一种风功率的概率密度评估方法、装置、设备及介质

1.一种风功率的概率密度评估方法，其特征在于，所述方法包括：获取风电场的出力样本数据和所述风电场的风功率上下限数据，建立所述风电场的风功率的基于对数核微分同胚估计原理的概率密度函数估计模型；根据概率模型与数据观测分布之间的差异检验、卡方检验和KS检验，建立所述概率密度函数估计模型的窗宽的多目标优化计算模型；利用多目标粒子群算法求解所述多目标优化计算模型，得到所述概率密度函数估计模型的窗宽最优解集；根据所述窗宽最优解集和所述概率密度函数估计模型求解最终概率密度函数，并根据所述最终概率密度函数对所述风电场的风功率进行评估；所述获取风电场出力的样本数据和所述风电场的风功率上下限数据，建立所述风电场的概率密度函数估计模型，具体包括：获取所述风电场出力的样本数据P w1 、P w2 、…、P wn 和所述风功率上下限数据[P min ,P max ]；根据对数核微分同胚估计原理，计算所述风电场的风功率的概率密度估计模型：其中，P为风电场的实际出力的风功率，P∈[P min ,P max ]，f d,n (P)为所述风电场的风功率的概率密度函数，F(P)为所述风电场的风功率的概率分布函数，h d 是所述风电场的出力样本数据的对数微分同胚变换后求得的窗宽，K()为核函数，P wi ∈[P min ,P max ]，i＝1,2,…,n，n为出力样本数据的数据量， 为定义的函数， 是函数 的一阶导数。 2.如权利要求1所述的风功率的概率密度评估方法，其特征在于，所述根据概率模型与数据观测分布之间的差异检验、卡方检验和KS检验建立多目标优化求解模型，具体包括：将所述出力样本数据P w1 、P w2 、…、P wn 分为m组没有交集的数据集合，计算所述卡方检验的卡方检验统计量χ 2 ；将所述样本数据样本P w1 、P w2 、…、P wn 从小到大排序，计算所述KS检验的KS检验统计量D n ；将所述风功率上下限数据[P min ,P max ]等分为M个区间，并统计每个区间中出现的所述出力样本数据P w1 、P w2 、…、P wn 的功率直方图，计算所述概率模型与数据观测分布之间的差异检验的差异检验统计量MSR；建立所述窗宽的多目标优化求解模型：目标函数 目标函数f 2 ＝minD n 、目标函数f 3 ＝minMSR和优化变量h dx ；其中， k i 为m组没有交集的数据集合中第i个集合的观察频数，p i 为通过概率密度函数计算的所述第i个集合的理论概率值， 是自由度为m-1的卡方分布，在给定置信水平为α时， 为 的1-α分位点，n为出力样本数据的数据量； P w ′ i 为所述样本数据P w1 、P w2 、…、P wn 从小到大排序后的第i个样本； y i 为通过概率密度函数计算的所述风电场的风功率在第i个区间的概率，x i 为通过所述功率直方图统计的所述风电场的风功率在所述第i个区间的概率；h dx ∈[h min ,h max ]，h min 、h max 分别为预设的优化变量的上限和下限。 3.如权利要求2所述的风功率的概率密度评估方法，其特征在于，所述利用多目标粒子群算法求解所述多目标优化计算模型，得到所述概率密度函数估计模型的窗宽最优解集，具体包括：建立粒子群组，所述粒子群组包括：主粒子群 和三个从粒子群 建立外部储备集，初始化所述粒子群组、所述粒子群组中每个粒子的速度，根据所述多目标优化求解模型的优化变量h dx 的约束随机生成每个粒子；根据粒子的优化更新公式对所述粒子群组的粒子进行一次更新，并从三个从粒子群中得到的非劣极值粒子加入到主粒子群中，将三个从粒子群中的非劣粒子加入到外部储备群中，将主粒子群中得到的非劣粒子加入到外部储备集中，把外部储备群中的对应目标函数f 1 数值最小的粒子作为从粒子群S 1 的全局引导粒子，把外部储备群中的对应目标函数f 2 数值最小的粒子作为从粒子群S 2 的全局引导粒子，把外部储备群中的对应目标函数f 3 数值最小的粒子作为从粒子群S 3 的全局引导粒子，把外部储备群中稀疏度最高的粒子作为主粒子群S 0 的全局引导粒子，完成一次更新优化过程；重复进行粒子群组的更新优化过程，直到迭代次数达到预设的最大值，将最新的外部储备集作为所述概率密度函数估计模型的窗宽最优解集；其中，N’为所述主粒子群的粒子数，N为每个从粒子群的粒子数，所述优化更新公式为 和 和 分别为第k+1次和第k次迭代时粒子群S j 的粒子i的搜索速度，w j 为粒子群S j 的惯性权重， 和 均为粒子群S j 的学习因子，r 1 j 和 均为粒子群S j 的[0,1]上服从均匀分布的随机数， 和 分别粒子群S j 第k次迭代粒子i的当前值、个体局部引导粒子的值和全局引导粒子的值。 