本發(fā)明屬于功率曲線建模，具體涉及基于sgbrt和gwo的多變量風(fēng)力功率曲線建模方法。

背景技術(shù)：

1、風(fēng)力渦輪機(jī)（wt）的功率曲線可以直接表明其有效地將風(fēng)能轉(zhuǎn)化為電能的能力，準(zhǔn)確建模和監(jiān)測功率曲線，可以實(shí)現(xiàn)及時的風(fēng)能預(yù)測、早期故障檢測和風(fēng)力發(fā)電機(jī)組的狀態(tài)監(jiān)測，這也可以用于制定有效的控制策略，并為大規(guī)模風(fēng)電順利并網(wǎng)提供技術(shù)支持。由于各種實(shí)際因素，如位置、風(fēng)速、風(fēng)向、環(huán)境溫度、大氣壓、機(jī)械、控制、風(fēng)電場的部署以及測量誤差和數(shù)據(jù)處理方法等，經(jīng)驗(yàn)功率曲線可能與理論功率曲線存在顯著差異。因此，使用先進(jìn)的算法提高風(fēng)力發(fā)電機(jī)組功率曲線的建模精度具有重要意義，這對于提高風(fēng)能利用率以及降低整體運(yùn)營和維護(hù)成本至關(guān)重要。

2、現(xiàn)有研究中，改進(jìn)的隨機(jī)非參數(shù)建模方法在功率曲線模型方面取得的成就是顯著的，特別是在可解釋性、準(zhǔn)確性和泛化能力方面。然而，風(fēng)力發(fā)電機(jī)組不斷變化和復(fù)雜的運(yùn)行環(huán)境引入了許多可能影響其功率輸出的外部因素，忽略某些輸入變量或其耦合效應(yīng)也可能降低功率曲線模型的準(zhǔn)確性。此外，現(xiàn)有方法主要側(cè)重于提高建模精度，但隨著小波變換功率曲線的建模過程向使用多變量輸入的方向發(fā)展，在增強(qiáng)特征選擇的適應(yīng)性、訓(xùn)練速度和模型對噪聲數(shù)據(jù)的魯棒性等方面仍需進(jìn)一步研究。因此需要尋找一種基于先進(jìn)機(jī)器學(xué)習(xí)技術(shù)的多變量功率曲線建模方法。

技術(shù)實(shí)現(xiàn)思路

1、根據(jù)以上現(xiàn)有技術(shù)中的不足，本發(fā)明的目的在于提供基于sgbrt和gwo的多變量風(fēng)力功率曲線建模方法，通過結(jié)合sgbrt和gwo算法，實(shí)現(xiàn)了高準(zhǔn)確度、高效率和強(qiáng)適應(yīng)性的風(fēng)力發(fā)電機(jī)組功率曲線預(yù)測，具有顯著的性能優(yōu)勢。

2、為達(dá)到以上目的，本發(fā)明采用的技術(shù)方案是，基于sgbrt和gwo的多變量風(fēng)力功率曲線建模方法，包括以下步驟：

3、s1、將風(fēng)機(jī)的操作區(qū)域分為五個不同階段（即為將風(fēng)機(jī)的運(yùn)行范圍劃分為五個特定的區(qū)域），包括切入階段、最大風(fēng)能跟蹤階段、過渡階段、額定功率階段和切出階段，根據(jù)不同階段的功率控制策略進(jìn)行數(shù)據(jù)清理；

4、s2、根據(jù)偏互信息pmi選擇輸入變量，通過比較互信息來確定外部條件與輸出功率的相關(guān)性，并利用pmi處理輸入變量之間的耦合關(guān)系；

