一种面向新能源功率预测的限电样本识别与训练加权方法与流程

摘要: 本发明涉及新能源发电功率预测,尤其涉及一种面向新能源功率预测的限电样本识别与训练加权方法及装置。背景技术:1、新能源功率预测模型的训练效果高度依赖于训练样本的标...
一种面向新能源功率预测的限电样本识别与训练加权方法与流程

本发明涉及新能源发电功率预测,尤其涉及一种面向新能源功率预测的限电样本识别与训练加权方法及装置。

背景技术:

1、新能源功率预测模型的训练效果高度依赖于训练样本的标签质量。在实际运行中,经常出现一类典型样本:气象资源条件良好,目标场站实测功率却持续显著低于理论出力水平。此类样本的成因复杂,既可能源于电网调度指令下的场站限电,也可能由设备故障、测风或辐照数据异常、局地微气象条件与广域气象预报之间的偏差等因素引起。若将此类“可发未发”样本直接作为正常出力标签用于模型训练,预测模型将把受限状态下的出力模式误学为真实的风光资源转换规律,进而在未来高资源场景下产生系统性低估误差,严重损害功率预测的准确性与可靠性。

2、针对上述问题,现有技术主要沿两条技术路线展开。第一类方法基于单场站的理论功率与实发功率之间的偏差,设定固定或动态阈值进行判别,偏差超过阈值即判定为异常样本并予以剔除或降权。该类方法的局限性在于,仅依赖本站自身信息无法区分低出力现象的真实成因——限电、设备异常与局地气象偏差在单站功率轨迹上往往呈现相似的数值特征,单凭偏差量难以做出可靠判别。第二类方法对功率曲线进行平滑处理,或基于出力曲线的形态异常进行规则化清洗与降权。该类方法的问题在于仅实施单点数据清洗,未能引入区域尺度的资源信息作为交叉验证依据,当出现区域性共同限电时,单站功率曲线在形态上仍保持平滑,难以被曲线形态类异常检测算法有效识别。

3、从实际运行场景观察,新能源出力受限往往并非孤立事件。在区域内整体辐照良好、多个光伏场站资源条件均较充裕的情况下,区域性光伏限电时有发生;类似地,区域风资源整体充裕时,多个风电场亦可能出现同步受限。这表明,限电事件在时空分布上具有显著的区域同步性特征,单纯依赖单站局部信息进行判断存在先天不足,亟需引入区域尺度的资源充裕度信息,对单站判断结果进行协同校正。

4、综观现有技术,主要存在以下不足:其一,判别依据局限于单场站自身的功率与气象信息,未能利用区域风光资源的整体条件来增强限电判断的可靠性与稳健性;其二,识别输出形式多为二值标签或规则化权重,缺乏连续化的概率输出,难以与基于梯度的预测模型训练框架进行有机融合与平滑加权;其三,无法将“场站气象资源条件良好且区域资源整体充裕”这一典型的区域性限电业务场景显式编码为可计算的判据,导致在此类场景下识别灵敏度不足;其四,缺乏对限电、设备异常与数据异常的系统性区分机制,易将各类非正常出力样本混为一谈,造成训练标签的污染与模型性能的退化。

5、为此,急需一种能够融合单站后验概率推断与区域资源协同校正、并输出连续化训练权重的新能源场站限电样本识别方法,以提升预测模型在复杂运行场景下的训练质量与泛化性能。

技术实现思路

1、本发明的主要目的在于提供一种面向新能源功率预测的限电样本识别与训练加权方法。

2、本发明的另一个目的在于提出一种面向新能源功率预测的限电样本识别与训练加权装置。

3、本发明的第三个目的在于提出一种电子设备。

4、本发明的第四个目的在于提出一种非临时性计算机可读存储介质。

5、为达上述目的,本发明第一方面实施例提出了一种面向新能源功率预测的限电样本识别与训练加权方法,包括:

