基于高阶矩的发电功率估算方法和系统.pdf

《基于高阶矩的发电功率估算方法和系统.pdf》由会员分享，可在线阅读，更多相关《基于高阶矩的发电功率估算方法和系统.pdf（14页珍藏版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 104091041 A (43)申请公布日 2014.10.08 C N 1 0 4 0 9 1 0 4 1 A (21)申请号 201410256557.1 (22)申请日 2014.06.10 G06F 19/00(2011.01) (71)申请人中国农业大学 地址 100193 北京市海淀区圆明园西路2号 (72)发明人唐巍 闫涛 张璐 丛鹏伟 杨德昌 (74)专利代理机构北京路浩知识产权代理有限 公司 11002 代理人李迪 (54) 发明名称 基于高阶矩的发电功率估算方法和系统 (57) 摘要 本发明提供了一种基于高阶矩的发电功率估 算方法和系统，该方法包括。

2、：生成多个抽样样本 组，并确定与原始时序数据的特征偏差值f最小 的抽样样本组，根据所确定的抽样样本组所对应 的风速Weibull概率分布函数模拟风速数据，根 据模拟的风速数据对发电功率进行估算。本发明 提供的发电功率估算方法，能够提高对风力发电 或者光伏发电的发电功率估算的精确程度。 (51)Int.Cl. 权利要求书2页 说明书10页 附图1页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书2页 说明书10页 附图1页 (10)申请公布号 CN 104091041 A CN 104091041 A 1/2页 2 1.一种基于高阶矩的发电功率估算方法，其特征在于，所述方。

3、法包括： 步骤S1，生成多个抽样样本组，并确定与原始时序数据的特征偏差值f最小的抽样样 本组；其中， 所述 x 、和分别为原始时序数据的均值、方差、偏度、峭度和信息熵； x 、和分别为一个抽样样本组的均值、方差、偏度、峭度和信息熵； 1 、 2 、 3 、 4 、 5 均为预设权重值； 步骤S2，根据步骤S1中确定的抽样样本组所对应的风速Weibull概率分布函数模拟风 速数据； 步骤S3，根据模拟的风速数据对发电功率进行估算。 2.如权利要求1所述的方法，其特征在于，所述步骤S1具体包括：生成多个抽样样本 组，并采用遗传算法确定与原始时序数据的特征偏差值f最小的抽样样本组。 3.如权利要求2。

4、所述的方法，其特征在于，所述步骤S1具体包括： 步骤S11，随机生成符合不同weibull概率分布函数的X个抽样样本组作为初始群体的 X个个体，之后转向步骤S12； 步骤S12，计算使f最小的Y个个体，之后转向步骤S13； 步骤S13，判断是否达到进化中止条件，若否，则进行选择、遗传、变异步骤，生成新一代 群体，之后转向步骤S12；若是，则将步骤S12中得到的Y个个体中使f值最小的一个个体 作为目标抽样样本组。 4.权利要求3所述的方法，其特征在于，所述判断是否达到具体为：判断是否满足以下 条件之一： 进行遗传变异的次数是否达到预设进化代数，或者，连续Z次得到的使f最小的Y个个 体没有发生变化。

5、。 5.如权利要求1所述的方法，其特征在于， 1 、 2 、 3 、 4 、 5 的取值依次为0.35、 0.25、0.15、0.15、0.1。 6.如权利要求1-5任一项所述的方法，其特征在于，所述风速数据替换为光照强度数 据；风速weibull概率分布函数替换为光照强度Beta函数。 7.一种发电功率估算系统，其特征在于，包括： 样本组选取模块，用于生成多个抽样样本组，并确定与原始时序数据的特征偏差值f 最小的抽样样本组；其中， 所述 x 、和分别为时序数据库的均值、方差、偏度、峭度和信息熵； x 、和分别为一组样本的均值、方差、偏度、峭度和信息熵； 1 、 2 、 3 、 4 、 5 均。

