所述概率密度函数估计模型的窗宽的多目标优化计算模型；

S103，利用多目标粒子群算法求解所述多目标优化计算模型，得到所述概率密度函数估计模型的窗宽最优解集；

S104，根据所述窗宽最优解集和所述概率密度函数估计模型求解最终概率密度函数，并根据所述最终概率密度函数对所述风电场的风功率进行评估。

在本实施例具体实施时，获取风电场的出力样本数据和所述风电场的风功率上下限数据，建立所述风电场的风功率的基于对数核微分同胚估计原理的概率密度函数估计模型；

以卡方检测、KS检测和概率模型与数据观测分布(统计直方图)之间的差异检测建立三个目标的多目标优化计算模型，用于求解最优窗宽；

利用多目标粒子群算法求解所述多目标优化计算模型，得到窗宽的pareto的窗宽最优解集；

根据所述窗宽最优解集和所述概率密度函数估计模型求解最终概率密度函数，并根据所述最终概率密度函数对所述风电场的风功率进行评估。

通过考虑风电场出力的随机变量的有界性，对风电场的风功率的概率密度函数进行计算，能够准确评估风电场的输出风功率，为含大规模风电电力系统的运行与规划提供技术支持。

在本发明提供的又一实施例中，所述步骤S101具体包括：

获取所述风电场出力的样本数据P

根据对数核微分同胚估计原理，计算所述风电场的风功率的概率密度估计模型：

其中，P为风电场的实际出力的风功率，P∈[P

在本实施例具体实施时，获取的风电场的风功率上下限数据[P

P为风电场的实际出力，P∈[P

其中，

需要说明的是，核函数K()包括很多中，如高斯核函数、Epanechnikov核函数核三角核函数等。

以高斯核函数为例说明核函数的具体应用，核函数

利用对数微分同胚变换把风功率转换为有界的随机变量，建立微分同胚变换后的风功率概率密度函数模型，考虑风功率转化的有界性，风功率的估计模型更加准确。

在本发明提供的又一实施例中，所述步骤S102具体包括：

将所述出力样本数据P

将所述样本数据样本P

将所述风功率上下限数据[P

建立所述窗宽的多目标优化求解模型：目标函数

其中，

h

在本实施例具体实施时，选择卡方检验、K-S检验以及概率模型与数据观测分布之间的差异检验建立多目标优化求解模型，具体过程为：

设风电场出力样本数为n的样本为P

计算所述KS检验的KS检验统计量

将所述风功率上下限数据[P

建立所述窗宽的多目标优化求解模型：

目标函数

目标函数f

目标函数f

优化变量h

h

建立微分同胚变换后的风功率概率密度函数的核估计模型，然后以卡方检验(χ

在本发明提供的又一实施例中，所述步骤S103具体包括：

建立粒子群组，所述粒子群组包括：主粒子群

建立外部储备集，初始化所述粒子群组、所述粒子群组中每个粒子的速度，根据所述多目标优化求解模型的优化变量h

根据粒子的优化更新公式对所述粒子群组的粒子进行一次更新，并从三个从粒子群中得到的非劣极值粒子加入到主粒子群中，将三个从粒子群中的非劣粒子加入到外部储备群中，将主粒子群中得到的非劣粒子加入到外部储备集中，把外部储备群中的对应目标函数f

重复进行粒子群组的更新优化过程，直到迭代次数达到预设的最大值，将最新的外部储备集作为所述概率密度函数估计模型的窗宽最优解集；

其中，稀疏度的定义如下，对于外部储备群的粒子i，衡量粒子i的稀疏度DP

N

N’为所述主粒子群的粒子数，N为每个从粒子群的粒子数，所述优化更新公式为

在本实施例具体实施时，对所述多目标优化计算模型求解具体流程为:

建立粒子群组，所述粒子群组包括1个主粒子群和3个从粒子群，主粒子群有N′个粒子，每个从粒子群有N个粒子，分别记为：主粒子群

建立外部储备集，初始化所述粒子群组、所述粒子群组中每个粒子的速度，根据所述多目标优化求解模型的优化变量h

粒子群S

其中，j＝0,1,2,3；

对每一粒子群的粒子进行更新后还需要对每一粒子群进行优化，参见图2，是本发明实施例提供的粒子群优化过程的原理图；采用所述多目标优化求解模型的三个目标函数对所述主粒子群S

每一次根据粒子的优化更新公式对所述粒子群组的粒子更新后，对每一粒子群的粒子进行优化，具体为:

从三个从粒子群中得到的非劣极值粒子加入到主粒子群中，将三个从粒子群中的非劣粒子加入到外部储备群中，将主粒子群中得到的非劣粒子加入到外部储备集中，把外部储备群中的对应目标函数f

