CN113051769A - 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 - Google Patents

Abstract

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。

Description

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

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；

将所述验证集输入所述优化模型，计算所述优化模型的误差评估指标，并根据所述误差评估指标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；

将所述最优参数模型作为风功率曲线模型，并采用测试集进行模型性能评估。

进一步的，所述多个风功率曲线参数拟合模型具体包括3-PLF,4-PLF,5-PLF,6-PLF和MHTan模型；

所述3-PLF为：

其中V代表风速，P(V)为对应的功率输出，k,r分别代表系统容量和增长率，y₀为一般系数；

所述4-PLF为：

其中α,β,δ,γ为一般待确定系数；

所述5-PLF为：

其中α,β分别代表函数最大值和最小值，γ为拐点，δ为坡度，ε为非对称因子；

所述6-PLF为：

其中a,b,d,h,g,V₀为一般待确定系数；

所述MHTan为：

其中a₁,a₂，a₃，a₄，a₅，a₆，a₇，a₈，a₉为一般待确定系数。

进一步的，所述非对称损失目标函数为：

其中N为样本个数，其中参数p控制不同误差下损失值的变化程度，参数τ∈(0,1)控制损失函数非对称的程度，y_i和

分别是样本i的测量值和估计值。

进一步的，所述预设的混合优化算法具体包括：

预设灰狼优化算法，并对种群初始化，以非对称损失目标函数为适应度函数；

采用灰狼优化算法进行参数优化至迭代次数达到预设迭代次数时，获得灰狼优化算法的当前种群；

以灰狼优化算法的当前种群作为回溯搜索算法的初始种群，采用回溯搜索算法进行优化至迭代次数等于最大迭代次数，输出最优模型参数。

进一步的，所述预设迭代次数＝m*最大迭代次数，m∈(0，1)。

进一步的，所述灰狼优化算法具体包括：

获取种群大小，最大迭代次数，待优化参数个数和种群位置边界，并初始化种群位置；

根据所述非对称损失目标函数计算种群中每个候选解的适应度值，并获取适应度值最低的前三个候选解；

根据公式

进行种群位置更新，其中a+b+c＝1，

分别代表其他候选解受所述前三候选解引导，对下一步位置更新的分量；

更新迭代次数和参数，当迭代次数大于预设迭代次数时，获得灰狼优化算法的当前种群。

进一步的，所述待确定非对称损失目标函数参数τ的取值为{0.3,0.35,...,0.8}。

进一步的，所述误差评估指标包括：平均绝对误差，均方根误差和决定系数。

有益效果：

本发明考虑了数据中包含异常值的情况，针对建模过程中估计曲线分布的非对称性，提出了基于非对称损失的目标函数，并采用所述非对称损失目标函数进行模型参数的优化，优化过程中将灰狼优化算法(GWO)和回溯搜索算法(BSA)进行混合，综合了两种算法收敛速度快、寻优精度高的优点。通过基于非对称损失的目标函数和混合智能优化算法，对选定的参数拟合模型进行参数优化，从而构建简单高效的风功率曲线建模方法，一方面削弱了异常数据对曲线建模准确性的影响，提高了曲线的准确性和可靠性，另一方面提高了建模效率和精度；另外本发明选用五种参数拟合模型，结构简单，计算成本低。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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的流程图；

图2为本发明实施例提供的异常值存在情况下的风功率曲线拟合误差分布；

图3为本发明实施例提供的非对称损失目标函数参数p和τ取不同值情况下的损失函数形状；

图4为本发明实施例提供的混合智能优化算法GWO-BSA流程图；

图5为本发明实施例提供的不同损失函数下的优化模型误差指标；

图6为本发明实施例提供的基于对称损失和基于非对称损失的目标函数优化结果对比；

图7为本发明实施例提供的智能优化算法优化模型性能对比；

图8为本发明实施例提供的MHTan模型功率曲线拟合效果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例提供的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的流程图，具体包括：

