CN110457821B - 风功率曲线多目标综合评价方法、装置及服务器 - Google Patents

Abstract

本发明提供了一种风功率曲线多目标综合评价方法、装置及服务器，涉及风电场数据处理的技术领域，该方法包括：获取实测数据样本，其中，实测数据样本为指定时间段内风电场中风机的风速和功率的实测运行数据；根据实测数据样本绘制指定时间段内风机的风功率曲线；其中，风功率曲线为基于风速和功率的曲线；基于风功率曲线建立评价模型，计算评价模型对应的评价指标；根据评价指标对风功率曲线进行多目标综合评价。本发明提供的风功率曲线多目标综合评价方法、装置及服务器，能够根据评价指标对风功率曲线进行多目标综合评价，进而对风功率曲线的综合性能进行量化评价，较好地解决了风功率曲线性能的综合评价问题，为后续数据分析奠定了坚实基础。

Description

风功率曲线多目标综合评价方法、装置及服务器

技术领域

本发明涉及风电场数据处理的技术领域，尤其是涉及一种风功率曲线多目标综合评价方法、装置及服务器。

背景技术

风功率曲线是风力发电机组、风电场出力特性的重要表征，对于风机、风电场理论发电量的估计和预测、风力发电运行性能评价、风力发电运行状态监测和故障诊断、风电场优化调度等具有重要意义。因而，获取高保真风功率曲线是当前学界和工业界的一个重要关注点。

基于实际运行数据，很多不同的风功率曲线建模方法得以研究。然而，风功率曲线性能的有效评价方法尚未得到充分关注。目前，关于风功率曲线的评价，主要基于计算值与实际值之间的误差统计进行。主要指标有平均绝对值误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)或者它们的变形。然而，在利用风功率曲线进行理论值计算时，其性能不仅限于误差方面的指标，还包括极值、理论值与实际值的相关性、一定时间段内的累积电量偏差等不同角度的性能评价指标。此外，实际风速、功率运行数据富含不确定性，风功率曲线的不确定性建模及评价等也尚未得到足够关注，使得难以对风功率曲线进行多目标的综合评价。

发明内容

有鉴于此，本发明的目的在于提供一种风功率曲线多目标综合评价方法、装置及服务器，以缓解上述难以对风功率曲线进行多目标的综合评价的技术问题。

第一方面，本发明实施例提供了一种风功率曲线多目标综合评价方法，包括：获取实测数据样本，其中，实测数据样本为指定时间段内风电场中风机的风速和功率的实测运行数据；根据实测数据样本绘制指定时间段内风机的风功率曲线；其中，风功率曲线为基于风速和功率的曲线；基于风功率曲线建立评价模型，计算评价模型对应的评价指标；根据评价指标对风功率曲线进行多目标综合评价。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述评价模型包括风功率曲线的条件概率不确定模型；上述基于风功率曲线建立评价模型，计算评价模型对应的评价指标的步骤包括：计算风速输入条件下，输出功率的条件概率分布；基于条件概率分布，采用相关向量机方法进行条件概率建模，得到风功率曲线的条件概率不确定模型；根据条件概率不确定模型计算评价指标，其中，评价指标包括指定时间段内的平均区间覆盖合格率、平均区间覆盖置信误差、输出区间平均带宽。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述评价模型包括风功率曲线的周期性评价指标模型；上述基于风功率曲线建立评价模型，计算评价模型对应的评价指标的步骤包括：根据实测数据样本采用相关向量机进行回归建模，得到基于风功率曲线的条件期望确定性模型；根据条件期望确定性模型计算评价指标，其中，评价指标包括风功率曲线在指定时间段内的归一化均方根误差、归一化平均绝对值误差、理论功率恢复合格率、理论功率恢复极值合格率、实际功率与理论恢复功率的互相关系数、实际电量与理论恢复电量的偏差。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，上述评价模型包括风功率曲线的回归曲线模型；上述基于风功率曲线建立评价模型，计算评价模型对应的评价指标的步骤包括：基于风功率曲线，采用回归曲线的方式进行建模，建立理论功率恢复误差在理论功率恢复值下的条件概率分布模型；根据条件概率分布模型计算评价指标，其中，评价指标包括：平均区间覆盖合格率、平均区间覆盖置信误差和输出区间平均带宽。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，上述方法还包括：对评价指标进行积累统计，生成指定时间段的样本序列，根据样本序列对评价指标进行归一化处理。