6、为预设权重值； 风速模拟模块，用于根据步骤S1中确定的抽样样本组所对应的风速Weibull概率分布 函数模拟风速数据； 权 利 要 求 书CN 104091041 A 2/2页 3 估算模块，用于根据所述风速模拟模块所模拟的风速数据对发电功率进行估算。 8.如权利要求7所述的系统，其特征在于，样本组选取模块具体用于执行： 步骤S11，随机生成符合不同weibull概率分布函数的X个抽样样本组作为初始群体的 X个个体，之后转向步骤S12； 步骤S12，计算使f最小的Y个个体，之后转向步骤S13； 步骤S13，判断是否达到进化中止条件，若否，则进行选择、遗传、变异步骤，生成新一代 群体，之后转向步。

7、骤S12；若是，则将步骤S12中得到的Y个个体中使f值最小的一个个体 作为目标抽样样本组。 9.如权利要求8所述的系统，其特征在于，所述判断是否达到具体为：判断是否满足以 下条件之一： 进行遗传变异的次数是否达到预设进化代数，或者，连续Z次得到的使f最小的Y个个 体没有发生变化。 10.如权利要求9所述的系统，其特征在于，所述风速数据替换为光照强度数据；风速 weibull概率分布函数替换为光照强度Beta函数。 权 利 要 求 书CN 104091041 A 1/10页 4 基于高阶矩的发电功率估算方法和系统 技术领域 0001 本发明涉及能源技术领域，尤其涉及一种基于高阶矩的发电功率估算方。

8、法和系 统。 背景技术 0002 随着能源枯竭和环境污染等问题的日益加重，以风、光等可再生能源为一次能源 的分布式发电已经成为当前电力工程和能源领域的研究焦点和前沿技术，风力、光伏等分 布式发电大规模并网将使电力系统规划设计、经济安全运行面临严峻挑战。风、光等自然资 源具有时序性、波动性和随机性，使得分布式电源发电功率呈现间歇性特点。为了深入研究 风力、光伏等分布式电源并网对电力系统的影响，在电力系统规划、调度及运行控制中充分 考虑风力、光伏等分布式电源的间歇性，制定消纳大量分布式电源出力随机波动的有效手 段，必须建立较为精确的能够反映风力、光伏发电功率概率统计特征的数学模型，以实现对 风力、。

9、光伏发电的真实模拟。 0003 贝鲁特美国大学S.H.Karaki教授等公布了一种多状态概率建模方法。该方法将 风力发电出力、光伏发电出力等连续的不确定状态依据其概率分布规律转变为的多个离散 的确定性状态来处理，避免建立复杂的随机性模型。既能模拟出风力发电出力和光伏发电 出力变化的随机性特点，又能降低建模和求解的难度。该方法将风速和光照强度等分为N 个区间，根据风速和光照强度的概率密度函数，计算出每个区间的概率。但该方法只是对连 续的不确定状态量(风速、光照强度)进行等间距抽样，有限的状态数无法较准确的反映实 际情况。并且该方法的概率密度函数特征值一般做近似计算，所得结果与实际值偏差较大。 发。

10、明内容 0004 本发明的目的在于提供一种发电功率估算方法和系统，以提高发电功率估算的准 确性。 0005 本发明提供一种基于高阶矩的发电功率估算方法，该方法包括： 0006 步骤S1，生成多个抽样样本组，并确定与原始时序数据的特征偏差值f最小的抽 样样本组；其中， 0007 0008 所述 x 、和分别为原始时序数据的均值、方差、偏度、峭度和信息 熵； x 、和分别为一个抽样样本组的均值、方差、偏度、峭度和信息熵； 1 、 2 、 3 、 4 、 5 均为预设权重值； 0009 步骤S2，根据步骤S1中确定的抽样样本组所对应的风速Weibull概率分布函数模 拟风速数据； 0010 步骤S3。

11、，根据模拟的风速数据对发电功率进行估算。 0011 优选的，所述步骤S1具体包括：生成多个抽样样本组，并采用遗传算法确定与原 说 明 书CN 104091041 A 2/10页 5 始时序数据的特征偏差值f最小的抽样样本组。 0012 优选的，所述步骤S1具体包括： 0013 步骤S11，随机生成符合不同weibull概率分布函数的X个抽样样本组作为初始群 体的X个个体，之后转向步骤S12； 0014 步骤S12，计算使f最小的Y个个体，之后转向步骤S13； 0015 步骤S13，判断是否达到进化中止条件，若否，则进行选择、遗传、变异步骤，生成新 一代群体，之后转向步骤S12；若是，则将步骤S。

