基于偏依赖量的风功率影响因素相关性分析方法

分析各类影响因素与风电功率之间的相关性对于提升风电功率预测的准确度和评估风电机组的性能具有重要意义。针对原有相关性分析没有考虑风电功率时变特性和不能反映影响因素与风电功率之间复杂非线性关系的问题,提出基于影响因素重要性和偏依赖量的相关性分析方法。首先,基于历史数据,利用梯度提升树和人工神经网络训练风电功率模型。其次,基于功率模型提出影响因素重要性指标,识别影响功率的重要因素。然后,利用风电功率对各类影响因素的偏依赖量衡量影响因素的变化对风电功率趋势的非线性影响。最后,采用实际风电功率数据进行验证,实验结果表明所提方法能够识别影响风电功率的重要因素,并可衡量各类因素的变化与风电功率之间的非线性相关关系。

基于梯度提升树计及非线性的电力负荷影响因素分析

分析负荷影响因素对电力负荷的影响对于电网调度人员了解负荷特性,提高负荷预测准确度具有重要的意义。针对传统相关性分析方法不能考虑复杂非线性影响的问题,采用先训练负荷预测模型,再分析相关性的思路,提出基于负荷预测模型的相关性分析方法,发现两者之间的非线性相关关系。首先,利用梯度提升树(Gradient Boosting Decision Tree, GBDT)的非线性建模和特征提取能力训练负荷预测模型。然后,基于预测模型提出采用重要性衡量影响因素对负荷的非线性影响,识别重要影响因素。最后,利用负荷对影响因素的偏依赖量计算各类影响因素变化对负荷变化趋势的非线性影响。采用实际的负荷数据进行验证,并与皮尔逊相关系数法进行对比。实验结果表明该方法能够有效识别影响负荷的重要因素,并能够发现各类因素和负荷之间的非线性关系。