结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，上述方法还包括：对于归一化处理的评价指标，采用特征提取法对具有相关性的评价指标进行降维，以简化评价指标对应的指标体系的层次。

第二方面，本发明实施例还提供一种风功率曲线多目标综合评价装置，包括：获取模块，用于获取实测数据样本，其中，实测数据样本为指定时间段内风电场中风机的风速和功率的实测运行数据；绘制模块，用于根据实测数据样本绘制指定时间段内风机的风功率曲线；其中，风功率曲线为基于风速和功率的曲线；建立模块，用于基于风功率曲线建立评价模型，计算评价模型对应的评价指标；评价模块，用于根据评价指标对风功率曲线进行多目标综合评价。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，上述装置还包括：归一化模块，用于对评价指标进行积累统计，生成指定时间段的样本序列，根据样本序列对评价指标进行归一化处理。

结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，上述装置还包括：降维模块，用于对于归一化处理的评价指标，采用特征提取法对具有相关性的评价指标进行降维，以简化评价指标对应的指标体系的层次。

第三方面，本发明实施例还提供一种服务器，该服务器包括处理器和存储器；其中，所述存储器，用于存放计算机程序；所述处理器，用于执行所述存储器上所存放的程序时，实现第一方面所述的方法步骤。

第四方面，本发明实施例还提供了一种计算机存储介质，用于存储计算机程序指令，当计算机执行所述计算机程序指令时，执行如第一方面所述的方法。

本发明实施例带来了以下有益效果：

本发明实施例提供的一种风功率曲线多目标综合评价方法、装置及服务器，能够获取指定时间段内包含风电场中风机的风速和功率的实测运行数据的实测数据样本，并根据该实测数据样本绘制指定时间段内风机的风功率曲线，进而基于该风功率曲线建立评价模型，计算评价模型对应的评价指标；以便于根据评价指标对风功率曲线进行多目标综合评价，进而对风功率曲线的综合性能进行量化评价，较好地解决了风功率曲线性能的综合评价问题，为后续数据分析奠定了坚实基础。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种计算服务器的硬件实施方案示意图；

图2为本发明实施例提供的一种风功率曲线多目标综合评价方法的流程图；

图3为本发明实施例提供的一种风功率曲线的概率分布示意图；

图4为本发明实施例提供的一种两层指标体系的分层结构示意图；

图5为本发明实施例提供的一种一种综合评价分数的展示图；

图6为本发明实施例提供的一种风功率曲线多目标综合评价装置的结构示意图；

图7为本发明实施例提供的另一种风功率曲线多目标综合评价装置的结构示意图；

图8为本发明实施例提供的一种服务器的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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，本领域技术人员在没有做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。

目前，风功率曲线的不确定性建模及评价等也尚未得到足够关注。因而，如果全面的评价风功率曲线的性能，其必然构成多目标评价体系，这使得对风功率曲线进行多目标综合评价是必要的。根据现有研究，尚未有研究针对风功率曲线性能评价定义多目标指标体系并基于此进行多目标综合评价。基于此，本发明实施例提供的一种风功率曲线多目标综合评价方法、装置及服务器，可以有效缓解上述难以对风功率曲线进行多目标的综合评价的技术问题。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种风功率曲线多目标综合评价方法进行详细介绍。

实施例一：

本发明实施例提供了一种风功率曲线多目标综合评价方法，该方法可以应用于计算服务器，对风电场的运行数据进行处理，具体地，为了使计算服务器实现对风电场的运行数据进行处理，图1示出了一种计算服务器的硬件实施方案示意图，通常，该计算服务器设置有风电场SCADA系统数据库、数据模块、计算模块、可视化模块以及缓存模块，其中，风电场SCADA(Supervisory Control And Data Acquisition，数据采集与监视控制系统)系统数据库主要用于风电场的运行数据的采集和存储，数据模块、计算模块和可视化模块则用于运行数据的处理过程，缓存模块用于对其他几个模块的数据进行缓存处理，以便于计算服务器执行本发明实施例的风功率曲线多目标综合评价方法。