6、采集目标场站及区域内风电场、光伏电站的多源异构数据,经时间对齐与质量控制后,通过解析目标场站在当前资源禀赋与工况下的物理出力能力,生成理论功率参考值及其与实际功率间的偏差量;

7、将所述理论功率参考值与所述偏差量,以及目标场站的局地气象要素、功率时序动态特征及设备状态共同构成特征矢量,经梯度提升树模型映射为表征仅依赖本站信息时出力受限可能性的条件概率估计值;

8、利用区域内同类型场站的气象与理论功率数据,量化区域风光资源整体充裕度,构造独立于单站判断的协同校正因子;

9、利用所述协同校正因子对所述条件概率估计值进行修正,根据修正后的最终概率生成样本可信度权重与限电等级标签,约束预测模型的训练,使模型输出向识别结果趋同,实现限电状态的最终识别与训练约束的生成。

10、可选的,采集目标场站及区域内风电场、光伏电站的多源异构数据,经时间对齐与质量控制后,通过解析目标场站在当前资源禀赋与工况下的物理出力能力,生成理论功率参考值及其与实际功率间的偏差量,包括:

11、采集目标场站的历史实发功率、气象数据与设备状态数据,以及区域内其他风电场和光伏电站的功率数据与气象数据,并同步获取时间特征;

12、对所采集的多源异构数据进行统一时间对齐,使所有数据序列在时间维度上保持一致;

13、对缺失数据采用线性插值或邻近填充方式进行补齐;

14、对异常数据进行初筛,识别并标记超出合理范围的功率跳变与气象极值;

15、根据所述目标场站的气象数据解析当前风光资源条件,结合设备状态数据判断设备可用性,并参考历史出力特征,估算该场站在未受限条件下应具备的理论可发功率,将该理论可发功率与采集到的实际并网功率进行比较,得到所述偏差量。

16、可选的,将所述理论功率参考值与所述偏差量,以及目标场站的局地气象要素、功率时序动态特征及设备状态共同构成特征矢量,经梯度提升树模型映射为表征仅依赖本站信息时出力受限可能性的条件概率估计值,包括:

17、将所述理论功率参考值与所述偏差量作为表征出力偏离程度的目标特征输入,将目标场站的局地气象要素、功率时序变化率以及设备运行状态作为辅助解释特征输入,其中功率时序变化率用于捕捉出力波动的动态特征,设备运行状态用于区分限电与非限电工况下的设备表现;

18、将全部特征合并为多维特征矢量;

19、采用梯度提升树模型作为概率推断框架,以所述特征矢量为输入,以限电可能性为输出,训练所述梯度提升树模型对单站限电状态进行概率映射,输出所述条件概率估计值。

20、可选的,利用区域内同类型场站的气象与理论功率数据,量化区域风光资源整体充裕度,构造独立于单站判断的协同校正因子,包括:

21、根据区域内全部或抽样场站的气象与理论功率数据,分别统计区域风资源指数与区域光资源指数,其中风资源指数由区域风电气象特征与区域风电理论可发功率共同确定,光资源指数由区域光伏气象特征与区域光伏理论可发功率共同确定;

22、将区域风资源指数与区域光资源指数融合为区域资源整体充裕度,表征区域尺度风光资源的综合丰裕水平;

23、将区域资源整体充裕度作为基础分量,对区域风资源指数与所述区域光资源指数进行加权组合,构造所述协同校正因子。

24、可选的,利用所述协同校正因子对所述条件概率估计值进行修正,包括:

25、将所述协同校正因子作为先验权重,作用于所述条件概率估计值;

26、当目标场站局地气象条件良好,且区域资源整体充裕度显示区域风光资源整体充裕,而所述条件概率估计值所依据的偏差量仍然显著为正时,提高修正后的最终概率取值;

27、通过基于区域资源充裕度的一致性检验对单站推断结果进行联合修正,输出所述最终概率。

28、可选的,根据修正后的最终概率生成样本可信度权重与限电等级标签,包括:

