風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)中異常值的檢測方法.pdf

1、隨著我國風(fēng)力發(fā)電科學(xué)技術(shù)的穩(wěn)步發(fā)展，對風(fēng)電并網(wǎng)經(jīng)濟(jì)運(yùn)行的要求越來越高。風(fēng)電運(yùn)行數(shù)據(jù)中對風(fēng)速波動(dòng)性和間歇性進(jìn)行有效、準(zhǔn)確地預(yù)測成為風(fēng)電并網(wǎng)運(yùn)行的基礎(chǔ)，高質(zhì)量的風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)是評估風(fēng)力發(fā)電性能、風(fēng)速功率預(yù)測工作的必要前提。由于采集到的風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)含有大量異常值，低質(zhì)量的運(yùn)行數(shù)據(jù)會(huì)導(dǎo)致信息誤判和數(shù)據(jù)的進(jìn)一步深化應(yīng)用，從而降低風(fēng)電功率預(yù)測精度，甚至對電網(wǎng)的運(yùn)營調(diào)度產(chǎn)生不利影響。因此，對運(yùn)行數(shù)據(jù)中的異常值進(jìn)行有效識別和修正成為預(yù)測建模分析的

2、必要前提。為保證風(fēng)電并網(wǎng)的安全、經(jīng)濟(jì)運(yùn)行，本文的研究內(nèi)容包括以下方面。
　　首先，分析風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)中異常值的產(chǎn)生原因和異常值在風(fēng)速-功率散點(diǎn)圖中的分布特點(diǎn)，建立分類多模型檢測異常值。根據(jù)棄風(fēng)數(shù)據(jù)的特點(diǎn)，識別風(fēng)速值連續(xù)波動(dòng)但功率波動(dòng)穩(wěn)定在一定范圍內(nèi)的檢測模型；運(yùn)用統(tǒng)計(jì)學(xué)中穩(wěn)健的四分位法辨識所占比重較小且孤立存在地離群孤立點(diǎn)數(shù)據(jù)，剔除了由傳感器誤差引起的異常數(shù)據(jù)；采用數(shù)據(jù)挖掘的思想，選取模糊C均值算法辨識散點(diǎn)圖中的偏差簇?cái)?shù)據(jù)，剔除

3、在傳輸過程中受到的電磁干擾和在計(jì)算機(jī)終端因存儲(chǔ)故障所污染的運(yùn)行數(shù)據(jù)。
　　然后，從風(fēng)速時(shí)間數(shù)據(jù)間的相關(guān)性分析入手，選取Adaboost-BP網(wǎng)絡(luò)與最小二乘支持向量機(jī)搭建最優(yōu)組合模型獲取未來時(shí)間的預(yù)測值，計(jì)算測量值和預(yù)測值的殘差挖掘異常特征信息。對于一般殘差來說，殘差值服從正態(tài)分布，運(yùn)用貝葉斯后驗(yàn)對數(shù)比檢測殘差序列中的異常殘差信息，進(jìn)而確定異常值的時(shí)刻位置。為了避免檢測閾值造成的檢測誤差，提出了自適應(yīng)檢測方法，能自適應(yīng)的根據(jù)檢測殘差

4、序列特征自適應(yīng)的識別異常值。
　　最后，為了保證風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)的連續(xù)性和利用性，采用三次樣條插值的方法修正被剔除的異常值。選取甘肅酒泉風(fēng)電場和低窩鋪風(fēng)電場的實(shí)測運(yùn)行數(shù)據(jù)分別進(jìn)行異常值檢測并修正。采用RBF神經(jīng)網(wǎng)絡(luò)預(yù)測算法評估異常值檢測的準(zhǔn)確性，預(yù)測結(jié)果表明經(jīng)過預(yù)處理后預(yù)測精度提高10%左右，而自適應(yīng)檢測方法相比于貝葉斯后驗(yàn)比檢測方法具有更好的處理效率和檢測精度，其精度能提高15%左右。評估結(jié)果表明本文方法能有效剔除異常值，對風(fēng)電