如图2所示的一种风功率曲线多目标综合评价方法的流程图，该方法包括以下步骤：

步骤S102，获取实测数据样本，其中，该实测数据样本为指定时间段内风电场中风机的风速和功率的实测运行数据；

在实际使用时，考虑到受环境干扰、故障、传输噪声、弃风限电等因素影响，上述实测数据样本通常是经过异常数据识别与剔除之后的样本。

步骤S104，根据上述实测数据样本绘制指定时间段内风机的风功率曲线；

其中，上述风功率曲线为基于风速和功率的曲线；

具体地，上述风功率曲线通常是由风速作为自变量，有功功率作为因变量，建立坐标系，并用一条拟合曲线拟合风速与有功功率的散点图，最终得到能够反映风速与有功功率关系的曲线。

步骤S106，基于风功率曲线建立评价模型，计算该评价模型对应的评价指标；

在实际使用时，可以利用指定时间段内的风速和功率数据进行建模，得到基于风功率曲线的评价模型，然后在根据该评价模型构建相应的评价指标体系，进而执行步骤S108的步骤，对风功率曲线进行多目标综合评价。

步骤S108，根据上述评价指标对风功率曲线进行多目标综合评价。

在实际使用时，上述步骤S106中，基于风功率曲线建立的评价模型通常可以有多个，不用的评价模型对应的评价指标可以是不同的，因此，对于风功率曲线可以建立多目标的评价模型，进而计算多目标的评价指标，实现对风功率曲线的多目标综合评价，以凸显不同风功率曲线的性能差异。

本发明实施例提供的一种风功率曲线多目标综合评价方法，能够获取指定时间段内包含风电场中风机的风速和功率的实测运行数据的实测数据样本，并根据该实测数据样本绘制指定时间段内风机的风功率曲线，进而基于该风功率曲线建立评价模型，计算评价模型对应的评价指标；以便于根据评价指标对风功率曲线进行多目标综合评价，进而对风功率曲线的综合性能进行量化评价，较好地解决了风功率曲线性能的综合评价问题，为后续数据分析奠定了坚实基础。

在实际使用时，上述基于风功率曲线建立的评价模型包括风功率曲线的条件概率不确定模型；

因此，上述步骤S106中，建立评价模型以及计算评价指标的步骤包括：计算风速输入条件下，输出功率的条件概率分布；基于该条件概率分布，采用相关向量机方法进行条件概率建模，得到风功率曲线的条件概率不确定模型；根据条件概率不确定模型计算评价指标，其中，该评价指标包括指定时间段内的平均区间覆盖合格率、平均区间覆盖置信误差、输出区间平均带宽，其中，为了便于理解，图3示出了一种风功率曲线的概率分布示意图，其中，横坐标为风速V(m/s)，纵坐标为风功率P(KW)，如图3所示。

具体地，可以采用输入输出条件概率建模方法，得到风速输入条件下输出功率的条件概率分布，并采用相关向量机方法进行条件概率建模，为了便于理解，以某风电场主流1.5MW变速变桨风机的实测运行数据为例进行说明，在实际使用时，可以设置采样周期为5分钟/点，示例数据为2017年1月至5月。首先，采用2017年1至4月的风速、功率数据进行建模，得到风功率曲线的条件概率不确定性模型，然后，构建日评价指标体系，采用5月的日风速、功率数据对该不确定性模型进行性能评价。因此，上述评价指标包括的指定时间段内的平均区间覆盖合格率通常是日区间覆盖合格率，通常，表示为：

其中，上述N(j)为第j个区间内点的数量；α为置信度；Si为示性函数，当输出点落在不确定区间内时，其值为1，否则，其值为0。

基于该日区间覆盖合格率，上述平均区间覆盖置信误差表示为

b^(α)(j)＝a^(α)(j)-α (2)

然而，在实际统计时，由于样本分布的不均匀性且单一风速区间内落入不确定输出区间的点难以统计，因而，这里采用如下指标对(1)、(2)进行等效，其中，当α趋近于1时，N点较多时，两者具有相同的极限。于是，得到日平均区间覆盖合格率：

其中，N为所有输出点的数量。同时，得到日平均区间覆盖置信误差：

b^(α)＝a^(α)-α (4)