步骤S101，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。

在本发明实施例中，选用五种广泛用于功率曲线建模的参数模型对风功率曲线进行拟合，包括：3-PLF，4-PLF，5-PLF，6-PLF和MHTan模型，它们的数学表达式分别如式(1)～(5)所示。

所述3-PLF为：

其中，V代表风速，P(V)为对应的功率输出，k,r分别代表系统容量和增长率，y₀为一般系数。

所述4-PLF为：

其中α,β,δ,γ为一般待确定系数。

所述5-PLF为：

其中α,β分别代表函数最大值和最小值，γ为拐点，δ为坡度，ε为非对称因子。

所述6-PLF为：

其中a,b,d,h,g,V₀为一般待确定系数。

所述MHTan为：

其中a₁,a₂,a₃,a₄,a₅,a₆,a₇,a₈,a₉为一般待确定系数。

现有技术中，在异常值存在的情况下，风功率曲线的拟合误差可能呈现出非对称分布的特性，如图1所示，此时若忽略这一误差分布特性，而使用具有对称特性的损失函数(如最小二乘损失函数)，将不符合实际拟合误差分布特性，从而导致难以获得真实有效的风功率曲线。因此，在本发明实施例中，考虑风功率曲线拟合时误差分布非对称特性采用基于非对称损失的目标函数进行模型参数优化，例如，第i个样本的非对称损失计算方法如下公式：

其中参数p控制不同误差下损失值的变化程度，参数τ∈(0,1)控制损失函数非对称的程度，y_i和

分别是样本i的测量值和估计值。参数p和τ共同影响损失函数的形状，它们的作用如图2所示。从公式可以看出，当p＝1，为绝对值损失函数，当ρ＝2，为平方损失函数；另外，当τ＝0.5，为对称损失函数，当τ≠0.5，为非对称损失目标函数。

本发明实施例中，在功率曲线建模过程中，通过最小化以下非对称损失目标函数公式(7)来获得最优模型参数：

其中N为样本个数，

为公式(6)所示的样本损失函数值。本发明所采用的是基于非对称损失的目标函数，能有效应对功率曲线误差分布非对称的特点，从而削弱异常值对建模的影响，提高风功率曲线的精度。

步骤S102，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。

当确定风功率曲线拟合模型的表达式，需要对模型参数进行优化，获得准确的风功率曲线，现有的模型参数估计方法有最小二乘法，极大似然法，智能优化方法等。由于当模型表达式比较复杂时，使用最小二乘法无法获得或很难直接获得参数解析解，很多学者使用智能优化方法对模型参数进行估计，例如回溯搜索算法(BSA)，粒子群优化算法(PSO),布谷鸟优化算法(CSA)等智能优化算法。本发明采用一种混合智能优化算法(GWO-BSA)，将灰狼优化算法(GWO)和回溯搜索算法(BSA)进行混合。GWO算法具有收敛速度快的优点，而BSA算法拥有较高的寻优精度，不容易陷入局部最优，获得了一种寻优精度高，收敛速度快的混合智能优化算法。

所述灰狼优化算法(GWO)是一种受狼群社会等级和狩猎行为启发所提出的群智能优化算法，狼群中灰狼的位置根据三匹领头狼(α、β、δ)的位置进行更新。进化算法通过适应度函数值来评估解的质量，适应度函数的选择直接影响了寻优的质量和速度，本发明使用第一部分所提出的基于非对称损失的目标函数作为优化算法的适应度函数。在灰狼优化算法中，每次迭代后将适应度值最低的前三个候选解作为α、β、δ的位置，其他灰狼根据三匹领头狼的位置，按照以下公式(8)更新下一步位置

