风电出力概率密度分布模型的建模方法、装置和设备与流程

1.本技术涉及风力发电技术领域，特别是涉及一种风电出力概率密度分布模型的建模方法、装置和计算机设备。


背景技术：

2.随着风力发电技术的日渐成熟，风电占电力系统发电总量的比例也逐渐增加，风电总装机容量在电力系统中所占比例的不断提高，风电并网、规划的相关问题也愈发引起重视。但是，风电发电出力存在间歇性、波动性和随机性等不稳定特点，大规模风电并网对电力系统电网建设、电源结构配置和运行调度模式提出了新的要求。为便于电力系统内可调节电源更好配合风电运行，需要对风电出力特性进行系统全面认识，以促进新能源稳定可持续发展。
3.传统的技术方案中，通过非参数核密度估计建立风电出力概率密度分布模型；具体是通过用于描述核密度估计函数准确性的积分均方误差和用于表征核密度估计函数平滑性的滑动积分均方误差构建带宽优化模型，通过对带宽优化模型进行模糊化，并基于序优化理论对带宽优化模型进行求解，选取前k个解为真实足够好解，从而确定出目标核函数带宽，进而根据目标核函数带宽确定出对应的风电出力概率密度分布模型。可见，传统的技术方案中，确定核函数带宽的计算过程繁琐复杂，因此导致确定风电出力概率密度分布模型的过程繁琐复杂。
4.因此，如何便捷快速地确定出核函数带宽，进而提高确定出风电出力概率密度分布模型的便捷度，是本领域技术人员目前需要解决的技术问题。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够便捷快速地确定出核函数带宽，进而提高确定出风电出力概率密度分布模型的便捷度的风电出力概率密度分布模型的建模方法、装置和计算机设备。
6.一种风电出力概率密度分布模型的建模方法，所述方法包括：
7.确定目标风电区域，并获取所述目标风电区域在目标时间段内的目标风电出力数据；
8.以渐进积分均方误差最小为目标，确定出目标核函数带宽；
9.利用所述目标核函数带宽和所述目标风电出力数据进行非参数核密度估计，得出所述目标风电区域在所述目标时间段内的目标风电出力概率密度分布模型。
10.在其中一个实施例中，所述以渐进积分均方误差最小为目标，确定出目标核函数带宽，包括：
11.利用最小化渐进积分均方误差，以所述非参数核密度估计的偏差和方差最小为目标，确定出所述目标核函数带宽。
12.在其中一个实施例中，所述利用最小化渐进积分均方误差，以所述非参数核密度
估计的偏差和方差最小为目标，确定出所述目标核函数带宽，包括：
13.利用所述最小化渐进积分均方误差，以所述非参数核密度估计的所述偏差和所述方差最小为目标，确定出所述目标核函数带宽的计算公式：
14.l＝0.9min(σ,i
qr
/1.34)n
‑
1/5
；
15.其中，l表示所述目标核函数带宽，σ为所述目标风电出力数据的标准差，i
qr
为散度度量半极差，n表示所述目标风电出力数据的样本数；
16.利用所述计算公式确定出所述目标核函数带宽。
17.在其中一个实施例中，所述方法还包括：
18.根据所述目标风电出力概率密度分布模型绘制出对应的目标风电出力概率密度分布图。
19.在其中一个实施例中，所述方法还包括：
20.根据所述目标风电区域的多个所述目标时间段分别对应的目标风电出力概率密度分布图，确定出所述目标风电区域在不同所述目标时间段的风电出力特性差异。
21.在其中一个实施例中，所述方法还包括：
22.根据多个所述目标风电区域在所述目标时间段分别对应的目标风电出力概率密度分布图，确定不同所述目标风电区域在所述目标时间段的风电出力特性差异。
23.在其中一个实施例中，所述方法还包括：
24.根据所述目标时间段的所述目标风电出力概率密度分布模型确定出所述目标风电区域的有效风电装机容量。
25.在其中一个实施例中，所述方法还包括：
26.确定出所述目标风电出力概率密度分布模型的风电出力随机分布拟合结果的平均误差分数和均方根误差；
27.利用所述平均误差分数和均方根误差，确定出所述目标风电出力概率密度分布模型的拟合效果评价指标综合系数；其中，所述拟合效果评价指标综合系数的计算公式包括：
28.e
com
＝αe
mape
(1
‑
α)e
rmse
；
29.其中，e
com
为所述拟合效果评价指标综合系数；e
mape
表示所述风电出力随机分布拟合结果的所述平均误差分数，且e
rmse
为所述风电出力随机分布拟合结果的所述均方根误差，且m表示所述目标时间段的个数；r
gi
，r
oi