此外，定义日平均输出区间带宽为：

其中，U(α)(xi)和L(α)(xi)为输入x_i下满足置信度α的输出的上边界和下边界。基于已建立的风功率条件概率不确定性曲线，采用上述指标分别统计5月共31日的评价指标，一共得到31组指标序列。

在实际使用时，为了消除不同指标量纲上的差异，还可以对上述评价指标进行积累统计，生成指定时间段的样本序列，根据该样本序列对评价指标进行归一化处理。

具体地，对于上述日平均区间覆盖合格率a^(α)，其变化范围为[0,1]，属于越大越优型指标，为了降低指标不同变化范围对综合评价性能的影响，其归一化如下：

其中，x_Nor(i)为x的归一化值；x为

上述指标b^(α)、c^(α)变化范围为[0,∞]，属于越小越优型指标，因此，分别设定其最大值为1、1MW，进行如下归一化：

进一步，除上述风功率曲线的条件概率不确定模型，在实际使用时，还包括风功率曲线的确定性建模过程，风功率曲线的确定性建模通常采用回归方法。在利用确定性风功率曲线进行理论值计算时，对风功率曲线性能的评价通常基于计算值与实际值的误差统计及其变形指标。然而，随着应用场景的变化，风功率曲线的理论值计算性能可以从不同角度得到评价。

具体地，对于风功率曲线的确定性建模，本发明实施例采用的是风功率曲线的周期性评价指标体系，因此，上述评价模型包括风功率曲线的周期性评价指标模型；此时，上述步骤S106中，建立评价模型以及计算评价指标的步骤包括：

根据实测数据样本采用相关向量机进行回归建模，得到基于风功率曲线的条件期望确定性模型；根据该条件期望确定性模型计算评价指标，其中，评价指标包括风功率曲线在所述指定时间段内的归一化均方根误差、归一化平均绝对值误差、理论功率恢复合格率、理论功率恢复极值合格率、实际功率与理论恢复功率的互相关系数、实际电量与理论恢复电量的偏差。

为了便于理解，同样以上述某风电场主流1.5MW变速变桨风机的实测运行数据为例进行说明。

具体地，可以基于2017年1至4月的风速、功率数据并采用相关向量机进行回归建模，得到风功率曲线的条件期望确定性模型，然后，利用风功率曲线进行理论功率计算，从不同角度建立风功率曲线日评价指标。功率计算值与实际值的偏差定义为：

其中，P_Acu为k时刻的实际功率；P_The为k时刻的理论功率，N为所有输出点的数量，P_Rat为风机额定功率值。

归一化的均方根误差指标定义为：

归一化的平均绝对误差定义为：

此外，关于风功率曲线恢复值的精确度，还可以定义其理论功率合格率指标如下：

其中，如果(1-|P_Acu(k)-P_The(k)|/_PRat)×100％≥80％，则q_k＝1，即合格；如果(1-|P_Acu(k)-P_The(k)|/P_Rat)×100％<80％，则q_k＝0，即不合格，其中，q_k为示性值，通常取值为0或1。

进一步，如果关注风功率曲线恢复的极值，则理论功率恢复极值合格率表示为：

其中，r_Qua、r_Omi、r_Mis和r_Unq分别是合格的、被忽略的、被误报的和不合格的极值。如果计算功率的极值和实际功率的极值同属于一个峰、平或谷时段，且两个极值的偏差满足精度要求，则认为该极值是合格的；否则，该极值是不合格的。如果实际功率存在极值，而计算功率没有极值，则认为该极值被忽略了。如果实际功率无极值，而计算功率有极值，则认为该极值被误报了。具体地，上述公式中，各个极值的计算过程，可以根据上述风功率曲线进行计算，具体计算过程可以参考其他相关资料，本发明实施例对此不进行限制。

进一步，从统计的角度，实际功率与理论恢复功率的互相关系数可以定义为：

其中，

为相应变量的均值。

此外，功率计算值与一定时间段内的累积电量相关，因此，实际电量与理论恢复电量的偏差可以定义为：

其中，C_The、C_Acu分别为一天中理论恢复电量和实际电量值。

基于已建立的风功率条件概率不确定性曲线，采用上述指标分别统计5月共31日评价指标，一共得到31组指标序列。采用如下方法进行归一化。其中，指标I_PPB、I_CC、I_PPE变化范围为[0,1]，属于越大越优型指标。为了降低指标不同变化范围对综合评价的影响，其归一化如下：