其中

分别代表其他候选解受α、β、δ引导，对下一步位置更新的分量，计算方式(9)～(11)如下：

其中

分别表示α、β、δ的位置向量，

为灰狼当前位置向量，

计算方式(12)～(13)如下：

其中

随着迭代过程从2线性减小到0，

和

为0到1之间的随机向量。

所述灰狼优化算法的优化过程可以分为以下几个步骤：

1)输入种群大小，最大迭代次数，待优化参数个数，种群位置边界；

2)初始化种群位置，初始化a,A,C；

3)计算种群中每个候选解的适应度值，适应度值最低的前三个候选解作为α、β、δ；

4)使用以上位置更新公式进行种群位置更新；

5)迭代次数加1，更新参数a,A,C；

6)判断是否达到最大迭代次数，若未达到，返回第3)步，若达到最大迭代次数，输出当前α的位置作为最优解。

所述回溯搜索优化算法(BSA)是一种拥有新颖高效的变异算子和交叉算子的进化算法，其已在文献中被用来优化MHTan模型参数，并获得了较好的优化结果。回溯搜索算法的优化步骤可以分为五步：

1)初始化：包括种群P和历史种群oldP初始化，其初始化公式(14)～(15)如下：

P_i,j＝l_j+r₁·(u_j-l_j) (14)

oldP_i,j＝l_j+r₂·(u_j-l_j) (15)

其中P和oldP是N×D的矩阵，N为种群大小，D为待优化参数的个数，P_i，j、oldP_i,j分别代表矩阵P和矩阵oldP中的第i行第j列元素，l_j，u_j分别为第j维参数的下界与上界，j＝1,2,...,D，i＝1,2,...,N，r₁、r₂为0到1之间的随机值。

2)选择I：用于更新历史种群oldP，更新后的历史种群将引导种群变异，oldP的选择方法如下：

if p<q then oldP＝P (16)

其中p,q为0到1之间服从均匀分布的随机数。历史种群oldP可以更新为当前种群P或之前任何一代的种群，这一更新方法有利于保持种群多样性。

3)变异：完成历史种群oldP的更新后，首先将种群中个体的顺序进行重新排序，并将排序后的种群赋给oldP，然后通过以下公式获得一个初始试验种群M：

M＝P+F·(oldP-P) (17)

其中F服从均值为0，方差为9的正态分布，用于控制矩阵(oldP-P)的变化幅度。

4)交叉：用于生成最终试验种群T，在此过程中，随机选择以下两种交叉方法中的一种进行交叉：

对于种群P中的每一个体，随机选择一维与M中对应位置元素进行互换，生成交叉后的种群T。

对于种群P中的每一个体，随机选出n_i个元素并与M中对应位置元素进行互换，生成交叉后的种群T，交叉长度n_i的计算方法如下：

其中mixrate为交叉概率，r(i)为0到1之间的随机数，D为待优化参数的维度。

5)选择II：将种群P和经交叉变异后的试验种群T中每个个体的适应度值进行对比，将适应度值较低的个体保留下来作为更新的种群P，选择方式可以由以下公式表示：

其中f为适应度函数，在本发明中设置为基于非对称损失的目标函数，更新后的种群P进入下一次迭代或作为最终优化结果输出。

在本发明实施例中，为了同时提高参数优化过程的收敛速度和寻优精度，本发明将两种算法进行混合，获得GWO-BSA混合算法，所述混合优化算法如图4所示，具体包括：预设灰狼优化算法，并对种群初始化，以非对称损失目标函数为适应度函数；采用灰狼优化算法进行参数优化至迭代次数大于预设迭代次数时，获得灰狼优化算法的当前种群；以灰狼优化算法的当前种群作为回溯搜索算法的初始种群，采用回溯搜索算法进行优化至迭代次数等于最大迭代次数，输出最优模型参数。

在本发明实施例中，采用参数m∈(0,1)来控制两种优化算法的切换：

其中max_iter为最大迭代次数，iter为当前迭代次数。另外，为了进一步提高GWO的搜索效果，本发明对GWO的位置更新过程进行了改进：

其中a+b+c＝1，a,b,c为可以根据优化阶段进行调整的权重系数，通过调整权重，可以在更新阶段增强或弱化三个领头狼的位置引导作用，增强当前最优解α的位置作用可以在早期搜索阶段加速收敛，而弱化当前最优解α的位置作用有助于减小陷入局部最优的风险。