分别为风电出力的非参数核密度估计分布和所述目标风电出力数据的分布直方图在第i个所述目标时间段的概率；α为平均误差分数指标权重。
30.一种风电出力概率密度分布模型的建模装置，所述装置包括：
31.获取模块，用于确定目标风电区域，并获取所述目标风电区域在目标时间段内的目标风电出力数据；
32.设置模块，用于以渐进积分均方误差最小为目标，确定出目标核函数带宽；
33.确定模块，用于利用所述目标核函数带宽和所述目标风电出力数据进行非参数核密度估计，得出所述目标风电区域在所述目标时间段内的目标风电出力概率密度分布模型。
34.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
35.确定目标风电区域，并获取所述目标风电区域在目标时间段内的目标风电出力数据；
36.以渐进积分均方误差最小为目标，确定出目标核函数带宽；
37.利用所述目标核函数带宽和所述目标风电出力数据进行非参数核密度估计，得出所述目标风电区域在所述目标时间段内的目标风电出力概率密度分布模型。
38.上述风电出力概率密度分布模型的建模方法、装置和计算机设备，通过以渐进积分均方误差最小为目标确定出目标核函数带宽，代替传统技术方案中对带宽优化模型进行模糊化以及基于序优化理论对带宽优化模型进行求解的过程，因此采用本方法确定出目标核函数带宽的过程更加快速便捷，因此能够提高确定出风电出力概率密度分布模型的便捷度。
附图说明
39.图1为一个实施例中风电出力概率密度分布模型的建模方法的流程示意图；
40.图2a至图2d为一个实施例中广东省风电季出力特性对比图；
41.图3a至图3d为一个实施例中南方五省区风电日出力特性对比图；
42.图4a至图4d为一个实施例中南方五省区风电季出力特性对比图；
43.图5为一个实施例中南方五省区风电年出力特性对比图；
44.图6为一个实施例中南方五省区全年风电出力随机分布的累计概率分布图；
45.图7为一个实施例中不同带宽下的广东省风电年出力特性对比图；
46.图8为一个实施例中风电出力概率密度分布模型的建模装置的结构框图；
47.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
48.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
49.本技术提供的风电出力概率密度分布模型的建模方法，可以应用于计算机设备中，也可以用独立的服务器或者是多个服务器组成的服务器集群来实现。其中，计算机设备包括存储器和处理器，存储器用于存储计算机程序，处理器用于执行该计算机程序以实现风电出力概率密度分布模型的建模方法的步骤；更具体的，计算机设备包括但不限于是计算机设备如个人计算机、笔记本电脑、智能手机、平板电脑等。
50.在一个实施例中，如图1所示，提供了一种风电出力概率密度分布模型的建模方法，以该方法应用于计算机设备中为例进行说明，包括以下步骤：
51.步骤102，确定目标风电区域，并获取目标风电区域在目标时间段内的目标风电出力数据。
52.具体的，目标风电区域指的是需要进行风电出力概率密度分布建模的区域，一般利用行政区域位置划分法或自然地理位置划分法将整个待研究的风电区域划分为多个风
电区域，并从划分出的多个风电区域中确定出目标风电区域。可以理解的是，可以将划分出的多个风电区域分别确定为目标风电区域，也可以是从划分出的风电区域中选择一个或多个风电区域作为目标风电区域，本实施例对此不做限定。
53.目标时间段指的是需要进行风电出力概率密度分布建模的时间，可以是一日、一月、一季以及一年等，根据实际需求设置目标时间段，本实施例对此不做限定。在实际操作中，可以是设置多个目标时间段，并对各目标时间段分别进行分析，确定出与各目标时间段分别对应的目标风电出力概率密度分布模型。例如，可以将一年分为春(3～5月)、夏(6～8月)、秋(9～11月)、冬(12～2月)四个季节，将各季节分别作为目标时间段，确定出与各季节分别对应的目标风电出力概率密度分布模型。
54.在确定出目标风电区域和目标时间段后，获取目标风电区域在目标时间段内的目标风电出力数据。在实际操作中，可以是先获取包括目标时间段在内的大范围的风电出力数据，再从中筛选出与目标时间段对应的目标风电出力数据，也可以是在确定出目标时间段后，只在目标时间段采集对应的目标风电出力数据，本实施例对获取目标风电出力数据的具体方式也不做限定。