其中，x_Nor(i)为x的归一化值。指标I_Err、I_NRMSE、I_NMAE、I_GC变化范围[0,∞]，属于越小越优型指标。设定其最大值为2，进行如下归一化：

在实际使用时，对于归一化处理的上述评价指标，由于同类指标之间存在较强相关性，因此，可以采用特征提取法对具有相关性的评价指标进行降维，以简化上述评价指标对应的指标体系的层次。具体地，可以采用主元分析法进行主导特征提取。对比上述评价指标，其中，基于误差统计得到的I_Bias、I_NRMSE、I_NMAE属于相关性较强的同类指标，需要进行主导特征提取，得到指标I_Err。如果不进行主元分析降维，需要设置两层指标体系并进行模糊综合评价。

通过主元分析降维后，仅需要设置单层指标体系进行模糊综合评价，大大简化了后续的模糊综合评价难度。

此外，上述评价模型还可以包括风功率曲线的回归曲线模型；因此，上述步骤S106中，建立评价模型以及计算评价指标的步骤包括：

基于上述风功率曲线，采用回归曲线的方式进行建模，建立理论功率恢复误差在理论功率恢复值下的条件概率分布模型；根据该条件概率分布模型计算评价指标，其中，评价指标包括：平均区间覆盖合格率、平均区间覆盖置信误差和输出区间平均带宽。

在实际使用时，理论功率恢复误差在理论功率恢复值下的条件概率分布模型的建模过程，属于基于理论功率恢复值下恢复误差的条件概率分布的风功率曲线不确定性建模方法，该不确定性建模及评价依赖于风功率曲线的回归曲线建模，在此基础上，对回归值下回归误差的条件概率分布进行建模。具体地，基于一定短时周期时间段内的风速、功率采样数据，分别评价该不确定性模型在此周期内的平均区间覆盖合格率、平均区间覆盖置信误差、输出区间平均带宽等。经过长时周期内若干短时周期的积累形成样本序列。同时，制定了这些评价指标的归一化方法，以消除不同指标量纲上的差异。需要注意的是，虽然这些不确定性评价指标直接反映了风功率曲线的不确定性建模性能，但是，其也在某种程度上间接反映了风功率曲线的确定性建模性能。因而，两者通常可同时使用，以综合反映基于回归方法的风功率曲线的建模性能。

为了便于理解，图4示出了一种两层指标体系的分层结构示意图，具体构成为两层模糊综合评价体系，最底层为第一层，最上层为第二层，其中，风功率曲线的条件概率不确定性指标通常指的是基于风速和输出功率的条件概率分布，采用相关向量机方法建模得到风功率曲线的条件概率不确定模型的过程；风功率曲线的回归确定性指标通常指的是采用回归方法建立风功率曲线的确定性建模过程；风功率曲线的理论功率恢复条件概率的不确定指标通常指基于理论功率恢复值下恢复误差的条件概率分布的风功率曲线不确定性建模过程。

具体地，在实际使用时，还可以采用核密度估计的概率值作为各指标隶属于某个评价等级的模糊权重。最终，得到综合评价分数，更高的分数意味着更好的风机性能。进一步，图5示出了一种综合评价分数的展示图，其中，该图截取了3月份的若干天的评价结果。

具体地，上述模糊权重的设置过程可以根据实际使用情况进行设置，本发明实施例对此不进行限制。

具体地，以某风电场主流1.5MW变速变桨风机的实测运行数据为例进行说明，其示例数据也可参考为2017年1月至5月的数据；具体地，首先，采用2017年1至4月的理论功率恢复值、恢复误差进行建模，得到风功率曲线确定性建模下理论功率恢复误差在理论功率恢复值下的条件概率分布模型。然后，构建日评价指标体系，采用5月的日理论功率恢复值、理论功率恢复误差对该不确定性模型进行性能评价。其中，理论功率恢复的日平均区间覆盖合格率定义同上述公式(3)；理论功率恢复的日平均区间覆盖置信误差定义同上述公式(4)；理论功率恢复的日平均输出区间带宽定义同上述公式(5)。基于已建立的风功率确定性曲线、理论功率恢复值的条件概率不确定性曲线，采用上述指标分别统计5月共31日的评价指标，一共得到31组指标序列。各指标的归一化方法参考上述公式(6)、(7)，在此不再赘述。