5、s3、基于隨機(jī)梯度增強(qiáng)回歸樹sgbrt進(jìn)行建模，得到sgbrt模型；

6、s4、運(yùn)用灰狼優(yōu)化算法gwo優(yōu)化更新sgbrt模型中的回歸參數(shù)；

7、s5、基于優(yōu)化后的sgbrt模型進(jìn)行多變量風(fēng)力功率曲線的建模。

8、作為本發(fā)明的優(yōu)選方案，所述的s1中，定義vwind為實(shí)際風(fēng)速；vcut_in為切入風(fēng)速，即風(fēng)機(jī)切入階段最大運(yùn)行風(fēng)速；vrated為額定風(fēng)速，即風(fēng)機(jī)最大風(fēng)能跟蹤階段最大運(yùn)行風(fēng)速；vcut_out為切出風(fēng)速，即風(fēng)機(jī)額定功率階段最大運(yùn)行風(fēng)速；prated為風(fēng)力發(fā)電機(jī)的額定功率；采用變槳控制系統(tǒng)進(jìn)行槳葉節(jié)距角和風(fēng)輪速度的控制調(diào)整；

9、各個階段及其控制策略為：

10、切入階段：當(dāng)vwind＜vcut_in時，風(fēng)機(jī)關(guān)閉；

11、最大風(fēng)能跟蹤階段：當(dāng)vcut_in≤vwind＜vrated時，風(fēng)機(jī)開始運(yùn)行，將槳葉節(jié)距角的變槳角度保持在0°，同時，風(fēng)輪速度根據(jù)vwind不斷調(diào)整，以保持風(fēng)機(jī)在最佳葉尖速比工作；

12、過渡階段：當(dāng)vwind在vrated附近上下波動時，槳葉節(jié)距角的俯仰角控制在-5°至5°之間，同時將風(fēng)輪速度保持在額定值，以確保風(fēng)機(jī)運(yùn)行的安全性和穩(wěn)定性；

13、額定功率階段：當(dāng)vrated＜vwind≤vcut_out時，增加槳葉節(jié)距角的俯仰角，減少輸出功率波動；

14、切出階段：當(dāng)vwind＞vcut_out時，變槳角度調(diào)整到順槳狀態(tài)，以停止風(fēng)機(jī)的運(yùn)行；

15、數(shù)據(jù)清理為，原始數(shù)據(jù)包含風(fēng)速、輸出功率、轉(zhuǎn)子速度、環(huán)境條件、傳動部件溫度和振動數(shù)據(jù)，對于切入階段和切出階段，隨著風(fēng)機(jī)在切入階段和切出階段中停止工作，清除非零輸出功率值；對于最大風(fēng)能跟蹤階段、過渡階段和額定功率階段，這三個階段的風(fēng)速和輸出功率散點(diǎn)圖呈現(xiàn)帶狀分布，根據(jù)對應(yīng)的功率控制策略，使用混合阿基米德-copula函數(shù)建立自適應(yīng)置信邊界模型，在三維copula空間中對原始數(shù)據(jù)進(jìn)行清理。

16、作為本發(fā)明的優(yōu)選方案，所述的s1中，數(shù)據(jù)清理的具體過程為：

17、s1.1、定義最大風(fēng)能跟蹤階段、過渡階段和額定功率階段的風(fēng)速為v，輸出功率為p，估算最大風(fēng)能跟蹤階段、過渡階段和額定功率階段的風(fēng)速和輸出功率的累積邊際概率分布（此處的估算采用現(xiàn)有技術(shù)即可），分別表示為和，構(gòu)建聯(lián)合頻率直方圖；

18、s1.2、擬合每個操作區(qū)域的混合阿基米德copula函數(shù)，表示為：

19、（1）；

20、式中，u代表；v代表；e為自然常數(shù)；、、分別表示gumbel、clayton和frank?copula函數(shù)；、、分別是gumbel、clayton和frankcopula函數(shù)的依賴參數(shù)，表示隨機(jī)變量之間的依賴關(guān)系；表示copula函數(shù)；、、是位于0和1之間的隨機(jī)數(shù)；ln表示以e為底的對數(shù)函數(shù)；exp表示以e為底的指數(shù)函數(shù)；