55.风电出力数据指的是表征风电区域风电出力情况的数据，本实施例中，风电出力数据指的是风电有功出力数据(风电出力有功功率数据)。在一种具体的实施方式中，设置采集周期为15分钟，目标时间段为一年，即获取目标风电区域按时间序列排列的全年风电出力有功功率数据，相邻数据的最小时间间隔为15分钟。
56.步骤104，以渐进积分均方误差最小为目标，确定出目标核函数带宽。
57.在实际操作中，需要确定出目标风电出力概率密度分布模型，得出最优的核回归估计结果，需要选择合适的核函数和核函数带宽。核函数的选择具有多样性，具体可以是高斯函数；可以利用最小化积分均方误差、最小化渐进积分均方误差、拇指法则、交叉验证等方式确定目标核函数带宽；本实施例中，是以渐进积分均方误差最小为目标，确定出目标核函数带宽。
58.步骤106，利用目标核函数带宽和目标风电出力数据进行非参数核密度估计，得出目标风电区域在目标时间段内的目标风电出力概率密度分布模型。
59.本实施例中，设置非参数核密度估计对应的计算公式，在确定出目标核函数带宽后，利用目标核函数带宽和目标风电出力数据进行非参数核密度估计，得出目标风电区域在目标时间段内的目标风电出力概率密度分布模型。
60.更具体的，针对目标风电区域，根据目标时间段的时长不同，利用非参数核密度估计法计算得到目标风电区域的风电日出力概率密度函数、风电季度出力概率密度函数和风电年出力概率密度函数，建立起目标风电区域的风电日出力概率密度分布模型、风电季度出力概率密度分布模型和风电年出力概率密度分布模型。
61.本发明实施例提供的一种风电出力概率密度分布模型的建模方法，通过以渐进积分均方误差最小为目标确定出目标核函数带宽，代替传统技术方案中对带宽优化模型进行模糊化以及基于序优化理论对带宽优化模型进行求解的过程，因此采用本方法确定出目标核函数带宽的过程更加快速便捷，因此能够提高确定出风电出力概率密度分布模型的便捷度。
62.在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，
本实施例中，以渐进积分均方误差最小为目标，确定出目标核函数带宽，包括：
63.利用最小化渐进积分均方误差，以非参数核密度估计的偏差和方差最小为目标，确定出目标核函数带宽。
64.需要说明的是，根据非参数核密度估计算法，核函数带宽l越小，非参数核密度估计的偏差b
ias
越小，但非参数核密度估计的方差v
ar
也随之越大；反之，核函数带宽l增大，则非参数核密度估计的方差v
ar
变小，但非参数核密度估计的偏差b
ias
也随之增大，可见，核函数带宽的变化不能同时减小非参数核密度估计的偏差和方差，需要确定出根据最优的非参数核密度估计的偏差和方差，确定出目标核函数带宽。在本实施例中，提出一种最优核函数带宽计算方法，使估计的渐进积分均方误差最小，渐进积分均方误差可以综合地权衡核密度估计的偏差和方差。
65.作为一种优选的实施方式，利用最小化渐进积分均方误差，以非参数核密度估计的偏差和方差最小为目标，确定出目标核函数带宽，包括：
66.利用最小化渐进积分均方误差，以非参数核密度估计的偏差和方差最小为目标，确定出目标核函数带宽的计算公式：
67.l＝0.9min(σ,i
qr
/1.34)n
‑
1/5
；
68.其中，l表示目标核函数带宽，σ为目标风电出力数据的标准差，i
qr
为散度度量半极差，n表示目标风电出力数据的样本数；
69.利用计算公式确定出目标核函数带宽。
70.具体的，假设p1,p2,
…
,p
n
为风电有功出力p在目标时间段内采样收集的n个样本，即采集n个目标风电出力数据，则风电出力概率密度函数的非参数核密度估计为：
[0071][0072]
式中，为基于非参数核密度估计的风电出力概率密度函数；k(p,l)为核函数；p
i
为风电有功出力的第i个样本值，l为核函数带宽。
[0073]
为保证被估计风电出力概率密度函数的连续性，核函数k(p)需为对称平滑非负函数，其需要满足以下特性：
[0074][0075]
式中，c为常数。
[0076]
一般而言，在满足如上特性的前提下，核函数的选择具有多样性，不同的核函数对于非参数核密度估计的精确性影响不大，本实施例选取高斯函数作为风电出力概率密度函数的核函数，即：
[0077][0078]
令u
i
＝(p
‑
p
i
)/l，将风电出力概率密度函数的非参数核密度估计改写为：
[0079]
[0080]
可见，在风力发电随机分布的非参数核密度估计中，核函数带宽l的选择是影响非参数核密度估计精确性的关键因素；若l值过大，则可能导致拟合的概率密度函数平滑性过高，会掩盖拟合对象的某些结构特征，例如风电出力的多峰性，产生较大的估计误差；若l值过小，虽然可以提高估计精度，但可能导致拟合的概率密度函数的波动性过高，容易出现过拟合的情况。因此，应根据核密度估计的情况调整核函数带宽l。
