CN106021972B - 一种基于非参数核密度估计的风电功率数据修正方法 - Google Patents

Abstract

本发明提出一种基于非参数核密度估计的风电功率数据修正方法，通过分析风速与功率的散点图，对实测风速小区间内的功率值进行置信度处理，将给定置信区间外的数据修正到置信区间之内。该方法无需考虑数据原本的分布情况，对数据的分布规律具有非常好的包容性。

Description

一种基于非参数核密度估计的风电功率数据修正方法

技术领域

本发明属于电网风电预测领域,特别是涉及到一种基于非参数核密度估计的风电功率数据修正方法。

背景技术

由于风电场原始采集的数据量庞大、数据种类较多，原始数据含有缺失、错误、重复和噪声等各类数据问题，这对风电场各类数据挖掘、风资源和电场后评估和功率预测等带来了严重的干扰。如果简单的抛弃缺失值、错误值，对数据挖掘的效果可能造成严重影响，也改变了原始数据的真实有效性；比如错估风电场的年平均风速，低估或高估风电场的出力等。数据修正是正确评估风电场情况的先决条件。

目前主要依赖于《风电功率预测功能规范》和《风电场风能资源监测数据管理办法》这两个文件中的方法对数据进行处理，但是上述提到的两个文件只是满足要求的一个最低标准，对于更高精度的要求没有写出处理方式，同时不能处理风功率数据不一致的情况。手动、半自动方式依赖于人的经验，不同的人修正的数据效果不一样，很难达到统一，同时也需要大量的时间。

发明内容

有鉴于此，本发明提出一种基于非参数核密度估计的风电功率数据修正方法，该方法无需考虑数据原本的分布情况，对数据的分布规律具有非常好的包容性。

为达到上述目的，本发明的技术方案是这样实现的：一种基于非参数核密度估计的风电功率数据修正方法，包括：

1)读取实测风速功率数据并划分为多个子区间；

2)建立子区间的功率密度函数；

3)计算各子区间实测风电功率满足给定置信水平的最短置信区间；

4)对置信区间内的数据进行拟合，修正置信区间外的数据。

进一步的，步骤1)所述划分子区间的方法为：

101)将实测风速按从小到大顺序排列，以排序后的实测风速为横坐标，对应的实测风电功率为纵坐标，形成历史实测风速-实测风电功率统计数据组；

102)以一定的分辨率对实测风速进行等间隔划分，将实测风电功率数据划分为多个子区间；

103)将每组数据分别进行功率区间划分。

更进一步的，步骤102)中，子区间数公式为:

区间公式为：

D_i＝[P_min+(i-1)ΔP,P_min+iΔP]

i＝1,2,···,n

其中，P_max为风电功率最大值,P_min为最小值，ΔP为功率间隔；n为子区间数，D_i为区间。

进一步的，步骤2)的具体方法为：

统计各子区内的实测风电功率分布，分别建立各子区间实测风电功率的概率密度函数；

对于某一风电功率区间的风电功率数据，其概率密度函数为：

式中：K()为核函数；x_i为风电功率样本；h为带宽系数；N为样本数。

更进一步的，所述核函数为高斯核函数。

进一步的，步骤3)的具体方法为：

应用拉格朗日乘子法求取各子区间实测风电功率满足给定置信水平的最短置信区间。

进一步的，步骤4)的具体方法为：

对置信区间内的数据进行拟合，拟合出一条风功率曲线，置信区间之外的数据根据拟合出的曲线修正到置信区间之内。

相对于现有技术，本发明所述的一种基于非参数核密度估计的风电功率数据修正方法，主要有以下优势：

本发明无需考虑数据原本的分布情况，对数据的分布规律具有非常好的包容性。本发明保留可信程度较高的数据并将可信程度较低的风电功率数据修正到可信度的范围内，提高了建模数据的有效性。对风电场各类数据挖掘、风资源和电场后评估和功率预测的准确性的提高有重要意义。

附图说明

图1是本发明的流程图。

图2是本发明实施例中的核密度图。

图3是本发明实施例中的最短置信区间图。

图4是本发明实施例中的拟合图。

图5是本发明实施例中的原始数据和修正结果对比图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将结合实施例以及附图来详细说明本发明。

如图1所示为本发明的流程图。

按照图1所示流程，首先，读取实测风速功率数据，将实测风速按从小到大顺序排列，以排序后的实测风速为横坐标，对应的实测风电功率为纵坐标，形成历史实测风速-实测风电功率统计数据组，以一定的分辨率对实测风速进行等间隔划分，将实测风电功率数据划分为多个子区间；