4.如权利要求2所述的风功率的概率密度评估方法，其特征在于，所述根据所述窗宽最优解集和所述概率密度函数估计模型求解最终概率密度函数，并根据所述最终概率密度函数对所述风电场的风功率进行评估，具体包括：选择所述窗宽最优解集中任一解作为窗宽的最终解，将窗宽的最优解代入所述概率密度函数估计模型得到风电场出力的最终概率密度函数；并根据所述最终概率密度函数对所述风电场的风功率进行评估。 5.一种风功率的概率密度评估装置，其特征在于，所述装置包括：密度模型模块、优化模型模块、求解模块和评估模块；所述密度模型模块用于获取风电场的出力样本数据和所述风电场的风功率上下限数据，建立所述风电场的风功率的基于对数核微分同胚估计原理的概率密度函数估计模型；所述优化模型模块用于根据概率模型与数据观测分布之间的差异检验、卡方检验和KS检验，建立所述概率密度函数估计模型的窗宽的多目标优化计算模型；所述求解模块用于利用多目标粒子群算法求解所述多目标优化计算模型，得到所述概率密度函数估计模型的窗宽最优解集；所述评估模块用于根据所述窗宽最优解集和所述概率密度函数估计模型求解最终概率密度函数，并根据所述最终概率密度函数对所述风电场的风功率进行评估；所述密度模型模块具体用于：获取所述风电场出力的样本数据P w1 、P w2 、…、P wn 和所述风功率上下限数据[P min ,P max ]；根据对数核微分同胚估计原理，计算所述风电场的风功率的概率密度估计模型：其中，P为风电场的实际出力的风功率，P∈[P min ,P max ]，f d,n (P)为所述风电场的风功率的概率密度函数，F(P)为所述风电场的风功率的概率分布函数，h d 是所述风电场的出力样本数据的对数微分同胚变换后求得的窗宽，K()为核函数，P wi ∈[P min ,P max ]，i＝1,2,…,n，n为出力样本数据的数据量， 为定义的函数， 是函数 的一阶导数。 6.如权利要求5所述的风功率的概率密度评估装置，其特征在于，所述优化模型模块具体用于：将所述出力样本数据P w1 、P w2 、…、P wn 分为m组没有交集的数据集合，计算所述卡方检验的卡方检验统计量χ 2 ；将所述样本数据样本P w1 、P w2 、…、P wn 从小到大排序，计算所述KS检验的KS检验统计量D n ；将所述风功率上下限数据[P min ,P max ]等分为M个区间，并统计每个区间中出现的所述出力样本数据P w1 、P w2 、…、P wn 的功率直方图，计算所述概率模型与数据观测分布之间的差异检验的差异检验统计量MSR；建立所述窗宽的多目标优化求解模型：目标函数 目标函数f 2 ＝minD n 、目标函数f 3 ＝minMSR和优化变量h dx ；其中， k i 为m组没有交集的数据集合中第i个集合的观察频数，p i 为通过概率密度函数计算的所述第i个集合的理论概率值， 是自由度为m-1的卡方分布，在给定置信水平为α时， 为 的1-α分位点，n为出力样本数据的数据量； P w ′ i 为所述样本数据P w1 、P w2 、…、P wn 从小到大排序后的第i个样本； y i 为通过概率密度函数计算的所述风电场的风功率在第i个区间的概率，x i 为通过所述功率直方图统计的所述风电场的风功率在所述第i个区间的概率；h dx ∈[h min ,h max ]，h min 、h max 分别为预设的优化变量的上限和下限。 7.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的风功率的概率密度评估方法。 8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4中任意一项所述的风功率的概率密度评估方法。