21、s1.3、基于式（1），推導(dǎo)出在下的條件概率為：

22、（2）；

23、式中，表示偏微分；

24、s1.4、將的置信水平設(shè)置為，限制異常數(shù)據(jù)的數(shù)量，其中為置信水平的補(bǔ)數(shù)；定義一個不對稱系數(shù)α，通過式（3）推導(dǎo)出置信水平為的概率分位數(shù)：

25、（3）；

26、式中，、分別表示低概率分位數(shù)和高概率分位數(shù)；

27、s1.5、定義一個風(fēng)速v0，估算其在最大風(fēng)能跟蹤階段、過渡階段和額定功率階段的累積邊際概率分布后，在條件下的的條件概率變?yōu)閱巫兞?，在風(fēng)速v0下，式（3）的輸出、對應(yīng)變?yōu)?、；則v0下的p的分位數(shù)能夠?qū)С觯?/p>

28、（4）；

29、式中，表示非參數(shù)條件概率的逆函數(shù)；、分別表示v0下風(fēng)力功率曲線的置信下限和置信上限；

30、s1.6、在最大風(fēng)能跟蹤階段、過渡階段和額定功率階段中，以指定的間隔計算每個風(fēng)速的上下限，基于這些點(diǎn)在所有操作區(qū)域進(jìn)行繪制，以獲得風(fēng)力功率曲線的等效置信邊界，通過該邊界識別和消除異常數(shù)據(jù)。

31、作為本發(fā)明的優(yōu)選方案，所述的s2中，根據(jù)偏互信息pmi選擇輸入變量的過程為：

32、s2.1、對于隨機(jī)輸出向量yi，將輸出向量集合標(biāo)記為，n為樣本數(shù)量，即為向量的數(shù)量；y的信息熵通過式（5）計算：

33、（5）；

34、式中，pi是對應(yīng)于yi的概率分布；

35、s2.2、對于隨機(jī)輸入變量ui，將其集合標(biāo)記為，ui會影響yi，對于u和y之間的互信息，y中包含的元素通過以下公式計算：

36、（6）；

37、式中，表示ui和yi的聯(lián)合概率密度函數(shù)；、分別表示ui、yi的邊緣概率密度函數(shù)；表示括號內(nèi)兩者之間的互信息（此處即為u和y之間的互信息，其余同理）；log是對數(shù)函數(shù)，即以10為底的指數(shù)函數(shù)的逆函數(shù)；

38、s2.3、對于u中的一個采樣點(diǎn)u，其邊緣概率密度函數(shù)（估計密度）表示為：

39、（7）；

40、式中，d表示隨機(jī)輸入變量的維度；是樣本的協(xié)方差矩陣，是的行列式；為u和ui之間的馬氏距離，h是核密度函數(shù)，表示為：

41、（8）；

42、s2.4、若存在另一個輸入集合u1，那么當(dāng)u和u1之間存在互相關(guān)性時，的計算值不能與實(shí)際值匹配，在這種情況下，在去除u1和y中包含的關(guān)于u的信息后，需要使用pmi來測量u和y之間的相關(guān)性；一旦u的信息被消除，初始u1和y更新為ut和yt：

43、（9）；

44、式中，ut和yt是去除u1和y中包含的關(guān)于u的信息后更新的變量集合（即為剩余信息）；表示u1在u上的核回歸估計；表示y在u上的核回歸估計，表示為：