在发明实施例中，首先确定非对称损失函数的形式，其中待确定的参数τ取值设置为{0.3,0.35,...,0.8}，采用GWO-BSA进行参数优化后获得11个不同τ值所对应的优化模型。

在该混合优化算法中，GWO具有较快的收敛速度，且在早期搜索阶段算法一般不易陷入局部最优，因此在算法的早期搜索阶段，首先使用GWO进行优化，以提高算法整体收敛速度，并且GWO优化后的种群能为BSA提供更优的种群初始位置；由于BSA具有较好的全局寻优能力，在算法的中后期搜索过程中使用BSA来搜索最优解，从而保证收敛速度的同时，提高了算法的精度。

步骤S103，将所述验证集输入所述优化模型，计算所述优化模型的误差评估指标，并根据所述误差评估指标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。

在本发明实施例中，使用验证集，计算步骤S102获得的11个优化模型的误差评估指标，包括平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R²)，根据误差评估指标选出非对称目标函数的最优参数τ值(τ_*)和对应的最优参数模型Model(τ_*)。

步骤S104，将所述最优参数模型作为风功率曲线模型，并采用测试集进行模型性能评估。即输出最优参数模型Model(τ_*)作为风功率曲线模型，并在测试集中进行模型性能评估。

为验证本发明建模方法的有效性，以以下实施例进行进一步说明。

实施例1

在风电场数据集中，5484个样本作为训练集，400个样本作为验证集，599个样本作为测试集。本发明实施例中采用了三种基于人工智能的建模方法，包括LSSVM,BPNN,ANFIS。所采用的误差指标为平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R²)。

对于本发明所提出的基于非对称损失的目标函数，需确定损失函数中的最优τ值，首先将τ值设置为{0.3,0.35，...,0.8}，并分别用混合算法进行优化，每个参数模型都获得11个不同的参数优化结果，它们在验证集中的误差评估指标如图5所示。综合三个误差指标，选出每个参数模型的最优τ值，各模型对应的最优τ结果如表1。为了验证非对称损失目标函数在提高风功率曲线建模精度方面的有效性，实验中使用了基于对称损失的目标函数(其中参数τ始终为0.5)与之进行对比。各模型基于两种损失的目标函数优化结果如图6所示。

表1各参数模型最优τ值

从图6中可以看出，几乎所有使用非对称损失优化获得的模型性能优于使用对称损失优化所得到的模型性能，基于非对称损失进行优化的模型拥有更低的MAE和RMSE值，以及它们的R²值更接近于1。这是由于基于非对称损失优化的模型考虑了误差分布特性，因而具有更高的精度。由于在选择损失函数中的最优参数τ时，使用绝对值损失的MHTan模型和使用平方损失的5-PLF模型对应的最优τ值为0.5，即这两个模型在对称损失函数下获得最优模型结果，此时两种损失函数相同，因此对应优化模型结果也相同。

实施例2

为了验证本发明所提出的混合智能优化算法GWO-BSA，实验中采用了另外三种优化算法进行对比，包括BSA，GWO和DA(蜻蜓算法)，优化算法中的适应度函数为本发明提出的基于非对称损失的目标函数，优化模型结果如表2和图7。其中，四种优化算法的种群大小设置为30，最大迭代次数设置为300，BSA中的mixrate为1，GWO中a，b,c的初始值分别设置为

当相邻两次迭代适应度值之差小于某个阈值时，将a,b,c都设置为

GWO-BSA中的控制参数m为0.1。

表2四种智能优化算法优化模型结果对比

从表2中可以看出，使用GWO-BSA算法的模型拥有好的优化结果，在相同的迭代次数下，混合算法具有更快的收敛速度和更高的寻优精度。另外，根据图7可以更直观地观察到GWO-BSA的优化效果相对稳定，寻优精度优于其他三种算法，尤其在6-PLF和MHTan模型中混合算法的优势更为显著。