综上，本发明实施例提供的风功率曲线多目标综合评价方法，具有以下有益效果：

(1)本发明实施例提供的风功率曲线多目标综合评价方法，考虑单一指标对风功率曲线性能评价的单一性，采用多目标评价指标体系对风功率性能进行多角度捕获，可以有效凸显不同风功率曲线的性能差异。

(2)采用特征提取对多目标评价指标体系降维，既保留了同类相关指标间的主导特征，也降低了多目标指标体系的维数，同时，有利于指标体系的分层及后续评价。

(3)模糊综合评价方法适用于多指标体系的评价，能够对风功率曲线做出多角度的综合量化，同时，保留不同风功率曲线间的差异性。综合量化分数便于不同风功率曲线性能的比较。

实施例二：

基于上述实施例提供的风功率曲线多目标综合评价方法，本发明实施例还提供了一种风功率曲线多目标综合评价装置，图6示出了一种风功率曲线多目标综合评价装置的结构示意图，包括以下结构：

获取模块20，用于获取实测数据样本，其中，实测数据样本为指定时间段内风电场中风机的风速和功率的实测运行数据；

绘制模块22，用于根据实测数据样本绘制指定时间段内风机的风功率曲线；其中，风功率曲线为基于风速和功率的曲线；

建立模块24，用于基于风功率曲线建立评价模型，计算评价模型对应的评价指标；

评价模块26，用于根据评价指标对风功率曲线进行多目标综合评价。

进一步，图7还示出了另一种风功率曲线多目标综合评价装置的结构示意图，除图6所示的结构外，上述装置还包括：

归一化模块28，用于对评价指标进行积累统计，生成指定时间段的样本序列，根据样本序列对评价指标进行归一化处理。

降维模块30，用于对于归一化处理的评价指标，采用特征提取法对具有相关性的评价指标进行降维，以简化评价指标对应的指标体系的层次。

本发明实施例提供的风功率曲线多目标综合评价装置，与上述实施例提供的风功率曲线多目标综合评价方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

本发明实施例还提供了一种服务器，该服务器包括处理器和存储器；其中，所述存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现图2所示的方法步骤。

本发明实施例还提供一种计算机存储介质，用于存储计算机程序指令，当计算机执行所述计算机程序指令时，执行如图2所示的方法。

参见图8，本发明实施例还提供了一种服务器的结构示意图，包括：处理器800，存储器801，总线802和通信接口803，处理器800、通信接口803和存储器801通过总线802连接；处理器800用于执行存储器801中存储的可执行模块，例如计算机程序。其中，存储器801可能包含高速随机存取存储器(RAM，RandomAccess Memory)，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口803(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线802可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。其中，存储器801用于存储程序，处理器800在接收到执行指令后，执行程序，前述本发明实施例任一实施例揭示的风功率曲线多目标综合评价装置所执行的方法可以应用于处理器800中，或者由处理器800实现。处理器800可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器800中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器800可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器801，处理器800读取存储器801中的信息，结合其硬件完成上述方法的步骤。

本发明实施例所提供的风功率曲线多目标综合评价方法、装置及服务器的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的服务器和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

所述功能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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种风功率曲线多目标综合评价方法，其特征在于，包括：