45、（10）；

46、s2.5、u1和y之間的pmi通過以下公式計算：

47、（11）；

48、式中，表示u1和y之間的偏互信息；

49、s2.6、定義c表示為總輸入變量集合，x表示最優(yōu)輸入變量集合，cx表示具有最大pmi值的候選輸入變量集合，基于pmi進(jìn)行變量選擇。

50、作為本發(fā)明的優(yōu)選方案，所述的s2.6中，基于pmi進(jìn)行變量選擇的過程為：

51、s2.6.1、初始時，，表示空集；

52、s2.6.2、如果，根據(jù)式（10）構(gòu)造估計器，表示y在x上的核回歸估計；

53、s2.6.3、計算剩余信息；

54、s2.6.4、對于c中的任意一個元素cj，根據(jù)式（10）推導(dǎo)出，即表示cj在x上的核回歸估計；

55、s2.6.5、計算剩余信息；

56、s2.6.6、計算，并選擇最大的cx；

57、s2.6.7、計算評估條件：

58、（12）；

59、式中，pc表示評估值；是用所選變量計算的y的回歸殘差；p是篩選變量的數(shù)量；

60、s2.6.8、如果pc值減小，則將cx選擇到x中；

61、s2.6.9、返回到步驟s2.6.2繼續(xù)循環(huán)計算，如果pc值不再降低，即pc值達(dá)到其最小值時，x中的最優(yōu)輸入變量選擇完成。

62、作為本發(fā)明的優(yōu)選方案，所述的s3中，sgbrt是梯度增強(qiáng)決策樹gbdt的改進(jìn)，建模時，給定訓(xùn)練樣本集合m，，xi為最優(yōu)輸入變量集合中的元素，；計算輸出向量集合y的平均值，用于對x進(jìn)行預(yù)測，然后計算當(dāng)前gbdt模型的殘差，并對這些殘差擬合一棵新的決策樹，直到損失函數(shù)在所有樣本分布中具有最小的數(shù)學(xué)期望值，表示為：

63、（13）；

64、式中，表示從x到y(tǒng)的映射函數(shù)；表示y和x的聯(lián)合分布的期望值；為損失函數(shù)，表示括號內(nèi)兩者之間差異的度量（此處即為y和之間差異的度量，其余同理）；argmin表示使某個函數(shù)達(dá)到最小值的變量值。

65、作為本發(fā)明的優(yōu)選方案，gbdt的算法流程為：

66、s3.1、定義一個初始常數(shù)函數(shù)，使損失函數(shù)最小，以根節(jié)點(diǎn)為創(chuàng)建樹，表示為：

67、（14）；

68、式中，β是gbdt模型的初始預(yù)測值；

69、s3.2、迭代構(gòu)建k-boosting樹，包括兩個循環(huán)，在第一個循環(huán)“k=1到k”和第二個循環(huán)“i=1到n”之后，將所有回歸樹加在一起，并不斷更新gbdt模型，其中k為樹個數(shù)；迭代后計算得到的函數(shù)關(guān)系如下：

70、（15）；

71、式中，是增強(qiáng)樹的展開系數(shù)；是回歸樹函數(shù)；ak是擬合訓(xùn)練數(shù)據(jù)的參數(shù)集合，其集合表示為；

72、k-boosting樹指的是通過迭代地添加決策樹（增強(qiáng)樹）來構(gòu)建模型。每棵新樹都試圖糾正前一棵樹的預(yù)測誤差?；貧w樹函數(shù)是一種決策樹，它在樹的葉節(jié)點(diǎn)上存儲的是連續(xù)的數(shù)值，而不是分類標(biāo)簽，這種類型的決策樹用于回歸問題，即預(yù)測一個連續(xù)的數(shù)值輸出變量。

73、為了求解回歸樹函數(shù)中的損失函數(shù)，使用最小二乘法來擬合當(dāng)前的偽殘差，損失函數(shù)的負(fù)梯度計算如下：

74、（16）；

75、式中，、分別表示從xi、x到y(tǒng)的映射函數(shù)，x為x中的一個樣本點(diǎn)；表示在第k輪迭代之前，gbdt模型對括號內(nèi)元素的預(yù)測函數(shù)（此處即為對gbdt模型x的預(yù)測函數(shù)，其余同理）；k是當(dāng)前迭代的輪數(shù)，表示gbdt模型中已經(jīng)添加了k棵決策樹；將用作殘差的估計；