实施例3

使用本发明所提出的风功率曲线建模方法，从所获模型中选出性能最好的前三条功率曲线和基于人工智能方法得到的三种模型(LSSVM，BPNN，ANFIS)进行对比，结果如表3所示。从表3中可以看出，MHTan(p＝2,τ＝0.4)模型具有最低的RMSE值以及最接近于1的R²值，MHTan(p＝1,τ＝0.5)模型拥有最低的MAE值，这两个模型都拥有较好的曲线拟合效果，如图8所示。由于LSSVM，BPNN和ANFIS在建模过程中并没有考虑拟合误差的分布特性，而是假设误差呈高斯分布，因此影响了功率曲线的精度。

表3不同功率曲线模型性能对比

综上所述，本发明考虑了数据中包含异常值的情况，针对建模过程中估计曲线的误差分布非对称特性，提出了基于非对称损失的目标函数，提高了模型的准确性；将GWO和BSA两种智能优化算法进行混合，综合了两种优化算法的优点，提高了模型参数优化的效率和精度；通过基于非对称损失的目标函数和混合智能优化算法，对选定的参数拟合模型进行参数优化，从而构建简单高效的风功率曲线建模方法。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

Claims (8)

1.一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，其特征在于，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；

将所述验证集输入所述优化模型，计算所述优化模型的误差评估指标，并根据所述误差评估指标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；

将所述最优参数模型作为风功率曲线模型，并采用测试集进行模型性能评估。

2.根据权利要求1所述的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，其特征在于，所述多个风功率曲线参数拟合模型具体包括3-PLF，4-PLF，5-PLF，6-PLF和MHTan模型；

所述3-PLF为：

其中V代表风速，P(V)为对应的功率输出，k,r分别代表系统容量和增长率，y₀为一般系数；

所述4-PLF为：

其中α,β,δ,γ为一般待确定系数；

所述5-PLF为：

其中α,β分别代表函数最大值和最小值，γ为拐点，δ为坡度，ε为非对称因子；

所述6-PLF为：

其中a,b,d,h，g，V₀为一般待确定系数；

所述MHTan为：

其中a₁,a₂，a₃，a₄，a₅,a₆,a₇,a₈,a₉为一般待确定系数。

3.根据权利要求1所述的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，其特征在于，所述非对称损失目标函数为：

其中N为样本个数，其中参数p控制不同误差下损失值的变化程度，参数τ∈(0,1)控制损失函数非对称的程度，y_i和

分别是样本i的测量值和估计值。

4.根据权利要求1所述的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，其特征在于，所述预设的混合优化算法具体包括：

预设灰狼优化算法，并对种群初始化，以非对称损失目标函数为适应度函数；

采用灰狼优化算法进行参数优化至迭代次数大于预设迭代次数时，获得灰狼优化算法的当前种群；

以灰狼优化算法的当前种群作为回溯搜索算法的初始种群，采用回溯搜索算法进行优化至迭代次数等于最大迭代次数，输出最优模型参数。

5.根据权利要求4所述的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，其特征在于，所述预设迭代次数＝m*最大迭代次数，m∈(0,1)。

6.根据权利要求4所述的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，其特征在于，所述灰狼优化算法具体包括：

获取种群大小，最大迭代次数，待优化参数个数和种群位置边界，并初始化种群位置；

根据所述非对称损失目标函数计算种群中每个候选解的适应度值，并获取适应度值最低的前三个候选解；

根据公式

进行种群位置更新，其中a+b+c＝1，

分别代表其他候选解受所述前三候选解引导，对下一步位置更新的分量；

更新迭代次数和参数，当迭代次数达到预设迭代次数时，获得灰狼优化算法的当前种群。

7.根据权利要求1所述的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，其特征在于，所述待确定非对称损失目标函数参数τ的取值为{0.3,0.35,...,0.8}。

8.根据权利要求1所述的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，其特征在于，所述误差评估指标包括：平均绝对误差，均方根误差和决定系数。

Images