[0081]
当样本数n
→
∞、核函数带宽l
→
0、nl
→
∞时，非参数核密度估计的偏差b为：
[0082][0083]
非参数核密度估计的方差v为：
[0084][0085]
其中，μ2(k)和r(k)均为关于核函数k的函数，其计算式分别如下所示：
[0086]
μ2(k)＝∫u2k(u)du；
[0087]
r(k)＝∫k(u)du。
[0088]
本实施例中，利用渐进积分均方误差权衡非参数核密度估计的偏差和方差，当渐进积分均方误差最小时，可得到如下公式：
[0089][0090]
其中，r(f”)＝∫(f”(p))2dx；
[0091]
采用正态参考准则，将最优核函数带宽表达式简化为：
[0092][0093]
式中，σ为样本变量的标准差；
[0094]
采用更加稳健的散度度量半极差i
qr
确定并利用代替σ，其中，表示如下：
[0095][0096]
式中，φ为标准正态累积分布函数；
[0097]
为实现对多峰概率密度曲线的准确估计，将最优核函数带宽的计算公式的系数减小为0.9，得到最优核函数带宽的计算公式如下所示：
[0098]
l＝0.9min(σ,i
qr
/1.34)n
‑
1/5
。
[0099]
可见，按照本实施例的方法确定出的目标核函数带宽更加精准，因此能够提高确定出目标风电区域在目标时间段内的目标风电出力概率密度分布模型的精准度。
[0100]
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例中，方法还包括：
[0101]
根据目标风电出力概率密度分布模型绘制出对应的目标风电出力概率密度分布图。
[0102]
在实际操作中，在确定出目标风电出力概率密度分布模型之后，可以根据目标风电出力概率密度分布模型绘制出对应的目标风电出力概率密度分布图。需要说明的是，本实施例对绘制目标风电出力概率密度分布图的具体方式不做限定，例如可以是利用函数绘
图软件，根据目标风电出力概率密度分布模型以及目标风电出力数据进行图形拟合，绘制出对应的目标风电出力概率密度分布图；函数绘图软件可以是origin，也可以是其他类型的函数绘图软件，本实施例对此也不做限定。
[0103]
本实施例中，通过进一步绘制出目标风电出力概率密度分布图，从而能够更直观地显示目标风电区域在目标时间段的风电出力特性。
[0104]
在一个实施例中，在按照上述实施例的方法得出目标风电出力概率密度分布模型之后，可以进一步对多种方式得出的风电出力概率密度分布模型进行横向比较；假设目标风电区域为广东省，获取广东省近年内全年风电有功出力数据为输入，采用本发明实施例提供的非参数核密度估计法和采用基于正态分布、weibull分布的典型经验分布函数的参数估计法，分别建立广东省风电季出力概率密度分布模型，并得出对应的风电季出力概率密度分布图，并进行对比和分析，以验证非参数核密度估计法在建立风电出力概率密度分布模型的有效性和精准性。
[0105]
如图2a至图2d为广东省风电季出力特性对比图，分别为广东省春、夏、秋、冬四季中，按照三种拟合方式分别确定出的风电季出力概率密度分布图；由附图2a至图2d可以看出，采用非参数核密度估计法所构建的风电季出力概率密度分布模型均能够准确地贴合四个不同季节的风电出力概率密度分布直方图，而采用weibull分布函数所构建的风电季出力概率密度分布模型仅能够较好地拟合春、夏、冬季的风电出力概率密度分布直方图，但是对于秋季风电出力概率密度的拟合精度较差。这是因为采用weibull分布函数所构建的概率密度模型具有单峰性的特点，无法体现出广东省秋季风电出力的多峰性；采用正态分布函数所构建的风电出力概率密度分布模型普遍存在错峰现象，拟合误差最大；而非参数核密度估计法相比之下更为灵活，能够平滑反映概率密度变动趋势，可实现更精确的风电出力特性拟合效果。
[0106]
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例中，方法还包括：
[0107]
根据目标风电区域的多个目标时间段分别对应的目标风电出力概率密度分布图，确定出目标风电区域在不同目标时间段的风电出力特性差异。
[0108]