获取实测数据样本，其中，所述实测数据样本为指定时间段内风电场中风机的风速和功率的实测运行数据；

根据所述实测数据样本绘制所述指定时间段内所述风机的风功率曲线；其中，所述风功率曲线为基于所述风速和所述功率的曲线；

基于所述风功率曲线建立评价模型，计算所述评价模型对应的评价指标；

根据所述评价指标对所述风功率曲线进行多目标综合评价；

其中，所述评价模型包括所述风功率曲线的条件概率不确定模型；所述基于所述风功率曲线建立评价模型，计算所述评价模型对应的评价指标的步骤包括：计算所述风速输入条件下，输出功率的条件概率分布；基于所述条件概率分布，采用相关向量机方法进行条件概率建模，得到所述风功率曲线的条件概率不确定模型；根据所述条件概率不确定模型计算评价指标，其中，所述评价指标包括所述指定时间段内的平均区间覆盖合格率、平均区间覆盖置信误差、输出区间平均带宽；所述评价模型还包括所述风功率曲线的回归曲线模型；所述基于所述风功率曲线建立评价模型，计算所述评价模型对应的评价指标的步骤包括：基于所述风功率曲线，采用回归曲线的方式进行建模，建立理论功率恢复误差在理论功率恢复值下的条件概率分布模型；根据所述条件概率分布模型计算评价指标，其中，所述评价指标包括：平均区间覆盖合格率、平均区间覆盖置信误差和输出区间平均带宽；

所述根据所述评价指标对所述风功率曲线进行多目标综合评价的步骤，包括：采用核密度估计的概率值分别作为所述条件概率不确定模型和所述条件概率分布模型的各个所述评价指标隶属于对应的评价等级的模糊权重，以得到多目标综合评价的综合评价分数。

2.根据权利要求1所述的方法，其特征在于，所述评价模型包括所述风功率曲线的周期性评价指标模型；

所述基于所述风功率曲线建立评价模型，计算所述评价模型对应的评价指标的步骤包括：

根据所述实测数据样本采用相关向量机进行回归建模，得到基于所述风功率曲线的条件期望确定性模型；

根据所述条件期望确定性模型计算评价指标，其中，所述评价指标包括所述风功率曲线在所述指定时间段内的归一化均方根误差、归一化平均绝对值误差、理论功率恢复合格率、理论功率恢复极值合格率、实际功率与理论恢复功率的互相关系数、实际电量与理论恢复电量的偏差。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述评价指标进行积累统计，生成所述指定时间段的样本序列，根据所述样本序列对所述评价指标进行归一化处理。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

对于归一化处理的所述评价指标，采用特征提取法对具有相关性的评价指标进行降维，以简化所述评价指标对应的指标体系的层次。

5.一种风功率曲线多目标综合评价装置，其特征在于，包括：

获取模块，用于获取实测数据样本，其中，所述实测数据样本为指定时间段内风电场中风机的风速和功率的实测运行数据；

绘制模块，用于根据所述实测数据样本绘制所述指定时间段内所述风机的风功率曲线；其中，所述风功率曲线为基于所述风速和所述功率的曲线；

建立模块，用于基于所述风功率曲线建立评价模型，计算所述评价模型对应的评价指标；

评价模块，用于根据所述评价指标对所述风功率曲线进行多目标综合评价；

其中，所述评价模型包括所述风功率曲线的条件概率不确定模型；所述建立模块包括：计算所述风速输入条件下，输出功率的条件概率分布；基于所述条件概率分布，采用相关向量机方法进行条件概率建模，得到所述风功率曲线的条件概率不确定模型；根据所述条件概率不确定模型计算评价指标，其中，所述评价指标包括所述指定时间段内的平均区间覆盖合格率、平均区间覆盖置信误差、输出区间平均带宽；所述评价模型还包括所述风功率曲线的回归曲线模型；所述建立模块包括：基于所述风功率曲线，采用回归曲线的方式进行建模，建立理论功率恢复误差在理论功率恢复值下的条件概率分布模型；根据所述条件概率分布模型计算评价指标，其中，所述评价指标包括：平均区间覆盖合格率、平均区间覆盖置信误差和输出区间平均带宽；

所述评价模块包括：采用核密度估计的概率值分别作为所述条件概率不确定模型和所述条件概率分布模型的各个所述评价指标隶属于对应的评价等级的模糊权重，以得到多目标综合评价的综合评价分数。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

归一化模块，用于对所述评价指标进行积累统计，生成所述指定时间段的样本序列，根据所述样本序列对所述评价指标进行归一化处理。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

降维模块，用于对于归一化处理的所述评价指标，采用特征提取法对具有相关性的评价指标进行降维，以简化所述评价指标对应的指标体系的层次。

8.一种服务器，其特征在于，所述服务器包括处理器和存储器；其中，所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-4任一所述的方法步骤。

Images