设风电功率最大值为P_max,最小值为P_min，功率间隔为ΔP,则子区间数n为：

则所分区间D_i为：

D_i＝[P_min+(i-1)ΔP,P_min+iΔP]

i＝1,2,···,n

按照上述方法，将每组数据分别进行功率区间划分。

然后，统计各子区内的实测风电功率分布，分别建立各子区间实测风电功率的概率密度函数；

对于某一风电功率区间的风电功率数据，其概率密度函数为：

式中：K()为核函数，本发明取高斯核函数；x_i为风电功率样本；h为带宽系数；N为样本数。图2为核密度图。

第三步，应用拉格朗日乘子法求取各子区间实测风电功率满足给定置信水平的最短置信区间。

对于功率值x,给定置信水平α(0＜α＜1)，使x_min、x_max满足P(x_min＜x＜x_max)＝1-α，并且满足x_max-x_min最小：

求解过程如下：

目标：min(x_max-x_min)

约束条件：P(x_min＜x＜x_max)＝1-α

构造拉格朗日函数

L(x_min,x_max)＝(x_max-x_min)+λ(P(x_min＜x＜x_max)-1+α)

对该函数进行求解，得到x_min和x_max，即最短置信区间，图3中深黑色为原始数据，浅灰色为标注的最短置信区间。

最后，对置信区间内的数据进行拟合，拟合出一条风功率曲线，置信区间之外的数据根据拟合出的曲线修正到置信区间之内。

图4为对置信区间的数据进行拟合，拟合结果为浅灰色线。

图5为原始数据和修正结果对比图，其中图5a为原始数据图，图5b为修正结果图。可以看到，适用本发明的方法无需考虑数据原本的分布情况，对数据的分布规律具有非常好的包容性。本发明保留可信程度较高的数据并将可信程度较低的风电功率数据修正到可信度的范围内，提高了建模数据的有效性。对风电场各类数据挖掘、风资源和电场后评估和功率预测的准确性的提高有重要意义。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于非参数核密度估计的风电功率数据修正方法，其特征在于，包括：

1)读取实测风速功率数据并划分为多个子区间；

2)建立子区间的功率密度函数；

3)计算各子区间实测风电功率满足给定置信水平的最短置信区间；

4)对置信区间内的数据进行拟合，修正置信区间外的数据；

步骤3)的具体方法为：应用拉格朗日乘子法求取各子区间实测风电功率满足给定置信水平的最短置信区间；

对于功率值x,给定置信水平α，0<α<1，使x_min、x_max满足P(x_min＜x＜x_max)＝1-α，并且满足x_max-x_min最小：

求解过程如下：

目标：min(x_max-x_min)

约束条件：P(x_min＜x＜x_max)＝1-α

构造拉格朗日函数

L(x_min,x_max)＝(x_max-x_min)+λ(P(x_min＜x＜x_max)-1+α)

对该函数进行求解，得到x_min和x_max，即最短置信区间。

2.根据权利要求1所述的一种基于非参数核密度估计的风电功率数据修正方法，其特征在于，步骤1)所述划分子区间的方法为：

101)将实测风速按从小到大顺序排列，以排序后的实测风速为横坐标，对应的实测风电功率为纵坐标，形成历史实测风速-实测风电功率统计数据组；

102)以一定的分辨率对实测风速进行等间隔划分，将实测风电功率数据划分为多个子区间；

103)将每组数据分别进行功率区间划分。

3.根据权利要求2所述的一种基于非参数核密度估计的风电功率数据修正方法，其特征在于，步骤102)中，子区间数公式为:

区间公式为：

D_i＝[P_min+(i-1)ΔP,P_min+iΔP]

i＝1,2,···,n

其中，P_max为风电功率最大值,P_min为最小值，ΔP为功率间隔；n为子区间数，D_i为区间。

4.根据权利要求1所述的一种基于非参数核密度估计的风电功率数据修正方法，其特征在于，步骤2)的具体方法为：

统计各子区内的实测风电功率分布，分别建立各子区间实测风电功率的概率密度函数；

对于某一风电功率区间的风电功率数据，其概率密度函数为：

式中：K()为核函数；x_i为风电功率样本；h为带宽系数；N为样本数。

5.根据权利要求4所述的一种基于非参数核密度估计的风电功率数据修正方法，其特征在于，所述核函数为高斯核函数。

6.根据权利要求1所述的一种基于非参数核密度估计的风电功率数据修正方法，其特征在于，步骤4)的具体方法为：

对置信区间内的数据进行拟合，拟合出一条风功率曲线，置信区间之外的数据根据拟合出的曲线修正到置信区间之内。