在本实施例中，是针对相同的目标风电区域，进行多时间维度的风电出力特性差异的比较分析。具体的，针对同一目标风电区域，确定出多个目标时间段分别对应的目标风电出力概率密度分布图，从而将不同目标时间段分别对应的目标风电出力概率密度分布图进行比较，以得出目标风电区域在不同目标时间段的风电出力特性差异。
[0109]
例如，在对目标风电区域进行风电日出力特性差异的分析对比中，将一天24小时分为0点～6点、6点～12点、12点～18点、18点～24点四个目标时间段，基于改进型非参数核密度估计法建立目标风电区域在各目标时间段分别对应的目标风电出力概率密度分布模型，进而得出与各目标时间段分别对应的目标风电出力概率密度分布图，从而比较分析出目标风电区域在一天中的不同时段对应的风电出力特性差异。
[0110]
另例如，在对目标风电区域进行风电季出力特性差异的分析对比中，将一年分为春(3～5月)、夏(6～8月)、秋(9～11月)、冬(12～2月)四个季节，每个季节对应为一个目标时间段，基于改进型非参数核密度估计法建立目标风电区域在春、夏、秋、冬四季分别对应的目标风电出力概率密度分布模型，进而得出与各季节分别对应的目标风电出力概率密度
分布图，从而比较分析出目标风电区域在一年中的不同季节对应的风电出力特性差异。
[0111]
可见，本实施例能够针对相同的目标风电区域，进行多时间维度的风电出力特性差异的比较分析，能更便捷直观地确定出不同时间维度的风电出力特性差异。
[0112]
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例中，方法还包括：
[0113]
根据多个目标风电区域在目标时间段分别对应的目标风电出力概率密度分布图，确定不同目标风电区域在目标时间段的风电出力特性差异。
[0114]
在本实施例中，是针对相同的目标时间段，进行多空间维度的风电出力特性差异的比较分析。具体的，针对同一目标时间段，确定出多个不同的目标风电区域在该目标时间段分别对应的目标风电出力概率密度分布图，从而将不同目标风电区域分别对应的目标风电出力概率密度分布图进行比较，以得出各不同目标风电区域在相同目标时间段下的风电出力特性差异。
[0115]
例如，当目标时间段为一天中的0点～6点或6点～12点或12点～18点或18点～24点，基于改进型非参数核密度估计法分别针对南方五省区(广东、广西、贵州、海南和云南)建立对应的目标风电出力概率密度分布模型，进而得出与各目标风电区域分别对应的目标风电出力概率密度分布图。
[0116]
例如，当目标时间段为一年中的春(3～5月)或夏(6～8月)或秋(9～11月)或冬(12～2月)，基于改进型非参数核密度估计法分别针对南方五省区(广东、广西、贵州、海南和云南)建立对应的目标风电出力概率密度分布模型，进而得出与各目标风电区域分别对应的目标风电出力概率密度分布图。
[0117]
可见，本实施例能够针对相同的目标时间段，进行多空间维度的风电出力特性差异的比较分析，能更便捷直观地确定出不同空间维度的风电出力特性差异。
[0118]
在一个实施例中，可以根据日、季、年等多时间维度，对不同空间维度下的风电出力特性差异进行分析，得到对应的分析结果。在一种具体的实施方式中，建立南方五省区(广东、广西、贵州、海南和云南)的日、季、年三个时间维度的风电出力概率密度分布模型，并确定出对应的风电出力概率密度分布图，以分析不同省区之间的风电出力特性差异。
[0119]
如图3a至图3d所示，为南方五省区风电日出力特性对比图；其中，图3a为南方五省区0～6时风电出力概率密度分布图，图3b为南方五省区6～12时风电出力概率密度分布图，图3c为南方五省区12～18时风电出力概率密度分布图，图3d为南方五省区18～24时风电出力概率密度分布图；由图中可以看出，广东、广西、贵州省的风电日出力分布具有一定的相似性，均有夜间出力较大、日间出力较小的特点。海南省风电日出力概率密度分布在0:00～6:00时段较小，在6:00～24:00时段较大，其在0:00～6:00时段主要集中在0～10％的额定出力范围内。云南省风电日出力概率密度分布在日内不同时段差异较小，相比于其余四省的风电出力概率密度分布更为均衡，风电出力率相对更高。
[0120]
如图4a至图4d所示，为南方五省区风电季出力特性对比图；其中，图4a为南方五省区春季风电出力概率密度分布图，图4b为南方五省区夏季风电出力概率密度分布图，图4c为南方五省区秋季风电出力概率密度分布图，图4d为南方五省冬季风电出力概率密度分布图；由图中可以看出，广东、广西、贵州和云南省的风电季出力特性较为相似，均具有春、冬两季出力较大，夏、秋两季出力较小的特点。海南省风电季出力特性相比于其余四省有一定
