风电机组功率曲线建模是风电功率预测、状态监测、性能评估的关键环节。文章提出了一种基于lo-gistic函数和分位数回归的风电机组功率曲线建模算法。为解决风电功率的不确定性,文中在logistic函数中嵌入了分位回归损失函数,建立了分位...风电机组功率曲线建模是风电功率预测、状态监测、性能评估的关键环节。文章提出了一种基于lo-gistic函数和分位数回归的风电机组功率曲线建模算法。为解决风电功率的不确定性,文中在logistic函数中嵌入了分位回归损失函数,建立了分位数回归logistic模型(quantile regression logistic function,QRLF),并采用了三种优化算法进行优化;为降低原始数据中异常值的影响,提出了基于QRLF算法的自适应异常筛选方法;在三个风电场的SCADA(supervisory control and data acquisition)数据中进行了实例验证。文中采用五种评价指标对所提方法进行评估。结果表明,相比传统的风电机组功率曲线建模方法,文中所提方法可以同时提供较好的确定性功率曲线和概率性功率曲线结果。展开更多
文摘风电机组功率曲线建模是风电功率预测、状态监测、性能评估的关键环节。文章提出了一种基于lo-gistic函数和分位数回归的风电机组功率曲线建模算法。为解决风电功率的不确定性,文中在logistic函数中嵌入了分位回归损失函数,建立了分位数回归logistic模型(quantile regression logistic function,QRLF),并采用了三种优化算法进行优化;为降低原始数据中异常值的影响,提出了基于QRLF算法的自适应异常筛选方法;在三个风电场的SCADA(supervisory control and data acquisition)数据中进行了实例验证。文中采用五种评价指标对所提方法进行评估。结果表明,相比传统的风电机组功率曲线建模方法,文中所提方法可以同时提供较好的确定性功率曲线和概率性功率曲线结果。