12、12中得到的Y个个体中使f值最小的一个 个体作为目标抽样样本组。 0016 优选的，所述判断是否达到具体为：判断是否满足以下条件之一： 0017 进行遗传变异的次数是否达到预设进化代数，或者，连续Z次得到的使f最小的Y 个个体没有发生变化。 0018 优选的， 1 、 2 、 3 、 4 、 5 的取值依次为0.35、0.25、0.15、0.15、0.1。 0019 优选的，所述风速数据替换为光照强度数据；风速weibull概率分布函数替换为 光照强度Beta函数。 0020 本发明还提供了一种基于高阶矩的发电功率估算系统，包括： 0021 样本组选取模块，用于生成多个抽样样本组，并确定与原始。

13、时序数据的特征偏差 值f最小的抽样样本组；其中， 0022 0023 所述 x 、和分别为时序数据库的均值、方差、偏度、峭度和信息熵； x 、和分别为一组样本的均值、方差、偏度、峭度和信息熵； 1 、 2 、 3 、 4 、 5 均为预设权重值； 0024 风速模拟模块，用于根据步骤S1中确定的抽样样本组所对应的风速Weibull概率 分布函数模拟风速数据； 0025 估算模块，用于根据所述风速模拟模块所模拟的风速数据对发电功率进行估算。 0026 优选的，样本组选取模块具体用于执行： 0027 步骤S11，随机生成符合不同weibull概率分布函数的X个抽样样本组作为初始群 体的X个个体，之。

14、后转向步骤S12； 0028 步骤S12，计算使f最小的Y个个体，之后转向步骤S13； 0029 步骤S13，判断是否达到进化中止条件，若否，则进行选择、遗传、变异步骤，生成新 一代群体，之后转向步骤S12；若是，则将步骤S12中得到的Y个个体中使f值最小的一个 个体作为目标抽样样本组。 0030 优选的，所述判断是否达到具体为：判断是否满足以下条件之一： 0031 进行遗传变异的次数是否达到预设进化代数，或者，连续Z次得到的使f最小的Y 个个体没有发生变化。 0032 优选的，所述风速数据替换为光照强度数据；风速weibull概率分布函数替换为 光照强度Beta函数。 0033 本发明提供的。

15、发电功率估算方法中，综合均值和方差这些低阶矩以及偏度、峭度 和信息熵这些高阶矩对风速/光照强度数据进行模拟，使得对风速/光照强度数据的模拟 说 明 书CN 104091041 A 3/10页 6 更为准确，从而提高对风力发电或者光伏发电的发电功率估算的精确程度。 附图说明 0034 图1为本发明实施例提供的一种基于高阶矩的发电功率估算方法的流程示意图； 0035 图2为本发明实施例提供的一种基于高阶矩的发电功率估算方法中采用遗传算 法选取最优样本组的流程示意图。 具体实施方式 0036 下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅 用于更加清楚地说明本发明的技术方案，。

16、而不能以此来限制本发明的保护范围。 0037 下面结合附图，对本发明的具体实施方式作进一步详细描述。以下实施例用于说 明本发明，但不是限制本发明的范围。 0038 本发明实施例提供了一种基于高阶矩的发电功率估算方法，如图1所示，该方法 包括： 0039 步骤S1，生成多个抽样样本组，并确定与原始时序数据的特征偏差值f最小的抽 样样本组；其中， 0040 0041 所述 x 、和分别为原始时序数据的均值、方差、偏度、峭度和信息 熵； x 、和分别为一个抽样样本组的均值、方差、偏度、峭度和信息熵； 1 、 2 、 3 、 4 、 5 均为预设权重值； 0042 步骤S2，根据步骤S1中确定的抽样样。