的差异，具有夏、冬两季出力较大，春、秋两季出力较小的特点。造成省间风电季出力特性差异的原因可能是海南省为热带季风气候，在夏季面临热带气旋等大风天气概率更大，在一定程度上提高了夏季风电出力水平，而其余四省区多为亚热带季风气候，受冬季风影响大于夏季风。
[0121]
如图5所示，为南方五省区风电年出力特性对比图，由图中可以看出，广东、贵州、海南省的风电年出力特性较为相似，且广西、云南省风电年出力概率密度分布更接近其年装机容量，相较于南方其余三省的有效装机容量更高。
[0122]
可见，本实施例能够综合多时间维度和多空间维度，分析不同目标风电区域的风电出力特性差异；并且通过对南方五省分别以日、季、年以时间维度建立对应的风电出力概率密度分布模型，并进行风电出力特性差异分析，可以进一步确定出，南方区域的风电出力特性受时间因素和地理位置影响较大，通过建立不同省区在不同时间维度下的风电出力随机分布概率密度模型，有助于降低风电出力不确定性对电网运行的影响，在实现电能供用平衡的同时提高风电消纳率，为南方五省区的电力系统调度、电力规划、风电场选址定容等工作起到一定的辅助决策作用。
[0123]
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例中，方法还包括：
[0124]
根据目标时间段的目标风电出力概率密度分布模型确定出目标风电区域的有效风电装机容量。
[0125]
其中，有效风电装机容量指的是风电装机容量的利用情况；在实际操作中，在计算目标风电区域的有效风电装机容量时对应的目标时间段的时间维度一般为一年。
[0126]
在实际操作中，在确定出目标风电区域的目标风电出力概率密度分布模型后，进一步确定出目标风电区域的累计概率分布模型。如图6所示，为南方五省区全年风电出力随机分布的累计概率分布图，由结合图5和图6可以看出，广东、贵州、海南省的风电年出力特性较为相似，有约95％的概率该三省风电出力不大于其年装机容量的45％，且其风电年出力概率分布主要集中在年装机容量的30％以内，说明该三省的风电设备资源未得到充分利用，投资回报率相对较低。广西、云南省风电年出力概率密度分布更接近其年装机容量，相较于南方其余三省的有效装机容量更高，有约95％的概率广西省风电出力不大于其年装机容量的53％，云南省风电出力不大于其年装机容量的68％。
[0127]
可见，本实施例能够进一步确定出目标风电区域的有效风电装机容量，更直观地确定出目标风电区域的风电设备资源利用情况。
[0128]
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例中，方法还包括：
[0129]
确定出目标风电出力概率密度分布模型的风电出力随机分布拟合结果的平均误差分数和均方根误差；
[0130]
利用平均误差分数和均方根误差，确定出目标风电出力概率密度分布模型的拟合效果评价指标综合系数；其中，拟合效果评价指标综合系数的计算公式包括：
[0131]
e
com
＝αe
mape
(1
‑
α)e
rmse
；
[0132]
其中，e
com
为拟合效果评价指标综合系数；e
mape
表示风电出力随机分布拟合结果的
平均误差分数，且e
rmse
为风电出力随机分布拟合结果的均方根误差，且m表示目标时间段的个数；r
gi
，r
oi
分别为风电出力的非参数核密度估计分布和目标风电出力数据的分布直方图在第i个目标时间段的概率；α为平均误差分数指标权重。
[0133]
为衡量本发明实施例提供的目标风电出力概率密度分布模型对风电出力数据随机分布拟合的效果，提出一种考虑平均误差分数和均方根误差的模型拟合效果评价指标体系。在本实施例中，首先确定出目标风电出力概率密度分布模型的风电出力随机分布拟合结果的平均误差分数e
mape
和风电出力随机分布拟合结果的均方根误差e
rmse
；
[0134]
其中，
[0135][0136]
式中，m表示目标时间段的个数；r
gi
和r
oi
分别为风电出力的非参数核密度估计分布和目标风电出力数据的分布直方图在第i个目标时间段的概率；
[0137]
计算拟合效果评价指标综合系数e
com
＝αe
mape
(1
‑
α)e
rmse
；
[0138]
其中，α为平均误差分数指标权重，取值范围在0～1之间，根据历史评价经验确定；需要说明的是，拟合效果评价指标综合系数e
com
越小，说明风电出力的随机分布拟合模型与数据观测分布之间差异越小，拟合越精确。