76、利用ak和βk，聯(lián)合適應(yīng)訓(xùn)練數(shù)據(jù)，表示為：

77、（17）；

78、式中，是回歸樹函數(shù)；

79、s3.3、利用最小二乘法擬合，ak表示為：

80、（18）；

81、式中，a是a中的一個樣本點(diǎn)；

82、βk的最佳值由下式確定：

83、（19）；

84、s3.4、在從k=1到k的每次迭代中，用作葉節(jié)點(diǎn)的回歸樹函數(shù)將輸入空間劃分為l個非重疊區(qū)域，表示為，表示第k棵樹在第l個葉節(jié)點(diǎn)所對應(yīng)的區(qū)域，輸入空間即為最優(yōu)輸入變量集合x；

85、在每個區(qū)域中，如下預(yù)測一個單獨(dú)的常數(shù)：

86、（20）；

87、式中，i是一個指標(biāo)函數(shù)，當(dāng)成立時，i=1，否則i等于0；是區(qū)域中估計殘差的平均值；mean函數(shù)是指求平均值的數(shù)學(xué)運(yùn)算；

88、因此，在每個子區(qū)域中，回歸樹在第k次迭代中由第l個葉節(jié)點(diǎn)求解，由于從式（20）中獲得的回歸樹能夠預(yù)測每個區(qū)域中的，因此標(biāo)記為的式（19）的解簡化為：

89、（21）；

90、式中，表示第l個葉節(jié)點(diǎn)（終端節(jié)點(diǎn)）的預(yù)測值；

91、s3.5、為了監(jiān)督預(yù)測過程的學(xué)習(xí)率，所有學(xué)習(xí)者都被歸一化，設(shè)置學(xué)習(xí)率調(diào)節(jié)因子z以調(diào)整梯度下降的步長，0＜z≤1，通過以下方式更新當(dāng)前擬合的gbdt模型：

92、（22）；

93、式中，表示在第k輪迭代時，針對x的gbdt模型的預(yù)測函數(shù)；

94、s3.6、當(dāng)?shù)Y(jié)束時，最終的表示為：

95、（23）。

96、作為本發(fā)明的優(yōu)選方案，所述的s3中，sgbrt的改進(jìn)為，在gbdt中引入了一個隨機(jī)化過程，即采樣訓(xùn)練數(shù)據(jù)集的一個隨機(jī)子集來擬合基學(xué)習(xí)器，然后基于分離的隨機(jī)子數(shù)據(jù)集計算當(dāng)前迭代的更新sgbrt模型，步驟包括：

97、對于給定的訓(xùn)練樣本集合m，將輸入空間x劃分為l個互不相交的區(qū)域；

98、定義為損失函數(shù)，為隨機(jī)置換整數(shù)集得到的序列集，為其中的第i個序列；

99、在不相交區(qū)域的每個樣本集中，隨機(jī)抽取一個未被替換的樣本子集ms，記為，ns為樣本容量且ns＜n，、分別為對應(yīng)于的xi和yi；

100、使用ms訓(xùn)練回歸樹，從而得到從x到y(tǒng)的映射；以隨機(jī)子集作為輸入，為每個區(qū)域生成新的回歸樹模型，式（21）更新為：

101、（24）；

102、式中，表示更新后的式（19）的解；

103、最終的sgbrt模型通過迭代確定，表示為：

104、（25）。

105、作為本發(fā)明的優(yōu)選方案，所述的s4中，利用gwo算法進(jìn)一步優(yōu)化sgbrt模型中的回歸參數(shù)，包括樹個數(shù)k、互不相交的區(qū)域數(shù)量l和學(xué)習(xí)率調(diào)節(jié)因子z。