稀疏度的定义如下：

对于外部储备群的粒子i，衡量粒子i的稀疏度可以通过以下公式得到：

N

重复进行粒子群组的更新优化过程，直到迭代次数达到预设的最大值，将最新的外部储备集作为所述概率密度函数估计模型的窗宽最优解集；

在本发明提供的又一实施例中，所述步骤S104具体包括：

选择所述窗宽最优解集中任一解作为窗宽的最终解，将窗宽的最优解代入所述概率密度函数估计模型得到风电场出力的最终概率密度函数；

并根据所述最终概率密度函数对所述风电场的风功率进行评估。

在本实施例具体实施时，根据外部储备集中的解集为所述窗宽最优解集，即最终的候选窗宽集合，根据实际需求选取其中1个作为最终的窗宽h

本发明实施例提供的一种风功率的概率密度评估方法，通过获取风电场的出力样本数据和所述风电场的风功率上下限数据，建立所述风电场的风功率的基于对数核微分同胚估计原理的概率密度函数估计模型；根据概率模型与数据观测分布之间的差异检验、卡方检验和KS检验，建立所述概率密度函数估计模型的窗宽的多目标优化计算模型；求解所述多目标优化计算模型，得到所述概率密度函数估计模型的窗宽最优解集；求解最终概率密度函数，并根据所述最终概率密度函数对所述风电场的风功率进行评估。能够考虑到适风功率是有界的随机变量，并根据风功率概率密度函数模型对风电场出力的风功率进行评估，为含大规模风电电力系统的运行与规划提供技术支持。

本发明实施例还提供一种风功率的概率密度评估装置，参见图3，是本发明实施例提供的一种风功率的概率密度评估装置的结构示意图，所述装置包括：密度模型模块、优化模型模块、求解模块和评估模块；

所述密度模型模块用于获取风电场的出力样本数据和所述风电场的风功率上下限数据，建立所述风电场的风功率的基于对数核微分同胚估计原理的概率密度函数估计模型；

所述优化模型模块用于根据概率模型与数据观测分布之间的差异检验、卡方检验和KS检验，建立所述概率密度函数估计模型的窗宽的多目标优化计算模型；

所述求解模块用于利用多目标粒子群算法求解所述多目标优化计算模型，得到所述概率密度函数估计模型的窗宽最优解集；

所述评估模块用于根据所述窗宽最优解集和所述概率密度函数估计模型求解最终概率密度函数，并根据所述最终概率密度函数对所述风电场的风功率进行评估。

在本发明提供的又一实施例中，所述密度模型模块具体用于：

获取所述风电场出力的样本数据P

根据对数核微分同胚估计原理，计算所述风电场的风功率的概率密度估计模型：

其中，P为风电场的实际出力的风功率，P∈[P

在本发明提供的又一实施例中，所述优化模型模块具体用于：

将所述出力样本数据P

将所述样本数据样本P

将所述风功率上下限数据[P

建立所述窗宽的多目标优化求解模型：目标函数

其中，

h

在本发明提供的又一实施例中，所述求解模块具体用于：

建立粒子群组，所述粒子群组包括：主粒子群

建立外部储备集，初始化所述粒子群组、所述粒子群组中每个粒子的速度，根据所述多目标优化求解模型的优化变量h

根据粒子的优化更新公式对所述粒子群组的粒子进行一次更新，并从三个从粒子群中得到的非劣极值粒子加入到主粒子群中，将三个从粒子群中的非劣粒子加入到外部储备群中，将主粒子群中得到的非劣粒子加入到外部储备集中，把外部储备群中的对应目标函数f

重复进行粒子群组的更新优化过程，直到迭代次数达到预设的最大值，将最新的外部储备集作为所述概率密度函数估计模型的窗宽最优解集；

其中，稀疏度的定义如下，对于外部储备群的粒子i，衡量粒子i的稀疏度DP

N

其中，N’为所述主粒子群的粒子数，N为每个从粒子群的粒子数，所述优化更新公式为

在本发明提供的又一实施例中，所述评估模块具体用于：

选择所述窗宽最优解集中任一解作为窗宽的最终解，将窗宽的最优解代入所述概率密度函数估计模型得到风电场出力的最终概率密度函数；

并根据所述最终概率密度函数对所述风电场的风功率进行评估。

需要说明的是，在本实施例中，各模块的具体功能在上述实施例中作了具体阐述，在此不作赘述。

参见图4，是本发明实施例提供的一种终端设备的结构示意图。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如风功率的概率密度评估程序。所述处理器执行所述计算机程序时实现上述各个风功率的概率密度评估方法实施例中的步骤，例如图1所示的步骤风功率的概率密度评估。方法或者，所述处理器执行所述计算机程序时实现上述各风功率的概率密度评估装置的实施例中各模块的功能。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述计算机程序可以被分割成密度模型模块、优化模型模块、求解模块和评估模块，各模块具体功能在此不作赘述。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是*终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明提供的一种风功率的概率密度评估方法、装置、设备及介质，通过获取风电场的出力样本数据和所述风电场的风功率上下限数据，建立所述风电场的风功率的基于对数核微分同胚估计原理的概率密度函数估计模型；根据概率模型与数据观测分布之间的差异检验、卡方检验和KS检验，建立所述概率密度函数估计模型的窗宽的多目标优化计算模型；求解所述多目标优化计算模型，得到所述概率密度函数估计模型的窗宽最优解集；求解最终概率密度函数，并根据所述最终概率密度函数对所述风电场的风功率进行评估。能够考虑到适风功率是有界的随机变量，并根据风功率概率密度函数模型对风电场出力的风功率进行评估，为含大规模风电电力系统的运行与规划提供技术支持。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。