[0139]
在一种具体的实施方式中，以包括广东、广西、贵州、海南、云南在内的南方五省区近年的全年风电有功出力数据为输入，按照上述实施例提供的非参数核密度估计法、正态分布和weibull分布分别确定出与各省区对应的风电出力概率密度分布模型，并计算出各风电出力概率密度分布模型分别对应的平均误差分数e
mape
和均方根误差e
rmse
，得出由不同拟合方法所构建的南方五省区全年风电出力概率密度分布模型的评价指标对照表，如表1所示。
[0140]
表1南方五省区风电出力概率密度分布模型的评价指标对照表
[0141][0142]
根据表1对上述南方五省区的风电出力特性差异进行分析。由表1可知，采用非参数核密度估计法所建立的风电出力概率密度分布模型的各项评价指标均显著优于weibull分布和正态分布这两种先验经验分布模型，同时在面对风电出力特性差异较大的南方五省区场景下均能取得精确而稳定的拟合效果，平均误差分数e
mape
保持在10％～13％范围内，均方根误差e
rmse
保持在0.16％～0.5％范围内，具有较强的多场景拟合适用性。而采用
weibull分布和正态分布方法所构建的南方五省区风电出力概率密度模型的平均误差分数e
mape
指标在24％～56％范围内波动，这是因为该类基于参数估计的风电出力概率密度分布建模方法依赖于对模型的先验界定，人为主观因素较大，缺乏普遍适用性。
[0143]
另外，以广东省为例，为了进一步比较通过以渐进积分均方误差最小为目标确定出的目标核函数带宽(最优带宽)，进而利用目标核函数带宽和目标风电出力数据进行非参数核密度估计，得出目标风电区域在目标时间段内的目标风电出力概率密度分布模型，与基于经验确定出固定核函数带宽，进而确定出目标时间段内的风电出力概率密度分布模型的拟合效果，建立与各核函数带宽分别对应的风电出力概率密度分布模型。结合图7所示的不同带宽下的广东省风电年出力特性对比图以及表2所示的不同带宽下的广东省风电年出力概率密度分布模型的评价指标对照表；对上述不同带宽对应的风电出力概率密度分布模型进行风电出力特性差异进行分析。
[0144]
表2不同带宽下的广东省风电年出力概率密度分布模型的评价指标对照表
[0145]
核函数带宽l(标幺值)e
mape
e
rmse
0.0136(最优带宽)10.24％0.16％0.0053.53％0.07％0.0569.02％0.66％
[0146]
结合附图7和表2可以看出，本技术实施例中，通过以渐进积分均方误差最小为目标确定出的目标核函数带宽，进而利用目标核函数带宽和目标风电出力数据进行非参数核密度估计，得出目标风电区域在目标时间段内的目标风电出力概率密度分布模型，可以有效兼顾拟合曲线平滑效果以及拟合精确性，避免出现过拟合的情况，相比于根据经验确定固定核函数带宽的非参数核密度估计法，极大减少了带宽选择的人为主观性，具有更高的适用性；并且不需要确定风电出力概率密度遵循何种标准参数形式而直接对其进行建模，具有更高的建模精度和普遍适用性。
[0147]
可见，本实施例通过进一步确定出目标风电出力概率密度分布模型的拟合效果评价指标综合系数，能够便捷直观地评估目标风电出力概率密度分布模型拟合效果。
[0148]
应该理解的是，虽然上述实施例涉及的各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，上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0149]
在一个实施例中，如图8所示，提供了一种风电出力概率密度分布模型的建模装置，包括：获取模块802、设置模块804和确定模块806，其中：
[0150]
获取模块802，用于确定目标风电区域，并获取目标风电区域在目标时间段内的目标风电出力数据；
[0151]
设置模块804，用于以渐进积分均方误差最小为目标，确定出目标核函数带宽；
[0152]
确定模块806，用于利用目标核函数带宽和目标风电出力数据进行非参数核密度估计，得出目标风电区域在目标时间段内的目标风电出力概率密度分布模型。
[0153]
本发明实施例提供的一种风电出力概率密度分布模型的建模装置，具有与上述一种风电出力概率密度分布模型的建模方法相同的有益效果。
[0154]
在一个实施例中，设置模块包括：
[0155]
设置子模块，用于利用最小化渐进积分均方误差，以非参数核密度估计的偏差和方差最小为目标，确定出目标核函数带宽。
[0156]
在一个实施例中，设置子模块包括：