17、本组所对应的风速Weibull概率分布函数模 拟风速数据。 0043 一般的，一段时间内的风速数据一般都符合风速Weibull概率分布函数，即原始 时序数据基本符合风速Weibull概率分布函数，与其 0044 步骤S2的过程可以与现有技术中根据风速Weibull概率分布函数模拟风速数据 的方法一致，本发明所关注的重点不在于此，在此亦不进行详细说明。 0045 步骤S3，根据模拟的风速数据对发电功率进行估算。 0046 优选的，所述步骤S1具体包括：生成多个抽样样本组，并采用遗传算法确定与原 始时序数据的特征偏差值f最小的抽样样本组。 0047 优选的，所述步骤S1具体包括： 0048 步骤S。

18、11，随机生成符合不同weibull概率分布函数的X个抽样样本组作为初始群 体，之后转向步骤S12。这里的X为预设值，具体取值可以根据需要任意设定。 0049 实际应用中，weibull概率分布函数的形状取决于其形状参数和尺度参数，通过随 机生成相应的形状参数和尺度参数可以生成不同形状的weibull概率分布函数。之后，对 不同形状的weibull概率分布函数进行抽样，生成多个不同的抽样样本组。每一个抽样样 本组作为一个个体，加入到群体中。 0050 步骤S12，计算使f最小的Y个群体，之后转向步骤S13。这里Y为大于等于1的 说 明 书CN 104091041 A 4/10页 7 预设值。 。

19、0051 步骤S13，判断是否达到进化中止条件，若否，则进行选择、遗传、变异步骤，生成新 一代群体，之后转向步骤S12；若是，则将步骤S12中得到的Y个个体中使f值最小的一个 个体作为目的样本组。 0052 不难理解，这里的选择、遗传、变异是淘汰掉群体中的一些个体，并重新生成样本 组作为新的个体补充到群体里中。 0053 优选的，所述判断是否达到具体为：判断是否满足以下条件之一： 0054 进行遗传变异的次数是否达到预设进化代数，或者，连续Z次得到的使f最小的Y 个个体没有发生变化。 0055 这里的预设进化代数是指一个预设的固定值，具体取值可以根据需要任意设定。 0056 优选的， 1 、 。

20、2 、 3 、 4 、 5 的取值依次为0.35、0.25、0.15、0.15、0.1。 0057 优选的，所述风速数据替换为光照强度数据；风速weibull概率分布函数替换为 光照强度Beta函数。 0058 本发明中，所涉及的X、Y、Z均为大于1的整数，且XY，具体值可以根据需要任 意设定。 0059 下面对本发明提供的发电功率估算方法进行进一步的说明： 0060 本发明提供的发电功率估算方法可用于对风力发电功率进行估算，也可以对光伏 发电的功率进行估算，其在建立风速/光照概率分布函数时，引入风速/光照强度的均值、 方差、均方值、偏度、峭度、信息熵等高阶统计量，从而使建立的风速/光照概率分。

21、布函数更 符合实际的风速/光照概率分布，从而使建立的发电功率函数更精确。 0061 具体的，本发明提供的方法可以包含如下四个部分； 0062 一、风速/光照强度的概率统计抽样 0063 风速的概率统计抽样 0064 风速时间序列(v 1 ,v 2 ,.,v n )一般服从两参数(k、c)的Weibull分布，其概率密 度函数为 0065 0066 式中：v为风速；c为尺度参数，体现了该地区风电场的平均风速；k为形状参数， 反映了风速分布的特性，取值范围通常在1.8到2.3之间。不同地区有不同的尺度参数和 形状系数。 0067 由Weibull概率密度函数求得其累积分布函数F v (v)： 00。

22、68 0069 产生0到1的随机数序列x 1 ,x 2 ,.,x n ，则该随机数序列对应的风速序列为 0070 0071 式中：v i 为第i个随机数对应的风速；为F v (v)的逆函数；i1,2,.,n。 通过对风速的概率统计抽样可获得其一年8760个时段的时序数据。 0072 光照强度的概率统计抽样 说 明 书CN 104091041 A 5/10页 8 0073 光伏阵列的输出功率主要与光照强度和温度有关。考虑到温度影响较小，可以认 为光伏的出力主要取决于光照强度。据统计，在一定时间段内太阳光照强度可以近似看成 Beta分布，其概率密度函数如下： 0074 0075 式中：r和r ma。

