風電機組運行數(shù)據(jù)中異常值的檢測方法.pdf

1、隨著我國風力發(fā)電科學技術的穩(wěn)步發(fā)展，對風電并網(wǎng)經(jīng)濟運行的要求越來越高。風電運行數(shù)據(jù)中對風速波動性和間歇性進行有效、準確地預測成為風電并網(wǎng)運行的基礎，高質量的風電機組運行數(shù)據(jù)是評估風力發(fā)電性能、風速功率預測工作的必要前提。由于采集到的風電機組運行數(shù)據(jù)含有大量異常值，低質量的運行數(shù)據(jù)會導致信息誤判和數(shù)據(jù)的進一步深化應用，從而降低風電功率預測精度，甚至對電網(wǎng)的運營調(diào)度產(chǎn)生不利影響。因此，對運行數(shù)據(jù)中的異常值進行有效識別和修正成為預測建模分析的

2、必要前提。為保證風電并網(wǎng)的安全、經(jīng)濟運行，本文的研究內(nèi)容包括以下方面。
　　首先，分析風電機組運行數(shù)據(jù)中異常值的產(chǎn)生原因和異常值在風速-功率散點圖中的分布特點，建立分類多模型檢測異常值。根據(jù)棄風數(shù)據(jù)的特點，識別風速值連續(xù)波動但功率波動穩(wěn)定在一定范圍內(nèi)的檢測模型；運用統(tǒng)計學中穩(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均值算法辨識散點圖中的偏差簇數(shù)據(jù)，剔除

3、在傳輸過程中受到的電磁干擾和在計算機終端因存儲故障所污染的運行數(shù)據(jù)。
　　然后，從風速時間數(shù)據(jù)間的相關性分析入手，選取Adaboost-BP網(wǎng)絡與最小二乘支持向量機搭建最優(yōu)組合模型獲取未來時間的預測值，計算測量值和預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，運用貝葉斯后驗對數(shù)比檢測殘差序列中的異常殘差信息，進而確定異常值的時刻位置。為了避免檢測閾值造成的檢測誤差，提出了自適應檢測方法，能自適應的根據(jù)檢測殘差

4、序列特征自適應的識別異常值。
　　最后，為了保證風電機組運行數(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。選取甘肅酒泉風電場和低窩鋪風電場的實測運行數(shù)據(jù)分別進行異常值檢測并修正。采用RBF神經(jīng)網(wǎng)絡預測算法評估異常值檢測的準確性，預測結果表明經(jīng)過預處理后預測精度提高10%左右，而自適應檢測方法相比于貝葉斯后驗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。評估結果表明本文方法能有效剔除異常值，對風電