[0157]
确定单元，用于利用最小化渐进积分均方误差，以非参数核密度估计的偏差和方差最小为目标，确定出目标核函数带宽的计算公式：
[0158]
l＝0.9min(σ,i
qr
/1.34)n
‑
1/5
；
[0159]
其中，l表示目标核函数带宽，σ为目标风电出力数据的标准差，i
qr
为散度度量半极差，n表示目标风电出力数据的样本数；
[0160]
计算单元，用于利用计算公式确定出目标核函数带宽。
[0161]
在一个实施例中，一种风电出力概率密度分布模型的建模装置还包括：
[0162]
绘制模块，用于根据目标风电出力概率密度分布模型绘制出对应的目标风电出力概率密度分布图。
[0163]
在一个实施例中，一种风电出力概率密度分布模型的建模装置还包括：
[0164]
第一分析模块，用于根据目标风电区域的多个目标时间段分别对应的目标风电出力概率密度分布图，确定出目标风电区域在不同目标时间段的风电出力特性差异。
[0165]
在一个实施例中，一种风电出力概率密度分布模型的建模装置还包括：
[0166]
第二分析模块，用于根据多个目标风电区域在目标时间段分别对应的目标风电出力概率密度分布图，确定不同目标风电区域在目标时间段的风电出力特性差异。
[0167]
在一个实施例中，一种风电出力概率密度分布模型的建模装置还包括：
[0168]
第三分析模块，用于根据目标时间段的目标风电出力概率密度分布模型确定出目标风电区域的有效风电装机容量。
[0169]
在一个实施例中，一种风电出力概率密度分布模型的建模装置还包括：
[0170]
第一计算模块，用于确定出目标风电出力概率密度分布模型的风电出力随机分布拟合结果的平均误差分数和均方根误差；
[0171]
第二计算模块，用于利用平均误差分数和均方根误差，确定出目标风电出力概率密度分布模型的拟合效果评价指标综合系数；其中，拟合效果评价指标综合系数的计算公式包括：
[0172]
e
com
＝αe
mape
(1
‑
α)e
rmse
；
[0173]
其中，e
com
为拟合效果评价指标综合系数；e
mape
表示风电出力随机分布拟合结果的平均误差分数，且e
rmse
为风电出力随机分布拟合结果的均方根误差，且m表示目标时间段的个数；r
gi
，r
oi
分别为风电出力的非参数核密度估计分布和目标风电出力数据的分布直方图在第i个目标时间段的概率；α为平均误差分数指标权重。
[0174]
关于风电出力概率密度分布模型的建模装置的具体限定可以参见上文中对于风电出力概率密度分布模型的建模方法的限定，在此不再赘述。上述风电出力概率密度分布模型的建模装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0175]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种风电出力概率密度分布模型的建模方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0176]
本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0177]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0178]
确定目标风电区域，并获取目标风电区域在目标时间段内的目标风电出力数据；
[0179]
以渐进积分均方误差最小为目标，确定出目标核函数带宽；
[0180]
利用目标核函数带宽和目标风电出力数据进行非参数核密度估计，得出目标风电区域在目标时间段内的目标风电出力概率密度分布模型。
[0181]
本发明实施例提供的一种计算机设备，具有与上述一种风电出力概率密度分布模型的建模方法相同的有益效果。
[0182]
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read
‑
only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0183]
以上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。
[0184]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并
不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。