23、x 分别为对应时间段内的实际光强和最大光强；和为Beta分布 的形状参数；是Gamma函数。 0076 由Beta概率密度函数求得其累积分布函数F r (r)： 0077 0078 产生0到1的随机数序列y 1 ,y 2 ,.,y n ，则该随机数序列对应的光照强度序列为 0079 0080 式中：y i 为第i个随机数对应的光照强度；为F r (r)的逆函数。通过对光强 的概率统计抽样可获得其一年8760个时段的时序数据。 0081 二、建立特征偏差值的计算模型 0082 根据风速(光照强度)概率模型抽样样本的各统计特征与风速(光照强度)原始 时间序列数据统计特征偏差最小为原则，建立风速分布。

24、参数k和尺度系数c、光照强度形状 参数和的计算模型如下： 0083 0084 式中： x 、和分别为风速(光照强度)原始时间序列的均值、方差、 偏度、峭度和信息熵； x 、和分别为根据Weibull分布(Beta分布)抽 样形成抽样样本的均值、方差、偏度、峭度和信息熵； x 、和分别为 风速(光照强度)原始时间序列与概率抽样样本均值、方差、偏度、峭度和信息熵的偏差； 1 、 2 、 3 、 4 和 5 分别为均值、方差、偏度、峭度和信息熵的权重，取值依次为0.35、 0.25、0.15、0.15、0.1。 0085 其中，上述各个参数的计算方式可以包括： 0086 (1)均值 0087 设x(。

25、n)x 1 ,x 2 ,.,x n 为一组随机信号，xi的概率密度为pi，随机变量x的一 阶原点矩定义为数学期望： 0088 0089 对于有限长的平稳随机信号序列x(n)，将统计平均值的计算表示为： 0090 0091 式中：E为期望值的运算符号； x 为均值表示x(n)在各个时刻值的摆动中心。 说 明 书CN 104091041 A 6/10页 9 0092 (2)方差 0093 为了表示平稳信号的取样值偏离其平均值 x 的程度，度量其在均值上下的起伏 变化，方差可以表示为： 0094 0095 对于有限长的平稳信号序列x(n)，其方差估计的计算无偏方差和有偏方差分别 为： 0096 00。

26、97 0098 (3)均方值 0099 连续平稳信号的均方值，即二阶中心距定义为： 0100 0101 均方值反映了信号x(n)在各个时刻的平均功率变化，离散信号的均方值与方差 之间关系为： 0102 0103 由上式可知，信号的均方值可以通过其方差和均值求得。 0104 (4)偏度 0105 偏度是随机信号变量相对于其均值的不对称程度，为基于三阶统计量的一个无量 纲数值，其定义为 0106 0107 在实际应用中，当信号分布接近高斯信号时其分布是对称的，有限长平稳序列 x(n)的偏度估计的计算公式为： 0108 0109 偏度大于零为长拖尾在右边的正偏，小于零为长拖尾在左边的负偏；其绝对值越。

27、 大，分布偏移程度越大，若绝对值接近于零，分布形态越接近于正太分布。 0110 (5)峭度 0111 峭度是用信号的四阶中心距构成的特征量，对于信号中存在的微小冲击成分比较 敏感的无量纲参数，其定义为： 0112 0113 如果峭度值为正则表示分布相对尖锐，峭度值为负则表示分布相对平坦。 说 明 书CN 104091041 A 7/10页 10 0114 (6)熵 0115 熵的概念最初于1850年由德国物理学家Rudolf Clausius首次提出，用来表示一 种能量在空间中分布的均匀程度，能量分布越均匀，熵就越大。当该体系中的能量完全均匀 分布时，系统的熵就达到最大值。信息论之父Shann。