29、根据所述最终概率的数值区间,将对应样本划分为正常、疑似、较高、高四类限电等级;

30、对于最终概率取值低于第一阈值的样本,确认为正常样本并赋予高可信度权重;

31、对于最终概率取值高于第二阈值的样本,确认为限电样本并降低其训练权重;

32、对于介于两者之间的样本,根据其最终概率取值与数据完整性综合评定可信度,赋予中等权重;

33、输出所述限电等级标签与所述样本可信度权重,用于后续预测模型训练中样本贡献度的差异化控制。

34、可选的,约束预测模型的训练的过程,包括:

35、在预测模型训练过程中,以所述样本可信度权重对各样本的损失函数贡献进行加权,使正常样本主导模型学习过程,限电样本对模型参数更新的影响被抑制;

36、在常规预测误差约束之外,增加后验一致性约束项,使模型输出的预测功率与所述限电等级标签所指示的限电状态保持一致,避免模型将受限出力样本误学为正常发电规律;

37、基于修正后的最终概率与所述样本可信度权重,采用滑动窗口或在线学习方式,对所述预测模型的参数进行滚动更新,使识别与预测结果随时间推移保持自适应调整能力。

38、为达上述目的,本发明第二方面实施例提出了一种面向新能源功率预测的限电样本识别与训练加权装置,包括:

39、数据基础建模单元,用于采集目标场站及区域内风电场、光伏电站的多源异构数据,经时间对齐与质量控制后,通过解析目标场站在当前资源禀赋与工况下的物理出力能力,生成理论功率参考值及其与实际功率间的偏差量;

40、单站概率推断单元,用于将所述理论功率参考值与所述偏差量,以及目标场站的局地气象要素、功率时序动态特征及设备状态共同构成特征矢量,经梯度提升树模型映射为表征仅依赖本站信息时出力受限可能性的条件概率估计值;

41、区域协同构造单元,用于利用区域内同类型场站的气象与理论功率数据,量化区域风光资源整体充裕度,构造独立于单站判断的协同校正因子;

42、联合修正训练单元,用于利用所述协同校正因子对所述条件概率估计值进行修正,根据修正后的最终概率生成样本可信度权重与限电等级标签,约束预测模型的训练,使模型输出向识别结果趋同,实现限电状态的最终识别与训练约束的生成。

43、关于上述实施例中的装置,其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。

44、为达上述目的,本技术第三方面实施例提出了一种电子设备,包括:处理器和存储器;其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如第一方面实施例所述的一种面向新能源功率预测的限电样本识别与训练加权方法。

45、为达上述目的,本技术第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面实施例所述的一种面向新能源功率预测的限电样本识别与训练加权方法。

46、本发明实施例具有以下有益效果:

47、(1)相较于仅依赖单场站偏差阈值的判别方式,本方法通过引入区域风光资源整体充裕度的量化结果构造协同校正因子,对单站推断结果进行联合修正,显著提升了限电样本识别的准确率与稳健性,尤其适用于区域性共同限电场景。

48、(2)相较于输出二值标签或规则化权重的传统方式,本方法采用梯度提升树模型输出连续化的后验概率,并将最终概率直接映射为样本可信度权重与限电等级标签,实现了从识别到加权的端到端概率化输出,可与基于梯度的预测模型训练框架平滑衔接。

49、(3)本方法在修正环节通过区域资源充裕度与本站条件的联合一致性检验,能够在区域资源充裕且本站低出力的场景下提高限电判断强度,同时在低出力可由局地资源条件或设备异常解释时降低判断强度,实现了对限电、设备异常与数据异常三类情形的系统性区分,有效避免了训练标签的污染。

50、(4)本方法通过将限电识别结果转化为训练加权因子与后验一致性约束,使正常样本主导模型学习过程、限电样本被抑制,避免了预测模型将受限出力误学为正常发电规律,显著提升了预测模型在高资源场景下的出力估算精度与泛化能力。