106、作為本發(fā)明的優(yōu)選方案，所述的s4中，gwo算法的優(yōu)化流程為：

107、s4.1、gwo算法中，灰狼分為i、ii、iii和iv四類，i狼是首席領(lǐng)袖，ii狼和iii狼是下屬，其余iv狼負(fù)責(zé)種群內(nèi)的關(guān)系平衡；根據(jù)狼群的適應(yīng)度值迭代更新狼群的位置，并利用其更新后的位置在問題空間中搜索最優(yōu)解，在狩獵過程中，灰狼圍捕獵物的行為表示為：

108、（26）；

109、式中，t表示當(dāng)前迭代次數(shù)；、分別表示灰狼在第t次、第t+1次迭代時的位置向量；表示獵物在第t次迭代時的位置向量；q和z是系數(shù)向量，分別表示為：

110、（27）；

111、式中，b1和b2是位于0到1之間的隨機(jī)常向量；q是從2到0線性遞減的收斂因子；

112、s4.2、當(dāng)識別到獵物位置時，ii狼和iii狼在i狼的引導(dǎo)下協(xié)調(diào)所有狼包圍獵物，表示為：

113、（28）；

114、式中，、、分別表示i狼、ii狼和iii狼的位置向量，表示為：

115、（29）；

116、式中，、、分別表示i狼、ii狼和iii狼在第t次迭代時的位置向量；q1、q2、q3分別為i狼、ii狼和iii狼的系數(shù)向量；、、分別表示i狼、ii狼和iii狼與其他個體之間的距離，表示為：

117、（30）；

118、式中，z1、z2、z3為隨機(jī)向量；

119、s4.3、構(gòu)建gwo的適應(yīng)度函數(shù)，表示為：

120、（31）；

121、式中，rmse為均方根誤差；mae為平均絕對誤差；r2為決定系數(shù)；、、分別是rmse、mae和r2的權(quán)重因子；c是一個正常數(shù)，用于防止除以零誤差。

122、本發(fā)明涉及的算法可以通過電子設(shè)備執(zhí)行，電子設(shè)備包括存儲器、處理器及存儲在存儲器上并可在處理器上運(yùn)行的計算機(jī)程序，通過處理器執(zhí)行軟件實(shí)現(xiàn)上述的算法計算。

123、本發(fā)明所具有的有益效果是：

124、本發(fā)明提出了一種結(jié)合隨機(jī)梯度提升回歸樹（sgbrt）和灰狼優(yōu)化（gwo）算法的風(fēng)力發(fā)電機(jī)組功率曲線預(yù)測模型，通過在三維copula空間中使用概率描述方法對原始數(shù)據(jù)進(jìn)行清理，有效消除了無效和非自然數(shù)據(jù)，同時利用偏互信息分析確定關(guān)鍵輸入變量，提高了數(shù)據(jù)質(zhì)量和模型的準(zhǔn)確性。該模型在預(yù)測變速恒頻風(fēng)力發(fā)電機(jī)組的功率曲線方面展現(xiàn)出了卓越的準(zhǔn)確性和效率。

125、本發(fā)明在建模精度、效率和適應(yīng)性方面均表現(xiàn)出色。與參數(shù)化、人工神經(jīng)網(wǎng)絡(luò)和xgboost模型相比，所提出的sgbrt-gwo模型架構(gòu)在歸一化殘差、rmse、mae和r2值方面均顯示出優(yōu)越性能。模型的迭代過程也得到了簡化，減少了計算成本和時間，同時保持了高預(yù)測精度。這些優(yōu)點(diǎn)使得該方案在優(yōu)化風(fēng)能生產(chǎn)和提高風(fēng)力發(fā)電機(jī)組效率方面具有重要的實(shí)際應(yīng)用價值，為風(fēng)力發(fā)電系統(tǒng)的運(yùn)行、維護(hù)和控制提供了有力的技術(shù)支持。