28、on在1948年发表的论文中提出了信息 熵的概念，将统计熵作为基本的组成部分推广应用于信息理论中，把信息中排除了冗余后 的平均信息量称为“信息熵”，并给出了计算信息熵的数学表达式。在信息论中利用信息量 来表示消息出现不确定性的大小，其定义为I-log p，但信息量不能用来作为整个系统 信息测度，因此在信息量基础上通过数学期望来定义信息熵。 0116 设有离散随机变量序列x(n)x 1 ,x 2 ,.,x n ，所给定信息源出现概率为 p 1 ,p 2 ,.,p n 且则其信息熵可以表示为： 0117 0118 式中：对数底决定了信息量的单位，以2为底数信息量的单位是比特，以e为底数 信息量的单。

29、位是奈特，以10为底数信息量的单位是哈特，它是从平均意义上表征信息源总 体信息测度的一个数值。 0119 时域异谱熵适用于采样点数较少，同时信号中含有噪声序列的信号分析方法。将 采集的一个离散的信号x(n)x 1 ,x 2 ,.,x n ，以长度为M，时延常数为1的窗口，将其顺序 划分为N-M段的模式数据，并对已构成的模式数据矩阵进行分解。可以得到奇异值谱(i 1,2,.,M)中非零特征值越多，信号的频率分布越复杂，如果 1 2 M ，可知 i 是对信号在时域中的一种划分，根据时域信息熵的定义： 0120 0121 式中：pi是第i个奇异值在整个奇异值谱比例或第i个模式在整个模式中组分布 概率。

30、。 0122 三、采用遗传算法对计算模型进行求解确定最优样本组 0123 本发明以上述的第一部分得到的抽样样本为基准值，特征偏差为适应值，Weibull 分布的形状参数k(风速)，尺度参数c和Beta分布的形状参数、为优化变量(光照 强度)建立数学模型，采用遗传算法进行求解。 0124 (1)染色体编码及遗传操作 0125 本发明采用二进制分段式染色体操作。分段式染色体操作是指对染色体进行分段 式编码、分段式交叉和分段式变异，如图1所示。 0126 分段式编码是将整个染色体在逻辑上分为两个子段，其中第一个子段实现对风速 Weibull分布形状参数k和尺度参数c的基因编码，表示为T1和T2的编码。

31、。第二个子段实 现对Beta分布形状参数、的基因编码，表示为S1和S2的编码。如图2(a)所示。 0127 分段式交叉用于产生新的染色体。在进行交叉时，它是对两个父代染色体Xi、Xj 说 明 书CN 104091041 A 10 8/10页 11 的三个染色体段分别进行点交叉。如图2(b)中，Weibull分布参数段的基因T21与T22交 叉、Beta分布参数段的基因S21与S22交叉。交叉形成的新染色体须满足分段基因的约束 条件。 0128 分段式变异与分段式交叉相似，在进行变异操作时，两个子段依次进行基本位变 异操作(如图2(c)，变异结果也须满足分段基因的约束条件。 0129 初始种群通。

32、过随机方式从侯选解空间中产生，本发明取100个；要求初始种群具 有单一性，即初始种群中没有完全相同的个体；每个个体应该满足所有的约束条件，以便保 证选择出的个体是有效解。 0130 适应度是衡量个体优劣的唯一指标，是关乎遗传算法成败的关键因素。适应度函 数的选取直接影响到遗传算法的收敛速度以及能否找到最优解。本发明取适应度为偏差最 小，获得每个个体的优劣程度。 0131 选择操作也称为复制操作，是根据个体的优劣程度决定它在下一代是被遗传还是 被淘汰。适应能力强的物种遗传到下一代的机会相对大一些，而适应能力弱的物种则将逐 渐被淘汰。本发明采用精英策略方法，该方法可加快算法收敛速度和提高解的质量。。

33、 0132 本发明设置两个终止条件：1)已达到指定的最大进化代数MaxGen，2)最优解集连 续Gen代都没有发生变化。本发明取MaxGen为50；Gen为5。 0133 (2)算法执行步骤 0134 1)输入网络数据及初始计算参数，确定Weibull分布的形状参数k，尺度参数c和 Beta分布的形状参数、解空间。 0135 2)分段式编码生成初始种群，且生成的初始种群必须满足约束条件。 0136 3)确定个体的优劣：计算各目标函数的个体适应度值。 0137 4)遗传操作形成新一代个体：以精英保留策略选择，并用分段式交叉和分段式变 异产生新个体。 0138 5)进行终止条件判断：设置两个终止条。

34、件：已达到指定的最大进化代数 MaxGen，或最优解集连续Gen代都没有发生变化。如果满足任意条件，输出最优方案。否 则转步骤3)。 0139 四风力、光伏发电功率概率模型求取 0140 由上述第三部分得到风速分布后，就可以通过风力发电输出功率与风速之间的近 似关系得到输出功率随机分布。风力发电输出有功功率P w 与风速v之间的函数关系式为： 0141 0142 式中：P r 为风力发电机额定功率；v ci 为切入风速；v r 为额定风速；v co 为切出风速。 而k 1 P r v ci /(v ci -v r )和k 2 P r /(v r -v ci )均为常系数。 0143 由4.4得。

35、到光照强度分布后，就可以通过太阳能发电系统的输出功率与光强之间 近似关系得到输出功率的随机分布。假设给定一太阳能电池方阵，具有M个电池组件，每个 组件的面积和光电转换效率为别为A m , m ，ml,2，,M，于是该太阳能电池方阵总的 说 明 书CN 104091041 A 11 9/10页 12 输出功率为： 0144 P m rA (21) 0145 式中：A为方阵总面积；为方阵总的光电转换效率。它们可由下式求出： 0146 0147 0148 已知光强的概率密度函数，可以得到太阳能电池方阵输出功率的概率密度函数也 成Beta分布： 0149 0150 式中：R m 为方阵最大输出功率，R。

36、 m A max 0151 基于相同的构思，本发明还提供了一种基于高阶矩的发电功率估算系统，用于实 现上述的发电功率估算方法，该方法包括： 0152 样本组选取模块，用于用于生成多个抽样样本组，并确定与原始时序数据的特征 偏差值f最小的抽样样本组；其中， 0153 0154 所述 x 、和分别为时序数据库的均值、方差、偏度、峭度和信息熵； x 、和分别为一组样本的均值、方差、偏度、峭度和信息熵； 1 、 2 、 3 、 4 、 5 均为预设权重值； 0155 风速模拟模块，用于根据步骤S1中确定的抽样样本组所对应的风速Weibull概率 分布函数模拟风速数据； 0156 估算模块，用于根据所述。

37、风速模拟模块所模拟的风速数据对发电功率进行估算。 0157 优选的，样本组选取模块，具体用于生成多个抽样样本组，并采用遗传算法确定与 原始时序数据的特征偏差值f最小的抽样样本组。 0158 样本组选取模块具体用于执行： 0159 步骤S11，随机生成符合不同weibull概率分布函数的X个抽样样本组作为初始群 体的X个个体，之后转向步骤S12； 0160 步骤S12，计算使f最小的Y个个体，之后转向步骤S13； 0161 步骤S13，判断是否达到进化中止条件，若否，则进行选择、遗传、变异步骤，生成新 一代群体，之后转向步骤S12；若是，则将步骤S12中得到的Y个个体中使f值最小的一个 个体作为。

38、目标抽样样本组。 0162 优选的，所述判断是否达到具体为：判断是否满足以下条件之一： 0163 进行遗传变异的次数是否达到预设进化代数，或者，连续Z次得到的使f最小的Y 个个体没有发生变化。 说 明 书CN 104091041 A 12 10/10页 13 0164 优选的， 1 、 2 、 3 、 4 、 5 的取值依次为0.35、0.25、0.15、0.15、0.1。 0165 优选的，所述风速数据替换为光照强度数据；风速weibull概率分布函数替换为 光照强度Beta函数。 0166 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人 员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰 也应视为本发明的保护范围。 说 明 书CN 104091041 A 13 1/1页 14 图1 图2a 图2b 图2c 说 明 书 附 图CN 104091041 A 14 。